澳科大朱依谆/李慧博等：多组学驱动的精准医学（综述） | 热心肠日报

这项研究的核心洞见在于，它摒弃了将多组学视为静态诊断指标的旧观念。研究团队提出，多组学驱动的精准医学是一个动态演化的决策系统。它垂直整合了基因组、表观组、转录组、蛋白质组、代谢组及微生物组等分子层面的信息，并向上延伸至组织微环境和患者个体的临床表型。

这种架构的魅力在于其“连接性”。研究发现，基因组变异与表观调控的线索，必须在组织空间转录组学的背景下，才能揭示其如何塑造细胞生态系统并影响药物疗效。最终，所有这些信息在患者层面汇合，结合电子健康记录和影像组学数据，共同服务于患者分层与治疗选择。该框架的一个关键特征是闭环反馈机制，它通过整合真实世界的临床结局，持续优化干预策略，向着“在正确的时间给正确的人以正确的治疗”这一目标迈进。

面对多组学数据的高维度与稀疏性，人工智能成为了不可或缺的推理引擎。研究团队梳理了AI在多组学建模中的演进脉络，从早期的统计整合，到如今以基础模型和AI虚拟细胞为代表的新范式。AI的核心贡献在于，它将碎片化的分子测量结果，转化为可迁移的生物学表征。

论文详细拆解了这一架构：在数据底层，是涵盖基因组、蛋白组到病理影像的多尺度信息。在核心建模层，基础模型旨在学习一个统一的生物学状态表征，这个表征可以跨模态对齐（例如，将转录组与染色质状态关联），也可以进行跨模态翻译（例如，从转录组推断蛋白质丰度）。更具前瞻性的是，研究强调了对扰动建模的探索。这意味着，AI系统不仅要描述细胞状态，还要能模拟其在基因编辑或药物干预下的状态转变，这正是“AI虚拟细胞”概念的雏形，旨在为湿实验验证前提供可计算的假设推演。

多组学驱动的精准医学正系统地重塑药物研发管线，以应对研发效率持续下降的“反摩尔定律”。研究发现，一个由遗传学证据支持的靶点，其获批上市的可能性是其他靶点的2.6倍。这直观地展示了多组学在靶点确证中的价值。

在药物开发的全链条中，多组学并非孤立存在。在靶点识别阶段，它能够整合全基因组关联研究、转录组学和蛋白质组学数据，区分驱动事件与乘客事件。在临床前评价与临床试验阶段，多组学技术通过精细的分子分型，能够筛选出最可能获益的特定患者亚群，从而避免因人群异质性导致的试验失败。

研究还特别指出，多组学有助于解释“罕见应答者”现象，即从那些看似失败的临床试验中，通过深度分子分析，挖掘出对特定药物敏感的分子亚型，从而挽救那些可能被埋没的疗法。

在肿瘤学领域，多组学技术的应用最为深入。它不仅揭示了肿瘤内部的克隆演化和微环境异质性，更将这种认知转化为临床实践。通过整合基因组、转录组和蛋白质组数据，研究者能够将形态相似的肿瘤，划分为分子特征迥异的亚型。例如，该综述引述的研究显示，某些胆管癌的代谢亚型可能对特定化疗方案敏感，而侵袭性炎症亚型则可能从PD-1抑制剂联合疗法中获益。

对于自身免疫病这类高度异质性疾病，传统的诊断方法捉襟见肘。研究团队指出，多组学分析能够揭示，看似相同的临床症状背后，可能运行着截然不同的免疫程序。例如，在类风湿关节炎中，通过单细胞多组学分析，可以识别出滑膜组织中不同的细胞丰度表型，这些表型与对TNF抑制剂或JAK抑制剂的治疗反应密切相关。这种从分子通路层面进行的重新分类，为实现免疫耐受的恢复提供了更精准的干预靶点，而不仅仅是广谱的免疫抑制。