AR-V7

ARTIFICIAL INTELLIGENCE IN UROLOGY 泌尿外科人工智能：现状与未来 · 全译本连载 第十三章 泌尿系统肿瘤中的多组学 Matthew Ebia, Arsen Osipov, Dan Theodorescu Cedars-Sinai Cancer Center, Los Angeles, CA, USA 声明：本文为中文学术交流译本，仅供学习参考，不作任何商业用途。版权归原作者及出版方所有，如有侵权请联系删除。◆ 13.1 引言 组学技术及用于鉴定和分析DNA、RNA、蛋白表达、疾病特异性代谢物等的先进方法不断涌现，不仅为理解疾病的基础生物学和发病机制带来更多研究机会，也推动肿瘤照护个体化和新型治疗创新，以改善临床结局。 泌尿系统或泌尿生殖系统肿瘤包括膀胱（尿路上皮）癌、肾癌、男性前列腺癌和睾丸癌，均较为常见，在肿瘤学中造成显著疾病负担（表13.1）（Kocarnik 等，2022；美国监测、流行病学和最终结果计划：Cancer Stat Facts，2023）。阴茎癌较少见，因此其发病率和死亡率并未得到持续一致的报告。 本章总结多组学方法在泌尿系统肿瘤中的应用现状，重点介绍人工智能（artificial intelligence，AI）／机器学习（machine learning，ML）在多组学研究中的应用，并展望病理组学、空间组学和影像组学等新兴组学技术在泌尿系统肿瘤中的未来。 表13.1 泌尿系统肿瘤发病率和死亡率 癌种 2019年全球发病数 2019年全球死亡数 2023年美国发病数 2023年美国死亡数 膀胱（尿路上皮）癌 524,000 229,000 82,290 16,710 肾癌 372,000 166,000 81,800 14,890 前列腺癌 1,410,000 487,000 288,300 34,700 睾丸癌 109,300 10,800 9,190 470 资料来源：Kocarnik等（2022）全球疾病负担研究；美国SEER Cancer Stat Facts（2023）。◆ 13.2 泌尿系统肿瘤中的单组学与生物标志物 活检仍是肿瘤诊断的金标准，但在某些情况下（如肾癌），专门方案的计算机断层扫描影像即可支持诊断。肿瘤生物标志物与组织病理联合用于初诊、治疗反应监测、疾病进展和预后评估，也被用于风险分层和临床试验入组。不过，并非所有标志物均已标准化并得到验证，能够准确确认诊断或预测临床结局，因而仍需深入研究。由于肿瘤和患者均存在异质性，单一标志物很难准确反映一个肿瘤、乃至一名患者体内发生的分子和细胞过程。组织活检、全血、血清和血浆提供的客观数据只是某一时点的快照，未必代表这些动态过程。因此，采用基因组学、转录组学、表观基因组学、蛋白质组学和代谢组学等方法，可进一步帮助我们理解复杂通路。 基因组学研究整个人类基因组及基因间相互作用，以理解单个基因的结构和功能。DNA是所有细胞的基本构件，单一基因突变即可显著影响细胞存活。借助下一代测序（NGS）和全外显子组测序（WES），人类全基因组已得到广泛研究和绘制。经过DNA片段化、文库制备、扩增、测序和生物信息学分析等多步骤流程，可识别基因组任一片段的重要变异与突变；同样的方法也适用于编码蛋白质的外显子组。近20年前，癌症基因组图谱计划（TCGA）成功表征了33种最常见癌症的20,000余份原发肿瘤及配对正常样本，建立了可供癌症研究使用的公开多组学数据平台。 表观基因组学研究全基因组范围的修饰，包括DNA和／或DNA结合组蛋白的甲基化、乙酰化，以理解影响基因表达的调控机制（Chakraborty 等，2018）。染色质免疫沉淀联合NGS等检测可用于识别转录因子和组蛋白的DNA结合位点。比较正常组织与癌组织的表观遗传修饰，有助于了解肿瘤演化。 转录组技术如高通量RNA测序（RNA-seq）可鉴定并定量RNA转录本，主要是信使RNA（mRNA），也包括非编码RNA（ncRNA）和微RNA（miRNA）。与微阵列等传统技术不同，RNA-seq不需要转录本特异性探针。转录组通常指某一时点转录出的全部RNA分子，而基因组学描述特定基因是否存在；基因表达差异可帮助界定正常与癌症状态。 蛋白质组学鉴定并定量某一时点的蛋白质，可分析血液或肿瘤样本。这类高通量技术与转录组学一样复杂，质谱技术的发展进一步促进了正常组织与癌组织蛋白差异的描述。与基因组学相比，蛋白质组学在临床实践和决策中的应用仍处于早期。 代谢组学探索氨基酸、碳水化合物、脂肪酸和脂质等小分子代谢物及其改变的鉴定与定量。脂质组学在研究中常被单列，但也可纳入代谢组学。与蛋白质组学相似，质谱用于识别目标代谢物及其在信号通路中的作用。由于仍有大量未知信息，特异性代谢物的鉴定极其复杂；作为较新的组学技术，其临床用途仍不明确。以下各节按具体泌尿系统肿瘤，介绍有代表性的单组学研究。— 13.2.1 膀胱癌 膀胱癌也称尿路上皮癌（urothelial carcinoma，UC），因为它可发生于尿路任何部位，可进一步分为非肌层浸润性膀胱癌（NMIBC）和肌层浸润性膀胱癌（MIBC）。MIBC指肿瘤侵入固有肌层（T2）。MIBC仅约占UC的25%，却侵袭性更强，患者转移和死亡风险更高。综合基因组分析发现，NMIBC常见FGFR3、PIK3CA、STAG2以及RTK/RAS/RAF通路改变；MIBC常见TP53、RB1、ERBB2、MDM2、CDKN2A、KDM6A和ARID1A改变（Medori, Micheletti, Madeo, 等，2023）。依据最新共识，肿瘤还可分为腔面乳头型、腔面非特指型、腔面不稳定型、富基质型、基底／鳞状型和神经内分泌样型六类（Fong 等，2020）。这些分类可提供疾病侵袭性和治疗反应信息，帮助优化临床决策。 程序性死亡配体1（PD-L1）表达和肿瘤突变负荷（TMB）已在多种癌症中作为潜在标志物得到广泛研究。UC中较高PD-L1表达和TMB提示对抗PD-1/L1单克隆抗体（如阿替利珠单抗、阿维鲁单抗、度伐利尤单抗、帕博利珠单抗和纳武利尤单抗）反应的可能性增加（Rouanne 等，2021），但多数PD-L1高表达患者并不应答（Felsenstein 与 Theodorescu，2018）。越来越多证据表明，肿瘤微环境（TME）及髓源性抑制细胞、肿瘤相关巨噬细胞等细胞成分，在肿瘤增殖、转移以及对免疫治疗的敏感或耐药中发挥重要作用（Osipov 等，2019）。免疫治疗反应更具预测价值的标志物或许是肿瘤浸润淋巴细胞，尤其是可由免疫组化鉴定和定量的CD8⁺淋巴细胞（Felsenstein 与 Theodorescu，2018）。 Chu等（2021）分析多个UC队列，界定基质激活、免疫富集和免疫抑制三种TME模式，并利用多组学数据构建肿瘤微环境特征（TMsig）。TMsig把患者进一步分为低分和高分组，是免疫治疗反应的独立预后指标。低TMsig组预后较好、M1巨噬细胞浸润增加、免疫治疗反应更好，肿瘤特征更接近腔面型或高分化型。低TMB或低肿瘤新抗原负荷（TNB）且TMsig高的患者生存最差。该研究说明TME分析对UC结局的潜在价值，并强调未来应把TME作为组学来源纳入研究。 与PD-L1和TMB类似，DNA损伤修复（DDR）基因改变也可能成为标志物，提示患者可能从含铂化疗获益。铂类药物交联DNA，若DDR机制失效，细胞会发生凋亡。ATM、RB1或FANCC任一基因突变可预测接受含铂新辅助化疗（NAC）的MIBC获得完全病理反应和更佳总生存（OS）（Felsenstein 与 Theodorescu，2018；Plimack 等，2015）。参与核苷酸切除修复的ERCC2改变也与含铂NAC后OS和病理反应改善相关（Felsenstein 与 Theodorescu，2018；Liu 等，2016）。另有研究关注化疗前后肿瘤内异质性的预后价值。Liu等（2017）发现，MIBC化疗后肿瘤内异质性增加，可能为克隆扩增创造更多机会，并与较差生存相关。 尽管TME和DNA分析已取得进展，在膀胱癌标本中整合多种组学技术仍有望发现更多生物标志物和治疗靶点，以预测化疗、免疫治疗反应及进展风险。多数膀胱癌患者初诊为NMIBC，局限于黏膜（Ta或pTis）或累及黏膜下层（T1）。患者通常接受经尿道膀胱肿瘤切除术，中高危者再接受卡介苗（BCG）膀胱灌注。即使采用多模式治疗，患者仍常在5年内进展为肌层浸润性疾病。两个大型队列显示，T1G3患者预后最差，维持BCG后1年和5年进展率分别为11.4%和19.8%（Cambier 等，2016）。因此，许多研究尝试建立预测标志物，识别可能需要早期根治性膀胱切除等更积极治疗的患者。 Kim等（2021）对948名NMIBC患者进行转录组分析，发现可预测进展和复发的分子特征，并识别三种对BCG反应具有不同预后价值的分子亚型。DP.BCG⁺亚型无进展生存（PFS）较差但可应答BCG；REC.BCG⁺亚型无复发生存（RFS）较差但同样可应答BCG。该研究支持进一步探索NMIBC分子分型，以预测BCG治疗反应。 Mo等（2020）对TCGA队列388份MIBC样本的体细胞突变、DNA拷贝数、甲基化和RNA-seq数据进行整合聚类及生物信息学分析，以识别亚型、亚型特异性标志物和临床意义。基因组分析又按染色体9p21.3区域缺失或野生型细分各亚型。该区域编码MTAP（参与腺嘌呤和甲硫氨酸合成的甲硫腺苷磷酸化酶）及CDKN2A/2B（编码参与细胞周期阻滞的抑癌性细胞周期蛋白依赖性激酶抑制剂）等基因。9p21.3缺失与MIBC患者生存更差、PD-L1抑制剂反应率更低相关。聚类分析还筛出42基因面板，作为2,655个驱动基因的替代指标，并以K近邻ML模型提供预后价值；未接受NAC的基底型MIBC患者OS较差。该研究以多组学输入的整合聚类发现9p21.3缺失和42基因基底—腔面替代面板等潜在标志物，可用于预后和治疗选择。 Su等（2021）聚焦上尿路尿路上皮癌（UTUC），通过全面的DNA甲基化分析识别两种甲基化组亚型。EpiC-low亚型富集非肌层浸润样本，表现为低甲基化、免疫贫乏并富集FGFR3突变；FGFR3是一种跨膜受体，调控细胞生长和分化相关的下游信号。EpiC-high亚型富集肌层浸润样本，表现为高甲基化、免疫富集／浸润，并富集SWI/SNF基因体细胞突变。这些结果对治疗选择具有意义，例如EpiC-low可考虑FGFR抑制。泛FGFR抑制剂厄达替尼依据Ⅱ期BLC2001试验中经治患者客观缓解率改善的结果，于2019年获美国FDA批准用于FGFR改变的UC（Loriot 等，2019）。 循环肿瘤细胞（CTC）和循环肿瘤DNA（ctDNA）作为临床标志物也受到关注（Castaneda 等，2023）。CTC是由原发肿瘤进入外周血的癌细胞，ctDNA则是肿瘤释放至外周血的小DNA片段。CTC可分析完整细胞，而不仅是DNA。两者在结直肠癌、肺癌等其他癌种中的研究迅速增长。外周血CTC或ctDNA升高可能具有预后意义，治疗后仍可检出则可能提示早期复发，从而影响后续治疗的时机和选择。Fu等（2021）发现MIBC患者CTC多于NMIBC，以1.5个CTC/3 mL为界值区分两组的灵敏度为80.0%、特异度为66.7%；高级别肿瘤的CTC也显著高于低级别肿瘤，支持高级别或肌层浸润性疾病转移风险更高。转移性UC队列中，一线治疗前ctDNA高水平患者的OS较差（HR 3.15，95%CI 1.32–7.48，P=0.01）（Vandekerkhove 等，2021）。实时测序还能发现比原发肿瘤更能反映当前疾病状态的克隆变化。 膀胱癌代谢组学是另一快速发展领域，旨在识别标志物并解析正常与疾病状态间糖酵解、脂肪酸β氧化、氨基酸代谢等异常通路（di Meo 等，2022）。尿液、血液和组织的代谢特征可区分癌症与对照，甚至区分NMIBC和MIBC。Jin等（2014）在138名膀胱癌患者和121名对照中，发现12种涉及糖酵解和β氧化的尿代谢物，包括升高的乙酰辅酶A、肉碱和酰基肉碱；其预测膀胱癌诊断的AUC为0.937，灵敏度91.3%，特异度92.5%，并可区分NMIBC和MIBC。代谢组学是很有前景的标志物来源，但目前尚无获批临床用途，尽管多项研究发现了可能提示治疗反应的特异性代谢特征。— 13.2.2 前列腺癌 前列腺癌是全球最常见的泌尿系统恶性肿瘤，也是男性第二常见恶性肿瘤，仅次于肺癌。由于患病率高，大量研究致力于理解其异质性及其对管理的影响。血清前列腺特异性抗原（PSA）是前列腺产生的糖蛋白酶，也是最广为人知、使用最普遍的前列腺癌标志物。PSA与Gleason评分、肿瘤分期联合用于诊断、风险分层、疗效及复发风险评估，但特异度较低，老龄、良性前列腺增生和前列腺炎均可导致升高。全基因组研究发现多条失调通路和病因机制。家族性HOXB13、BRCA2、ATM、CHEK2、BRCA1、RAD51D和PALB2突变可驱动前列腺癌；RB1和TP53突变常见于侵袭性更强的神经内分泌分化亚型（Zhang 等，2020）。雄激素受体（AR）信号、PI3K-PTEN、WNT、DNA修复和TGF-β/SMAD4也是常见异常通路（Medori, Micheletti, Gadler, 等，2023；Nevedomskaya 与 Haendler，2022；Zhang 等，2020）。 AR通路及其在前列腺癌中的作用被发现后，促成了多种靶向药物，包括促性腺激素释放激素类似物（如亮丙瑞林）、近年获批的口服药物瑞卢戈利、细胞色素P450 17A1抑制剂醋酸阿比特龙，以及比卡鲁胺、恩扎卢胺、阿帕他胺和达罗他胺等AR拮抗剂。然而耐药仍会发生，需使用紫杉烷类、适宜人群中的多聚ADP核糖聚合酶抑制剂和α粒子放射性治疗等后线方案（Nevedomskaya 与 Haendler，2022）。 前列腺癌单组学研究主要比较原发肿瘤与转移灶，以及转移性去势敏感性（mCSPC）和去势抵抗性（mCRPC）疾病的关键差异。早期前列腺癌常见PTEN缺失、SPOP和FOXA1突变以及TMPRSS2-ETS融合。Koo等（2019）提出多种筛查标志物：TMPRSS2-ETS融合的前列腺癌特异度优于PSA；两种长链ncRNA PCA3和SCHLAP1过表达或上调可促进肿瘤存活，也具有标志物潜力。把这些指标与PSA组合，可能比单独PSA提高检出灵敏度和特异度。 mCRPC中可见AR基因扩增、AR过表达和AR-V7等剪接变体，TP53、RB1和PI3K/AKT突变率也高于配对mCSPC样本（Nevedomskaya 与 Haendler，2022）。AR-V7与AR拮抗剂耐药相关。表观基因组研究发现原发与转移性样本之间组蛋白H3K27乙酰化存在差异，提示其可能预测肿瘤进展。代谢组研究显示脂肪生成和脂质代谢在前列腺癌中失调，并受AR信号影响。前列腺癌样本的磷脂酰肌醇和磷脂酰丝氨酸中单不饱和脂质、延长链脂肪酸比例更高，AR抑制治疗后脂质组成也会改变（Butler 等，2021）。 许多基因组研究结合AI、ML和深度学习，识别辅助诊断、预后和治疗的基因特征。Decipher、Oncotype DX Genomic Prostate Score和Prolaris是常用于风险分层和管理的商业化ML基因组分类器（Wong 等，2024）。使用AI方法增强计算能力、提高前列腺癌相关结局预测，已成为当前研究热点。临床还有多种CLIA认证检测：血液检测包括PHI和4Kscore；组织检测包括ConfirmMDx、Oncotype Dx、Prolaris和Decipher；创伤最小的尿液检测包括Mi Prostate Score、SelectMDx和ExoDx Prostate（IntelliScore）（Koo 等，2019）。— 13.2.3 肾癌 肾细胞癌（RCC）约占原发肾肿瘤的90%，最常见亚型为透明细胞RCC；其他亚型包括乳头状、嫌色、集合管和肾髓质癌（Dhuli 等，2023；Zhang 等，2023）。RCC可散发，也可属于遗传性肿瘤综合征，与3p缺失、5q扩增和7号染色体扩增相关。位于3p的von Hippel-Lindau（VHL）抑癌基因功能丧失，使缺氧诱导因子α（HIF-α）积累并上调血管内皮生长因子（VEGF）和血小板源性生长因子，导致血管生成增加（Dhuli 等，2023；Zhang 等，2023）。针对该通路已开发多种酪氨酸激酶抑制剂（TKI），HIF-2α抑制剂贝组替凡近年也获FDA批准用于包括RCC在内的VHL相关肿瘤。 纪念斯隆凯特琳癌症中心风险模型（Mekhail 等，2005）和国际转移性RCC数据库联盟（IMDC）模型（Heng 等，2009）依据临床特征估计肾癌预后。如今许多研究在此基础上加入组学数据，以更准确估计RCC结局。一项近15,000名患者的荟萃分析比较原发与转移性透明细胞RCC的基因突变和拷贝数改变（CNA），发现转移性样本中VHL突变及CNA、CDKN2A缺失和ASXL1扩增更常见（Bui 等，2022），进一步显示肾癌异质性及持续研究分子特征对管理的重要性。 一项对165份局限性透明细胞RCC肿瘤样本的蛋白质组分析，发现两个蛋白质组亚型之间有514种蛋白差异表达，但PFS和OS无统计学差异，可能与研究仅采用单一组学有关（Miranda-Poma 等，2023）。— 13.2.4 睾丸癌 睾丸生殖细胞肿瘤（TGCT）占男性癌症的1%–2%，约50%–60%为精原细胞瘤，其余为非精原细胞瘤（NSGCT）（Madeo 等，2023）。晚期或转移性患者约70%–80%可经含顺铂化疗联合残余病灶切除治愈，但多达30%的转移性患者在开始根治性治疗后复发，需要常规剂量挽救化疗或大剂量化疗联合自体干细胞移植（Madeo 等，2023；Urbini 等，2023）。与膀胱癌和肾癌不同，免疫治疗尚未证实对TGCT有效。 甲胎蛋白（AFP）、人绒毛膜促性腺激素（hCG）和乳酸脱氢酶（LDH）等血清蛋白标志物在治疗前、中、后检测，并与原发部位和播散模式共同用于国际生殖细胞肿瘤协作组分类的风险分层（International Germ Cell Consensus Classification，1997）。AFP仅在NSGCT升高，hCG和LDH在精原与非精原细胞瘤中均可升高。含顺铂化疗仍是根治治疗基础，但顺铂治疗失败后尚无标志物可指导管理。 基因组分析显示TGCT常见CNA。12p扩增常见，3p25.3扩增与顺铂耐药和生存不良相关。TP53和MDM2改变、KRAS/KIT突变、DNA高甲基化及组蛋白H3K27去甲基化也与顺铂耐药相关（Urbini 等，2023）。miRNA也被研究为疗效和复发标志物。Dieckmann等（2019）开展前瞻性多中心研究，对616份TGCT样本用M371 qPCR检测血清miRNA-371a-3p，诊断原发TGCT的灵敏度为90.1%、特异度94.0%、ROC AUC 0.966。睾丸切除术后该指标下降，支持用于疗效监测。46名复发患者的指标显著升高，复发检出的灵敏度82.6%、特异度96.1%、ROC AUC 0.921。作者认为其预测疗效和复发优于AFP、hCG和LDH。 当前仍主要依赖上述单组学方法——如高通量测序检出基因组改变、表观遗传修饰、mRNA及蛋白差异表达——来发现分子特征并解释诊断和机制。但无论肿瘤类型如何，单组学均难以揭示这些分子图谱与癌症最终表现之间的因果联系。◆ 13.3 什么是多组学？ 癌症多组学是利用两种或更多技术获得的两类或更多分析物，例如临床与人口学信息、病理／计算病理、影像／计算影像、基因组、表观基因组、转录组、蛋白质组和代谢组等，用以探查癌症的生物学驱动因素，阐明恶性转化、疾病进展和治疗敏感性的基础机制。研究成果可转化为预测生存、毒性风险和治疗反应等临床结局的标志物，也可用于发现新靶点并指导药物研发，推动精准医学。◆ 13.4 泌尿系统肿瘤当前的多组学方法 与单组学相比，多组学分析既可能更深入地解释癌症病理生物学机制，也可能由此产生更优的临床行为标志物。以下概述当前用于泌尿系统肿瘤的代表性多组学研究。— 13.4.1 膀胱癌 高危NMIBC（HR-NMIBC）通常接受肿瘤切除和BCG膀胱灌注。研究者推测，HR-NMIBC分子图谱可能揭示可预测BCG反应的特定亚型；识别不太可能应答的肿瘤后，可提前采用根治性膀胱切除或替代方案以改善生存。de Jong等（2023）对BCG初治HR-NMIBC及BCG后复发患者进行全转录组测序和空间蛋白质组分析，识别BRS1、BRS2和BRS3三种BCG反应亚型，均与PFS等结局相关，并在第二个BCG初治HR-NMIBC队列中验证。BRS3表现更侵袭，三类中PFS最短；测序显示其基底和上皮—间质转化（EMT）标志物及免疫抑制基因过表达，这些改变分别与肿瘤侵袭和BCG失败有关。因此，BRS3患者可能更适合根治性膀胱切除。BRS分型识别高危肿瘤优于指南中的临床病理风险分层，临床级qPCR检测也能成功判定BRS亚型。 Yu等（2022）分析15名NMIBC和11名MIBC患者的尿代谢组、肠道微生物组和血清细胞外囊泡（EV）蛋白质组，经逻辑回归发现46种丰度不同、与疾病进展相关的分析物；NMIBC和MIBC之间非结合胆红素及白细胞计数也显著不同。作者用Spearman秩相关绘制这两项指标与46种分析物的相互作用。样本量不足以确定因果关系，但该研究建立了可在大数据集中进一步验证的候选分析物，并展示了尿代谢组、肠道微生物组和EV蛋白质组等较少使用的技术。 Xu等（2022）用WES、RNA-seq、蛋白质组和磷酸化蛋白质组分析45例NMIBC和71例MIBC中国患者。TP53、ARID1A、FGFR3和PIK3CA突变常见；5p扩增的NMIBC生存差于野生型，可能是NMIBC进展至MIBC的标志物；9q34.3扩增通过提高PD-L1表达形成免疫“热”表型，提示可能从PD-L1抑制剂获益。 Lindskrog等（2021）结合834份NMIBC样本的基因组和转录组改变，界定四种亚型。把基因组／转录组类别加入欧洲癌症研究与治疗组织风险评分后，临床危险因素与分子特征共同使5年进展预测AUC略有提高。— 13.4.2 前列腺癌 Zhu等（2023）研究上皮细胞标志基因（ECMG）对前列腺癌结局的影响。根据单细胞测序识别543个差异表达ECMG，随后在五个独立队列中使用10种ML算法、100余种模型构建预后特征ECMGPS。最优模型组合CoxBoost和监督主成分：CoxBoost通过多轮Cox比例风险模型逐步迭代改进预测（Binder 与 Schumacher，2009）；模型选择依据C指数，即综合风险、事件和时间评价生存模型拟合优度的指标（Longato 等，2020）。算法从543个ECMG中筛出最具价值的21个基因，减少输入变量并简化模型。ECMGPS将患者分为低风险和高风险，低风险组生存更好；应用于膀胱癌和RCC样本也得到类似结果。其预测生化复发的表现优于80种已发表特征。 代谢组学与其他单组学联合，正在成为理解前列腺癌的重要工具。一篇综述指出，联合代谢组和转录组分析揭示脂肪酸及脂质代谢显著改变；脂肪生成和磷脂生物合成上调与更侵袭性疾病相关，因为快速增殖需要这些结构单元（Gómez-Cebrián 等，2022）。癌细胞代谢通路可作为早筛、疗效评估和药物靶点的候选标志物，但相关代谢物并非前列腺癌细胞、甚至恶性细胞所特有。— 13.4.3 肾癌 Clark等（2019）对110份未经治疗的透明细胞RCC和84份配对癌旁正常组织（NAT）进行蛋白基因组分析，基因突变与单组学研究相似：VHL最常见，其后为PBRM1、BAP1、KDM5C和SETD2。肿瘤与NAT之间有820种蛋白差异表达。肿瘤中免疫反应、EMT、缺氧、糖酵解和mTOR通路上调，而三羧酸循环、脂肪酸代谢和氧化磷酸化通路下调。将转录组与免疫、基质和TME基因特征结合后，依据TME免疫细胞浸润区分出CD8⁺炎症型、CD8⁻炎症型、VEGF免疫荒漠型和代谢免疫荒漠型四种亚型。VEGF免疫荒漠型生存较好，CD8⁺炎症型结局较差。 Zhang等（2023）分析接受舒尼替尼治疗的中国透明细胞RCC患者，分为应答者（完全或部分缓解）和非应答者（疾病稳定或进展）。突变频率与Clark等及另外8个数据集相似，发现10个基因在两组间突变不同。BAP1突变与生存不良相关，VHL突变则提示舒尼替尼治疗预后较好。应答者中抗原加工与呈递、Th17分化和NF-κB信号蛋白上调；非应答者中mTOR、中性粒细胞脱颗粒、血小板激活和聚集通路蛋白上调。共识聚类识别三种蛋白质组亚型，细胞去卷积估算TME免疫细胞丰度后，将肿瘤分为T细胞浸润型（CD8⁺/CD4⁺浸润最高）、冷型和祖细胞浸润型（VHL突变频率最低）。T细胞浸润型应答者比例最高，祖细胞浸润型最低，与舒尼替尼治疗PFS一致。— 13.4.4 睾丸癌 TGCT发病率低，多组学研究较少。Lu等（2023）结合单细胞基因组分析和空间转录组，识别精原细胞瘤相关基因与通路。关键转录因子包括TFAP2C、POU5F1、NANOG和SOX17；TFAP2C与细胞侵袭、迁移和疾病进展有关。空间转录组显示，靠近肿瘤细胞区域的CD8⁺和CD4⁺细胞更多表现出耗竭而非细胞毒特征，提示TME处于免疫抑制状态。◆ 13.5 多组学与机器学习的整合 ML是AI的一个分支，利用统计工具建立算法，使机器从数据中学习并随数据增加而提高准确度（Lin 等，2023）。算法以现有数据集的变量、特征或预测因子进行“训练”，建立针对特定结局的预测模型，再在没有显式指令的情况下完成数据分类和规律发现。— 13.5.1 膀胱癌 Chu等（2023）整合MIBC患者的基因组、转录组（mRNA、长链ncRNA和miRNA）及表观基因组（甲基化）数据，并应用ML识别MIBC分子亚型，建立具有预后价值并可预测免疫治疗反应的共识ML驱动特征（CMLS）。研究先筛出32个在各亚型间差异表达且与稳定预后相关的基因，再选出12个枢纽基因构建更稳健的CMLS。TME分析显示，低CMLS患者T细胞、B细胞和M1巨噬细胞浸润显著更高，并富集高TMB和TNB，提示免疫激活的“热”肿瘤；高CMLS则富集成纤维细胞、中性粒细胞和免疫抑制标志物，提示免疫贫乏的“冷”肿瘤。低CMLS组接受免疫治疗的反应和预后通常优于高CMLS组。— 13.5.2 前列腺癌 Wong等（2019）评估19项患者变量，包括PSA等实验室结果、影像、活检特征（如Gleason分级）、病理特征（肿瘤分期、淋巴结受累、包膜外侵犯和精囊侵犯）及临床结局，使用K近邻、随机森林（RF）和逻辑回归三种监督ML模型，预测机器人辅助前列腺切除术后1年生化复发。三种ML模型的AUC均优于传统Cox回归。该研究为单中心单术者队列，说明可选算法多样，但仍需大数据外部验证。Ekşi等（2021）在土耳其人群开展类似回顾性研究，使用相同模型，也均优于Cox回归。 Zheng等（2023）在前列腺癌患者中整合单细胞RNA-seq、批量RNA-seq、甲基化阵列和全外显子组测序，并结合ML建立干性分类。肿瘤干性指癌细胞自我更新和分化潜能。研究用18个干性相关基因集识别高、中、低三种干性亚型，各亚型在生存和治疗反应上不同。高干性型预后最差，但对雄激素剥夺治疗（ADT）、紫杉烷和免疫治疗敏感；低干性型预后最好，对铂类特别敏感而对免疫治疗耐药。该分型可补充指导ADT的PAM50（Zhao 等，2017）和指导放疗、手术的Decipher（Ross 等，2014）等现有方法。— 13.5.3 肾癌 Zhang等（2023）研究舒尼替尼治疗的中国透明细胞RCC患者蛋白基因组图谱，选择18种蛋白并用集成RF建立舒尼替尼反应预测模型，训练队列ROC AUC为0.85。将临床特征、突变图谱、基因特征、CNA和转录组特征等多组学数据加入仅蛋白模型后，RF模型预测TKI反应的ROC AUC提高至0.98。该回顾性研究仅含中国人群，仍需在其他种族中验证泛化能力。 RCC中AI结合基因组和病理组学的研究进展显著。病理组学利用ML从数字病理切片提取目标模式并辅助诊断，在RCC中可判定肿瘤亚型、Fuhrman分级、分期和生存。病理组学依靠卷积神经网络从多层影像数据提取特征，并用RF、支持向量网络和逻辑回归等监督模型输出二分类或多分类结果（如正常与恶性、肿瘤亚型）（Knudsen 等，2024）。现有研究表明，使用病理组学、基因组等多组学数据建立RCC预测模型优于单组学；加入病理组学可提高诊断准确性并建立更稳健的预后特征。◆ 13.6 局限性 训练和验证中的预测模型高度依赖输入数据质量及受试人群特征（Sarker，2021）。个体患者数据经常缺失，部分研究设置特定缺失界值决定是否纳入（Gianfrancesco 等，2018），因此需要模板化数据收集以提高预测价值。实验室层面，标本储存或处理不当会减少可分析样本并降低完整性（Marshall 等，2022）。模型在独立样本或新数据集上实际测试前，无法预知其预测表现。过拟合会使训练队列表现良好，却在验证队列下降（Kleppe 等，2021）。训练完成的模型也未必适用于所有患者，尤其是训练集常代表不足的少数种族群体（Gianfrancesco 等，2018；Kleppe 等，2021）。多数研究聚焦特定人群的单组学并回顾性分析，往往彼此孤立，需要在更大规模、前瞻性收集的队列中外部验证。◆ 13.7 泌尿系统肿瘤多组学的未来 多组学是数十年分子图谱工具改进与高级计算程序发展的结晶，旨在更准确描述癌症驱动过程、预测并改善临床结局。下一步是利用ML建立经过优化和外部验证、可接收DNA、mRNA、蛋白质、代谢物等大规模输入的模型，形成有效的个体化肿瘤照护策略。Osipov等（2024）近期对可切除胰腺导管腺癌开展全面ML多组学分析，利用递归特征消除在后续迭代中剔除信息量最低的输入，得到简约模型，并维持生存预测准确度。该模型在四个独立数据集中验证，预测可切除胰腺癌生存优于糖类抗原19-9。此平台可扩展到泌尿系统肿瘤，通过降低复杂度和成本，使精准医学更易普及，也可整合病理组学、影像组学和空间组学。 空间组学是较新的组学方向，指在组织切面上对动态、异质的TME进行DNA、RNA、蛋白质等全面空间分析。深入了解TME免疫细胞浸润的多样性和程度，有望揭示肿瘤存活、转移相关通路及可成药靶点。膀胱癌中的一项研究结合单细胞和空间转录组，发现一种新的MIBC亚型（Gouin 等，2021）；该亚型手术治疗时表现格外侵袭，但对免疫治疗更敏感。 影像组学把医学影像提取的数据与AI算法结合，可建立癌症结局预测模型（Feretzakis 等，2024）。在RCC中，肾肿块恶性潜能依赖影像判断，放射科医师之间可能存在差异，因而需要ML和深度学习处理海量影像。ML分类的第一步是肿瘤分割，即区分肿瘤与正常肾组织并辅助分期；目前模型已能较准确地区分良恶性肿块、RCC亚型及分级（Raman 等，2024）。AI还用于开发RENAL、PADUA和C指数等手术决策评分。影像组学与AI再整合其他组学，有望改善疗效和预后预测。 前列腺癌影像组学也有多种应用（Liberini 等，2022）。自动分割可更准确定位活检目标并评估肿瘤负荷；影像组学与AI可鉴别放疗后坏死组织和活动性肿瘤，估计复发风险，支持及时调整治疗；也可区分退行性与转移性骨病灶，影响后续方案。泌尿系统肿瘤影像组学仍在研究，临床范围有限，但与多组学进一步整合并在多个队列验证后，可能形成适用于患者的稳健模型。◆ 13.8 展望 基因组、转录组、表观基因组、蛋白质组和代谢组等单组学提供了越来越大的数据集，用于指导诊断和风险分层，改善疗效与预后。但单独使用任何一种方法都无法覆盖完整临床图景，可能留下管理空白。利用AI和ML整合多组学，似乎可通过更全面且经验证的模型提高结局预测，发现疗效相关标志物或分子亚型，并解析通路和机制以开发靶向药物。模型可同时考虑大量变量并适应输入数据，因而可针对不同人群重新训练以最大化准确度。当前计算模型和ML算法众多，选择并不容易（Sarker，2021），尚无公认最佳方案。◆ 13.9 结论 多组学精准医学将越来越多地用于泌尿系统肿瘤患者照护。AI和ML可帮助大规模数据的应用与转化，提供支持临床决策的有用信息。单组学泛化性有限，也不足以全面解释泌尿系统肿瘤的细胞和分子基础。AI模型要获得可靠预测能力，必须用多样化数据和患者变量充分训练，并在前瞻性多中心队列中持续验证。病理组学、影像组学和空间组学提供互补信息，有望建立更强的结局预测工具并发现新治疗靶点。接下来的艰巨任务是把这些模型真正整合进临床实践，最终改善泌尿系统肿瘤患者的结局。 —— 参考文献（略） —— 《泌尿外科人工智能：现状与未来》全译本连载第 13 期 · 共 17 期　❖　译稿仅供学术阅读与交流