AI解析小细胞肺癌异质性:多组学整合提供新视角
打地鼠式抗癌?Cancers:当AI拿起分子显微镜,小细胞肺癌的异质性难题有了新解法
文章综述了AI驱动的多组学方法在解析小细胞肺癌异质性中的应用,包括影像组学、液体活检和深度学习模型。研究指出,AI多组学整合有助于捕捉肿瘤演化信号,但目前仍需更多数据支持。
综述文章系统梳理了AI在解析小细胞肺癌异质性中的应用,为临床研究提供了新思路。

肺癌长期位居全球癌症发病与死亡首位,小细胞肺癌是其中格外凶险的一支,其约占全部肺癌的15%,5年生存率约5%,70%至80%的患者确诊时已是广泛期,未经治疗者中位生存仅2至4个月。近两年,AI辅助诊断、液体活检与多组学整合持续占据肿瘤学热点。
日前,一篇发表在国际杂志Cancers上题为“AI-DrivenMulti-Omics Approaches for Deciphering Small-Cell Lung Cancer Heterogeneity Using Nucleic-Acid-Based Features”的综述报告把这三条线索汇到同一个问题上:面对一种不断变形的肿瘤,单层快照式的分析为何注定失效。文章中,来自美国密苏里大学堪萨斯城分校等机构的研究人员系统梳理了核酸层面特征驱动的多组学与人工智能方法如何解析小细胞肺癌的异质性、组织学转化与耐药演化。
小细胞肺癌几乎普遍存在RB1与TP53失活,平均非同义突变率达每兆碱基5.5个,全基因组分析报告每个肿瘤超过5万个体细胞突变,带有典型烟草诱变的G到T颠换。高突变负荷叠加基因组不稳定,使肿瘤在治疗压力下不断筛选新克隆。
从转录因子层面上来看,它分为四个亚型:ASCL1驱动的SCLC-A约占36%,NEUROD1驱动的SCLC-N约31%,免疫炎症型SCLC-I约17%,POU2F3驱动的SCLC-P约16%。各亚型脆弱点不同:SCLC-A依赖BCL2抗凋亡信号,SCLC-N增殖活跃、对Aurora激酶抑制敏感,SCLC-P呈簇细胞样、对反代谢物与PARP抑制更敏感,SCLC-I更可能从免疫治疗中获益。问题在于这些身份并不固定。化疗可把ASCL1高表达肿瘤推向NEUROD1驱动或非神经内分泌状态,耐药随之而来。

(a)小细胞肺癌(SCLC)亚型谱系及其易感性。(b)变革性人工智能与临床应用。
另一条隐秘路径是组织学转化,EGFR突变非小细胞肺癌患者接受靶向治疗后,约5%至10%在16至49个月内转化为小细胞肺癌,中位时间约1.1年;转化后原始EGFR突变仍保留,提示克隆关系,但驱动转化的分子事件至今定义不清。传统研究一次只看一层:基因组、转录组或临床数据。小细胞肺癌的耐药却产生于多层之间的非线性互动,单层分析必然遗漏。综述给出的路径是AI驱动的多组学整合。
影像组学表现出了一定的实用性,一项研究纳入93例接受化疗联合免疫治疗的广泛期患者,提取1781个影像组学特征,影像加临床联合模型平均C-index/AUC约0.8487;另一项200例局限期研究提取1037个特征,训练组与测试组AUC分别为0.72和0.71。基于SEER 2000至2018年数据的XGBoost模型,在预测化疗后90天早期死亡率上精度最高,优于其他机器学习算法与传统方法;针对四个亚型训练的XGBoost分类器,组织样本分型准确率达96.6%。
液体活检提供了纵向视角,一项纳入39例局限期与30例广泛期患者的研究用cfDNA全基因组测序,在局限期检出94%、广泛期检出100%的肿瘤相关改变,超过50%患者可识别治疗靶点,且cfDNA峰值先于影像学进展。140份血浆样本中85%检出疾病相关突变,另发现PTEN、NOTCH1-4、MYC、PIK3CA、BRAF等10个额外基因改变。但一项纳入33例患者的ctDNA研究结论明确:尚无临床使用指南,未准备好落地。cfDNA甲基化作为早期检测工具,同样需要更多数据。深度学习模型Sybil在15000名筛查参与者中评估,并在三个数据集验证,单次低剂量CT即可预测未来肺癌风险,但其在小细胞肺癌的专门应用尚未确立。
AI模型最大的临床障碍不是精度,而是不可解释。SHAP可量化各层特征贡献并分析跨组学交互,LIME提供单样本解释,积分梯度适用于深度学习模型。研究人员指出,注意力权重不应被当作因果解释,特征重要性只说明模型依赖什么,不证明生物学因果。真正的短板在数据。多数模型训练于回顾性数据和小型SCLC专属队列,单中心模型换到外部人群常因测序平台、影像协议、样本处理差异而性能下降。组织稀缺、瘤内异质性与亚型排斥共存,进一步限制样本获取。亚型分类本身也缺统一标准,RNA测序、甲基化谱与免疫组化各说各话。
这篇综述不在于宣称AI已攻克小细胞肺癌,而在于把问题重新摆放:这是一种在治疗压力下持续重写自身身份的多层系统疾病,单层快照注定失效。AI多组学的意义,是把基因组、转录组、影像与临床轨迹放进同一个模型,在耐药克隆占据主导之前捕捉演化信号。从96.6%的亚型分类到0.85的联合模型预测,这些数字尚不足以改变临床路径,但方向已经清晰:先学会读懂演化才谈得上拦截演化。(生物谷Bioon.com)
参考文献:
Saman Zeeshan,Caila McVey,Shafaq Majeed, et al. AI-Driven Multi-Omics Approaches for Deciphering Small-Cell Lung Cancer Heterogeneity Using Nucleic-Acid-Based Features, Cancers 2026, 18(19), 3159; doi:10.3390/cancers18193159
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
来源:生物谷·资讯 · news.bioon.com