有些前列腺癌（prostate cancer）患者，按临床指标分下来属于"低危"，可肿瘤的生物学行为却未必那么老实。瑞典皇家理工学院（KTH Royal Institute of Technology）的一项新研究，就在这个人群里找到了一批与更强侵袭性相关的分子特征——这些差异，单靠临床测量恐怕看不出来。研究结果或能催生新的治疗策略，论文发表在 npj Digital Medicine 上。
这套方法是把不同分子层面的多组学（multi-omics）分析，同机器学习、建模与网络分析（network analysis）结合起来，从而揭示出传统临床风险分级"漏掉"的侵袭性前列腺癌分子特征。
"这项研究很好地体现了我们在 KTH 正在构建的那类数据驱动精准医学研究——把大规模分子数据与机器学习结合起来，去回答癌症中具有临床相关性的问题，"助理教授 Arian Lundberg 说。他所在的 A.Lundberg Lab 已启动一个研究肿瘤微生物组（tumor microbiome） 的项目，规模在瑞典国内乃至国际上位居前列，依托的是瑞典及全球的大批临床队列。
所谓多组学，就是去看不同层面的分子测量，拼出一个肿瘤的完整故事。"比如，基因组学（genomics）告诉我们 DNA 有哪些改变，转录组学（transcriptomics）告诉我们哪些基因是活跃的，表观基因组学（epigenomics）则告诉我们那些可能影响基因活性的调控变化，"Lundberg 说，"我们不是把这些层面分开看，而是把它们整合起来，构建一幅更完整、也更贴合单个患者的肿瘤生物学画像。"
机器学习与网络分析，是这项研究及其发现的核心。研究的机器学习模型，由 KTH 计算科学与技术系助理教授 Golnaz Taheri 领衔的团队开发。
目前，这套新方法还停留在研究阶段，尚未能用于临床。下一步，是用实验室实验去检验分析所提示的若干潜在治疗弱点（therapeutic vulnerabilities）。这将帮助 Lundberg 的团队弄清：他们识别出的这些分子变化，究竟只对风险预测有用，还是也可能指向新的治疗策略。
"从长远看，目标是把这些发现转化为更精准的风险分层（risk stratification），并尽可能识别出那些能从更早、或更有针对性的治疗中获益的患者，"Lundberg 说。
参考文献：Alexandra Rafeletou et al, A novel multiomics machine learning signature identifies rapid progression in clinically low risk prostate cancer, npj Digital Medicine (2026). DOI: 10.1038/s41746-026-03254-5
编辑：王洪
排版：李丽
评论 (0)