卵巢癌研究新视角：多组学数据整合分析揭示分子多样性

整合多组学数据对揭示卵巢癌分子多样性至关重要。

卵巢癌是一组具有高度分子异质性的恶性肿瘤，其复杂的发病机制与临床晚期诊断仍是当前面临的重大挑战。传统的单组学研究虽取得一定进展，但难以系统揭示其全貌。近年来，随着高通量测序与质谱等技术的进步，多组学整合分析——即对基因组、转录组、表观基因组、蛋白质组和代谢组学数据进行综合研究——为深入理解卵巢癌的肿瘤发生、发现新型治疗靶点开辟了新途径。这种综合策略能够从不同分子层面构建肿瘤发生的整体视图，从而更精准地进行患者分层与预后判断。

然而，该领域的发展面临着严峻的方法学挑战。数据源的异质性、采集与分析平台的差异以及缺乏统一的标准，严重影响了多组学研究结果的可重复性与可比性。例如，不同技术平台对同一样本的分析可能得出不一致的结果。尽管已有研究尝试为多组学设计提供指导，但尚未形成通用准则。此外，一个值得关注的现象是，尽管技术飞速发展，科学界仍在一定程度上依赖十多年前的研究成果，这可能阻碍对新视野的探索。目前，仅有少数基于多标志物的FDA批准测试应用于临床风险评估，开发高灵敏度早期诊断工具仍是核心挑战[1]。

2025年6月，国际学术期刊International Journal of Molecular Sciences发表了一项题为《Ovarian Cancer: Multi-Omics Data Integration》的重要研究[2]。该研究对卵巢癌多组学领域现有成果进行了系统性的梳理与整合，不仅全面总结了已发现的潜在生物标志物 ，评估了影响生物标志物识别的关键因素，还深入剖析了当前研究方法中存在的瓶颈问题，为推动该领域向标准化、可重复及临床转化方向发展提供了关键的理论基础。为帮助读者把握该研究的核心洞见，本文特对其核心内容进行提炼与解读。

研究设计

本研究基于对PubMed数据库中51篇文献进行系统分析，成功识别出1649种与卵巢癌相关的潜在生物标志物，并构建了结构化的数据库。分析过程综合运用K-Means聚类、主成分分析（PCA）与KEGG/GO通路富集等方法，并将结果与DisGeNET、CancerMine、Open Targets等权威数据库进行交叉验证，确保了可靠性。该数据库全面涵盖了基因、转录本和蛋白质等多组学信息，为后续研究提供了精细化的数据支持。

研究结果

卵巢癌多组学分析现状

本研究旨在系统整合卵巢癌领域的多组学数据，系统评估转录组学、蛋白质组学、基因组学及表观基因组学等不同组学方法的选择与应用模式。研究重点聚焦于样品制备、分析平台及生物信息学分析方法等关键技术环节的方法学差异，通过深入比较分析，评估这些技术差异对研究结果可重复性与可比性的影响，进而为识别卵巢癌相关潜在生物标志物及分子模式提供方法学依据。

图1. 整合的多组学研究分布情况。

多组学数据的整合和分析

本研究通过对51篇卵巢癌组学相关文献的系统分析，筛选出1649个潜在生物标志物。其中至少四个数据集中重复出现的分子被确认为关键标志物，共有12个，它们在细胞周期调控、DNA修复及免疫应答等核心生物学过程中发挥重要作用。研究发现，TP53突变在96%的高级浆液性卵巢癌（HGSC）中广泛存在，是该亚型的关键驱动事件。CCNE1扩增、BRCA1/2胚系突变及KRAS激活突变等遗传变异，被证实与化疗耐药及不良预后密切相关。此外，MYC、EGFR、CCND1和VEGFA等分子通过不同机制协同促进肿瘤进展，而STAT1与MUC16（CA125）则参与免疫调控及转移过程。需要指出的是，现有研究高度集中于HGSC亚型，这一显著偏倚限制了相关发现向其他组织学类型卵巢癌的推广，凸显了当前研究体系在覆盖广度上的局限性。

卵巢癌潜在生物标志物：从文献挖掘到数据库验证

研究通过将现有多组学数据整合筛选出的潜在卵巢癌生物标志物与DisGeNET、CancerMine和Open Targets三大权威数据库进行系统比对，取得了重要发现。在四个数据源的交叉验证中，识别出24个高度重叠的核心生物标志物，这些分子主要涉及DNA修复机制（如BRCA1/2、ATM）、细胞周期调控（如TP53、RB1）以及信号通路传导（如EGFR、MUC16/CA125）等关键生物学过程。特别值得注意的是，TP53和BRCA1/2在超过90%的研究中得到了重复验证，充分确立了其在卵巢癌发生发展中的核心地位。

此外，研究鉴定出了470个既往未与卵巢癌建立关联的基因，其中24个基因可能受转录因子FOXJ2调控，主要参与纤毛相关功能。这一发现体现了多组学分析在揭示新机制方面的独特优势。

然而，研究也揭示了当前生物标志物研究面临的严峻挑战。技术层面的可重复性低、肿瘤固有的高度异质性以及生物标志物特异性不足构成了三大主要障碍。许多已鉴定的分子同时与其他疾病存在关联，显示出明显的"路灯效应"，这反映了现有研究方法体系的局限性。因此，未来需要建立更严格的标准化的实验与分析流程，加强多中心协作验证，并开发能够从复杂生物学噪声中准确识别真实信号的新型生物信息学方法，以识别真正可靠和特异性的卵巢癌生物标志物。

图2. 系统评价中最常见生物标志物。

卵巢癌不同亚型存在分子特征差异

研究采用主成分分析（PCA）对1649个卵巢癌潜在生物标志物基因进行了系统性分析，揭示了不同亚型间显著的分子特征差异。其中，HGSC亚型表现出最突出的独特性，拥有900个特异性分子标志。

功能富集分析表明，HGSC特异性基因显著集中于肿瘤微环境重塑、细胞骨架构建及细胞内信号转导等关键过程。KEGG通路分析进一步显示，HGSC相关基因在PI3K-Akt、AGE-RAGE等信号通路中显著富集。值得注意的是，研究还发现了流体剪切应力与动脉粥样硬化通路在HGSC中的意外富集，这些基因主要参与细胞外基质重塑、血管生成和细胞粘附等肿瘤进展的关键环节。

不仅印证了HGSC基因组高度不稳定的特性，也凸显了卵巢癌分子机制的复杂性。研究结果强调，针对不同卵巢癌亚型需要采取个性化的多组学研究策略，特别是对于那些研究尚不充分的其他亚型，亟需通过综合性的数据分析方法来揭示以系统解析其特有分子特征与致病机制。

图3. PCA分析和KEGG通路分析结果

总结

本研究系统评估了过去十年间的卵巢癌多组学研究，发现其方法论与临床应用之间存在显著脱节。尽管研究共报告了1649个潜在生物标志物，但仅有极少数获得独立验证。研究同时发现当前多组学研究存在三大局限：研究对象过度集中于HGSC亚型、缺乏标准化实验方案、以及有效整合多维度数据的分析框架缺失。这些问题严重影响了结果的可靠性、可重复性及对其他亚型的推广价值。

为实现多组学在卵巢癌研究中的预期价值，未来亟需建立统一的方法学标准，加强对非HGSC亚型的系统性探索，并构建能够深度融合多维度数据的分析框架。只有通过更加系统化、标准化的研究策略，才能将多组学潜力转化为精准医疗的实质性进展。

参考文献：

[1] Athieniti E., Spyrou G.M. A guide to multi-omics data collection and integration for translational medicine. Comput. Struct. Biotechnol. J. 2023; 21:134–149.

[2] Anna K, Arina G, Aziz A, et al. Ovarian Cancer: Multi-Omics Data Integration.Int J Mol Sci. 2025 Jun 21; 26(13):5961.

本材料由阿斯利康提供，仅供医疗卫生专业人士进行医学科学交流，不用于推广目的。

审批编号：CN-172800 过期日期：2026/3/30

*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。