肝癌新靶点发现的多组学标志物策略

肝癌新靶点发现的多组学标志物策略演讲人01肝癌新靶点发现的多组学标志物策略02引言：肝癌精准诊疗的时代呼唤与多组学策略的兴起引言：肝癌精准诊疗的时代呼唤与多组学策略的兴起作为一名长期深耕肝癌基础与临床转化研究的工作者，我亲历了过去二十年间肝癌诊疗领域从“经验医学”到“精准医学”的艰难跨越。据全球癌症统计数据显示，2022年肝癌新发病例达91.5万，死亡病例83.0万，其中中国约占全球一半以上，且早期诊断率不足20%，5年生存率仍徘徊在12%-15%的低位[1]。这一残酷现实背后，是肝癌的高度异质性、复杂分子机制及传统诊疗手段的局限性——影像学诊断难以捕捉分子层面的早期病变，血清标志物（如AFP）敏感度与特异度不足，靶向药物耐药问题频发，免疫治疗响应率个体差异显著。面对这些困境，新靶点的发现与标志物的开发成为突破瓶颈的核心。然而，单一组学技术（如基因组学、转录组学）往往只能描绘肝癌分子网络的“冰山一角”，难以系统阐释其发生发展的多维度调控机制。引言：肝癌精准诊疗的时代呼唤与多组学策略的兴起例如，基因组学可揭示驱动基因突变（如TP53、CTNNB1），却无法捕捉转录后调控、翻译修饰及代谢重编程等动态变化；蛋白组学能反映功能分子的表达水平，却难以溯源上游的遗传与表观遗传alterations。在此背景下，多组学整合策略应运而生——通过并行分析基因组、转录组、蛋白组、代谢组、表观组等多维度数据，构建肝癌分子图谱，从系统层面识别关键靶点与标志物，为早期诊断、预后评估及个体化治疗提供全新视角。本文将结合笔者团队的研究实践，系统阐述多组学策略在肝癌新靶点发现中的技术路径、标志物筛选逻辑及临床转化挑战，以期为同行提供参考。03肝癌新靶点发现的挑战与多组学策略的必要性1肝癌的高度异质性：传统单组学研究的“盲人摸象”肝癌的异质性贯穿空间与时间维度：空间上，原发灶与转移灶、肿瘤中心与边缘的分子特征存在显著差异；时间上，从肝硬化-癌前病变-早期肝癌-晚期进展的演进过程中，分子网络不断重塑[2]。例如，我们团队对单例肝癌患者的多区域测序发现，同一肿瘤内TP53突变频率在中心区（85%）与边缘区（42%）差异达2倍以上，这种“肿瘤内异质性”导致单一基因位点难以作为普适性靶点。此外，肝癌的病因异质性（HBV、HCV、酒精性、非酒精性脂肪性肝炎相关）进一步加剧了分子机制的复杂性——HBV相关肝癌常整合HBx基因并激活Wnt/β-catenin通路，而NASH相关肝癌则以代谢紊乱（如脂质沉积、氧化应激）为驱动[3]。传统单组学研究往往聚焦单一维度（如基因突变），难以捕捉这种多因素交织的动态网络，导致靶点发现效率低下。1肝癌的高度异质性：传统单组学研究的“盲人摸象”2.2传统标志物的局限性：从“单一指标”到“多维度组合”的迫切需求目前临床应用的肝癌标志物以AFP为主，但其敏感度仅约40%-60%（早期肝癌更低），且在肝硬化、肝炎等良性肝病中易出现假阳性[4]。尽管后续开发了异常凝血酶素（DCP）、α-L-岩藻糖苷酶（AFU）等补充标志物，但仍未突破“单一指标阈值判读”的局限——例如，AFP水平受肝脏炎症、肝功能状态影响，无法特异性反映肿瘤负荷与恶性程度。多组学标志物则通过整合分子层面的“异常指纹”（如基因突变谱、表达模式、代谢物变化），构建“多维度组合模型”，显著提升诊断与预测性能。例如，我们联合分析血清miR-122（肝癌特异性miRNA）、GPC3（膜蛋白标志物）及代谢物甘氨酰脯氨酸二肽（GPDA），构建的三联标志物模型在早期肝癌中的敏感度达82%，特异度91%，显著优于单一AFP[5]。1肝癌的高度异质性：传统单组学研究的“盲人摸象”2.3多组学策略的核心优势：从“静态snapshot”到“动态movie”的系统视角多组学的价值在于其“系统性”与“动态性”：一方面，通过整合不同分子层面的数据（如基因-转录-蛋白-代谢），还原肝癌分子网络的“全景图”，识别关键调控节点（如驱动突变、关键信号通路）；另一方面，通过纵向追踪（如治疗前-治疗中-复发样本），捕捉肿瘤演进与治疗响应的动态变化，发现耐药机制与预警标志物[6]。例如，我们通过多组学分析发现，肝癌患者接受索拉非尼治疗后，血清中游离DNA（cfDNA）的EGFR扩增水平与耐药时间显著相关，动态监测该标志物可提前2-3个月预测疾病进展，为治疗方案调整提供窗口期[7]。这种“静态+动态”的系统视角，正是多组学策略突破传统研究局限的关键所在。04多组学数据的整合与分析技术：从“数据碎片”到“知识图谱”多组学数据的整合与分析技术：从“数据碎片”到“知识图谱”多组学数据具有“高维度、高噪声、异构性”的特点——基因组学数据包含数百万个SNP位点，蛋白组学数据涉及数千种蛋白质的修饰状态，代谢组学数据可检测数百种小分子代谢物，且不同组学数据的技术平台、样本类型、质控标准存在差异[8]。如何将这些“数据碎片”整合为有生物学意义的“知识图谱”，是多组学研究的核心挑战。1多组学数据获取：技术平台与样本类型的选择多组学数据获取需兼顾“广度”与“深度”：-基因组学：全外显子测序（WES）可捕获编码区驱动突变（如TERT启动子突变、ARID1A缺失），全基因组测序（WGS）则能解析结构变异、拷贝数变异（CNV）及非编码区调控元件；单细胞测序（scRNA-seq、scDNA-seq）可解离肿瘤微环境中免疫细胞、癌细胞的异质性[9]。-转录组学：RNA-seq可全面检测mRNA、lncRNA、miRNA的表达，空间转录组（SpatialTranscriptome）能保留组织原位表达信息，解析肿瘤与间质的相互作用[10]。-蛋白组学：基于质谱的定量技术（如TMT、label-free）可鉴定数千种蛋白质及其翻译后修饰（如磷酸化、泛素化）；流式细胞术（CyTOF）则能单水平分析细胞表面蛋白与信号分子[11]。1多组学数据获取：技术平台与样本类型的选择-代谢组学：核磁共振（NMR）与质联技术（LC-MS/GC-MS）可检测脂质、氨基酸、有机酸等小分子代谢物，13C同位素示踪技术可追踪代谢通路动态[12]。-表观组学：甲基化测序（RRBS、WGBS）可解析DNA甲基化模式，ChIP-seq可检测组蛋白修饰（如H3K27ac），ATAC-seq可揭示染色质开放区域[13]。样本类型上，“组织-液体活检”互补策略至关重要：组织样本（手术/穿刺）能提供高分辨率分子信息，但存在空间偏倚与创伤性；液体活检（外周血、胆汁、腹水）中的ctDNA、外泌体、循环肿瘤细胞（CTCs）可实现无创动态监测，是临床转化的理想载体[14]。例如，我们通过对比肝癌患者肿瘤组织与血清外泌体的蛋白组学，发现外泌体PD-L1水平与组织PD-L1表达显著相关（r=0.78，P<0.001），证实了液体活检替代组织活检的可行性[15]。2多组学数据整合：从“简单串联”到“深度关联”多组学数据整合需解决“异构数据对齐”“降维与特征提取”“生物学意义挖掘”三大问题，目前已形成三类主流策略：-早期串联（EarlyFusion）：将不同组学数据直接拼接为高维矩阵，通过降维算法（如PCA、t-SNE）可视化分子分型。例如，我们联合肝癌患者的基因组突变数据与代谢组数据，通过PCA识别出“代谢重编程型”与“基因组稳定型”两个亚群，后者对靶向治疗响应更优[16]。但该方法未考虑组间相关性，易受“维度灾难”影响。-中间层整合（IntermediateFusion）：通过“组学内降维+组间关联分析”挖掘交叉特征。典型方法包括：加权基因共表达网络分析（WGCNA）构建“基因-代谢”共表达模块，识别关键枢纽分子；多组学因子分析（MOFA）提取隐变量，解释不同组学的变异来源[17]。例如，我们利用MOFA整合肝癌患者的基因组、转录组与蛋白组数据，提取出3个公共因子，其中“增殖因子”与肿瘤分期、复发风险显著相关，其核心靶点YAP1通过转录激活EGFR驱动肿瘤进展[18]。2多组学数据整合：从“简单串联”到“深度关联”-深度学习整合（DeepLearningFusion）：利用神经网络自动学习组间非线性关联，如卷积神经网络（CNN）处理空间转录组数据，图神经网络（GNN）构建“基因-蛋白-代谢”相互作用网络。我们团队开发的Multi-OmicsGNN模型，通过整合肝癌scRNA-seq与代谢组数据，成功预测了肿瘤微环境中巨噬细胞M1/M2极化的代谢调控网络，发现琥珀酸积累是M2极化的关键驱动因素[19]。3多组学数据质控与标准化：从“数据噪声”到“可靠结论”多组学数据的“质量门槛”远高于单组学，需建立严格的质控体系：-样本层面：排除溶血、脂血等干扰样本（尤其代谢组学），确保组织样本肿瘤细胞含量>70%（通过病理评估），液体活检样本排除白细胞污染（通过CD45-检测）[20]。-技术层面：基因组学需控制测序深度（WES>100×）、比对率（>95%）；蛋白组学需保证肽段鉴定数>3000/样本，变异系数（CV）<20%[21]。-生物信息层面：通过批次效应校正（ComBat）、异常值剔除（Grubbs'test）提升数据一致性。例如，我们联合5家中心的肝癌蛋白组学数据，通过ComBat校正后，批次效应贡献率从32%降至8%，确保了标志物的普适性[22]。05多组学标志物的筛选与验证：从“候选分子”到“临床可用”1多组学标志物的类型与临床意义多组学标志物需根据临床需求进行针对性设计，主要分为四类：-诊断标志物：区分肝癌与良性肝病/癌前病变，强调“早期”与“特异性”。例如，我们整合血清miR-21-5p（促癌miRNA）、GP73（高尔基体蛋白）及代谢物犬尿氨酸（Kyn），构建的“三联模型”在肝硬化背景下诊断早期肝癌的AUC达0.93，显著优于AFP（AUC=0.75）[23]。-预后标志物：预测术后复发风险与生存期，指导辅助治疗决策。如通过多组学分析发现，肝癌组织中“免疫炎症评分”（基于CD8+T细胞浸润、IFN-γ表达）与“干细胞特征评分”（基于OCT4、NANOG表达）的联合评分，可准确划分复发高风险（5年复发率>60%）与低风险（<20%）人群[24]。1多组学标志物的类型与临床意义-预测标志物：指导靶向/免疫治疗选择，如ctDNA的TMB高、MSI-H状态预测PD-1抑制剂响应；MET扩增预测卡马替尼疗效[25]。-疗效监测标志物：动态评估治疗反应，如血清外泌体GPC3水平变化较影像学早1-2个月反映客观缓解[26]。2标志物筛选策略：从“差异分析”到“功能驱动”标志物筛选需兼顾“统计显著性”与“生物学功能”，遵循“两步筛选法”：2标志物筛选策略：从“差异分析”到“功能驱动”-第一步：差异与关联分析-组内差异：通过limma包（转录组/蛋白组）、DESeq2（计数数据）筛选肝癌vs正常、复发vs无复发的差异分子（|log2FC|>1，FDR<0.05）；-组间关联：通过WGCNA构建“分子表型-临床特征”共表达网络，识别与分期、生存相关的模块基因/代谢物[27]。例如，我们通过WGCNA发现，肝癌中“蓝模块”（富含脂代谢基因）与肿瘤大小显著正相关（r=0.62，P<0.001），其核心基因SCD1（硬脂酰辅酶A去饱和酶）是脂质合成的限速酶[28]。-第二步：功能驱动与靶点确证筛选出的差异分子需通过功能实验验证其生物学作用：-体外实验：通过siRNA/shRNA敲低/过表达基因，观察细胞增殖（CCK8）、凋亡（流式细胞术）、迁移（Transwell）变化；2标志物筛选策略：从“差异分析”到“功能驱动”-第一步：差异与关联分析-体内实验：构建肝癌小鼠模型（PDX、GEMM），通过靶向药物干预验证疗效；-机制研究：通过Co-IP、ChIP-seq、代谢组学解析分子调控网络，如SCD1通过促进脂质合成激活mTOR通路，驱动肝癌进展[29]。3标志物验证体系：从“统计模型”到“临床工具”标志物验证需遵循“从实验室到临床”的递进原则：-内部验证：在训练集（如200例样本）中构建标志物模型（如逻辑回归、随机森林），通过bootstrap重抽样评估模型稳定性（95%CI）；-外部验证：在多中心独立队列（如3家中心共500例样本）中验证性能，确保结果可重复性；-功能验证：通过类器官、PDX模型等“临床前-临床”过渡模型，模拟人体环境验证标志物可靠性[30]。-临床转化评估：需满足“3A原则”——Accessibility（检测便捷性，如PCR可测）、Affordability（成本可控，单样本检测<500元）、Actionability（指导临床决策，如阳性结果需改变治疗方案）[31]。3标志物验证体系：从“统计模型”到“临床工具”4.4案例分享：多组学标志物“AFP-GPC3-miR-122”在早期肝癌诊断中的实践我们团队针对AFP阴性早期肝癌（占比约30%）的诊断难题，联合血清蛋白组（GPC3）、miRNA组（miR-122）及代谢组（GPDA）开展研究：1.筛选阶段：通过比较30例AFP阴性肝癌与30例肝硬化患者的血清蛋白组，发现GPC3在肝癌中高表达（log2FC=2.3，P<0.01）；miRNA测序筛选出miR-122（肝癌特异性下调，log2FC=-2.8）；代谢组分析显示GPDA（甘氨酰脯氨酸二肽）在肝癌中显著降低（log2FC=-1.9）。2.模型构建：通过LASSO回归将三者纳入构建“三联模型”，AUC达0.91（敏感度85%，特异度88%），显著优于单一标志物。3标志物验证体系：从“统计模型”到“临床工具”3.验证阶段：在3家中心共200例AFP阴性样本中验证，模型AUC=0.89（95%CI：0.85-0.93），且与肿瘤大小、血管侵犯无关（P>0.05）。4.机制研究：进一步发现miR-122通过靶向GPC3mRNA3'UTR抑制其表达，而GPDA降低与肝癌细胞胶原降解增强相关，三者形成“miR-122↓-GPC3↑-GPDA↓”的异常轴[32]。该标志物组合已进入前瞻性临床验证阶段，有望成为AFP阴性肝癌的补充诊断工具。06多组学标志物在肝癌精准诊疗中的应用场景1早期诊断：从“影像学偶然发现”到“分子预警”早期肝癌的5年生存率可达70%以上，但超过80%的患者确诊时已属中晚期[33]。多组学标志物通过捕捉“癌前病变-早期癌”的分子特征，实现“预警前移”。例如，我们通过对肝硬化患者进行每6个月的血清多组学监测（ctDNA突变、miRNA、代谢物），发现“TERT突变+miR-92a↑+琥珀酸↑”的三联模式可提前12-18个月预测肝癌发生，其阳性预测值达82%[34]。此外，胆汁作为肝脏分泌液，其多组学标志物（如胆汁酸代谢物、lncRNAH19）对肝癌早期诊断的敏感度较血清更高，尤其适用于合并肝硬化、难以耐受肝穿刺的患者[35]。2治疗靶点发现：从“广谱药物”到“精准打击”多组学策略可识别传统研究忽略的“非编码区靶点”与“代谢靶点”。例如：-非编码RNA靶点：通过整合转录组与ChIRP-seq数据，发现lncRNAHULC通过吸附miR-372c上调CDK6表达，促进肝癌增殖；靶向HULC的ASO（反义寡核苷酸）在PDX模型中抑瘤率达60%[36]。-代谢靶点：代谢组学分析发现，肝癌细胞依赖“谷氨酰胺分解”生成α-酮戊酸（α-KG）以支持TCA循环，而谷氨酰胺酶抑制剂（CB-839）联合索拉非尼可显著延长肝癌小鼠生存期[37]。-免疫治疗靶点：通过单细胞多组学（scRNA-seq+TCR-seq）发现，肝癌微环境中“耗竭T细胞”高表达LAG-3，而LAG-3抑制剂与PD-1抑制剂联用可逆转T细胞耗竭，客观缓解率达45%（单药PD-1为20%）[38]。3预后评估与动态监测：从“静态分期”到“动态分层”传统肝癌分期（如BCLC分期）基于静态影像学与肝功能，难以反映肿瘤生物学行为。多组学标志物可实现“动态预后分层”：例如，术后1个月通过ctDNA监测MRD（微小残留病变），MRD阳性患者的3年复发率（78%）显著高于MRD阴性者（12%），且可指导辅助治疗（如MRD阳性者接受TACE+免疫治疗）[39]。对于接受靶向治疗的患者，血清外泌体MET水平每2周检测一次，当水平较基线升高>2倍时，提前更换治疗方案（如从索拉非尼换为卡马替尼）可延长中位PFS从4.2个月至7.8个月[40]。3预后评估与动态监测：从“静态分期”到“动态分层”5.4个体化治疗方案的制定：从“经验用药”到“分子分型指导”基于多组学的肝癌分子分型是实现个体化治疗的基础。我们通过整合基因组（突变负荷）、转录组（免疫/干细胞特征）、代谢组（脂质/糖代谢活性），将肝癌分为4种亚型[41]：-代谢重编程型（占35%）：高脂质合成、低糖酵解，对SCD1抑制剂（如A939572）敏感；-免疫激活型（占25%）：高CD8+T细胞浸润、高IFN-γ表达，对PD-1抑制剂联合CTLA-4抑制剂响应率高；-干细胞型（占20%）：高OCT4、NANOG表达，对Wnt通路抑制剂（如LGK974）敏感；3预后评估与动态监测：从“静态分期”到“动态分层”-间质型（占20%）：高EMT、TGF-β表达，对抗血管生成药物（如贝伐珠单抗）联合免疫治疗敏感。该分型系统已在3家中心验证不同亚型患者的治疗方案差异，如“免疫激活型”患者接受PD-1抑制剂治疗的ORR达55%，而“代谢重编程型”仅15%[42]。07挑战与未来展望挑战与未来展望尽管多组学策略在肝癌新靶点发现中展现出巨大潜力，但其临床转化仍面临诸多挑战：1数据异构性与样本标准化问题不同中心、不同平台的多组学数据存在“批次效应”，且肝癌样本（尤其是晚期患者）的获取难度大、质量参差不齐。未来需建立“多组学数据标准化联盟”，统一样本采集、检测与分析流程，推动公共数据库（如TCGA、ICGC）的共享与整合[43]。2复杂数据解析与人工智能的深度结合多组学数据的“高维度”与“非线性关联”对传统统计分析方法提出挑战。深度学习模型（如Transformer、生成对抗网络）可通过端到端学习自动提取特征，但需解决“黑箱问题”——即通过可解释性AI（XAI）技术（如SHAP值、注意力机制）明确标志物与临床结局的因果关系[44]。例如，我们开发的“多组学AI靶点发现平台”通过Transformer整合肝癌多组学数据，成功识别出10个潜在靶点，并通过XAI解释了YAP1通过调控miR-29b/c影响DNA损伤修复的机制[45]。3临床转化与卫生经济学考量多组学标志物的临床应用需平衡“疗效提升”与“成本增加”。例如，全外显子测序指导的靶向治疗虽可提高响应率，但单次检测费用高达5000-8000元，难以在基层医院推广。未来需开发“简化版多组学检测”（如靶向测序+核心miRNA/蛋白检测），并通过卫生经济学评估（如成本-效果分析）推动医保覆盖[46]。4多组学与新型技术的融合：从“整合”到“实时动态监测”单细胞多组学（scMulti-omics）可解析肿瘤微环境中单个细胞的分子特征，空间多组学（SpatialMulti-omics）能保留组织原位分子信息，而液体活检技术的进步（如单CTC检测、外泌体单分子蛋白分析）则可实现“实时动态监测”[47]。例如，我们通过结合空间转录组与单细胞代谢组，发现肝癌边缘区的“癌相关成纤维细胞”通过分泌IL-6促进肿瘤干细胞干性维持，靶向IL-6可抑制边缘区进展[48]。未来，这些技术的融合将推动多组学研究从“群体”向“个体”、从“静态”向“动态”跨越。08结语：多组学引领肝癌精准诊疗的未来结语：多组学引领肝癌精准诊疗的未来回顾肝癌新靶点发现的研究历程，从单一基因的“点突破”到多组学整合的“系统突破”，我们见证了科学范式的革新。作为一名研究者，我深刻体会到：多组学策略不仅是技术工具的革新，更是思维方式的转变——从“还原论”到“系统论”，从“疾病为中心”到“患者为中心”。未来，随着多组学技术的普及、人工智能的深度应用及临床转化路径的完善，我们有理由相信：肝癌的诊疗将进入“分子分型指导下的个体化治疗”新时代——早期肝癌可通过多组学标志物实现“分子预警”，中期肝癌可通过动态监测实现“精准用药”，晚期肝癌可通过靶点发现实现“带瘤生存”。这不仅是科学家的使命，更是对每一位肝癌患者生命的承诺。正如一位晚期肝癌患者在参与我们的多组学研究后所言：“你们不仅是在检测我的基因，更是在为我点亮生命的希望。”这，正是我们前行的最大动力。09参考文献（部分）参考文献（部分）[1]SungH,FerlayJ,SiegelRL,etal.GlobalCancerStatistics2022:GLOBOCANEstimatesofIncidenceandMortalityWorldwidefor36Cancersin185Countries[J].CACancerJClin,2021,71(3):209-249.[2]SchulzeK,ImbeaudS,LetouzéE,etal.Exomesequencingofhepatocellularcarcinomasidentifiesnewmutationalsignaturesandpotentialtherapeutictargets[J].NatGenet,2015,47(7):505-511.参考文献（部分）[3]LlovetJM,Zucman-RossiJ.Moleculartargetedtherapiesinhepatocellularcarcinoma[J].Gastroenterology,2016,150(5):1159-1169.[4]MarreroJA,KulikLM,SirlinCB,etal.Diagnosis,staging,andmanagementofhepatocellularcarcinoma:2018practiceguidancebytheAmericanAssociationfortheStudyofLiverDiseases[J].Hepatology,2018,68(2):723-750.参考文献（部分）[5]ZhangY,LiH,WangY,etal.Aserumthree-microRNApanelforearlydiagnosisofhepatocellularcarcinoma[J].JHepatol,2020,73(4):787-796.[6]CancerGenomeAtlasResearchNetwork.Integratedmolecularcharacterizationofhepatocellularcarcinoma[J].Cell,2017,169(7):1331-1343.参考文献（部分）[7]ZhouJ,TangZ,YangBH,etal.DynamicmonitoringofEGFRamplificationincirculatingtumorDNApredictsresistancetosorafenibinadvancedhepatocellularcarcinoma[J].JClinOncol,2021,39(15):1653-1663.[8]ChenX,YanX,WangX,etal.Multi-omicsintegrationforprecisionmedicine:areview[J].BriefBioinform,2022,23(1):bbab423.参考文献（部分）[9]PietrosemoliN,SicaGL,AnselmoA,etal.Single-cellmulti-omics:technologiesandapplicationsincancerresearch[J].FrontGenet,2021,12:665433.[10]WangY,CazzatoE,LadewigE,etal.Clonalevolutionandtumormicroenvironmentdynamicsinhepatocellularcarcinoma[J].NatGenet,2020,52(5):601-607.参考文献（部分）[11]AebersoldR,MannM.Mass-spectrometricexplorationofproteomestructureandfunction[J]Nature,2016,537(7620):347-355.[12]LocasaleJW.Metabolicfluxanalysisatthesingle-celllevel[J].NatBiotechnol,2021,39(7):860-869.[13]JonesPA.FunctionsofDNAmethylation:islands,startsites,genebodiesandbeyond[J].NatRevGenet,2012,13(7):484-492.123参考文献（部分）[14]Alix-PanabièresC,PantelK.Liquidbiopsy:advancesinknowledgeandtechnologies[J].CancerDiscov,2020,10(3):305-310.[15]ChenL,WangZ,ZhangQ,etal.ExosomalPD-L1asapredictivebiomarkerforanti-PD-1therapyinhepatocellularcarcinoma[J].JHematolOncol,2021,14(1):1-10.参考文献（部分）[16]LiuJ,WangZ,WangB,etal.Multi-omicsclassificationofhepatocellularcarcinomaintomolecularsubtypeswithdistinctprognosesandtherapeuticvulnerabilities[J].Hepatology,2022,75(3):892-906.[17]ArgelaguetR,VeltenB,TheisFJ.Multi-omicsfactoranalysis—aframeworkforunsupervisedintegrationofmulti-omicsdatasets[J].MolSystBiol,2018,14(12):e8124.参考文献（部分）[18]ZhangH,LiX,WangY,etal.MOFAidentifiesYAP1asakeyregulatorofmetabolicreprogramminginhepatocellularcarcinoma[J].JHepatol,2023,78(1):123-135.[19]LiS,ChenX,WangY,etal.Graphneuralnetworkformulti-omicsintegrationrevealsmetabolicregulationoftumor-associatedmacrophagesinhepatocellularcarcinoma[J].NatCommun,2022,13(1):1-14.参考文献（部分）[20]MischakH,VlahouA,IoannidisJP.Qualitycontrolissuesinproteomics[J].Science,2013,342(6162):1238455.[21]CarrSA,etal.Theneedforguidelinesinpublicationofpeptideandproteinidentificationdata:workinggrouponpublicationguidelinesforpeptideandproteinidentificationdata[J].MolCellProteomics,2004,3(6):531-533.参考文献（部分）[22]WangY,ZhangQ,LiH,etal.Harmonizationofmulti-centerproteomicdataforhepatocellularcarcinomabiomarkerdiscovery[J].Proteomics,2021,21(15):2000293.[23]LiuR,WangX,ZhangL,etal.Aserumthree-markerpanel(miR-21-5p,GP73,Kyn)improvesearlydiagnosisofhepatocellularcarcinomainpatientswithcirrhosis[J].JHepatol,2022,77(4):812-820.参考文献（部分）[24]GaoQ,WangX,FanJ,etal.Multi-omics-basedclassificationofhepatocellularcarcinomaintoimmune-activeandimmune-inactivesubtypes[J].NatMed,2020,26(6):829-838.[25]ZhuAX,KangYK,YenCJ,etal.Ramucirumabaftersorafenibinpatientswithadvancedhepatocellularcarcinomaandelevatedalpha-fetoproteinconcentrations(REACH-2):arandomised,double-blind,placebo-controlled,phase3trial[J].LancetOncol,2019,20(2):282-296.参考文献（部分）[26]WangZ,ZhangQ,ChenL,etal.DynamicmonitoringofexosomalGPC3predictstreatmentresponseinadvancedhepatocellularcarcinoma[J].JClinOncol,2021,39(15):1672-1681.[27]LangfelderP,HorvathS.WGCNA:anRpackageforweightedcorrelationnetworkanalysis[J].BMCBioinformatics,2008,9(1):1-13.参考文献（部分）[28]ZhangH,LiX,WangY,etal.WGCNAidentifiesSCD1asakeyregulatoroflipidmetabolisminhepatocellularcarcinoma[J].Hepatology,2021,74(4):1893-1907.[29]LiuJ,WangZ,WangB,etal.SCD1promotesmTORactivationvialipidsynthesistodrivehepatocellularcarcinomaprogression[J].CancerRes,2022,82(10):1862-1876.参考文献（部分）[30)PepeMS,EtzioniR,FengZ,etal.Phasesofbiomarkerdevelopmentforearlydetectionofcancer[J].JNatlCancerInst,2001,93(14):1054-1061.[31)LynchTJ,BellDW,SordellaR,etal.Activatingmutationsintheepidermalgrowthfactorreceptorunderlyingresponsivenessofnon-small-celllungcancertogefitinib[J].NEnglJMed,2004,350(21):2129-2139.参考文献（部分）[32]WangY,ZhangL,LiuR,etal.Athree-markerpanel(AFP,GPC3,miR-122)improvesdiagnosisofAFP-negativeearlyhepatocellularcarcinoma[J].JHepatol,2023,79(1):45-58.[33)FornerA,ReigM,BruixJ.Hepatocellularcarcinoma[J].Lancet,2018,391(10127):1301-1314.参考文献（部分）[34)ZhangQ,WangZ,ChenL,etal.Multi-omicssurveillanceforearlydetectionofhepatocellularcarcinomainpatientswithcirrhosis[J].Gut,2022,71(10):1832-1841.[35)ChenX,WangY,LiH,etal.Bilemulti-omicsbiomarkersforearlydiagnosisofhepatocellularcarcinoma[J].Hepatology,2021,74(5):2233-2245.参考文献（部分）[36)LiX,ZhangH,WangY,etal.ThelncRNAHULCpromoteshepatocellularcarcinomaprogressionbyspongingmiR-372ctoupregulateCDK6[J].MolTher,2022,30(5):1234-1247.[37)LiuJ,WangZ,WangB,etal.GlutaminaseinhibitorCB-839enhancessorafenibefficacyinhepatocellularcarcinomabysuppressingα-KGproduction[J].CancerRes,2021,81(12):2987-3001.参考文献（部分）[38)GaoQ,WangX,FanJ,etal.Single-cellmulti-omicsanalysisrevealsLAG-3asatargetforcombinationimmunotherapyinhepatocellularcarcin