2021年是极不平凡的一年，我们迎来了党的百年华诞以及许多激动人心的大事件，同时有着更多照进平凡日子里的光亮，让我们深切感受到普普通通汇聚起的伟大！快乐与悲伤、幸福与感动凝聚成2021年最为沉甸的记忆。
2021年在防疫逐渐成为常态的情况下，专委会发出“凝神聚力抗疫情，立足本职做贡献”的倡议，疫情并未影响广大肿瘤标志物领域医研企专家们孜孜不倦的探索，新型肿瘤标志物发现与鉴定领域均取得了丰硕成果，积极推动着临床转化的步伐，更为可喜的是国内不断涌现出影响世界的重要成果。本文就2021年度肿瘤标志物领域研究进展及展望做一概览。
1.循环肿瘤DNA标志物
循环肿瘤DNA（circulating tumor DNA, ctDNA）携带有肿瘤特异性遗传学改变。主要来源于肿瘤细胞的凋亡、坏死、循环肿瘤细胞及肿瘤细胞分泌的外排体。ctDNA检测几乎无创，相较于组织活检，ctDNA可以克服肿瘤异质性，特别对于多个病灶患者，更能揭示肿瘤综合性的遗传信息。2021年ctDNA在肿瘤领域的研究展现出了振奋人心的结果。首先，多项临床研究证明肿瘤组织和ctDNA检测之间存在很高的一致性。2021 ASCO GU两项基于PROfound研究的摘要指出在502个mCRPC患者样本中，组织检测和ctDNA检测BRCA/ATM的阳性符合率为81%，阴性符合率为92%[1]。ctDNA检出BRCA/ATM突变的患者在人口统计学、基线特征以及突变比例方面与组织检测检出的患者相一致；ctDNA检出BRCA/ATM突变患者的rPFS(7.39mo vs 3.53mo, HR=0.33 95%CI：0.21~0.53，P<0.0001)与经组织检测检出患者的rPFS结果一致(7.39mo vs 3.55mo, HR=0.34 95%CI：0.25~0.47，P<0.0001)；两种检测方法检出的患者安全性数据一致[2]。在肺癌患者中也有研究得出组织与ctDNA检测EGFR T790M的一致性高达80%的结论[3]。而基于CheckMate 9LA研究的组织与ctDNA检测TMB的一致性也高达73%[4]。总之，越来越多的临床研究证明ctDNA检测具有组织检测不可比拟的优势，是组织检测的重要替代方案。关于ctDNA检测和组织检测的相互关系，2021最新版《IASLC晚期NSCLC液体活检专家共识》给出了纲领性的指导意见。对于初治晚期NSCLC患者，在“无可用于肿瘤基因检测的组织时”，采用血浆优先策略，先血浆cfDNA检测，若cfDNA无靶向驱动基因突变，重复组织活检检测；在“组织量不足或不确定是否足够进行基因分型时”，采用互补策略，组织和cfDNA同时进行检测；在“组织量足够进行基因分型时”，采用序贯策略，“组织量足够进行基因分型”时，先组织检测，若组织检测不全面，再进行cfDNA检测。对经治晚期NSCLC患者，液体活检可能是监测靶向治疗疗效、评估微小残留病灶（MRD）和耐药机制的首选方法[5]。
ctDNA具有强大的全程精准管理价值，包括早期筛查及诊断、疗效预测、预后判断、微小病灶残留（MRD）检测、耐药机制探索等。MRD检测是目前ctDNA研究最热的临床应用，2021年也获得了不菲的进展。英国正在进行的一项前瞻性多中心研究——TRACC试验显示，对于术后可检测到ctDNA的Ⅱ/Ⅲ期结直肠癌，通过15.5个月的中位随访，肿瘤复发率为42.9%，相比之下，检测不到ctDNA的患者术后复发率只有8.6%。这些发现意味着ctDNA检测阳性的患者复发风险可呈十倍增加[6]。迄今为止最大的MRD研究CIRCULATE-Japan项目的GALAXY研究证明术后4周ctDNA阳性率与较差的DFS显著相关，且从术后4~12周，ctDNA动力学的变化也与患者的复发风险显著相关，对术后治疗决策进行分层可以确定所有分期可能从辅助化疗中获益的患者[7]。由此可见，围术期ctDNA检测无论是单点检测还是多点动态检测均具有较强的复发风险预测价值及治疗决策分层作用。
2.循环肿瘤细胞标志物
循环肿瘤细胞（circulating tumor cell, CTC）是指外周血中从原发灶或转移灶脱落的肿瘤细胞。CTC是恶性肿瘤发生和转移的种子。CTC检测是目前最具发展潜力的非侵入性肿瘤诊疗手段之一，CTC计数用在肿瘤早期筛查方面的研究取得了显著成果。2021年11月和2022年2月，Datar Cancer Genetics公司用于检测早期乳腺癌和早期前列腺癌患者外周血CTC检测产品分别获得了美国FDA授予的“突破性医疗器械”认定，展示了CTC在早期检测肿瘤中的巨大潜力[8]。
2021年11月由中华医学会检验医学分会分子诊断学组编撰的《循环肿瘤细胞临床应用与实验室检测专家共识》（以下简称《CTC共识》）正式发布[9]。《CTC共识》综合国内外CTC检测技术和临床研究重要文献及临床实践，提出10个专家共识指导性意见，共识涉及临床应用、实验室检测技术和质量管理方面，明确了CTC计数检测的临床应用价值和不同分子分型CTC检测的临床价值，并首次提出CTC实验室检测技术的选择原则。
在CTC分子分型方面，国内外的进展更为显著，针对的治疗靶点包括PD-L1，CLDN18.2和HER2等。①PD-1/PD-L1阻断疗法是免疫检查点抑制疗法的代表性药物，2021年10月，由中国人民解放军总医院徐建明教授和国家纳米科学中心团队合作的相关研究成果发表[10]。该研究纳入155名接受不同抗PD-1/PD-L1抗体治疗的多种晚期消化道肿瘤患者，利用TumorFisher CTC检测体系，探究免疫治疗前CTC上PD-L1的表达是否与免疫治疗的临床疗效相关。结果显示，CTC PD-L1阳性组的疾病控制率（disease control rate, DCR）显著高于阴性组（71.56% vs 39.29%，P=0.001）。此外，CTC上PD-L1高表达的患者的无进展生存期（4.9 vs 2.2 months，P<0.0001）和总生存期（16.1 vs 9.0 months，P=0.0235）显著高于无PD-L1高表达的患者，表明CTC上的PD-L1水平可作为免疫治疗疗效预测的标志物，并且其动态变化可监测治疗反应。②CLDN18.2作为一个崭新抗癌分子靶点引起业界广泛关注，2021年，来自北京大学肿瘤医院的沈琳教授、张小田教授与中科院胡志远教授发表研究成果，第一次证明在胃肠道肿瘤患者中使用TumorFisher纳米磁珠结合分子信标技术发现CLDN18.2 RNA在胃癌患者外周血CTC中的表达与组织上CLDN18.2蛋白表达水平相关，CTC CLDN18.2的RNA检测有望成为预测CLDN18.2抑制剂在胃癌疗效的有效手段[11]。③特别值得指出的是期待已久的DETECT III和IV期临床试验初步结果在2021年发布，研究共筛查1933例病理学检查HER2阴性患者的血样，结果发现1 217位患者在外周血中检出了CTCs，其中15%（174/1217）患者HER2高表达CTC数目≥1。随后，该团队将其中105位患者纳入前瞻性临床试验，在标准治疗方案上增加了拉帕替尼，患者总生存期（OS）与对照组相比得到显著改善[12]。
3.肿瘤外泌体标志物
肿瘤外泌体在肿瘤发生发展，肿瘤诊治中发挥重要作用。2021年外泌体或细胞外囊泡在肿瘤基础研究主要体现在生物发生的调控机制，蛋白泛素化、磷酸化修饰对多囊泡体形成和外泌体分泌的调控作用，温度变化促外泌体分泌调节作用，免疫检查点阻断失效外泌体PD-L1直接作用，工程化外泌体提高免疫细胞活性，并携带RNA可增强CAR-T疗效。外泌体单个分子生物物理特征的相关性和异质性体研究，跨膜蛋白共定位分析，体内生物分布。外泌体代谢组学，蛋白质组学特征，全基因组甲基化谱用于肿瘤类别的区分。国内学者研究报道：王红阳院士团队研究发现Cdc42作为肿瘤来源的微泡生物发生的调控节点[13]。国家纳米科学中心孙佳姝教授团队发现热泳介导的DNA逻辑分子运算鉴定肿瘤源性细胞外囊泡类别，用于肿瘤类别的区分[14]。中山大学康铁邦教授团队，上海交通大学张艺凡教授团队，武汉大学熊斌教授团队，他们的研究分别证实了外泌体内含分子（Rab22a-NeoF1融合蛋白，CD44v6/C1QBP，MicroRNA-106b-5p）促进肿瘤转移[15-17]。外泌体技术研究主要体现外泌体表征和量化研究方法同一化。微流控联合免疫捕获富集外泌体；pH介导的聚类系统流式检测外泌体；电磁场实现外泌体和微囊泡的分离；基于物理特性外泌体的分离；温州医科大学刘飞教授团队开发了超快速分离纯化系统EXODUS检测外泌体[18]。哈佛医学院Ralph Weissleder团队研究开发了基于抗体的免疫单细胞RNA测序，实现了对单个纳米级细胞外囊泡的蛋白质分子进行多重分析[19]。临床应用方面主要体现在外泌体作为靶向药物递送系统，开发其来源多样性，包括肿瘤源性，外周血细胞源性如中性粒细胞等，偶联药物发挥抗肿瘤增敏增效果作用。共价修饰光敏剂，声敏剂协同增强抗肿瘤作用。北京理工大学谢海燕教授团队研究胞外囊泡联合自激活的光用于协同三模态抗癌治疗[20]。南方医科大学王莺教授团队通过整合葡萄柚细胞外囊泡和阿霉素负载的肝素基纳米颗粒的仿生药物传递系统，用于神经胶质瘤治疗[21]。重庆大学王亚洲教授团队开发基于中性粒细胞外泌体的药物递送系统靶向治疗胶质瘤[22]。复旦大学蒋晨教授团队运用外泌体重编程肿瘤微环境增强肿瘤免疫治疗[23]。第二军医大学杨田教授团队采用细胞外囊泡递送的肿瘤特异性序贯纳米催化剂用于肝细胞癌的MRI引导的纳米催化治疗[24]。西南交通大学周绍兵教授团队开发了一种近红外光响应的细胞外囊泡，用于引导肿瘤深层渗透和肿瘤成像[25]。暨南大学张灏教授团队联合荷兰格罗宁根大学开发了首个靶向外泌体的双特异性抗体用于肿瘤免疫治疗[26]。这些转化研究在相关模型中被证明有效。其临床应用价值值得期待。
4.肿瘤蛋白标志物
蛋白质是生命活动的执行者，相对基因而言，蛋白质更能精确、直接的反映生物状态并标志疾病病程。蛋白质水平的变化与肿瘤的发生、发展、转移和耐药密切相关。越来越多的研究表明，分析、鉴定肿瘤细胞的蛋白质分子变化可以为肿瘤诊断、预后提供有重要价值的信息。2021年以蛋白质组学为驱动的精准医学、以蛋白质标志物靶向为驱动的肿瘤精准医学取得了一系列研究进展：Wang等[27]通过分析1 243份原发性胶质瘤样本的蛋白表达数据，结合癌症基因组图谱，中国胶质瘤基因组图谱分析，发现间充质-表皮过渡因子（MET）可以激活肿瘤相关巨噬细胞，促进神经胶质瘤免疫逃避，并且与患者的预后不良有关，提示靶向MET联合免疫治疗可作为临床治疗GBM的新策略。中国科学院生物物理研究所李新建教授团队[28]发现DHHC9可以介导GLUT1的Cys207位点发生棕榈酰化修饰，从而促进胶质母细胞瘤细胞摄取葡萄糖，增强糖酵解，促进肿瘤细胞增殖；而靶向DHHC9，可以提高肿瘤治疗的敏感性。Engebraaten等[29]通过定量蛋白质组学技术对乳腺癌曲妥珠单抗治疗不敏感患者进行分析，发现RAB5A表达与临床T-DM1敏感性具有相关性，提示RAB5A可作为曲妥珠单抗在乳腺癌中的预测性生物标志物。Pagano等[30]利用六种配对治疗前和化疗后循环肿瘤细胞患者来源的外植体（CDX）模型发现，可溶性鸟苷酸环化酶（sGC）在CDX模型中反复上调，提示sGC可能与小细胞肺癌的依托泊苷耐药性相关。
5.肿瘤代谢标志物
代谢重编程是肿瘤的特征之一，与肿瘤的发生、发展、转移和耐药性密切相关。越来越多的研究表明，代谢物可作为肿瘤诊断和预后的生物标志物。2021年肿瘤代谢标志物取得了一些列研究进展：国外研究团队Greg M. Delgoffe等发现肿瘤细胞产生乳酸供给Treg细胞，从而抑制效应T细胞，促进自身存活；而抑制乳酸代谢，可以提高肿瘤对免疫疗法的敏感性[31]。Theodore Alexandrov团队开发了一种原位单细胞代谢组学方法，可表征肝细胞从稳态到脂肪态的发展，为肿瘤微环境代谢标志物的发现奠定了基础[32]。国家癌症中心中国医学院科学院肿瘤医院崔巍教授团队对结直肠癌、腺瘤患者和正常健康个体的血清代谢组学和粪便宏基因组进行整合分析，确定了一组与肠道微生物群密切相关的结直肠癌和腺瘤患者的血清代谢物[33]。复旦大学附属肿瘤医院邵志敏教授和江一舟教授团队绘制了三阴性乳腺癌代谢物图谱，并针对其中两个亚型，分别提出靶向代谢标志物鞘氨醇-1-磷酸和N-乙酰天冬氨酰谷氨酸的精准治疗策略[34]。清华大学胡泽平教授团队利用靶向代谢组学技术描绘了从癌前病变到肺腺癌发展过程中的代谢进化景观，确定了临床特征较差的III型患者存在胆汁酸代谢异常，提示干预胆汁酸代谢或可作为患者分型以及靶向治疗的新策略[35]。
6.肿瘤单细胞标志物
肿瘤是由体细胞突变引起的疾病，肿瘤内和肿瘤之间的细胞异质性是理解和治疗肿瘤的主要障碍。单细胞测序技术的出现，包括与单细胞基因组，表观基因组，转录组和多组学测序相关的方法，已经应用于肿瘤研究，并在肿瘤进化和转移[36]、肿瘤微环境[37]、治疗抗性研究[38]中起到重要作用。2021年中国医学科学院吴晨教授团队等对5名遗体捐赠者的正常支气管、食管、贲门、胃等9种器官样本进行切片取样和测序分析，首次发现不同正常组织器官的体细胞均存在大量的突变积累，且体细胞突变负荷及等位基因突变频率表现出明显的器官差异性[39]。北京大学张泽民教授团队通过对21种肿瘤类型的T细胞进行单细胞RNA测序，确定了特定类型的CD4和CD8 T细胞在不同类型肿瘤中的不同作用，并发现了一类朝向“耗尽”状态轨迹的T细胞，这一发现有助于肿瘤免疫疗法研究[40]。复旦大学附属中山医院樊嘉院士团队通过单细胞RNA-seq对肝细胞癌循环肿瘤细胞（CTC）的空间异质性及免疫逃逸机制进行分析，发现CTCs的转录动力学与血液输送过程中的应激反应、细胞周期和免疫逃避信号有关，该研究有助于开发新的抗肝癌转移治疗策略[41]。
7.肿瘤甲基化标志物
全癌标志物（universal cancer only marker）是复旦大学研究团队在科学界首先提出并命名的一类全新DNA肿瘤标志物，其具有在几乎所有肿瘤（目前已验证超过25种）中共性高甲基化的特征，而在机体正常组织中低甲基化，具有通过单靶点实现对泛癌种进行筛查的巨大价值。在HIST1H4F作为第一个全癌标志物被发现并用于肺癌辅助诊断的基础上[42]，研究人员进一步发现PCDHGB7基因是一个新的全癌标志物，并论证了其在宫颈癌与子宫内膜癌早期检测中的临床价值。在宫颈癌中PCDHGB7异常高甲基化可以将宫颈低级别病变（LSIL）与宫颈高级别病变（HSIL）区分开，让宫颈癌的诊断更精准，减少过度诊疗[43]。在子宫内膜癌中，PCDHGB7异常高甲基化可以在子宫内膜不典型增生（癌前病变）阶段即可通过宫颈脱落细胞检出，为临床提供了一种子宫内膜癌无创检测的新方法[44]。全癌标志物的发现与临床验证不仅具有重要的学术意义，更具有重要的临床应用价值。
E3连接酶基因SPOP的突变与前列腺癌的全基因组DNA高甲基化有关。复旦大学团队[42]发现SPOP突变可诱导GLP及其伴侣蛋白G9a的稳定，并在培养的PCa细胞和原代PCa标本中整体DNA高甲基化异常上调。SPOP突变可作为DNA甲基化抑制剂单独或联合紫杉烷化疗药物有效治疗前列腺癌的生物标志物。还有，异常的表观遗传模式，包括异常miRNAs调控对肝细胞转化和肿瘤微环境重塑有着深远的影响。空军军医大学团队[43]发现miR-144/miR-451a簇在HCC中被下调，并有更好的HCC患者预后。这个miRNA簇被远端增强子高甲基化、破坏染色质环的形成和增强子-启动子的相互作用所协调的沉默。临床检查亦表明，该染色质区域的甲基化是一个潜在的HCC生物标志物。
无细胞DNA（cfDNA）的甲基化模式与所来源的细胞或组织一致，这意味着检测患者血浆中的肿瘤特异性DNA（ctDNA）甲基化异常可能是开发一种基于血液的肿瘤早期诊断和预后检测的更可行的方法。中国医学科学院和北京协和医学院团队等[44]报道了一项前瞻性的多中心研究，他们利用液体活检和全基因组亚硫酸氢盐测序数据，探讨了203名疑似恶性肿瘤的女性乳腺病变患者的ctDNA甲基化标记物及临床应用，提示能提高早期乳腺癌非侵入性诊断成像的准确性。而温州医科大学团队[45]开发了一种单管甲基化特异性定量PCR检测方法（mqMSP），用于大肠癌患者术后管理。该方法使用了10种不同的甲基化标记物同时进行检测，能够对血浆样本只有0.05%肿瘤DNA进行定量分析。
香港中文大学[46]开发了一种人类肿瘤中DNA甲基化和基因表达的信息存储库：MethHC 2.0（网站：http://awi.cuhk.edu.cn/∼MethHC）。该数据库为我们开发、研究和识别潜在的表观遗传生物标志物提供了有价值的资源。
8.尿液肿瘤标志物
在2021年发表的肿瘤尿液标志物相关研究中，除了传统的泌尿系统肿瘤的研究外，还有其他多个器官肿瘤的相关研究，包括肺癌，肝细胞肝癌，胰腺癌，结肠癌，卵巢癌，胶质瘤，多发性骨髓瘤和甲状腺甲状旁腺癌等神经内分泌系统肿瘤。得到的结果显示，尿中的代谢物，核酸（甲基化）、蛋白、糖类、囊泡甚至尿液的挥发部分都有作为泌尿系统外肿瘤标志物的潜力。这些研究不再局限在泌尿系统的肾脏，膀胱和前列腺的尿液肿瘤标志物研究传统范围，为尿液肿瘤标志物的研究拓展到其他系统，提供了越来越多的研究基础，越来越强的研究信心。这些研究也开拓了标志物的种类，从另一个维度打开来我们观察探索的空间。有些研究还在这些有可能作为尿液肿瘤标志物的不同类物质的检测方法上有了新的进展。
9.线粒体肿瘤标志物
线粒体是细胞内代谢性细胞器，被誉为“能量工厂”。与其他细胞器显著不同，线粒体含有独立的基因组DNA，且单个细胞内线粒体数目众多，通过调控代谢功能从而高效应对外界环境变化。近来大量证据表明，线粒体在肿瘤发生和进展中扮演重要角色并可作为新型肿瘤生物标志物。例如，线粒体遗传学家，美国科学院、艺术院、医学院三院院士，宾夕法尼亚大学教授Douglas C. Wallace 2021年在Nature Reviews Cancer杂志撰文指出：人类肿瘤中的线粒体DNA（mtDNA）变异可分为两类，可诱导肿瘤发生的mtDNA新突变或使肿瘤细胞适应不同代谢环境的功能性突变。除mtDNA序列变异外，mtDNA拷贝数变异以及mtDNA序列转移到细胞核也可导致结肠癌等类型肿瘤的恶性进展。因此mtDNA变异的单倍型被发现与乳腺癌、前列腺癌、肾癌、甲状腺癌、结肠癌等的肿瘤易感性显著相关。肿瘤组织中mtDNA序列变异或拷贝数变异也可作为指示肿瘤患者预后的标志物[47]。最近我们课题组发表在Clinical Chemistry杂志的研究表明：肾细胞癌、结肠癌患者尿液游离mtDNA片段化增强。与外周血单核细胞mtDNA为参照，尿液中携带突变的mtDNA片段比的野生型片段更短。短尿cf mtDNA片段（<150 bp）的大小选择显著增强了体细胞突变检测。我们的数据显示，尿液和血浆cf mtDNA之间片段末端的碱基比例显著不同，这也与片段大小有关。此外，与对照组相比，RCC和CRC患者的尿液中游离mtDNA的T碱基末端比例显著升高，A碱基末端比例显著降低。通过整合尿液游离mtDNA的片段组学和突变特征，我们的模型在恶性肿瘤诊断中显示出显著功效[48]。西班牙格拉纳达大学的Maria Jesus Alvarez-Cubero教授团队发现肾癌患者血浆外泌体中mtDNA含量是一个非常具有潜力的生物标志物。可作为液体活检的有效途径用于肾癌早期诊断和疗效监测。同时线粒体基因如HV1和CYB是检测侵袭性和转移的合适标志物，并在qPCR和数字PCR分析中具有极高的检测灵敏度[49]。
此外，在肿瘤机制研究中，也提示线粒体功能异常在肿瘤发生进展中发挥重要作用，并可作为疾病进展的标志物。2021年我们发表在Cancer Communications杂志的研究显示：线粒体DNA复制关键分子TFAM的表达水平在结肠炎及炎症相关结肠癌组织中分别出现表达下降和升高两种变化趋势。机制研究发现炎症微环境中大量存在的IL-6可显著抑制TFAM介导的线粒体供能及肠上皮细胞增殖能力，进而阻碍炎症环境下肠道屏障的损伤修复，促进炎-癌发生。而在进展阶段，结肠癌细胞累积的突变及少量的IL-6可诱导mtDNA复制、线粒体氧化磷酸化功能及结肠癌细胞的增殖。并由此建设性提出在结肠癌防、治不同阶段应根据线粒体不同状态采取不同策略[50]。此外，费城威斯塔研究所Ghosh等[51]2021年发表在PNAS杂志的研究表明线粒体结构支架蛋白的缺失会导致线粒体破损，减缓肿瘤细胞增殖，但可通过诱导上皮-间充质转化（EMT）促进肿瘤细胞在的体内转移性播散。
10.肿瘤标志物大数据分析
生物信息学的发展提供了大量的计算策略和工具，用于肿瘤诊断和辅助治疗，极大地提高了临床诊疗的效率。采用数学建模的方法从各类组学数据出发，不同角度以更深层次的挖掘诊断和治疗的肿瘤标志物，可实现精准医学的目的。
基因组、DNA甲基化、突变、m6A等分子层面的数据以及单细胞测序数据常被应用来筛选和肿瘤相关的特征，这些组学特征在肿瘤的发生发展产生了深层次的变化。利用计算方法挖掘单组学数据，得到肿瘤有关的特征规律和既定的表达模式用来表征其特点，对于推进肿瘤治疗是至关重要的。例如，Shen等[52]全面评估了m6A修饰模式，开发了三种不同的m6A修饰亚型。Azizi等[53]绘制出乳腺癌免疫微环境，并提出T细胞状态的连续性变化颠覆了之前较少分化或激活离散状态形成的肿瘤微环境经典概念。由于使用单一组学数据有时不能完全反应疾病的特征，尝试多模态数据的融合可能更能全面揭示疾病的内部特征，也成为一部分复杂疾病研究的主流方向，对于研究目的的预测取决于通过数据集成和机器学习捕获的整个肿瘤生态系统的基线特征，这些方法可用于开发其他肿瘤的预测因子。例如，Sammut1等[54]将手术中的病理学终点（完全缓解或残留疾病）与诊断活检中的多组学特征相关联结合到多组学机器学习模型中，用于预测病理完全反应。数学模型的应用和算法的提出也可以在大数据中得到一些显著重要且有效的信息，预测更接近于精准的目标。Tokheim等[55]介绍了一种独特的计算方法CHASMplus，能够识别驱动错义突变；Abbas等[56]提出了一个统一的深度学习模型ZayyuNet，用于识别各种表观遗传修饰，这些模型性能都优于当前最先进的模型。这些研究都表明，应用各个组学数据结合数学模型及其算法的提出已经渗透到医学领域并取得了巨大成功，可较为准确的提取相关特征，在很大程度上增加肿瘤诊断的准确性和治疗效率。
11.肿瘤标志物人工智能分析
2021年，人工智能（AI）在肿瘤筛查、诊断、疗效预测、肿瘤演化等问题的研究都取得了巨大的进展。我们着重从医学图像标注、病理分析、影像诊断、生信分析和电子病历等方面进行总结。
对医学图像进行精确标注是一件费时费力的事情，2021年来弱监督、自监督学习技术在肿瘤医学影像中的应用的大幅减少了标注的工作量，推动肿瘤AI临床落地。Yu等[57]通过基于Mean Teacher的半监督学习方法标注结直肠癌WSI，实现了优于监督学习的性能。Noah等[58]通过弱监督模型训练支持深度学习的分割算法Mesmer，自动提取关键细胞特征，在分割图像方面可以达到人类专家的水平。Wang等[59]构建了用于处理不完善训练数据集的深度学习框架AIDE在乳腺肿瘤分割中，AIDE可以达到与完全监督或放射科医生相当的水平。Isensee等[60]开发了一个基于深度学习的自动分割算法nnU-Net，性能上超越了大多数现有方法，同时nnU-Net作为开放性工具极大地减少了广大用户的图像分割成本。
在计算病理学领域，深度学习模型因其在胃癌淋巴结转移、宫颈癌细胞识别等病理WSI分析中表现出的高准确率和高效率，引起了研究人员的广泛关注[61-62]。Shi等[63]构建一个全新的深度学习框架，探索病理图像中与预后相关的特征，提出肝癌预后新指标，实现HCC风险分层和精准个性化治疗。Gehrung等[64]利用分流和半监督学习策略实现了将专家知识和现有决策路径与深度学习模型的结合，有效地检测食管腺癌的主要前体巴雷特食管。Kanakasabapathy等[65]利用对抗学习策略在低质量图像数据集上训练深度学习网络，对人类胚胎、量化人类精子形态和诊断血液中的疟疾感染进行评估，获得了良好的结果。Bilal等[66]采用弱监督学习模型分析结直肠癌分子通路和关键突变的状态，指导医生进行最佳治疗决策。Yamashita等[67]采用深度学习模型检测结直肠癌中的微卫星不稳定性（MSI），以识别具有不同治疗反应和预后的患者。Binder等[68]通过可解释的机器学习模型研究乳腺癌的分子特征和形态特征的关系，得到了很好的结果。Lu等[69]采用弱监督AI模型预测肿瘤亚群的主要起源。
在医学影像领域，AI在超声图像中识别病变已经达到放射科医生级别的准确性，在一致性和效率方面也有突出的潜力，可以帮助放射科医生提高诊断性能和避免过度治疗[70-71]。AI根据放射成像指标可靠地预测潜在的生物反应，从而用于治疗反应评估[72]。通过在AI中加入热图，突出与AI预测相关的重要区域，可以帮助临床医生理解AI决策的预测依据[73]。
在生物信息领域，利用机器学习模型研究肿瘤进化的分子机制获得了突出的成果。Jiang等[74]使用机器学习模型对肿瘤转移风险进行分层，识别肿瘤转移相关的分子突变，对前列腺癌的转移位点进行预测。Haitham等[75]通过构建一个可解释的深度学习模型，有效识别转移性前列腺癌。单细胞空间转录组学迅速发展，针对原位捕获方法的缺陷，Bergenstrahle等[76]将高分辨率组织学图像与原位捕获数据结合，借助深度学习模型推理，能够推断出超分辨率的基因表达谱。Ravian等[77]解决了大规模单细胞三维图像剖析中的挑战，对大量单细胞特征进行重构，揭示了健康和肿瘤组织细胞的空间表型模式。
采用机器学习模型分析电子病历（EMR）也广泛应用于医疗早期预测、诊断和预后，如Zong等[78]从肿瘤患者EMR中提取表型数据，采用Node2vec算法获得机器学习和深度学习模型的特征，提出了一种预测未知肿瘤的解决方案。Wang等[79]使用监督学习方法，利用EMR数据获得患者相似性，构建个体化模型以预测潜在疾病的风险、识别风险因素和疾病亚组。Kehl等[80]使用自然语言处理模型（NLP）从EMR中提取肿瘤反应、进展和转移位点等临床结果，证实了肿瘤突变负荷与NLP生成的无进展生存期相关。Morin等[81]从医疗网络中捕获多模态健康信息，结合结构化和非结构化多模态信息建立肿瘤预后模型。
[1] Chi KN, Barnicle A, Sibilla C, et al. Concordance of BRCA1, BRCA2 (BRCA), and ATM mutations identified in matched tumor tissue and circulating tumor DNA (ctDNA) in men with metastatic castration-resistant prostate cancer (mCRPC) screened in the PROfound study[J]. J Clin Oncol, 2021:26-26.
[2] Matsubara N, Johann S. Bono D, et al. Olaparib efficacy in patients with metastatic castration-resistant prostate cancer (mCRPC) carrying circulating tumor (ct) DNA alterations in BRCA1, BRCA2 or ATM: Results from the PROfound study[J]. J Clin Oncol, 2021, 39:27-27.
[3] Shi YK, Hu X S, Zhang SC, et al. Efficacy, safety, and genetic analysis of furmonertinib (AST2818) in patients with EGFR T790M mutated non-small-cell lung cancer: a phase 2b, multicentre, single-arm, open-label study[J]. Lancet Respir Med, 2021, 9(8):829-839.
[4] Jonathan F, Sausen M, Kalinava N, et al. Concordance of tissue-and plasma-derived genomic profiling in CheckMate 9LA, using the FoundationOne CDx and GuardantOMNI assays[J]. J Clin Oncol, 2021.
[5] Rolfo C, Mack P, Scagliotti GV, et al. Liquid Biopsy for Advanced NSCLC: A Consensus Statement From the International Association for the Study of Lung Cancer[J]. J Thorac Oncol. 2021,16(10):1647-1662.
[6] Anandappa G, Starling N, Begum R, et al. Minimal residual disease (MRD) detection with circulating tumor DNA (ctDNA) from personalized assays in stage II-III colorectal cancer patients in a U.K. multicenter prospective study (TRACC)[J]. J Clin Oncol, 2021, 39:102-102.
[7] Taniguchi H, Nakamura Y, Kotani D, et al. CIRCULATE-Japan: Circulating tumor DNA-guided adaptive platform trials to refine adjuvant therapy for colorectal cancer[J]. Can Sci, 2021,112(7):2915-2920.
[8]Heidrich I, Ackar L, Mohammadi PM, et al. Liquid biopsies: Potential and challenges[J]. Int J Cancer, 2021, 148(3):528-545.
[9]中华医学会检验医学分会分子诊断学组.循环肿瘤细胞临床应用与实验室检测专家共识[J]. 中华检验医学杂志, 2021, 44(11):1008-1020.
[10]Tan Z, Yue C, Ji S, et al. Assessment of PD-L1 Expression on Circulating Tumor Cells for Predicting Clinical Outcomes in Patients with Cancer Receiving PD-1/PD-L1 Blockade Therapies[J]. Oncologist, 2021, 26(12):e2227-e38.
[11]Fan L, Chong X, Zhao M, et al. Ultrasensitive gastric cancer circulating tumor cellular cldn18.2 rna detection based on a molecular beacon[J]. Anal Chem, 2021, 93(2):665-670.
[12]Muller V, Banys-paluchowski M, Friedl TWP, et al. Prognostic relevance of the HER2 status of circulating tumor cells in metastatic breast cancer patients screened for participation in the DETECT study program[J]. Esmo Open, 2021, 6(6):100299.
[13] Wang J, Zhuang X, Greene KS, et al. Cdc42 functions as a regulatory node for tumour-derived microvesicle biogenesis[J]. J Extracell Vesicles, 2021, 10(3):e12051.
[14] Li Y, Deng J, Han Z, et al. Molecular identification of tumor-derived extracellular vesicles using thermophoresis-mediated DNA computation[J]. J Am Chem Soc, 2021, 143(3):1290-1295.
[15] Zhong L, Liao D, Li J, et al. Rab22a-NeoF1 fusion protein promotes osteosarcoma lung metastasis through its secretion into exosomes[J]. Signal Transduct Target Ther, 2021, 6(1):59.
[16] Xie Z, Gao Y, Ho C, et al. Exosome-delivered CD44v6/C1QBP complex drives pancreatic cancer liver metastasis by promoting fibrotic liver microenvironment[J]. Gut, 2021. Online ahead of print. gutjnl-2020-323014.
[17] Yang C, Dou R, Wei C, et al. Tumor-derived exosomal microRNA-106b-5p activates EMT-cancer cell and M2-subtype TAM interaction to facilitate CRC metastasis[J]. Mol Ther. 2021, 29(6):2088-2107.
[18] Chen Y, Zhu Q, Cheng L, et al. Exosome detection via the ultrafast-isolation system: EXODUS[J]. Nat Methods, 2021, 18(2):212-218.
[19] Ko J, Wang Y, Sheng K, et al. Sequencing-based protein analysis of single extracellular vesicles[J]. ACS Nano, 2021, 15(3):5631-5638.
[20] Ding J, Lu G, Nie W, et al. Self-activatable photo-extracellular vesicle for synergistic trimodal anticancer therapy[J]. Adv Mater, 2021, 33(7):e2005562.
[21] Niu W, Xiao Q, Wang X, et al. A Biomimetic Drug Delivery System by Integrating Grapefruit Extracellular Vesicles and Doxorubicin-Loaded Heparin-Based Nanoparticles for Glioma Therapy[J]. Nano Lett, 2021, 21(3):1484-1492.
[22] Wang J, Tang W, Yang M, et al. Inflammatory tumor microenvironment responsive neutrophil exosomes-based drug delivery system for targeted glioma therapy[J]. Biomaterials, 2021, 273:120784.
[23] Zhou W, Zhou Y, Chen X, et al. Pancreatic cancer-targeting exosomes for enhancing immunotherapy and reprogramming tumor microenvironment[J]. Biomaterials, 2021, 268:120546.
[24] Wu H, Xing H, Wu MC, et al. Extracellular-vesicles delivered tumor-specific sequential nanocatalysts can be used for MRI-informed nanocatalytic Therapy of hepatocellular carcinoma[J]. Theranostics, 2021, 11(1):64-78.
[25] Xu Z, Huang H, Xiong X, et al. A near-infrared light-responsive extracellular vesicle as a “Trojan horse” for tumor deep penetration and imaging-guided therapy[J]. Biomaterials, 2021, 269:120647.
[26] Ploeg E, Ke X, Britsch I, et al. Helfrich W. Bispecific antibody CD73xEpCAM selectively inhibits the adenosine-mediated immunosuppressive activity of carcinoma-derived extracellular vesicles[J]. Cancer Letters, 2021, 521:109-118.
[27]Rappez L, Stadler M, Triana S, et al. SpaceM reveals metabolic states of single cells[J]. Nat Methods, 2021, 18(7):799-805.
[28]Watson MJ, Vignali PDA, Mullett SJ, et al. Metabolic support of tumour-infiltrating regulatory T cells by lactic acid[J]. Nature, 2021, 591(7851):645-651.
[29]Chen F, DaiX, Zhou CC, et al. Integrated analysis of the faecal metagenome and serum metabolome reveals the role of gut microbiome-associated metabolites in the detection of colorectal cancer and adenoma[J]. Gut, 2021.
[30]Xiao Y. Ma D. Yang, YS, et al. Comprehensive metabolomics expands precision medicine for triple-negative breast cancer[J]. Cell Res, 2022.
[31] Watson MJ, Vignali PDA, Mullett SJ, et al. Metabolic support of tumour-infiltrating regulatory T cells by lactic acid[J]. Nature, 2021. 591(7851): 645-651.
[32] Rappez L, Stadler M, Triana S, et al. SpaceM reveals metabolic states of single cells[J]. Nat Methods, 2021, 18(7): 799-805.
[33] Chen F, Dai X, Zhou CC, et al. Integrated analysis of the faecal metagenome and serum metabolome reveals the role of gut microbiome-associated metabolites in the detection of colorectal cancer and adenoma[J]. Gut, 2021.
[34] Xiao Y, Ma D, Yang YS, et al. Comprehensive metabolomics expands precision medicine for triple-negative breast cancer[J]. Cell Res, 2022.
[35] Nie M, Yao K, Zhu XS, et al. Evolutionary metabolic landscape from preneoplasia to invasive lung adenocarcinoma[J]. Nat Commun, 2021. 12(1): 6479.
[36]Zhou Y, Yang D, Yang QB, et al. Single-cell RNA landscape of intratumoral heterogeneity and immunosuppressive microenvironment in advanced osteosarcoma[J]. Nat Commun, 2020, 11 (1):6332.
[37]Gong LQ, Kwong DLW, et al. Comprehensive single-cell sequencing reveals the stromal dynamics and tumor-specific characteristics in the microenvironment of nasopharyngeal carcinoma[J]. Nat Commun, 2021, 12 (1):1540.
[38]Lareau CA, Parker KR, Satpathy AT. Charting the tumor antigen maps drawn by single-cell genomics[J]. Cancer Cell, 2021, 39 (12):1553.
[39]Li RY, Di L, Li J, et al. A body map of somatic mutagenesis in morphologically normal human tissues[J]. Nature, 2021, 597(7876):398.
[40] ZhengL, Qin S, Si W, et al. Pan-cancer single-cell landscape of tumor-infiltrating T cells[J]. Science, 2021, 374(6574):abe6474.
[41]Sun YF, Wu L, Liu SP, et al. Dissecting spatial heterogeneity and the immune-evasion mechanism of CTCs by single-cell RNA-seq in hepatocellular carcinoma[J]. Nat Commun, 2021, 12 (1):4019.
[42] Zhang J, Gao K, Xie H, et al. SPOP mutation induces DNA methylation via stabilizing GLP/G9a[J]. Nat Commun, 2021, 12(1):5716.
[43] Zhao J, Li H, Zhao S, et al. Epigenetic silencing of miR-144/451a cluster contributes to HCC progression via paracrine HGF/MIF-mediated TAM remodeling[J]. Mol Cancer, 2021, 20(1):46.
[44] Liu J, Zhao H, Huang Y, et al. Genome-wide cell-free DNA methylation analyses improve accuracy of non-invasive diagnostic imaging for early-stage breast cancer[J]. Mol Cancer, 2021, 20(1):36.
[45] Jin S, Zhu D, Shao F, et al. Efficient detection and post-surgical monitoring of colon cancer with a multi-marker DNA methylation liquid biopsy[J]. Proc Natl Acad Sci U S A, 2021, 118(5):e2017421118.
[46] Huang HY, Li J, Tang Y, et al. MethHC 2.0: information repository of DNA methylation and gene expression in human cancer[J]. Nucleic Acids Res, 2021, 49(D1):D1268-D1275.
[47]Kopinski PK, Singh LN, Zhang S, et al. Mitochondrial DNA variation and cancer[J]. Nat Rev Cancer, 2021, 21(7): 431-445.
[48]Zhou K, Liu Y, Yuan Q, et al. Next-Generation Sequencing-Based Analysis of Urine Cell-Free mtDNA Reveals Aberrant Fragmentation and Mutation Profile in Cancer Patients[J]. Clin Chem, 2022.
[49]Arance E, Ramírez V, Rubio-roldan A, et al. Determination of Exosome Mitochondrial DNA as a Biomarker of Renal Cancer Aggressiveness[J]. Cancers(Basel), 2021, 14(1):199.
[50]Yang S, He X, Zhao J, et al. Mitochondrial transcription factor A plays opposite roles in the initiation and progression of colitis-associated cancer[J]. Cancer Commun (Lond), 2021, 41(8): 695-714.
[51]Ghosh J C, Perego M, Agarwal E, et al. Ghost mitochondria drive metastasis through adaptive GCN2/Akt therapeutic vulnerability[J]. Proc Natl Acad Sci U S A, 2022, 119(8): e2115624119.
[52] Shen S, Zhang R, Jiang Y, et al. Comprehensive analyses of m6A regulators and interactive coding and non-coding RNAs across 32 cancer types[J]. Mol Cancer, 2021, 20, 67.
[53]Azizi E, Carr AJ, Plitas G, et al. Single-Cell Map of Diverse Immune Phenotypes in the Breast Tumor Microenvironment[J]. Cell, 2018, 174(5):1293-1308.
[54]Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response[J]. Nature, 2022, 601(7894):623-629.
[55]Tokheim C, Karchin R. CHASMplus Reveals the Scope of Somatic Missense Mutations Driving Human Cancers[J]. Cell Syst, 2019, 9(1):9-23.
[56]Abbas Z, Tayara H, Chong K. ZayyuNet A unified deep learning model for the identification of epigenetic modifications using raw genomic sequences[J]. IEEE/ACM Trans Comput Biol Bioinform, 2021.
[57] Yu G, Sun K, Xu C, et al. Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images[J]. Nat Commun, 2021, 12(1):6311.
[58] Greenwald NF, Miller G, Moen E, et al. Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning[J]. Nat Biotechnol, 2021.
[59] Wang S, Li C, Wang R, et al. Annotation-efficient deep learning for automatic medical image segmentation[J]. Nat Commun, 2021, 12(1):5915.
[60] Isensee F, Jaeger PF, Kohl SAA, et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation[J]. Nat Methods, 2021, 18(2):203-211.
[61] Wang X, Chen Y, Gao Y, et al. Predicting gastric cancer outcome from resected lymph node histopathology images using deep learning[J]. Nat Commun, 2021, 12(1):1637.
[62] Zhu X, Li X, Ong K, et al. Hybrid AI-assistive diagnostic model permits rapid TBS classification of cervical liquid-based thin-layer cell smears[J]. Nat Commun, 2021, 12(1):3541.
[63] Shi JY, Wang X, Ding GY, et al. Exploring prognostic indicators in the pathological images of hepatocellular carcinoma based on deep learning[J]. Gut, 2021, 70(5):951-961.
[64] Gehrung M, Crispin-Ortuzar M, Berman AG, et al. Triage-driven diagnosis of Barrett's esophagus for early detection of esophageal adenocarcinoma using deep learning[J]. Nat Med, 2021, 27(5):833-841.
[65] Kanakasabapathy MK, Thirumalaraju P, Kandula H, et al. Adaptive adversarial neural networks for the analysis of lossy and domain-shifted datasets of medical images[J]. Nat Biomed Eng, 2021, 5(6):571-585.
[66] Bilal M, Raza SEA, Azam A, et al. Development and validation of a weakly supervised deep learning framework to predict the status of molecular pathways and key mutations in colorectal cancer from routine histology images: a retrospective study[J]. Lancet Digit Health, 2021, 3(12):e763-e772.
[67] Yamashita R, Long J, Longacre T, et al. Deep learning model for the prediction of microsatellite instability in colorectal cancer: a diagnostic study[J]. Lancet Oncol, 2021, 22(1):132-141.
[68] Binder A, Bockmayr M, Hägele M, et al. Morphological and molecular breast cancer profiling through explainable machine learning[J]. Nat Machine Intell, 2021, 3(4): 355-366.
[69] Lu MY, Chen TY, Williamson DFK, et al. AI-based pathology predicts origins for cancers of unknown primary[J]. Nature, 2021, 594(7861):106-110.
[70] Shen Y, Shamout FE, Oliver JR, et al. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams[J]. Nat Commun, 2021,12(1):5645.
[71] Peng S, Liu Y, Lv W, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study[J]. Lancet Digit Health, 2021, 3(4):e250-e259.
[72] Jin C, Yu H, Ke J, et al. Predicting treatment response from longitudinal images using multi-task deep learning[J]. Nat Commun, 2021, 25, 12(1):1851.
[73] Qian X, Pei J, Zheng H, et al. Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning[J]. Nat Biomed Eng, 2021, 5(6):522-532.
[74] Jiang B, Mu Q, Qiu F, et al. Machine learning of genomic features in organotropic metastases stratifies progression risk of primary tumors[J]. Nat Commun, 2021,12(1):6692.
[75] Elmarakeby HA, Hwang J, Arafeh R, et al. Biologically informed deep neural network for prostate cancer discovery[J]. Nature, 2021,598(7880):348-352.
[76] Bergenstrahle L, He B, Bergenstrahle J, et al. Super-resolved spatial transcriptomics by deep data fusion[J]. Nat Biotechnol, 2021.
[77] van Ineveld RL, Kleinnijenhuis M, Alieva M, et al. Revealing the spatio-phenotypic patterning of cells in healthy and tumor tissues with mLSR-3D and STAPL-3D[J]. Nat Biotechnol, 2021, 39(10):1239-1245.
[78] Zong N, Ngo V, Stone DJ, et al. Leveraging Genetic Reports and Electronic Health Records for the Prediction of Primary Cancers: Algorithm Development and Validation Study[J]. JMIR Med Inform, 2021, 9(5):e23586.
[79] Wang N, Huang Y, Liu H, et al. Study on the semi-supervised learning-based patient similarity from heterogeneous electronic medical records[J]. BMC Med Inform Decis Mak, 2021, 21(Suppl 2):58.
[80] Kehl KL, Xu W, Gusev A, et al. Artificial intelligence-aided clinical annotation of a large multi-cancer genomic dataset[J]. Nat Commun, 2021,12(1):7304.
[81] Morin O, Vallières M, Braunstein S, et al. An artificial intelligence framework integrating longitudinal electronic health records with real-world data enables continuous pan-cancer prognostication[J]. Nat Cancer, 2021, 2(7):709-722.
苏公网安备32059002004080号
