3. 多组学数据类型与临床语义

多组学临床转化数据平台的第一道工程难题，不是“存多少数据”，而是“不同组学数据在临床语义上到底代表什么、彼此如何对应”。如果只把基因组、转录组、蛋白组、代谢组、表观组当作五张互不相干的表，平台最终只能做数据仓库；只有理解它们在生物层级上的位置、测量对象、动态范围和临床解释边界，才能设计出可追溯、可整合、可转化的数据模型。

一、五类组学的数据特征与临床语义

基因组（Genomics）测量的是相对稳定的DNA序列信息，常见数据形态包括全基因组测序、全外显子测序、靶向panel和拷贝数变异。其临床语义偏向“遗传易感、胚系变异、体系突变、肿瘤突变负荷、微卫星不稳定”等。基因组数据的特点是：单个样本数据量大、变异位点稀疏、参考基因组版本敏感、等位基因频率和测序深度决定可信度。例如一个肿瘤panel样本，报告一个EGFR L858R变异，必须同时记录VAF≈0.35、DP=820、AF=0.34、转录本NM_005228.5和HGVS命名，否则临床解读无法复现。

转录组（Transcriptomics）测量的是RNA表达水平，反映“当前哪些基因在活跃表达”。常见形态是bulk RNA-seq、单细胞RNA-seq和空间转录组。临床语义包括分子分型、融合基因、可变剪接、免疫微环境特征和药物靶点表达。转录组动态范围大，受组织类型、保存时间、批次效应影响显著。例如同一肿瘤样本的ERBB2表达量，在不同批次间可能相差数倍，因此平台必须保留原始count、TPM、FPKM及标准化参数，而不是只存一个“表达高低”标签。

蛋白组（Proteomics）测量的是蛋白质丰度、修饰状态和相互作用，常用质谱或抗体芯片。它更接近“功能执行层”，临床语义包括蛋白表达、磷酸化信号通路激活、治疗靶点蛋白水平和耐药相关蛋白。蛋白组数据的特点是：覆盖度有限、缺失值多、定量受消化效率和离子抑制影响。例如磷酸化蛋白组中p-AKT升高，可能提示PI3K/AKT通路激活，但必须结合总AKT和PTEN状态判断，不能单点下结论。

代谢组（Metabolomics）测量小分子代谢物，位于“表型最下游”，直接反映细胞代谢状态、药物暴露和肠道菌群影响。临床语义包括诊断标志物、疗效监测、毒性预测和代谢重编程。代谢组数据的特点是：极性跨度大、浓度动态范围宽、鉴定置信度分级明显。平台中应区分“已知鉴定”“推定鉴定”“未知峰”，并记录保留时间、质荷比、加合物形式和内标归一化方式。

表观组（Epigenomics）测量不改变DNA序列的可遗传修饰，包括DNA甲基化、组蛋白修饰、染色质可及性和非编码RNA调控。临床语义包括抑癌基因沉默、印记丢失、分化状态、免疫逃逸和衰老相关改变。以甲基化芯片为例，一个探针的β值在0到1之间，平台需保留探针ID、染色体位置、甲基化百分比和检测P值，才能支持后续差异甲基化区域分析。

二、整合分析目标：从“多表”到“多链”

多组学整合不是简单拼接，而是围绕临床问题建立“因果链”和“证据链”。常见整合目标有四类：

• 分子分型与诊断：用转录组和甲基化划分亚型，用基因组突变解释驱动事件，用蛋白组和代谢组验证表型。
• 疗效预测与耐药机制：基因组找耐药突变，转录组看通路重编程，蛋白组看信号激活，代谢组看药物代谢差异。
• 靶点发现与验证：从基因组变异出发，经转录组表达、蛋白组丰度到代谢组表型，形成“变异—表达—功能—表型”的证据链。
• 动态监测与复发预警：用ctDNA基因组变异做微小残留病灶监测，用代谢组和蛋白组做早期复发信号补充。

整合的关键工程对象是“样本—患者—时间点—组学层—特征—临床结局”的关联。平台必须支持同一患者在不同时间点采集的多个样本，并允许不同组学层在不同时间点缺失。例如患者P001在基线有基因组、转录组、蛋白组，在第4周期只有ctDNA和代谢组，平台仍应能按时间轴对齐并标注缺失原因。

三、临床语义映射与数据模型要点

要让多组学数据具备临床可解释性，平台需要建立三层映射：

1. 标识映射：患者ID、样本ID、文库ID、批次ID、组学层ID之间必须可追溯，避免“一个样本多个别名”。
2. 特征映射：基因、转录本、蛋白、代谢物、甲基化探针需统一到标准本体，如HGNC、Ensembl、UniProt、HMDB、Illumina探针库。
3. 语义映射：将分子特征映射到临床意义，如“致病性变异”“可能致病”“药物敏感”“耐药”“预后不良”，并保留证据等级和来源。

四、一个可落地的整合分析示例

假设一个肺癌患者队列，目标是找出“EGFR突变患者中，为什么部分患者对奥希替尼响应差”。平台可按以下方式组织数据：

患者P001：
  基因组：EGFR L858R, TP53 R175H, 无MET扩增
  转录组：EGFR表达TPM=42.6，MET表达TPM=8.1，免疫浸润低
  蛋白组：p-EGFR升高，p-AKT升高，PTEN蛋白缺失
  代谢组：谷氨酰胺水平升高，乳酸/丙酮酸比值升高
  表观组：PTEN启动子甲基化β=0.72
  临床：奥希替尼PFS=5.2个月，响应评估SD

这个示例中，单看基因组只能解释EGFR突变，但无法解释疗效差。整合后可见：PTEN启动子甲基化导致PTEN沉默，进而激活PI3K/AKT旁路，代谢组也显示糖酵解和谷氨酰胺代谢增强。平台应能自动生成“EGFR突变—PTEN甲基化—AKT激活—代谢重编程—疗效差”的证据链，并标注每一层的证据强度和缺失项。

五、整合分析目标的可视化关系

下图展示五类组学在生物层级中的位置、数据流向、临床语义和整合分析目标之间的关系。图中不重复正文步骤，而是突出“从分子层到临床层”的映射逻辑。

六、平台设计中的关键判断

在实际平台建设中，多组学整合最容易出问题的地方有三处：第一，把不同组学的“特征ID”直接当主键，导致基因、蛋白、代谢物无法跨层关联；第二，忽略时间点和样本类型，把纵向队列压成横断面；第三，只存最终结论，不存中间证据。正确的做法是：以患者和样本为主线，以标准本体为特征锚点，以证据链为整合单元，以临床结局为验证目标。

综上，基因组回答“可能发生什么”，转录组回答“正在表达什么”，蛋白组回答“功能执行如何”，代谢组回答“表型是什么”，表观组回答“调控开关在哪里”。多组学整合的目标，是把这五层信息组织成一条可追溯、可解释、可验证的临床证据链，而不是简单堆叠数据表。