STTT | 跨越疾病领域，多组学、空间组学与AI融合推动慢性病精准医学发展

慢性疾病的发生发展涉及复杂的分子调控、细胞状态变化和组织微环境重塑。即使具有相似临床表现的患者，其分子机制、病变空间分布与疾病进展轨迹也可能存在显著差异。如何贯通分子、组织与临床多个尺度的证据，进而实现精准分型与个体化干预，是慢性病研究面临的重要挑战。

近日，北京协和医学院潘湘斌/吉训明/黄源、北京中医药大学柳娟、中国中医科学院西苑医院曲华及清华大学等单位研究人员合作完成的论文“Multi-omics, spatial omics and artificial intelligence in chronic diseases: current applications and future directions”已于国际知名学术期刊Signal Transduction and Targeted Therapy (IF 81.2)发表。文章系统梳理多组学、空间组学和人工智能（AI）在慢性疾病研究中的应用进展，围绕心血管疾病、神经退行性疾病、风湿免疫性疾病、代谢性疾病、肾脏疾病及肿瘤等六大疾病领域疾病，提出从分子网络、空间病理生态位到临床可解释表征的跨尺度整合框架。

该综述强调，多组学用于解析疾病相关分子网络，空间组学将这些网络定位到具有特定组织结构与细胞互作特征的病理区域，而AI则帮助整合分子、空间、影像与临床信息。三者互补，有望推动慢性病研究从描述性分子图谱向机制导向的分型、风险评估和治疗决策迈进。

 图1 多组学、空间组学与人工智能在慢性疾病研究中的整合框架（摘自论文）

传统整体组织检测能够识别差异分子，却可能掩盖局灶病变及组织边界的重要信号；单细胞技术虽能解析细胞异质性，但通常缺少原位组织结构信息。文章指出，多组学可从遗传易感性、转录调控、蛋白功能和代谢变化等层面刻画疾病相关网络；空间组学则进一步识别病灶核心、边缘过渡区和细胞邻域中的病理程序，使研究者能够回答“哪些变化发生在何处、由哪些细胞共同驱动”这一关键问题。

在此基础上，AI能够开展跨模态对齐、共享特征学习、空间邻域建模及病理影像关联，辅助形成可比较的疾病亚型和机制模式。文章同时提醒，更高维的数据与更复杂的算法并不自动带来更优的生物学解释或临床效果；平台批次差异、数据缺失、模型外推能力以及因果证据不足，仍需要通过独立队列、实验扰动与前瞻性研究加以检验。

跨越不同器官和疾病类型，文章进一步归纳出相互关联的慢性病进展特征：代谢应激、炎症放大、纤维化与结构重塑，以及最终的功能失代偿。这些过程不是固定顺序的单一路径，而是随疾病类型、阶段及组织区域变化的动态网络。

例如，心肌梗死后梗死边缘区的应激与修复状态、阿尔茨海默病淀粉样斑块周围的神经胶质细胞生态位、类风湿关节炎滑膜中的免疫—基质细胞互作，以及脂肪肝和慢性肾病中的局灶炎症、纤维化微环境，都说明疾病进展不能仅由某个分子的表达量解释。文章由此强调，应将病理空间单元、局部细胞网络及其时间演变纳入疾病机制研究，并在识别跨疾病共性时保留器官特异性。

图2 六类代表性疾病的共同进展轴及特异性病理空间生态位（论文原图Fig. 4）

在临床转化层面，该综述提出，真正重要的目标并非将全部高维组学数据直接引入常规诊疗，而是提炼出经过验证、可规模化应用的检测与决策工具，例如可重复的疾病分型、病理或影像替代指标、简化的标志物组合及治疗反应预测模型。这些工具需要在不同人群、技术平台和真实临床流程中证明其稳定性、可解释性及增量价值。

文章进一步展望，未来可通过临床级标准化证据体系、具备机制与干预推断能力的AI模型、可检验的机制模式库，以及分层临床试验与真实世界反馈，逐步构建持续验证、动态更新的学习型医疗系统。其核心在于建立从数据发现、机制验证到临床应用和反馈优化的完整闭环，而非将预测结果直接等同于已证实的因果机制。

综上，该综述从跨疾病、跨尺度角度系统整合多组学、空间组学与AI的研究进展，提出连接分子机制、空间病理生态位和临床可操作指标的证据框架，为慢性疾病精准分型、潜在靶点识别及机制导向的临床转化提供新的研究思路。

王琪、曲华、金烁和王继涛为本文共同第一作者；潘湘斌、黄源和柳娟为共同通讯作者，吉训明为高级作者。

原文链接：

https://www.nature.com/articles/s41392-026-03081-w