Page 41 - 《南京医科大学学报（自然科学版）》2026年第3期
P. 41

第46卷第3期       刘进宇，段佳文，张志生. 从代谢与免疫视角解析乳腺癌肿瘤微环境：精准医学的挑战与机遇［J］.
                  2026年3月                     南京医科大学学报（自然科学版），2026，46（3）：343-354                        ·349 ·


                现为高乳酸水平的患者，临床治疗时可以考虑采用                            用。此外，利用机器学习和AI技术对多维组学数据
                抑制乳酸生成的药物联合靶向治疗或免疫治疗，以                            进行深度挖掘，可以识别出影响代谢⁃免疫网络关键
                期达到更好的治疗效果。此外，随着生物信息学和                            节点的分子特征，从而为靶向和 ICI 干预提供理论
                人工智能（artificial intelligence，AI）技术的不断发            依据。大数据分析的优势还在于能够整合来自不
                展，还可以利用这些先进工具对多组学数据进行深                            同患者群体的数据，建立特定乳腺癌亚型的代谢⁃免
                度挖掘和分析，进一步优化个性化治疗策略的设计                            疫特征数据库，用于个体化治疗的指导。然而，这
                和实施。因此，精准医学的未来发展需要突破技术和                           些模型的准确性和普适性仍然依赖于数据质量和
                生物学的双重瓶颈，从标志物的发现到动态监测技术                           算法优化。
                的应用，最终形成更精确和个性化的治疗方案。                                 代谢组学技术同样面临严峻问题：样本前处理

                3.3  新兴技术助力精准医学                                   过程中的代谢物降解问题突出，特别是不稳定代谢
                    单细胞测序和多组学整合分析是推动乳腺癌                           物如 NADPH、ATP 等的检测准确性受限；质谱技术
                代谢与免疫研究的重要技术工具，为精准医学的发                            的动态范围有限，难以同时检测高丰度和低丰度代
                展提供了全新的视角和手段。单细胞测序技术通                             谢物；代谢物鉴定存在困难，相当大部分的代谢特
                过对肿瘤组织中每个细胞的基因表达、基因组变异                            征峰无法被准确注释；缺乏标准化的样品采集和处
                和代谢状态进行精确分析，揭示了乳腺癌TME中的                           理流程，导致实验室间数据可比性差；代谢通量分

                细胞异质性及其动态变化。例如，通过单细胞RNA                           析的技术复杂度高，难以实现高通量检测。两种技
                测序，可以明确不同肿瘤浸润免疫细胞（如 T 细胞、                         术的整合分析面临更大挑战：单细胞分辨率下代谢
                TAM和MDSC）的转录组特征，进而分析它们在乳腺                         异质性研究缺乏合适的技术平台；多组学数据整合
                癌TME中的功能状态和代谢适应性                ［51］ 。此外，代谢       方法尚不成熟；代谢网络的动态变化与基因表达的
                组学和蛋白组学的整合分析能够深入揭示代谢通                             时序关系难以精确对应。
                路如何与免疫调控网络相互作用。例如，通过结合                                未来，随着数据采集技术的改进和分析方法的
                代谢组学数据发现乳腺癌组织中乳酸、脂质和其他                            创新，代谢⁃免疫相互作用模型将进一步优化，为乳
                代谢中间产物的变化，再结合免疫组学的细胞因子                            腺癌精准医学的实施提供更加精确和动态的工具。
                谱，可以更全面地解析代谢与免疫之间的关联。多                            通过单细胞测序、多组学整合和大数据驱动的模型构
                组学整合分析还可以通过分析患者血液样本及活                             建，精准医学正在从理论构想向临床实践迈进，为乳
                检数据，为个性化治疗提供动态监测手段。这些技                            腺癌患者提供更个性化和高效的治疗方案。
                术的结合不仅可以揭示乳腺癌代谢和免疫特征的
                                                                  4  未来方向与研究新思路
                具体机制，还能识别潜在的生物标志物和治疗靶
                点，从而推动精准医学的发展。                                    4.1  代谢与免疫研究的新思路
                    单细胞测序技术在解析 TME 异质性方面具有                            乳腺癌的发生和进展并非单一代谢或免疫失
                显著优势，但仍存在一些技术局限。首先，单细胞                            调的结果，而是两者相互作用的复杂动态过程。乳
                测序的通量问题限制了同时分析大量细胞的能力，                            腺癌细胞通过代谢重编程改变 TME 的能量与营养
                使得对复杂肿瘤样本的全面解析变得困难。其次，                            供给，例如糖酵解增强和脂质代谢的激活，不仅为
                由于单个细胞内的RNA含量极低，扩增过程中易引                           自身增殖提供支持，还通过乳酸和脂质代谢产物等
                入偏差，影响数据的准确性和可重复性。此外，从                            调控免疫细胞的功能，形成免疫抑制性 TME。同
                样本制备角度看，细胞解离过程可能导致特定细胞                            时，免疫细胞的代谢活动也会反向影响乳腺癌代谢
                亚群的选择性丢失，造成样本偏差；单细胞测序成                            机制变化，例如 Teff 的抗肿瘤功能严重依赖高水平
                本高昂，操作复杂，限制了其在临床的广泛应用。                            糖酵解和FAS过程，而前文提到的Treg和TAM的免
                    代谢⁃免疫相互作用的模型构建与大数据分析                          疫抑制功能则更多依赖FAO。因此，代谢与免疫在
                应用为乳腺癌精准治疗提供了关键支撑技术。这                             TME中形成了一种动态平衡，其失调可能导致肿瘤
                些模型通过整合实验数据和临床数据，进而预测肿                            进展或治疗失败。研究这种动态平衡，不仅需要单
                瘤进展、治疗反应以及耐药机制。例如，基于代谢                            细胞层面的实时监测技术，还需要构建综合的代谢⁃
                网络的数学模型可以模拟乳腺癌细胞在不同代谢                             免疫交互网络模型，以动态解析不同乳腺癌亚型中
                状态下的能量需求及其与 TME 免疫特征的相互作                          的代谢⁃免疫相互作用。对不同患者不同肿瘤亚型
   36   37   38   39   40   41   42   43   44   45   46