跳到正文
Signal Transduction and Targeted Therapy· Qi Wang·· 10 天前AI 评分24

多组学、空间组学与人工智能在慢性病中的应用与未来方向(综述)

Multi-omics, spatial omics and artificial intelligence in chronic diseases: current applications and future directions

AI 导读

一篇发表于 Signal Transduction and Targeted Therapy 的综述提出,慢性病研究的核心挑战在于连接分子程序、空间组织与临床可操作解读三个层面。

AI 深度导读基于原文整理的分节解读
背景
慢性病病程长达数年,反复损伤修复并逐步重塑组织结构,同一器官内的病变往往并不均一:不同疾病阶段、细胞状态与微环境生态位可以并存,并随病程或治疗改变。这使机制推断与临床预测都变得困难。
做法
这篇综述围绕分子程序、空间组织与临床可操作解读三层证据展开,梳理多组学如何界定调控与效应网络、空间组学如何把这些网络定位到病灶核心、边界与生态位,以及人工智能如何整合这些异质信号形成可跨患者比较的疾病表征。
结论
作者以心血管、神经退行性、自身免疫与炎症、代谢、肾脏及肿瘤疾病为例,说明这些方法可支持更精细的患者分层、机制发现与转化建模;同时指出落地障碍包括采样偏倚、平台间不一致、AI模型的生物学依据不完整以及前瞻性验证有限。
意义
综述主张让该领域从描述性编目转向有机制依据的框架,把信号网络与空间组织的病理生态位连接起来,服务于临床治疗决策。文中也提醒,分子模型若脱离空间背景,难以解释病灶为何局限于特定解剖区域。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

来源:Signal Transduction and Targeted Therapy · nature.com