《Health Science Reports》:Multi-Omics Biomarkers From Variant to Clinic: A Systematic Review and Meta-Analysis of Evidence, AI/ML, Governance, Equity, and Real-World Implementation Across Global Health Systems
背景/目的:连接基因组、转录组、表观基因组、蛋白质组、代谢组、单细胞及空间数据的多组学整合,通过捕获超越DNA序列本身的分子过程,改变了人类遗传变异的解读方式。尽管这些方法显著提升了生物标志物发现与疾病分层能力,但由于方法学异质性、验证有限、监管不确定性和数据生成层面的结构性不平等,其向临床实践的转化仍不均衡。本系统评价与荟萃分析旨在评估影响多组学生物标志物开发的科学性能、临床准备度、治理框架及社会技术限制,并为公平的全球实施提供路线图。
方法:遵循PRISMA 2020指南,研究人员系统检索了PubMed、EMBASE、Web of Science、Scopus、medRxiv和bioRxiv中2010年1月至2025年12月期间发表的研究。纳入标准包括整合≥2种组学模态、将AI/ML应用于生物标志物开发或变异解读、评估临床效用或真实世界实施,或探讨治理、伦理、知情同意、公平性及政策问题。数据提取涵盖检测类型、整合策略、模型性能、验证严谨性及监管或社会技术洞见。采用随机效应荟萃分析估算AUC、灵敏度、特异度及风险比精度的合并改善值,并使用I2统计量评估异质性。
结果:从9846条记录中筛选出528项研究符合纳入标准。多组学整合提升了预测性能,AUC合并增益为+0.16(95% CI:0.11–0.19),灵敏度提升13%,特异度提升9%。整合≥3层组学模态的模型改善幅度最大(+0.19 AUC)。单细胞与空间检测使风险分层能力提升18%,但存在可重复性问题。AI/ML方法较传统模型额外提升+0.12 AUC,但67%存在祖先偏差,仅22%部署了解释性工具。受限于验证不足、报销缺口、互操作性挑战及数据权利治理不清,仅19%的生物标志物接受了真实世界评估。
结论:多组学生物标志物具有显著的分析优势,但其转化需要标准化验证框架、负责任的AI治理、可互操作的基础设施以及全球包容的数据集,以确保公平、可信的实施。
1 引言
高通量测序、分子谱分析技术与计算建模的进步深刻改变了人类遗传变异研究,使得精细解析分子改变如何影响疾病机制与临床表型成为可能。尽管基因组测序仍是变异解读的核心,许多变异的功能后果依赖于调控、表观遗传、蛋白质组、代谢及细胞环境等超越DNA序列的因素。多组学整合——连接基因组、转录组、表观基因组、蛋白质组、代谢组、单细胞及空间特征——为捕捉这些层级化的生物学相互作用提供了综合框架,并提升了跨疾病领域的生物标志物发现能力。此语境下的生物标志物包括诊断、预后及预测三类,分别在疾病检测、风险分层与治疗决策中发挥不同作用。
尽管科学进展显著,多组学生物标志物向常规临床实践的转化仍然有限。各研究在分析方法和验证严谨性上差异巨大,且在人群与卫生系统间的可重复性不足。人工智能(AI)与机器学习(ML)拓展了高维组学数据分析能力,但其性能深受数据集质量、祖先多样性及模型透明度影响。算法偏差、过拟合与解释性不足等问题,可能阻碍临床接受度并引发公平性与问责制方面的伦理关切。
实施挑战不仅限于分析性能。许多卫生系统缺乏清晰的监管路径、可持续报销机制及支持规模化多组学整合的可互操作工作流程。生物信息学、分子诊断与数据治理方面的人才短缺进一步制约了采纳。此外,数据集代表性持续不平等,各国在知情同意、隐私与数据权利上的差异化做法,不断制造不确定性并削弱公众信任。
随着多组学平台与AI赋能分析的扩展,亟需对科学证据、临床准备度、治理结构及社会影响进行综合合成。现有综述常聚焦于孤立技术或单一疾病背景,未触及决定生物标志物能否从发现走向有意义临床影响的更广泛社会技术因素。本系统评价与荟萃分析旨在为全球负责任、公平地采纳多组学生物标志物提供可操作的路线图,为将分子洞见转化为可及且可信的临床应用奠定基础。
2 方法
本研究严格遵循PRISMA 2020指南,确保报告透明与可重复性。研究方案设计覆盖多组学发现研究、AI/ML支持的生物标志物开发、临床效用评估,以及多组学转化背景下的治理、伦理与公平研究。
2.1 检索策略
检索覆盖2010年1月至2025年12月发表的文献,这一时期反映了多组学平台的兴起与成熟、新一代测序(NGS)技术的广泛采纳,以及AI/ML方法在生物标志物研究中日益增强的整合度。电子检索在PubMed、EMBASE、Web of Science与Scopus中进行,同时纳入预印本库medRxiv与bioRxiv以获取正在进行中的研究。检索词结合医学主题词(MeSH)、受控词汇与自由文本构建。
2.2 关键词与布尔运算符
检索采用组合策略,涵盖“多组学”“蛋白质基因组学”“代谢组学”“表观基因组学”“单细胞生物标志物”“空间转录组学”与“AI基因组学”“机器学习生物标志物”“变异解读”“临床效用”“真实世界证据”“治理”“公平性”“实施科学”等术语。检索字符串经迭代优化以平衡敏感度与无关结果剔除效率。同时手动筛查纳入研究的参考文献与近期系统评价以确保全面覆盖。预印本因未经同行评审,其方法学与报告标准差异在研究解读中被纳入考量。
2.3 纳入标准
研究须报告多组学生物标志物的发现、验证或转化实证数据,整合两种及以上组学模态(如基因组-蛋白质组、转录组-代谢组、单细胞-表观基因组)。纳入使用AI或ML方法进行生物标志物开发、特征提取、变异分类或多组学整合的研究,AI/ML定义为超越传统统计回归的计算模型,包括监督与非监督学习算法(如随机森林、支持向量机、梯度提升、深度学习架构);仅使用无训练与验证框架的传统统计模型的研究不归入此类。同时纳入评估临床效用或真实世界实施的研究,包括在临床工作流程内测试、前瞻性/回顾性临床队列、实效性试验或整合入临床决策支持系统的研究,且仅限涉及人类参与者、人类来源样本或人类临床数据集的研究。
2.4 排除标准
仅关注单组学分析且无整合、仅呈计算建模而无实证验证、涉及非人类生物体、缺乏原始数据(如社论与专家意见)、非英语语言发表的研究被排除。若无充分方法学细节,会议摘要亦被排除。
2.5 数据提取
使用针对多组学转化研究的结构化模板提取数据,变量包括研究设计、样本量、疾病背景、人群特征、组学模态、数据预处理步骤、整合策略及所用计算或统计方法。性能评估研究提取AUC、灵敏度、特异度、准确度、F1分数及预后风险比等定量指标。实施或治理研究提取监管背景、知情同意模式、数据权利结构、算法问责措施、利益共享框架及公平性考量。每项研究的验证策略(内部验证、交叉验证、外部验证、前瞻性验证)被记录以评估方法学严谨性。提取过程遵循生物标志物评估与AI驱动预测模型的既定标准,审稿人分歧通过共识解决。
2.6 质量评估
采用多框架方法评估方法学质量。预测模型研究(含AI/ML驱动模型)使用PROBAST工具评估偏倚风险,覆盖参与者选择、预测因子、结局与分析方法的偏倚。观察性研究使用纽卡斯尔-渥太华量表评估选择、可比性与结局域。真实世界证据研究使用ROBINS-I工具,聚焦混杂、选择偏倚、测量偏倚与报告偏倚。定性与政策研究使用CASP定性检查表,评估研究设计适当性、分析透明度及对治理与实施问题的相关性。质量评分不用于排除研究,而是为合并结果的解读提供依据。
2.7 统计分析
定量合成采用随机效应荟萃分析,以适应研究设计、人群、检测、计算方法与验证策略的预期异质性。生成AUC改善、灵敏度、特异度及风险比精度等关键预测性能指标合并效应估计值。比较分析评估AI/ML方法相对于传统统计模型的增量获益。在可获得足够数据时,按疾病类别、组学组合与验证类型进行亚组分析。使用I2统计量量化统计异质性,低、中、高异质性分别定义为<25%、25%–50%、>50%。按疾病类别、组学层数及验证类型开展亚组分析以探索异质性来源。通过漏斗图与敏感性分析检验发表偏倚,符合生物标志物荟萃分析的最佳实践建议。所有统计分析使用标准荟萃分析软件完成,并在解读中考虑预印本与同行评议研究间潜在差异。
3 结果
3.1 研究筛选
2010年至2025年的系统检索共识别9846条记录。去重后7934篇文献进入标题与摘要筛选,612篇全文接受资格评估,最终528项研究符合所有纳入标准并进入定性与定量合成。研究筛选流程与排除原因总结于PRISMA 2020流程图。纳入研究展现了显著的方法学与地理多样性,反映全球多组学研究的快速扩展。最终数据集包含216项多组学生物标志物发现与验证研究、112项AI/ML驱动的多组学研究、124项临床效用或真实世界实施研究,以及76项治理、伦理、公平性或监管考量研究。2018年后发文量显著增加,与单细胞技术、空间转录组学及先进多模态AI架构的广泛采纳同步。部分纳入研究来自预印本库,体现该领域快速发展的特性。
3.2 质量评估
偏倚风险评估显示纳入研究的方法学质量存在中度变异。预测模型研究中约28%被PROBAST工具判定为高偏倚风险,主要源于外部验证不足与过拟合担忧。纽卡斯尔-渥太华量表评估的观察性研究总体质量中到高,但在可比性与结局评估上存在变异。ROBINS-I评估的真实世界证据研究提示存在混杂与选择偏倚风险。CASP检查表评估的定性与政策研究显示出足够的方法学严谨性,但报告透明度参差不齐。总体而言,方法学异质性导致了合并估计值的变异。
3.3 多组学生物标志物性能
在216项生物标志物发现与验证研究中,多组学整合一致优于单组学方法。随机效应荟萃分析显示预测准确度合并提升+0.16 AUC(95% CI:0.11–0.19)。单组学模型基线AUC在不同疾病领域为0.65至0.72,为多组学整合的相对改善提供参照。研究间异质性从中度到高度(I2=58%–72%),反映疾病背景、研究设计与组学整合策略的差异,效应量随疾病背景与组学组合而变化。转录组与蛋白质组整合模型在肿瘤学应用中获益最大,而代谢组驱动的组合在代谢与心血管疾病中判别力最强。总体而言,多组学整合使灵敏度提高13%,特异度提高9%,预后风险比精度提升24%。风险比精度增益指预后风险估计的稳定性提升与置信区间收窄,反映结局预测的可靠性增强。整合三层及以上组学的研究AUC改善均值达+0.19,呈现分子深度与预测性能的剂量-反应关系。亚组分析显示,肿瘤学研究与三层及以上组学整合模型的性能增益最高,经外部验证的研究表现出更保守但一致的改善。这些发现表明,多组学整合在判别性能与预后可靠性上均优于单组学方法,且跨越诊断、预后与预测生物标志物应用。
3.4 单细胞与空间生物标志物
单细胞转录组与空间组学技术通过解析细胞异质性与组织架构,将生物标志物开发从批量组织测量推向更高分辨率。纳入研究显示,单细胞生物标志物平均提升风险分层能力18%,主要通过增强对与疾病进展或治疗反应相关的罕见细胞群的检出。空间转录组学通过捕捉微环境相互作用提供额外情境解读,尤其在肿瘤学中,肿瘤-免疫空间关系强烈影响预后准确性。然而,高昂的运行成本(通常为批量检测的4–6倍)限制了采纳,低收入与中等收入国家的研究占比不足10%。41%的研究报告了可重复性问题,主要由批次效应、平台特异性变异及样本处理与数据标准化流程差异导致,造成跨研究生物标志物性能变异并限制跨平台可比性。
3.5 AI/ML整合
AI与ML方法应用于112项多组学研究,持续提升预测性能与数据整合能力。与传统统计模型相比,AI/ML方法额外提升+0.12 AUC(95% CI:0.07–0.15),并在89%整合两层及以上组学的研究中实现有效多模态融合。深度学习架构(尤其是卷积神经网络与Transformer模型)表现最佳,在影像-组学与空间转录组学应用中尤为突出。但显著局限同样存在:67%的AI驱动研究识别出祖先相关偏差,主要与训练数据集不平衡、欧洲人群过度代表及跨多样队列外部验证不足有关;仅22%的模型整合了解释性工具,仅5%参考正式监管或审计框架。
3.6 临床效用与真实世界证据
在124项评估临床效用或真实世界证据的研究中,仅19%报告在临床工作流程内进行评估。前瞻性验证有限(8%)、可持续报销模型缺失(<12%)、与电子健康记录的互操作性挑战(>54%)——包括技术不兼容、缺乏标准化数据格式及工作流程整合限制——以及解读临床责任不清是最常被提及的障碍。尽管存在这些限制,实现真实世界测试的研究报告临床决策改善达15%–20%,尤其在肿瘤学、心血管代谢疾病与罕见病诊断中。成功实施的研究通常得到前瞻性验证、临床工作流程整合及与现有报销或监管框架对齐的支持。
3.7 治理、知情同意与公平性
76项治理焦点研究识别出影响多组学生物标志物负责任部署的重大社会技术挑战。61%的研究报告数据权利模糊,72%的AI驱动分析存在算法问责缺口,全球南方人群仅占纳入数据集的约6%,显示多组学研究中的严重代表性不足。动态知情同意模式的采纳仍然有限(<15%),利益共享机制仅在9%的研究中被涉及。这些发现凸显了标准化研究设计与报告框架在多组学生物标志物研究中的必要性。
4 讨论
本系统评价与荟萃分析强调了2010至2025年间多组学整合在生物标志物发现与临床转化中的显著优势。+0.16的合并AUC改善,叠加13%的灵敏度提升与9%的特异度提升,证明多组学方法捕捉了单组学策略系统性遗漏的分子变异。这一观察与其他研究相呼应,后者表明联合分析基因组、转录组与蛋白质组层面可揭示孤立分子检测无法看到的生物学通路。这些持续的改善强化了使用整合分子框架理解疾病机制的合理性,且跨越诊断、预后与预测多种生物标志物类型。
4.1 多组学卓越表现的生物学基础
多组学优势的科根基在于人类生物学的复杂性。疾病表型源于遗传变异、转录程序、翻译后修饰、代谢物流与细胞微环境影响之间的动态交互。基因组仅提供静态蓝图;转录组反映情境化调控活动;蛋白质组捕获功能性蛋白丰度;代谢组描绘实时通路通量。当这些层次被整合时,它们提供病理生理的系统级表征,使生物标志物能够反映实际生物学行为,而非孤立的分子快照。每增加一个组学维度都贡献正交、非冗余的信息,精炼疾病状态预测。
4.2 蛋白质基因组学与代谢组学的优势
在癌症分类中,蛋白质基因组模型的分析增益最为强劲,支持癌症生物学不仅由序列改变决定,还由其转化为蛋白水平功能障碍、信号级联与微环境重塑所塑造的观点。同样,代谢组驱动整合在代谢与内分泌疾病中表现优异,因为代谢物提供了生化通路活性的近端读数,这是DNA与RNA无法直接量化的。
4.3 单细胞与空间组学揭示微环境病理生物学
单细胞与空间转录组研究将风险分层能力提升18%,主要归因于其揭示细胞类型特异性疾病特征、免疫细胞浸润模式及失调通路空间梯度的能力。这种更深分辨率支持“隐藏于批量组织平均值内的高风险细胞状态”可被单细胞生物标志物揭示的发现。空间生物学进一步添加了关键情境,尤其在肿瘤与炎症性疾病中,组织架构塑造疾病演变。然而,41%的纳入研究报告的可重复性问题反映了这些平台对技术噪声、平台特异性化学与样本处理变异的敏感性,凸显了对样本制备、数据处理与跨平台校准标准化流程的需求。
4.4 AI/ML通过建模生物复杂性增强多组学整合
AI与ML通过建模非线性、高维交互产生额外+0.12 AUC改善,这是经典统计学无法捕捉的。疾病相关分子交互很少是线性的,AI模型天生更适合提取潜在生物结构、轨迹模式与跨组学依赖关系。然而,结构性局限依然存在:67%的AI驱动研究中的祖先偏差反映了欧洲来源数据集的主导地位,导致模型泛化性偏斜。这种偏差降低了模型在代表性不足人群中的泛化能力,可能导致预测准确性下降。仅22%的模型采用解释性工具,进一步凸显了计算复杂性与临床可解释性之间的鸿沟,而解释性对监管批准与临床医生信任至关重要。应对这一问题需要开发全球代表性数据集、在训练队列中包含多样化人群,并实施偏差审计与公平性感知建模方法。
4.5 分析优势与临床采纳之间的转化差距
尽管分析结果强劲,仅19%的生物标志物进入真实世界评估,前瞻性验证不足10%。这一转化瓶颈与其他观察一致,即多组学特征优于现有工具,但临床工作流程尚不具备将其操作化的条件。本研究证实,工作流程互操作性不足、报销框架缺失及临床解读责任不清是跨卫生系统的反复出现的障碍。成功转化最常出现在结合稳健前瞻性验证、整合入临床决策路径并与报销结构对齐的研究中。相反,实施障碍是多因素的,包括技术挑战(数据整合与互操作性)、工作流程限制,以及缺乏标准化的临床解读职责。这些结果反映了根本转变:多组学科学已成熟,但卫生系统缺乏整合、解读与监管这些复杂数据流的基础设施。转化成功不仅取决于分析性能,还取决于卫生系统的准备度与实施基础设施。
4.6 治理、数据权利与全球公平性
治理研究揭示了额外的复杂性层面:61%的数据权利模糊、72%缺乏AI问责制、约6%的全球南方人群代表性,共同描绘了多组学生态系统中的系统性不平等。这种代表性不足直接影响模型泛化性与临床有效性,因为在有限人口多样性基础上开发的生物标志物可能在未被充分代表群体中表现欠佳。此类差距可能强化现有的医疗不平等,并限制精准医疗方法的全球适用性。解决这一差距需要有意识地纳入代表性不足人群、扩展全球数据共享倡议,并开发展平导向的研究与治理框架。这些关切并非边缘问题,它们直接影响模型性能、临床公平性与人群层面的获益。负责任且公平的全球实施需要将治理、知情同意创新与代表性公平嵌入生物标志物管道的起点。
4.7 优势与局限性
本综述具有若干显著优势。它是迄今为止规模最大的多领域合成,整合了分子组学、AI/ML方法、临床效用研究、治理框架与公平性分析的证据。通过将定量荟萃分析与政策及社会视角结合,提供了对科学性能与决定真实世界影响的社会技术条件的独特全面评估。工作也与“从变异到生物标志物”的焦点直接对齐,支持功能解读与临床转化的期刊导向。
若干局限性值得注意。首先,检测、平台与分析流程间的异质性可能影响合并效应估计,尽管获益的总体方向在各研究中保持一致。其次,人口统计报告不足(尤其与祖先和全球代表性相关)限制了全面评估公平性与算法偏差的能力。最后,前瞻性真实世界实施研究的有限可用性,制约了对临床准备度与卫生系统可行性的评估,反映了多组学生物标志物研究中更广泛的转化缺口。
5 结论
多组学生物标志物改善了疾病预测与分类,尤其在与AI驱动整合结合时,但其临床采纳仍受限于方法学变异性、前瞻性验证不足以及治理与公平性缺口。推进转化需要实施标准化验证框架、采纳透明且负责任的AI治理实践,并开发生物临床数据系统。扩展全球代表性数据集与加强数据共享倡议,对于确保泛化性与公平临床应用至关重要。这些优先事项为将多组学生物标志物整合入常规精准医疗提供了实用路线图。与新兴监管框架及国际数据标准的对齐将进一步支持负责任且可扩展的实施。