小赛推荐：
该研究通过多组学整合分析重新定义了肺神经内分泌肿瘤的分子分类，为肺类癌的精准诊断和治疗策略提供了关键分子标志物与潜在干预靶点，尤其对高危患者的识别具有重要临床启发。
文献概述
本文《Deep molecular profiling of lung neuroendocrine tumours and supra-carcinoids》，发表于《Molecular Cancer》杂志，系统探讨了肺神经内分泌肿瘤（NETs）与类癌的分子异质性。研究团队基于319例新鲜冷冻样本的多组学数据，结合空间转录组和深度学习病理图像分析，揭示了四个分子亚型，其中新定义的sc-enriched组（即supra-carcinoid）具有侵袭性临床行为与独特微环境特征。该工作不仅统一了既往分子分型体系，还为临床转化提供了可操作的分子-形态联合分类框架。背景知识
肺类癌（pulmonary carcinoids）是发病率快速上升但病因未明的神经内分泌肿瘤，其临床管理受限于当前WHO分级系统（基于核分裂象和坏死）的预后判别能力不足与观察者间差异。目前TP53、RB1等驱动基因在肺类癌中罕见，而MEN1、BRAF等突变虽存在但缺乏明确靶向路径，导致治疗选择极为有限。此外，传统形态学难以解释部分低级别肿瘤却呈现高度侵袭性的矛盾现象，提示存在尚未被识别的高危生物学亚型。本研究切入点在于整合基因组、转录组、甲基化与空间组学数据，系统解析肺NETs的分子架构，并探索supra-carcinoid是否构成连接低级别NET与高级别神经内分泌癌（如SCLC、LCNEC）的中间状态，从而填补肺类癌异质性与演化路径的认知空白。
研究方法与核心实验
研究团队构建了包含319例肺NETs（含配对正常组织）的大型队列，进行全基因组测序、转录组测序、DNA甲基化芯片及空间转录组分析，并应用MOFA和ParetoTI进行多组学整合与原型分析。为验证分子亚型的形态学可判别性，采用深度学习模型对全切片HE图像进行无监督分块聚类，并由六位病理专家标注形态特征。同时，通过单细胞参考去卷积、细胞互作分析和多区域测序，解析肿瘤微环境与演化轨迹。关键证据显示，sc-enriched组不仅在分子层面与SCLC相似，且携带BRAF V600E、TERT扩增等驱动事件，其空间转录组揭示LAP祖细胞与巨噬细胞间的ICAM1–ITGB2互作轴，支持肿瘤-免疫微环境协同促癌机制。关键结论与观点
研究意义与展望
该研究为药物开发提供了明确的亚型特异性靶点：例如Ca A1高表达DLL3，提示其可能对DLL3靶向药物（如Rova-T）敏感；sc-enriched组高表达TERT和存在BRAF V600E，支持开展BRAF/MEK抑制剂临床试验。此外，sc-enriched组显著富集T细胞炎症特征，提示其可能对PD-1抑制剂响应，为免疫治疗策略提供新方向。
在临床监测方面，该分子分型可通过IHC标志物（如ASCL1、HNF1A、OTP）实现临床落地，有助于识别高风险患者并指导个体化随访。同时，深度学习模型的部署有望实现自动化初筛，提升诊断一致性。
对于疾病建模，该研究支持建立携带BRAF V600E、TERT扩增和染色体碎裂的基因工程小鼠模型，以模拟supra-carcinoid的演化过程。此外，PDTO模型的快速增殖与表型转换特性，为研究耐药机制与药物筛选提供了理想平台。
结语
本研究通过深度多组学与空间解析技术，系统重构了肺类癌的分子图谱，确立了supra-carcinoid作为一类具有独特生物学行为与微环境特征的侵袭性亚型。其与高级别神经内分泌癌的分子连续性，挑战了传统NET与NEC完全分离的观念，提出了一种动态演化的肿瘤模型。从实验室到临床，该研究为病理诊断提供了可操作的形态-分子联合分类系统，通过深度学习辅助识别高风险病例，提升了诊断的客观性与可重复性。更重要的是，它揭示了DLL3、BRAF、TERT等可靶向节点，为当前缺乏有效药物的肺类癌患者开辟了精准治疗路径。未来，基于该分类的前瞻性临床试验将验证其在治疗选择与预后预测中的价值，有望重塑肺类癌的照护体系，实现从形态到机制驱动的精准医学转型。
