在新辅助免疫疗法出现之前的时代，对未经治疗的非小细胞肺癌（NSCLC）进行多组学分析后发现，III A期患者存在不同的免疫表型：淋巴结转移为主（T1N2）的患者表现出“热”免疫特征，而肿瘤转移为主（T4N0）的患者则表现出“冷”免疫特征 - 生物通

www.ebiotrade.com 2025年12月15

本研究聚焦于非小细胞肺癌（NSCLC）的TNM分期差异对免疫微环境的影响，通过整合转录组学与免疫组化技术，系统解析了T1N2（淋巴结主导型）与T4N0（原发灶主导型）两种III期NSCLC亚型的生物学特征及免疫应答差异。研究采用来自2009-2018年期间未经免疫治疗的手术标本，通过多组学分析发现：T1N2亚型呈现典型的"热肿瘤"特征，其免疫浸润密度显著高于T4N0组，CD8+ T细胞与CD4+辅助T细胞构成性浸润，形成有效的抗肿瘤免疫应答。而T4N0亚型则表现为"冷肿瘤"特征，伴随FOXP3+调节性T细胞比例升高（达47.2±8.6%）、CD163+巨噬细胞浸润密度增加（较T1N2组高2.3倍），同时存在细胞外基质重构和免疫抑制微环境特征。

https://www.ebiotrade.com/newsf/2025-12/20251215000515682.htm

嗯，我现在要了解一下在新辅助免疫疗法出现之前，对未经治疗的非小细胞肺癌（NSCLC）

进行多组学分析的情况。首先，我需要明确几个关键点：什么是多组学分析？NSCLC是什么？

新辅助免疫疗法是什么时候出现的？然后，我需要了解在没有这种新疗法的情况下，

医学界是如何通过多组学分析来研究NSCLC的。

首先，多组学分析指的是结合多种类型的分子数据，比如基因组学、methylation（甲基化）、

转录组学、蛋白质组学等，对肿瘤进行全面分析。这种方法可以帮助发现癌症的复杂性，

识别关键基因和通路，从而为治疗提供靶点。

接下来是NSCLC。非小细胞肺癌是肺癌的一种类型，通常在肺部的支气管周围形成，

或者是在肺泡内生长。它通常比小细胞肺癌更扩散和更具侵袭性，治疗起来也更困难。

然后是新辅助免疫疗法。我记得这指的是在患者治疗前使用免疫疗法，比如PD-1/PD-L1抑制剂，

来增强患者的免疫系统对抗肿瘤的能力。这种方法在2010年代中期左右开始被用于治疗黑色素瘤，

后来扩展到其他类型癌症，包括NSCLC。新辅助治疗通常是在患者进行手术或放疗后进行的，

目的是提高治疗效果。

现在，问题是在新辅助免疫疗法出现之前，也就是2010年左右之前，

医学界是如何对未经治疗的NSCLC进行多组学分析的？我记得在那时，

多组学分析还处于早期发展阶段，可能还没有像现在这么广泛和系统。

那么，当时的多组学分析可能包括哪些方面呢？可能包括基因突变分析，

特别是针对已知的 actionable targets，比如EGFR、mutations，V EGFR，RAF突变，

这些基因突变在实体瘤中很常见，多组学分析可以帮助识别这些关键突变，从而指导治疗选择。

另外，可能还包括methylation分析，因为很多肺癌样本中存在不均匀的methylation，

这可能与肿瘤的进展和转移有关。蛋白质表达分析也是一个重要的方面，

可以帮助识别与肿瘤抑制或促肿瘤生长有关的蛋白。

在分析方法上，可能使用了一些早期的技术，比如反转录定量PCR（qRT-PCR）来分析基因表达，

或者使用凝胶电泳来分析mRNA水平。蛋白质组学可能使用的是免疫印迹或者酶标免疫分析（ELISA）。

数据整合可能也是一个挑战，因为当时的技术可能还没有那么成熟，数据的整合和分析可能需要手动完成，

而且可能存在数据噪声和偏差，因为样本量通常较小，检测一些罕见突变或特定分子特征可能不够敏感。

此外，可能还涉及到一些统计学方法，比如t测试、ANOVA等，来比较不同组别中的分子特征差异。

但随着技术的发展，现在可能更多地使用机器学习和预测模型，来整合多组学数据，

找出与预后或治疗反应相关的关键分子标志物。

我还记得在早期的研究中，多组学分析可能已经被用来预测患者的治疗反应，例如是否对免疫疗法敏感。

例如，某些基因突变的存在与否可能与PD-1/PD-L1抑制剂的反应有关，但因为当时这些疗法还没有出现，

多组学分析可能更多是用于理解肿瘤的分子机制，而不是直接用于治疗选择。

此外，还有一些研究可能集中在评估基因突变的频率和分布，找出常见的 actionable targets，

从而指导在未来免疫疗法的使用。例如，EGFR和V EGFR突变在肺癌中的高频率，可能已经被发现，

这可能为后续免疫疗法的选择提供了依据。

还有可能进行的是比较性分析，例如不同亚型NSCLC之间的分子差异，

或者不同患者的肿瘤内部的分子异质性。这可能帮助识别特定的分子特征，

这些特征可能与治疗反应或预后有关。

在分析工具方面，可能当时使用的工具比较基础，比如Cufflinks用于转录组分析，

或者CLIP-seq用于识别RNA与蛋白质的相互作用，但这些可能还没有被广泛应用。

另外，可能还涉及到一些早期的数据库，如或，这些数据库在早期阶段可能还没有像现在这么完善，

所以多组学分析可能更多是基于单个研究的内部数据，而不是来自多个机构的大规模整合。

我还记得有些研究可能使用了标准化的分子标志物 signature，

这些标志物可能涉及多个基因或蛋白质的组合，用来预测患者的预后或治疗效果。

早期可能使用的工具可能比较有限，但已经能够识别出一些重要的分子特征。

总结一下，新辅助免疫疗法出现之前，对未经治疗的NSCLC进行多组学分析

主要集中在基因突变、转录组、methylation和蛋白质分析方面，使用了一些早期的技术和工具，

数据整合和分析能力有限，但为未来免疫疗法的开发提供了重要的分子基础和见解。

在新辅助免疫疗法出现之前，对未经治疗的非小细胞肺癌（NSCLC）

进行多组学分析主要集中在以下几个方面，涉及基因突变、转录组、甲基化和蛋白质分析，

使用了早期的技术和工具，尽管整合和分析能力有限，但仍为未来免疫疗法的发展提供了重要见解。

1. 基因突变分析

焦点：NSCLC中常见的 actionable targets，如EGFR、V EGFR、RAF突变等。

方法：使用反转录定量PCR（qRT-PCR）识别这些突变，为未来免疫疗法选择奠定基础。

2. 转录组分析

目标：识别肿瘤中的基因表达变化，帮助理解肿瘤的分子机制。

工具：反转录定量PCR和凝胶电泳，分析mRNA水平。

3. 甲基化分析

关注点：不均匀的甲基化模式可能与肿瘤进展和转移有关。

方法：使用甲基化探针探针和凝胶电泳进行初步分析。

4. 蛋白质表达分析

目标：识别与肿瘤抑制或促肿瘤生长相关的蛋白。

工具：免疫印迹和酶标免疫分析（ELISA）。

5. 多组学数据整合

挑战：样本量小、数据噪声大，整合复杂。

方法：手动分析和统计学方法（如t测试、ANOVA），早期缺乏机器学习方法。

6. 分子标志物和预测模型

研究：识别基因突变和分子特征，预测治疗反应和预后。

例子：EGFR和V EGFR突变的高频率，为免疫疗法应用提供依据。

7. 比较性分析

目标：比较不同亚型NSCLC的分子差异，识别特定特征。

工具：早期数据库如，整合能力有限。

8. 早期工具和技术

技术：Cufflinks用于转录组分析，CLIP-seq用于RNA-蛋白相互作用。

整合：基于单个研究的内部数据，缺乏大规模整合。

总结

新辅助免疫疗法出现之前，多组学分析为NSCLC分子机制和未来治疗提供了初步见解，

尽管技术有限，但通过整合基因突变、转录组、甲基化和蛋白质数据，为免疫疗法的应用奠定了基础。

这些研究为未来更精准和个体化的治疗策略提供了重要依据。