癌症基因检测早已常规化，但临床医生最头疼的仍是报告中那一大堆“意义不明突变”（Variants of Uncertain Significance, VUS）。2026 年 2 月发表在《Nature Genetics》上的 PHNToM 研究，以及近期 MutationProjector 等 AI 突变共关联模型，正好从机制和预测两个维度提供了解决方案。

今天这篇文章，我将两者深度融合，系统梳理其联合工作流、临床落地价值，以及对国内肿瘤医院的现实意义。

MutationProjector（突变投射模型）基于三万余例肿瘤的海量基因组变异数据完成预训练，并融合了丰富的分子生物学知识。该模型的投射结果能够解析肿瘤发生改变的分子通路，助力模型解读，同时可精准还原预留突变位点，展现出优秀的泛化能力。

在针对多种癌症类型与研究队列开展免疫治疗、化疗耐药性预测的应用测试中，MutationProjector在各类场景下的表现均达到甚至超越了当前顶尖水平。该模型还发现了一批全新生物标志物，例如与免疫治疗敏感性相关的 KMT2D 基因突变，以及与免疫治疗耐药性相关的 SMARCA4 和 STK11 联合变异。上述研究成果搭建起一套统一框架，实现了肿瘤基因型、生物学机制与治疗效果三者之间的关联解读。

PHNToM（基于蛋白活性的突变效应鉴定器）是另一项发表在2026年2月《Nature Genetics》上的研究，通过检测RNA-seq（转录组数据）—— 用于计算意义不明确基因突变的转录因子（Transcription Factors, TFs）活性指纹，从突变产生的TFs效应层面提供了这些突变的潜在生物学意义。有关PHNToM的详细解读

在这篇文章里，我把两者深度融合，详细解释它们是什么、怎么联合使用、在国内怎么落地，以及对临床的真实价值是什么？

一、PHNToM（基于蛋白活性的突变效应鉴定器）到底是什么？

PHNToM的创新之处在于：不直接研究突变序列，而是通过分析突变对转录因子（Transcription Factors, TFs）活性的扰动，形成独特的“指纹”。

转录因子（TFs）可以理解为基因表达的“总开关”。PHNToM利用ARACNe算法构建肿瘤特异性调控网络，再用VIPER算法计算转录因子活性分数，将未知突变（Variants of Uncertain Significance, VUS，意义不明突变）的指纹与已知功能突变进行对比，最终给出四类清晰标签：

• GOF（Gain-of-Function，功能增强型）：突变使蛋白活性增强，致癌能力提升；

• LOF（Loss-of-Function，功能减弱型）：蛋白功能减弱或丧失；

• NEO（Neomorphic，新功能型）：突变产生全新的致癌功能；

• NEU（Neutral，中性型）：不影响肿瘤发生发展的“过客突变”。

该研究对58万多个突变事件进行了泛癌（Pan-cancer）分析，准确率很高（GOF/LOF/NEU接近100%），还能揭示肿瘤特异性和突变间相互作用（如TP53失活缓冲PIK3CA增强效应导致耐药等）。

PHNToM获取方式：代码已在GitHub开源。运行需要肿瘤组织的DNA+RNA配对测序数据。

二、Mutation Projector：解析基因突变的AI投射模型

MutationProjector由加州大学圣迭戈分校（UCSD）团队开发，通过“突变投射”技术，将肿瘤复杂的突变信息映射到低维空间中。它不仅能解析分子通路变化，还具备强大泛化能力，并在免疫治疗和化疗耐药预测中表现出色，同时发现了KMT2D等新生物标志物，构建了基因型-机制-疗效的统一框架。

获取方式：代码已在GitHub开源（idekerlab/MutationProjector），支持Python/PyTorch环境。，

Python是一种编程语言，而PyTorch是一个基于Python的开源深度学习框架，专门用于开发和运行AI模型。MutationProjector是基于AI深度学习模型开发的，必须在Python/PyTorch环境中运行，才能加载模型、输入患者突变数据、进行“突变投射”计算并输出预测结果。

Python + PyTorch安装，通常需要IT和生物信息学（Bioinformatics）专家安装和处理。

• 安装和部署：配置Python + PyTorch环境、安装大量依赖库、调试GPU驱动、搭建数据处理流程等步骤，对非专业人员来说有一定难度。

• 运行过程：患者测序数据上传后，还需要专业人员进行数据清洗、格式转换、模型运行、结果解读和报告生成。

• 实际建议：大型三甲肿瘤医院一般都有生物信息学团队或精准医学中心负责此事；中小医院可与第三方专业公司或区域平台合作完成。普通临床医生不需要自己操作，只需提供测序数据即可。

三、两者联合：从机制指纹到临床决策的端到端工作流

PHNToM 和 AI 模型是天然互补关系。我设计了一个实用联合工作流（PHNToM-Augmented MutationProjector Pipeline），分为五个阶段：

数据采集：NGS（DNA 突变谱）+ RNA-seq（转录组），优先 matched pair。

PHNToM 机制层：生成 TF 活性向量 + 功能标签 + 上位交互信息。

特征融合层：使用 Cross-Attention Transformer 或 GAT，将 PHNToM 输出作为先验特征注入 AI 模型。

AI 预测层：输出响应概率、耐药风险和个性化方案建议。

临床报告层：生成可读报告（功能分类 + 推荐药物 + 风险预警），供 MDT 使用。

这个联合流程解决了过去两大难题：

海量 VUS 功能不明；

多突变背景下难以预测真实疗效。

它能将许多“不可行动”的突变转化为可指导治疗的生物标志物，潜在扩大靶向治疗适应症 20-30%，并显著提升预测准确率（文献显示类似整合可提高 15-25%）。 PHNToM帮助AI模型更准确地理解这个突变在肿瘤中的真实作用； 提升预测的可靠性和可解释性（AI不再是完全“黑箱”）；让最终的治疗响应预测（如对某种靶向药的有效概率）更加精准。这就好比给AI提供了一份“专家意见参考”，让AI的判断更有依据。

四、从临床肿瘤角度看落地可行性

适合度：非常适合肿瘤医院，尤其是三甲肿瘤专科中心。目标直接匹配 MDT 决策痛点，能输出“功能标签 + 响应概率 + 耐药预警”的综合信息。

具体好处：

• 提升诊断确定性，减少医生“看不懂报告”的困境；

• 扩大靶向治疗覆盖面，尤其对肺癌、乳腺癌等高发癌种；

• 预测并降低耐药风险，优化联合用药方案；

• 提高工作效率，让医生聚焦复杂病例和患者沟通；

• 更好适配中国人群遗传背景（如 EGFR、PIK3CA 谱差异）。

落地难度：中等偏高。

• 优势医院：已有 NGS 平台、生物信息团队和计算资源的中心医院可先行。

• 挑战：需要 matched DNA+RNA 数据、本地 GPU 计算、NMPA 监管审批（作为临床决策支持软件 CDSS）。中小诊所短期内难以独立部署，可通过区域共享平台间接使用。

五、是否是临床肿瘤诊治发展的必要途径？

这项技术是临床肿瘤学向智能化转型的重要且必要的演进方向，但不是当前唯一必需的解决方案。

必要性：基因组数据爆炸式增长，纯人工解读已不可持续。机制（PHNToM）+ 数据驱动（AI）的结合，是解决“信息过载”和“真正个性化”两大挑战的必然路径。未来 2-5 年内，有基础的大中心很可能将其纳入常规辅助工具。

不是“唯一必需” 的含义是：目前传统 MDT + 已知驱动基因 + 经验性治疗依然能覆盖大量患者。中小医院和基层机构在基础设施完备前，仍可正常开展工作，只是精度和个性化程度会相对较低。

它更像 2015 年的智能手机——高端用户已在使用，而普通用户仍在用功能机。功能机能满足基本需求，但智能手机明显代表未来方向。

六、未来发展方向

• 多模态整合（+ 空间转录组、影像组学、液体活检）；

• 动态实时监测，实现治疗中“一人一药”调整；

• 联邦学习解决数据孤岛与隐私合规问题（ 数据不出门，共用加密后的模型参数）；

• 新靶点开发闭环：PHNToM 发现 NEO 突变 → AI 筛选受益人群 → 新药研发。

在国内，这类技术有望助力 CSCO 指南升级，并帮助缩小区域治疗差距。

PHNToM 的转录因子“指纹”策略与 AI 突变网络预测的联合，正在把癌症精准治疗从“经验主义”推向“机制+数据驱动”的新范式。

对患者而言，意味着更少的盲目用药和更高生存机会；对医生而言，是强大而可解释的决策辅助；对国内肿瘤医学而言，是追赶国际前沿、形成本土经验的重要机遇。

1. Pan-cancer inference and validation of hypermorphic, hypomorphic and neomorphic mutations. Nature Genetics, 2026.

2. A foundation model of cancer genotype enables precise predictions of therapeutic response. Cancer Discovery, 2026.

3. Mutational scanning reveals oncogenic CTNNB1 mutations have diverse effects on signaling. Nature Genetics, 2026.