1. 基因组学：基因组学是研究生物体基因组的学科，关注的是生物体基因组的结构、组成、功能和调控机制，以及基因之间的相互作用和遗传信息的传递；而肿瘤基因组学是使用基因组学技术全面了解肿瘤发生发展的分子基础、肿瘤异质性和分类以及个性化治疗策略的学科。基因组学采用的主要测序技术包括传统的Sanger测序和二代测序技术（next⁃generation sequencing, NGS），相较于传统的Sanger测序，NGS具有更高的通量、更快的速度和更低的成本。借助先进的测序技术，肿瘤基因组学已不局限于肿瘤细胞本身，还扩展到了肿瘤微环境（tumor microenvironment, TME）的研究。

PCN囊液的基因组学研究主要聚焦于基因突变特征分析。既往研究通过全外显子测序等技术建立了PCN的突变谱（表1），并证明PCN囊液与肿瘤组织基因突变谱具有一致性。因此，基于突变谱对PCN囊液中肿瘤释放的DNA进行测序可以反映PCN的类型和病理分级。一项前瞻性研究通过对102份囊液进行NGS检测，发现KRAS/GNAS突变对诊断IPMN的敏感性和特异性分别高达100%和96%，结合KRAS、GNAS突变，TP53、PIK3CA、PTEN突变对预测IPMN伴高级别异型增生/浸润性癌（IPMN with high⁃grade dysplasia/invasion, HG/inv⁃IPMN）的敏感性和特异性分别为88%和97%。Singhi等通过Sanger测序发现囊液中VHL突变对SCN的敏感性和特异性均为100%。Paniccia等基于包含22个PCN相关基因的NGS面板——PancreaSeq，对多中心、前瞻性队列的1253例PCN囊液标本进行靶向测序，在黏液性肿瘤的诊断和黏液性恶性肿瘤的识别中均表现出高敏感性和高特异性。Springer等通过将分子标志物与临床特征相结合，以90%~100%的敏感性和92%~98%的特异性鉴别PCN类型，且识别了91%不需要手术的PCN患者，这为PCN临床管理提供了更个性化和更具成本效益的治疗策略。

2. 表观遗传学：表观遗传学是研究基因表达和遗传信息传递过程中不涉及DNA序列改变的遗传调控机制的学科。这些遗传调控机制包括DNA甲基化、组蛋白修饰、染色质修饰和非编码RNA介导的调控等。研究显示，表观遗传改变在肿瘤发生发展过程中起着重要作用。在胰腺癌中，基因突变与环境因素可通过表观遗传改变启动肿瘤发生，表观遗传改变还可以通过增强胰腺癌细胞适应性以促进远处转移。表观遗传改变也存在于PCN的发生发展过程中。Hong等首次鉴定了IPMN中数百个异常高甲基化基因，其中有多个基因（BNIP3、PTCHD2、SOX17、NXPH1、EBF3）对HG/inv⁃IPMN具有高度特异性。囊液中的表观遗传改变与肿瘤组织是一致的，在Hata等的研究中，SOX17甲基化作为标志物鉴别HG/inv⁃IPMN表现良好（敏感性为78.4%，特异性为85.6%）。因此，基于DNA甲基化的囊液生物标志物对PCN分类分级具有潜在的应用价值。

微小RNA（microRNA, miRNA）是一类非编码的小RNA分子，在表观遗传调控中起着重要作用。Ryu等的初步研究证实了囊液miRNA分析在PCN诊断中的可行性。Matthaei等通过对PCN囊液进行高通量miRNA表达谱分析，建立了一个包含9个miRNA的预测模型，能以89%的敏感性和100%的特异性鉴别HG/inv⁃IPMN，其中包括2种与胰腺癌有关的miRNA（miR⁃92a、miR⁃18a）。Utomo等通过纳入62例PCN患者的前瞻性队列研究对上述的miRNA模型进行外部验证，虽然在组间观察到了显著的差异，但诊断效能仍有待提高，仍需更大规模的多中心、前瞻性研究来进一步验证该模型的准确性和可行性。

3. 转录组学：转录组学是研究细胞或组织在转录阶段产生的RNA分子的学科，旨在揭示肿瘤中正在发生的基因表达过程，捕捉基因表达的动态变化，以更深入地理解肿瘤发生发展的分子机制。转录组学技术主要包括RNA测序（RNA⁃Seq）、微阵列（Microarray）和单细胞测序（scRNA⁃Seq）等。现阶段对PCN囊液的转录组学研究相对较少，可通过转录组学描述PCN到PDAC的复杂演变过程，进而推测和探索可能的分子生物学标志物。Bernard等对不同阶段的胰腺肿瘤进行单细胞转录组学分析，揭示了低级别或高级别IPMN向PDAC的进展过程中伴随的上皮、基质和免疫细胞群变化，并发现一部分低级别IPMN细胞的增殖相关标志物表达上升，可能与恶变风险增加有关，然而这一发现的临床相关性还需在更大的独立样本队列中进一步验证。

肿瘤内和肿瘤间的异质性是癌症的主要特征。单细胞测序技术由于测序前组织的解体会导致空间信息的丢失，而空间信息对于理解肿瘤异质性及肿瘤微环境至关重要。近年来，空间转录组学的出现使转录组学研究进入了一个新的阶段，该技术能够同时获取细胞的基因表达数据和空间位置信息，从而揭示肿瘤发生和发展过程中的空间异质性。Sans等通过空间转录组学分析发现核心转录因子NK6家族成员2（NKX6⁃2）是IPMN胃型和惰性生物学行为的驱动因素，NKX6⁃2的缺失与IPMN进展过程中的KRAS、GNAS突变有关，可能是低级别IPMN进展为HG/inv⁃IPMN的先兆。最近，Agostini等在此基础上，对17例IPMN组织样本进行了空间转录组学分析，进一步鉴定出低级别IPMN的候选标志物HOXB3和ZNF117，揭示了TNF⁃α信号通路、Myc激活、上皮间质转化是IPMN进展的关键标志。

4. 蛋白组学：蛋白组学是研究生物体内蛋白质的表达、结构、功能和相互作用的学科。在临床实践中，蛋白组学研究主要通过使用临床样本，如PCN囊液，来识别疾病特异性的生物标志物，从而提高疾病早期诊断水平、优化治疗方案及进行病情监测。基于质谱的蛋白质组学技术，能够通过极少量的样本高通量检测大量蛋白质mucin, MUC）、CEA、CA19⁃9和CA72⁃4的定量分析都有助于黏液性和非黏液性PCN的鉴别。但高风险PCN的蛋白标志物仍在探索中，一项Ⅱc期临床研究发现了一组由MUC⁃5AC和MUC⁃2衍生而来的肽段组合，能以97%的准确率鉴别高级别异型增生/浸润性癌与良性病变。

蛋白质糖基化与肿瘤发生发展有关，鉴定肿瘤特异性糖基化蛋白作为新型生物标志物具有极大的前景。随着亲水作用色谱⁃质谱联用（hydrophilic interaction liquid chromatography mass spectrometry, HILIC⁃MS）等技术的发展，基于蛋白组学技术高通量定量检测特异性糖基化位点和糖型的糖蛋白成为可能。最近，Cui等通过HILIC⁃MS技术对PCN囊液进行了全面的糖蛋白组学分析，鉴定出了4种特异性糖基化位点和糖型的糖蛋白作为囊液生物标志物，可以准确鉴别高风险PCN，比如N⁃糖基化PHKB（Asn⁃935, H5N2F0S0），AUC为0.948。此外，既往研究将CEA作为黏液性PCN的标志物，不适用于鉴别高风险PCN，而上述研究发现了一种高表达于高风险PCN囊液中的特异性糖基化CEA（Asn⁃197，H5N4F0S0），为CEA增加了一个新的维度，显著提高其识别恶性肿瘤的能力。

5. 代谢组学：在探索不同疾病状态间差异的多组学分析中，基因组学关注的是什么可能发生，蛋白组学关注的是什么驱动其发生，而代谢组学关注的是什么已经发生和正在发生。作为一种新兴组学技术，代谢组学的任务是分析生物或细胞代谢产物的全貌及动态变化过程，反映机体在内外环境刺激下的代谢应答变化。代谢组学在肿瘤诊治中的应用越来越广泛，包括肿瘤的风险评估、早期筛查、亚型鉴别和疗效监测等。Walter等在黏液性PCN与浆液性PCN的囊液中鉴定出了两种差异表达代谢物：葡萄糖与犬鸟氨酸，二者在黏液性PCN中表达较低，且葡萄糖在区分浆液性与黏液性PCN的能力上与CEA相似。最近，Shi等通过非靶向液相色谱⁃质谱联用与定量核磁共振技术发现了2种候选标志物：5⁃氧代脯氨酸与异丁酰肉碱，其中，5⁃氧代脯氨酸在鉴别黏液性PCN上表现出优于葡萄糖的准确性（AUC=0.9），而异丁酰肉碱在恶性PCN囊液中的含量是良性的28倍。这一结果需要更大的前瞻性队列研究来验证。此外，代谢组学无法提供代谢物差异表达的机制，而代谢重编辑是肿瘤的重要标志，其中机制值得进一步研究。

随着CT、MRI甚至EUS的推广，人工智能在整合和利用这些影像资料来诊断胰腺癌和对癌前病变进行风险分层方面表现出独特的优势；而影像组学是应用人工智能技术，从医学影像中提取和分析信息以帮助诊断和治疗疾病的研究方法。影像组学的核心假设是图像中肿瘤的大小、形状、纹理及灰度可以反映肿瘤的组织学分型和基因型变化。由于人工智能的快速发展，影像组学已经从早期简单的机器学习算法，如logistic回归，向神经网络等深度学习算法快速发展。最近Cao等基于深度学习算法在单中心3208例患者数据集上开发了胰腺癌早期检测的人工智能模型——PANDA，并在多中心数据集及临床多真实场景中进行验证，高准确性的结果证实该人工智能模型可基于平扫CT筛查和诊断PDAC及其他非PDAC病变，有望将胰腺癌诊疗从晚期诊断推向早期筛查。因此，基于人工智能的影像组学技术在疾病临床诊疗中具有极大的潜力。

在2016年的一项概念验证研究中，Permuth等证实了平扫CT结合简单机器学习算法识别恶性IPMN的潜力（AUC=0.77），在联合基因组学数据后AUC值提高到了0.92，可见基于影像组学和临床指标甚至囊液分析数据的准确的计算机辅助诊断系统使将PCN分类分级更为精准。EUS可对病变进行实时动态扫查，能够较好地显示囊壁、囊内结构、血流情况以及病变与胰管关系，还可通过EUS⁃FNA获取囊液标本，对PCN的诊断具有重要意义。在最新的研究中，Schulz等基于卷积神经网络整合EUS图像，最终能够以99.6%的准确率鉴别低级别IPMN和HG/inv⁃IPMN，Ni等基于卷积神经网络构建EUS影像组学模型，在包含203例患者的验证集中，能够准确识别胰腺神经内分泌肿瘤（88.2%）与PCN（97%）。

不同的组学技术有其自身的优势与局限，这促进了整合组学的发展。在囊液分析中，基因组学和表观遗传组学可以识别可能的驱动基因突变和表观遗传修饰，从而监测PCN分子特征的动态演变。转录组学作为基因组学的补充，提供了基因表达模式和动态变化的全面视角，对理解PCN的时空异质性至关重要，但文库建立、比对技术、填充插补、归一化处理和差异表达测试的多样性限制了RNA⁃seq结果的可重复性。此外，EUS⁃FNA抽取的囊液体积通常有限，尤其在黏液性PCN中，可能无法获取足够的高质量DNA和RNA进行组学分析。相比之下，肿瘤细胞会分泌大量的蛋白质和代谢物到囊液中，只需要极少量的囊液即可完成蛋白组学及代谢组学分析，在Cui等的蛋白组学研究中，仅需50 μl便可完成糖蛋白的检测，但其推广受限于较高的研究成本。

影像组学作为一种非侵入性的评估方法，对PCN的诊断监测具有重要价值。然而其存在的黑箱效应等局限性不能忽视。近年来微观分子和放射影像的整合已经成为一种潜在的多组学分析方法。不断发展的“放射基因组学”概念推动了越来越多整合影像特征和转录组或蛋白质组数据集的研究。放射基因组学旨在对这些影像组学特征进行进一步的生物学解释，或为影像组学模型提供补充信息，以提高其预测能力。随着组学时代的到来，技术进步、成本降低及可重复性的提高使整合不同组学数据成为可能，从多组学、多维度、多时空角度揭示PCN的潜在分子机制，以及探索更高效的生物标志物，将会是PCN精准诊疗的发展方向。

转自：中华胰腺病杂志