食管鳞状细胞癌（Esophageal Squamous Cell Carcinoma, ESCC）是全球范围内，尤其是在东亚地区，一种高侵袭性、预后通常不佳的恶性肿瘤。尽管其发病率和死亡率近年来有所下降，但由于生存率低、靶向治疗方案有限，它仍构成重大的医疗负担。近年来，分子分型技术已成为剖析肿瘤异质性和推进精准癌症治疗的基石，并被广泛应用于结直肠癌、乳腺癌、膀胱癌、肺癌等多种主要恶性肿瘤。然而，在ESCC领域，情况却不尽如人意。虽然已有多个研究团队基于不同的组学数据和算法，提出了七种ESCC分子分型系统，但它们大多基于单一类型的组学数据，且得出的结论常常不一致。这种“各自为政”的局面导致了显著的临床困惑，阻碍了其在精准医疗实践中的标准化应用。那么，能否从这些纷繁复杂的“方言”中，提炼出一种统一的、稳健的“标准语”，以更准确地描绘ESCC的分子图谱，并指导临床治疗呢？这正是本篇发表在《Signal Transduction and Targeted Therapy》上的研究致力于解决的核心问题。
为了系统性地回答这一问题，研究人员整合运用了多种关键技术。首先，他们利用山西医科大学队列I（SXM-I）这一包含152名ESCC患者的多组学队列（包含RNA测序、全基因组测序和全基因组亚硫酸氢盐测序数据）作为发现集。其次，采用基于网络的分析方法，系统地研究了八个现有ESCC分型系统（包括本研究新提出的多组学分型MESCC）中25个子类型之间的统计关联，从而推导出共识分子亚型。最后，为了促进临床转化，研究团队开发了一个名为ESCC-SPA的深度学习框架，用于对苏木精-伊红（H&E）染色的全切片图像进行自动化组织分割，并从中量化提取多尺度的空间组织结构特征。基于这些特征，他们构建了一个图像驱动的分类器，用于预测共识分子亚型。
研究结果
共识分子亚型鉴定
研究首先采用相似性网络融合方法对SXM-I队列进行特征层的多组学分型，识别出四个稳健的多组学ESCC亚型。随后，通过计算超几何检验和马尔可夫聚类算法，分析了这八个分型系统之间的关联网络。结果成功地将25个子类型整合为四个明确的共识分子亚型，并命名为ECMS1-4。研究人员开发了一个随机森林基因表达分类器，成功地将来自多个独立队列的样本分配至这四个ECMS亚型，证明了该分类系统的可推广性。
ECMS亚型的多组学分子特征
对四个ECMS亚型的深入分子表征揭示了它们各自独特的生物学特性。ECMS1（代谢亚型，ECMS1-MET）的特点是代谢通路失调和NFE2L2（编码NRF2蛋白）的激活。ECMS2（经典亚型，ECMS2-CLS）的特征是细胞周期及经典信号通路（如WNT、MYC）上调。ECMS3（免疫调节亚型，ECMS3-IM）表现出强烈的免疫激活特征，包括辅助性T细胞（Th1/Th17）和JAK-STAT通路富集，以及PD-1（PDCD1）高表达。ECMS4（间质亚型，ECMS4-MES）则与间质转化、基质激活和血管内皮生长因子（VEGF）信号通路相关。这些发现通过基因集富集分析、免疫/基质评分估计以及蛋白质组学分析得到了多层次的验证。
ECMS亚型的临床意义
临床关联分析显示，ECMS亚型与患者预后和治疗反应显著相关。ECMS4-MES亚型患者的总生存期和无病生存期最差。利用癌症治疗反应门户数据库进行的药物敏感性预测显示，ECMS亚型对常见化疗药物（如顺铂、紫杉醇）的敏感性存在差异。此外，亚型特异性基因表达模式揭示了潜在的治疗靶点，例如ECMS1-MET中的FGFR2和NTRK2，ECMS3-IM中的PD-1和IDO1，以及ECMS4-MES中的基质金属蛋白酶。在两个临床治疗队列中的分析进一步证实：ECMS3-IM患者对新辅助放化疗的病理完全缓解率较低，但对免疫检查点抑制剂治疗表现出更高的部分缓解率。
基于组织病理学图像的亚型分类器开发
为了克服高通量测序成本高的壁垒，研究团队开发了图像驱动的分类系统。他们首先训练了深度学习模型ESCC-SPA，能够自动将H&E图像分割为肿瘤、基质、淋巴细胞等八种组织类型。基于分割结果，他们从多个尺度量化了317个空间组织结构特征。利用这些特征，他们构建了一个基于极端随机树的图像分类器。该分类器在训练集中通过交叉验证显示出良好的预测性能，并且在独立的SXM-II和前瞻性收集的SXM-III队列中得到了验证，其预测的亚型与基于分子谱的ECMS分型结果高度一致，并且能显著区分患者的总生存期。
结论与讨论
本研究的核心贡献是建立了一套ESCC的共识分子分类系统。该系统成功调和了现有分型体系间的矛盾，定义了四个具有独特生物学特性、临床预后和治疗脆弱性的共识亚型：代谢型、经典型、免疫调节型和间质型。这为ESCC的标准化患者分层提供了迄今为止最稳健的框架，极大地提高了分类的一致性和可重复性。
更重要的是，研究不仅停留在分子层面的发现，还向前迈出了关键一步，致力于解决临床转化的“最后一公里”问题。通过开发基于深度学习的组织病理学图像分类器，研究将复杂的分子分型“翻译”成了临床实践中广泛可得、成本低廉的H&E切片可解读的信息。这个名为imECMS的系统能够准确预测ECMS亚型，并与患者的生存结局和潜在治疗反应相关联，为在资源各异的医疗环境中大规模实施精准分型提供了切实可行的工具。
该研究构建的ECMS/imECMS体系为ESCC的精准医疗开辟了清晰路径。例如，ECMS2-CLS患者可能从细胞周期抑制剂或HER2靶向治疗中获益；ECMS3-IM患者可能是免疫检查点抑制剂治疗的优选人群；而ECMS4-MES患者则可能受益于抗血管生成或靶向EMT的治疗。尽管研究在样本量和肿瘤内异质性探索方面存在局限，但其提出的框架为未来的大规模前瞻性验证、机制深入探索以及整合影像组学等多模态数据奠定了基础。总之，这项工作不仅深化了我们对ESCC生物学本质的理解，更通过创新的技术路径，为将个体化治疗策略真正带入ESCC的临床实践奠定了坚实的基础。
