放射基因组学在精准放疗中的研究进展

叶 菲，余 盈

(华中科技大学 同济医学院附属协和医院 普外科, 湖北 武汉 430022)

放射基因组学(radiogenomics)是一种将放射组学与基因组学结合在一起进行多组学研究的策略，其运用影像学的手段从分子影像方面展开对生物学行为的定性和定量的研究，为疾病的诊断、预防、治疗和预后等多方面提供了巨大的帮助，尤其在肿瘤的精准放疗上具有独到的优势，具有良好的应用前景[1]。

1 放疗的现况

作为3种常见的肿瘤治疗方式之一，放疗在肿瘤治疗中不可或缺，其常常单独使用或者与手术、化疗联用。长期的临床实践证明放疗可以有效延长肿瘤患者的有效生存期，但是同样也带来了一些问题,特别是一些处于癌早期阶段的患者，在接受放疗后，虽然得到了满意的局部控制，但是其中的许多人还会遭受放疗并发症的困扰，这给患者的生活质量造成了严重的影响。随着现代科技的进步，这些问题得到了一定程度的解决。放射肿瘤学家通过结合工程、物理以及计算机等多种手段在精确画定靶区的同时，还使用如立体定向治疗、 图像引导放射治疗、调强放疗、质子重离子放疗等手段不断地提高着放射治疗的疗效，与此同时，诸如磁共振成像(magne-tic resonance imaging，MRI) 引导下放疗、正电子发射计算机断层显像(positron emission computed tomography/computed tomography，PET/CT)引导下放疗等模式也在不断更新，使得放疗变得更为精准。然而即使如此，患者之间的个体差异，即个体的放射敏感性，却仍没有被充分考虑。在这一系列的背景下，精准放疗的概念应运而生，其目的就是在保证最佳疗效的前提下，一方面识别和纠正肿瘤的放疗抵抗，提高放疗敏感性，另一方面是尽量减少放疗剂量以及放疗所带来的不良反应。精准医疗作为一种针对个体的生物异质性特征而采取的特异性放疗的策略被放射肿瘤学家和患者们所接受。

2 放射基因组学的概述

放射组学(radiomics)是2012年提出的一项新技术，其主要目的是通过高通量算法挖掘图像中的定量影像特征，之后将这些数据进行筛选、聚类、分析后，用以识别和预测肿瘤异质性。随着其不断地发展，逐渐发现放射组学的特征与基因表达的程度也具有相关性，并不断的将影像数据与基因表达、基因型等遗传学数据进行相关性分析，形成了一门新的研究方向—放射基因组学(radiogenomics)。放射基因组学是将放射组学(radiomics)与基因组学(genomics)结合起来，通过提取影像中潜在的高通量数据特征，联合个体的全基因组测序，从而寻求影像特征与基因特征的关联性。现阶段，在放射基因组学方面的大型协作研究主要集中于预测放疗敏感性与放疗的后期副作用等方面。已经有大量研究表明，放射基因组学可以预测与癌症放疗有关的不良反应并鉴定可能产生肿瘤反应的遗传标记，并可以预测这些不良反应，进而帮助医生根据遗传因素和其他肿瘤特征为每个患者分别选择最佳治疗方案，以最大程度地提高治疗效果[5-8]。

3 放射基因组学在精准放疗中的应用

放射基因组学通过整合影像学与基因组学的信息，从而建立了一种基因特征与影像特征之间的映射，并通过影像的定量特征信息识别出与放射敏感性相关的遗传信息的改变；除此之外，放射基因组学在构建放射生物学的物理模型时也具有明显优势。其现有的放射基因组学的研究主要包括以下几个方面：

3.1 预测基因组结构改变

单核苷酸多态性(single nucleotide polymorphism，SNP)是研究的最广泛的基因组变体。其中SNP是单个碱基对的变化，其可以影响DNA的编码区和非编码区，进而影响蛋白质的表达，而全基因组关联分析(genome-wide association study，GWAS)是以基因组中数以百万计的单核苷酸多态性(single nucleotide polymorphism，SNP)为分子遗传标记，进行全基因组水平上的对照分析或相关性分析，通过比较并且发现影响复杂性状的基因变异的一种新策略。近年来，通过放射基因组学进行GWAS的研究不断增加。大规模荟萃分析认为放射基因组学可以用来预测放疗不良反应发生的风险性[9]：该研究通过进行放射性基因组学精细映射研究，发现AGT，COG2，CAPN9，ARV1和ncRNAAL512328.1，LOC101927604可能与前列腺癌放疗后的晚期放射毒性血尿相关。在另一项研究中，通过使用放射基因组学对1 883例乳腺癌患者的复制阶段中的4个基因中的10个最有意义的SNP进行了评估后，在753例乳腺癌患者中进行验证，结果发现XRCC1中的 rs2682585 与晚期皮肤毒性和总体毒性反应关系密切[10]。尽管其数据样本较小，并且多SNP联合分析较少，但是使用放射性基因组学进行GWAS分析所得到的结果非常鼓舞人心。由于还有许多辐射敏感性 SNP 有待发现，所以放射性基因组学发挥的作用仍然比较小。但是随着科学技术的发展，在明晰辐射基因和基因中SNP的情况下，结合放射性基因组学中的影像学特点，可以无创的预测患者在放射敏感性方面遗传信息的改变，并进而提前做出干预，规避风险。

除此之外，拷贝数变异(copy number variations，CNVs)是另一种与放疗毒性有关的结构变异。拷贝数变异是基因组发生重排而导致的结构变异，一般指长度为1 kb以上的基因组大片段的拷贝数增加或者减少, 主要表现为亚显微水平的缺失和重复。特定的CNVs可以影响每个变体多达数Mb的DNA，与单个SNP的影响相比，对基因表达产生了更大的影响。XRCC1 CNV已被证明是前列腺癌中辐射诱发毒性的潜在危险因素[11]。

3.2 预测基因的表达

除了遗传信息的改变，mRNA的表达也与放疗毒性相关。高通量测序技术的出现为mRNA量化和整合提供了便利。一些非编码RNA的表达[12-13]，因为可以调控翻译，所以同基因突变和拷贝数变化一样，与放疗毒性有关[14]，表观遗传学也是通过种种方式调节mRNA的表达，所以其研究类似于mRNA表达的研究。一项纳入了233例患者的研究表明，基于放射学特征的评估可反映分子分类中不同的表达谱(即mRNA的表达谱特征)，而且这些特征与缺氧、血管生成、细胞凋亡和细胞增殖有关[2]。

3.3 放射基因组学用于构建放射生物学的物理模型

放射疗法虽仅有几十年的历史，但在CT影像技术和计算机技术发展帮助下，现在的放疗技术由二维放疗发展到三维放疗、四维放疗技术；放疗剂量分配也由点剂量发展到体积剂量分配等，而这些新型的放疗技术要求以大量的影像学数据基础。基于这种情况，放疗物理学家们不断的提出新的模型和工具。其中剂量体积直方图(dose volume histogram, DVH)的应用最为广泛，在此基础上诸如细胞存活率模型、肿瘤控制率模型、正常组织并发症模型以及次级肿瘤风险预测模型等多种模型层出不穷，但是由于各个模型的参数不同，更重要的是因为大部分的模型都是建立在体外实验的基础上，这并不能反应肿瘤在体的实际情况，而且不同的组织具有不同的放射敏感性，所以到目前为止，并没有一套完整的生物学评估系统[2]。

放射基因组学以放射组学为基础，其本身就蕴涵着丰富的影像学上的定量的特征信息；在放疗方案制定的过程中，还起着辅助和检验作用；除此之外，放射组学技术可以对肿瘤进行分区，结合以纹理分析，进而实现更详细更精细的图像表型分析，并展现出多种实体瘤的瘤内异质性[16-18]，再同时对其进行基因组学分析，进而获得更多的信息。最后，将这样多组学信息的特征进行加工并纳入物理模型，可以指导放疗物理学家对肿瘤进行靶向的辐射增强。虽然目前无此方面的研究，但是可以预见，通过放射基因组学构建的放射生物学的物理模型可以极大地改善局部控制和提高患者生存率。

3.4 放射基因组学与精准放疗

如今，放射敏感性是由多种异质因素共同影响的这一结论已经成为放射生物学家们的共识，其中遗传因素在个体的放射敏感性中起了决定性的作用[19-20]。根据基因组因素预测的结果，有放射线并发症风险的患者可能会选择非放射线治疗或高度保形的治法，例如质子治疗。相反，被预测为低风险的患者可能会接受放疗，而且放疗的剂量可能会增加，这对控制肿瘤有利。除此之外，放射组学可以通过提取影像数据特征来实现无侵入式的预后评估，提供放疗的预期反应和实际的肿瘤反应差别方面的信息。如果已知肿瘤对放射治疗具有抵抗力(无论正常组织的毒性风险如何)，则在可行的情况下可以寻求替代治疗。相反，可以用较低剂量的放射线有效地治疗和治愈预计对放射线治疗极为敏感的肿瘤，从而进一步降低正常组织毒性的风险，同时又不损害肿瘤的控制[21]

由此可见，在围放疗期，放射基因组学可以提供一种囊括影像-基因两个维度的综合模型，为临床决策提供帮助。然而在之前，限于分析手段的局限性，这种的处理非常困难，并且几乎没有什么进展。随着人工智能(artificial intelligence,AI)和机器学习(machine learning，ML)技术的不断发展，自然语言处理(natural language processing，NLP) 技术已经可以用于放射基因组学的分析，并且这些结果表明遗传突变存在特征性成像的特征，放射学报告的概率分析具有识别与致癌基因突变有关的疾病进程的潜力，并而且放射学报告有可能会提供一种更快，更便宜的替代基因组测序的方法[23]。另外一项关于通过联合放疗敏感性基因表达谱和PD-L1状态数据的研究已经成功确立了一组适合放疗和细胞程序性死亡受体-配体1(programmed cell death-ligand 1,PD-L1)免疫抑制剂联用的乳腺癌患者[22]，虽然并未在患者身上验证，但是可以预见，随着分析手段的不断完善，多维度数据对于临床决策可能具有更高的指导价值。

4 问题与展望

实际上，放射基因组学的广泛应用并非易事。大数据研究中最大的挑战之一就是跨多个中心的图像和相关元数据的管理，其中影像结果与详细的临床资料、以及相关的临床结果匹配非常重要。在多个在癌症数据中心的倡导下，数据共享已经取得了一些进展，这将极大地促进放射性模型的发现和验证。即便如此，可用的成像数据与丰富的公共基因表达数据相比还是要少得多，因此应该花费更多的精力来整理高质量的影像数据集。除了技术挑战之外，还需要克服行政和法规障碍，以使将来大规模数据共享成为可能。只有足够大的数据集才可以建立可靠的模型，这突出显示了对高质量数据集的管理和数据共享的需求[24]。最终，还需要在多中心临床试验中进行前瞻性验证，以证明新发现的成像标记物的临床有效性和实用性，并真正确立放射线学和放射基因组学在精密放射治疗中的价值。

所谓的篮子试验(basket trial)是一种将具有相同驱动基因的不同肿瘤放进一个“篮子”来进行研究的实验思路[25]。这种实验思路的前提假设是，不同解剖学位置的肿瘤，只要其由同一种驱动基因驱动，那么针对其基因位点的靶向药物都将有效。这种方法的好处是显而易见的，因为其极大地扩增了可使用的数据量。同样地，在放射基因组学中，或许可以假设：针对不同的肿瘤，存在一种共有的决定放疗敏感性的放射基因组学特征(系统生物学特征与影像学特征联合)。通过深度卷积神经网络的方法，将系统生物学测序与影像作为输入端，将放疗敏感性评价作为输出端，来构建一种系统决策树或贝叶斯网络模型。这种模型可以纳入尽可能多的系统生物学特征和放射组学特征，从而形成放疗的一个泛组学(Multi-Omics)决策模式，进而较为精准地预测某个患者个体对放射治疗或者放疗联用药物的治疗效果。对于精准放疗，在大数据时代，放射基因组学仅仅是开始。