低风险前列腺肿瘤显示与更具侵袭性癌症相关的分子特征

对低危前列腺癌，主动监测是避免过度治疗的主要策略，但各研究的入组标准差异很大，符合监测条件者的比例从4%到82%不等，在最长中位6.8年随访的系列中，癌特异性死亡率也仅有0—1%^[1]。监测依赖定期PSA与直肠指检（如每6个月一次）以及每1—3年的重复活检^[6]，本质上仍是临床层面的判断，而如何区分侵袭性与惰性病变、避免对病变有限者过度治疗，一直是这一领域的核心难题^[4]。分子层面并非没有线索：TMPRSS2:ERG融合在观察等待队列中与前列腺癌特异性死亡显著相关（111例中17例阳性，累积发生比为2.7）^[3]，该融合序列的加倍拷贝可识别致死性前列腺癌^[5]，对218例肿瘤的整合分析也显示拷贝数变异能在Gleason评分之外划分低危与高危疾病^[2]。然而，在已被临床判定为低危的患者内部，如何系统地提前识别会快速进展的人，始终缺乏办法。

2026年10月7日报道，瑞典皇家理工学院（KTH）的研究团队在npj Digital Medicine发表研究（Rafeletou等，DOI: 10.1038/s41746-026-03254-5），将基因组（DNA变异）、转录组（哪些基因活跃）与表观基因组（影响基因活性的调控变化）等多层数据整合，并配合机器学习、建模与网络分析，在部分被归为低危的患者中发现了与更侵袭性癌症相关的分子特征，而这些特征是常规临床风险分类所不能捕捉的。机器学习模型由KTH计算科学与技术系Golnaz Taheri带领的团队开发。研究聚焦于ZNF268网络：配图说明称其动态拓扑重连捕捉到一个活跃的过渡状态，论文摘要进一步指出，机器学习将ZNF268识别为低危前列腺癌中的独立预后生物标志物^[7]。

这项工作的推进之处在于，把“多层组学加机器学习、网络分析”的框架直接对准了临床低危人群。此前整合基因组学已证明分子数据可以在Gleason评分之外区分风险^[2]，本研究则进一步表明，即便在临床指标看似同质的低危组内，肿瘤生物学仍存在患者特异的差异，并可能与快速进展相关。据报道，此前也有产业媒体援引基于人群的数据提示，前列腺癌可能比仅凭活检结果预期的更具侵袭性^[8]。研究者表示，长期目标是把这些发现转化为更精确的风险分层，并识别可能从更早或更靶向治疗中获益的患者。

需要指出的是，这套方法目前仍处于研究阶段，尚未准备好用于临床；下一步是通过实验室实验检验分析所提示的潜在治疗脆弱点。研究者也希望借此弄清，所识别的分子变化究竟只适用于风险预测，还是同时能指向新的治疗策略——这仍是悬而未决的问题。