食管鱗狀細胞癌（Esophageal Squamous Cell Carcinoma, ESCC）是全球范圍內，尤其是在東亞地區，一種高侵襲性、預后通常不佳的惡性腫瘤。盡管其發病率和死亡率近年來有所下降，但由于生存率低、靶向治療方案有限，它仍構成重大的醫療負擔。近年來，分子分型技術已成為剖析腫瘤異質性和推進精準癌癥治療的基石，并被廣泛應用于結直腸癌、乳腺癌、膀胱癌、肺癌等多種主要惡性腫瘤。然而，在ESCC領域，情況卻不盡如人意。雖然已有多個研究團隊基于不同的組學數據和算法，提出了七種ESCC分子分型系統，但它們大多基于單一類型的組學數據，且得出的結論常常不一致。這種“各自為政”的局面導致了顯著的臨床困惑，阻礙了其在精準醫療實踐中的標準化應用。那么，能否從這些紛繁復雜的“方言”中，提煉出一種統一的、穩健的“標準語”，以更準確地描繪ESCC的分子圖譜，并指導臨床治療呢？這正是本篇發表在《Signal Transduction and Targeted Therapy》上的研究致力于解決的核心問題。

為了系統性地回答這一問題，研究人員整合運用了多種關鍵技術。首先，他們利用山西醫科大學隊列I（SXM-I）這一包含152名ESCC患者的多組學隊列（包含RNA測序、全基因組測序和全基因組亞硫酸氫鹽測序數據）作為發現集。其次，采用基于網絡的分析方法，系統地研究了八個現有ESCC分型系統（包括本研究新提出的多組學分型MESCC）中25個子類型之間的統計關聯，從而推導出共識分子亞型。最后，為了促進臨床轉化，研究團隊開發了一個名為ESCC-SPA的深度學習框架，用于對蘇木精-伊紅（H&E）染色的全切片圖像進行自動化組織分割，并從中量化提取多尺度的空間組織結構特征。基于這些特征，他們構建了一個圖像驅動的分類器，用于預測共識分子亞型。

研究首先采用相似性網絡融合方法對SXM-I隊列進行特征層的多組學分型，識別出四個穩健的多組學ESCC亞型。隨后，通過計算超幾何檢驗和馬爾可夫聚類算法，分析了這八個分型系統之間的關聯網絡。結果成功地將25個子類型整合為四個明確的共識分子亞型，并命名為ECMS1-4。研究人員開發了一個隨機森林基因表達分類器，成功地將來自多個獨立隊列的樣本分配至這四個ECMS亞型，證明了該分類系統的可推廣性。

對四個ECMS亞型的深入分子表征揭示了它們各自獨特的生物學特性。ECMS1（代謝亞型，ECMS1-MET）的特點是代謝通路失調和NFE2L2（編碼NRF2蛋白）的激活。ECMS2（經典亞型，ECMS2-CLS）的特征是細胞周期及經典信號通路（如WNT、MYC）上調。ECMS3（免疫調節亞型，ECMS3-IM）表現出強烈的免疫激活特征，包括輔助性T細胞（Th1/Th17）和JAK-STAT通路富集，以及PD-1（PDCD1）高表達。ECMS4（間質亞型，ECMS4-MES）則與間質轉化、基質激活和血管內皮生長因子（VEGF）信號通路相關。這些發現通過基因集富集分析、免疫/基質評分估計以及蛋白質組學分析得到了多層次的驗證。

臨床關聯分析顯示，ECMS亞型與患者預后和治療反應顯著相關。ECMS4-MES亞型患者的總生存期和無病生存期最差。利用癌癥治療反應門戶數據庫進行的藥物敏感性預測顯示，ECMS亞型對常見化療藥物（如順鉑、紫杉醇）的敏感性存在差異。此外，亞型特異性基因表達模式揭示了潛在的治療靶點，例如ECMS1-MET中的FGFR2和NTRK2，ECMS3-IM中的PD-1和IDO1，以及ECMS4-MES中的基質金屬蛋白酶。在兩個臨床治療隊列中的分析進一步證實：ECMS3-IM患者對新輔助放化療的病理完全緩解率較低，但對免疫檢查點抑制劑治療表現出更高的部分緩解率。

為了克服高通量測序成本高的壁壘，研究團隊開發了圖像驅動的分類系統。他們首先訓練了深度學習模型ESCC-SPA，能夠自動將H&E圖像分割為腫瘤、基質、淋巴細胞等八種組織類型。基于分割結果，他們從多個尺度量化了317個空間組織結構特征。利用這些特征，他們構建了一個基于極端隨機樹的圖像分類器。該分類器在訓練集中通過交叉驗證顯示出良好的預測性能，并且在獨立的SXM-II和前瞻性收集的SXM-III隊列中得到了驗證，其預測的亞型與基于分子譜的ECMS分型結果高度一致，并且能顯著區分患者的總生存期。

本研究的核心貢獻是建立了一套ESCC的共識分子分類系統。該系統成功調和了現有分型體系間的矛盾，定義了四個具有獨特生物學特性、臨床預后和治療脆弱性的共識亞型：代謝型、經典型、免疫調節型和間質型。這為ESCC的標準化患者分層提供了迄今為止最穩健的框架，極大地提高了分類的一致性和可重復性。

更重要的是，研究不僅停留在分子層面的發現，還向前邁出了關鍵一步，致力于解決臨床轉化的“最后一公里”問題。通過開發基于深度學習的組織病理學圖像分類器，研究將復雜的分子分型“翻譯”成了臨床實踐中廣泛可得、成本低廉的H&E切片可解讀的信息。這個名為imECMS的系統能夠準確預測ECMS亞型，并與患者的生存結局和潛在治療反應相關聯，為在資源各異的醫療環境中大規模實施精準分型提供了切實可行的工具。

該研究構建的ECMS/imECMS體系為ESCC的精準醫療開辟了清晰路徑。例如，ECMS2-CLS患者可能從細胞周期抑制劑或HER2靶向治療中獲益；ECMS3-IM患者可能是免疫檢查點抑制劑治療的優選人群；而ECMS4-MES患者則可能受益于抗血管生成或靶向EMT的治療。盡管研究在樣本量和腫瘤內異質性探索方面存在局限，但其提出的框架為未來的大規模前瞻性驗證、機制深入探索以及整合影像組學等多模態數據奠定了基礎。總之，這項工作不僅深化了我們對ESCC生物學本質的理解，更通過創新的技術路徑，為將個體化治療策略真正帶入ESCC的臨床實踐奠定了堅實的基礎。