上海
撰文丨王聪
编辑丨王多鱼
排版丨水成文
腹膜转移是胃癌（GC）最致命的表现形式，因为传统诊断方法无法在早期可靠地检测到腹膜腔内隐匿的游离胃癌细胞。
2026 年 9 月，中国医科大学第一附属医院王振宁、黄选章，清华大学张新荣、张四纯作为共同通讯作者（潘思远、陈晓婉、许文、陈嘉乐为论文共同第一作者），在 Cell 子刊Cell Reports Medicine上发表了题为：Early diagnosis and molecular classification of gastric cancer peritoneal metastasis by deep learning-driven single-cell lipidomics 的研究论文。
该研究结合单细胞脂质组学与图深度学习，用于识别隐匿性胃癌腹膜转移。该无标记平台可检测罕见的游离癌细胞，支持分子分型，并在 30 分钟内提供患者层面的诊断结果。
胃癌（Gastric Cancer，GC）是全球第五大常见恶性肿瘤，也是癌症相关死亡的第五大原因。尽管外科手术和全身治疗取得了进展，但长期生存率仍不尽人意，主要原因在于——胃癌腹膜转移（GCPM）。
在胃癌腹膜转移过程中，胃癌细胞从原发肿瘤中脱落，并在腹膜腔内播散，形成继发性转移病灶。目前临床指南将腹膜腔内存在游离的胃癌细胞归类为晚期疾病（定义为“远端转移”），这显著限制了治疗选择，并与极差的预后相关，中位生存期约为六个月。因此，早期发现和诊断腹膜腔内隐匿的游离胃癌细胞，对于改善胃癌预后至关重要。
然而，现有的临床诊断方法受限于较低的敏感性，使得腹膜播散的早期诊断比原发肿瘤的诊断更具挑战性。此外，大多数研究集中于原发肿瘤的诊断，而忽视了胃癌腹膜转移的早期诊断。因此，大多数胃癌腹膜转移患者仅在出现明显的腹膜转移后才被确诊，从而错过了有效干预的关键时机。这一临床现状凸显了迫切需要更精准的诊断策略，以便早期发现腹膜腔内隐匿的游离胃癌细胞，从而实现对胃癌腹膜转移的早期预防和干预。
在这项最新研究中，研究团队提出了一种基于无标记代谢物质谱流式技术进行单细胞脂质组学分析，并结合深度学习（Deep Learning）的流程，用于游离胃癌细胞的早期检测和分子分型。
研究团队共从 92 份样本中获得了 41627 个单细胞脂质组学图谱，并鉴定出一种独特的脂质组指纹，可有效区分游离胃癌细胞与良性腹膜细胞。为进一步解析复杂的脂质组特征，研究团队开发了一种基于深度学习的图神经网络分类器（Deep Learning-based Graph Neural Network Classifier），用于在腹膜微环境中识别稀有的游离胃癌细胞。
除诊断鉴别外，研究团队还提出了一种基于 HER2 亚型特异性脂质组异质性的、具有临床意义的代谢分型方法。
该研究的核心发现：
单细胞脂质组学与图神经网络实现隐匿性胃癌腹膜转移的早期检测；
无标记工作流可快速提供患者层面的诊断结果；
脂质组学特征可实现分子亚型划分和代谢分类。
总的来说，该研究推动了胃癌腹膜转移的早期诊断和分子分型进展，为代谢导向的干预策略提供了潜在可能。
论文链接：
//www.cell.com/cell-reports-medicine/fulltext/S2666-3791(26)00472-6
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
