综述：肥胖症的组学革命：从分子特征到临床解决方案

《Molecular Omics》：The omics revolution in obesity: from molecularsignatures to clinical solutions

本综述系统阐述了基因组学、表观基因组学、蛋白质组学等组学技术如何揭示肥胖的分子亚型（如CPT1A、HIF3A甲基化特征），识别新型生物标志物（PCSK9、RBP4），并推动以代谢组亚型（如神经酰胺驱动胰岛素抵抗）为导向的精准治疗（SGLT2抑制剂、GLP-1激动剂）。多组学整合与AI模型正将分子数据转化为临床分层工具，但临床转化仍面临挑战。

　　

肥胖的临床挑战与组学机遇

肥胖是一种多因素疾病，预计到2035年将影响全球过半人口，带来巨大的临床和社会经济负担。传统的体重指数（BMI）等指标由于肥胖的异质性，在预测个体风险、疾病进展和治疗反应方面缺乏精确性。组学技术的进步为深入理解肥胖的病理生理学提供了新的视角。

基因组学与表观基因组学的发现

基因组学研究已发现数百个与肥胖相关性状关联的基因位点，多基因风险评分（PRS）为早期风险预测提供了有限改进。表观基因组学分析，特别是DNA甲基化研究，揭示了与脂肪堆积和代谢功能障碍相关的可修饰通路。例如，肉碱棕榈酰转移酶1A（CPT1A）和缺氧诱导因子3亚基α（HIF3A）基因的甲基化特征已成为重要的表观遗传标记。

代谢组学与蛋白质组学的应用

代谢组学分析识别出不同的肥胖亚型，包括神经酰胺驱动的胰岛素抵抗亚型和支链氨基酸（BCAA）主导的失调亚型。这些亚型对治疗选择具有指导意义，如倾向于使用钠-葡萄糖协同转运蛋白2（SGLT2）抑制剂或胰高血糖素样肽-1（GLP-1）受体激动剂。蛋白质组学方面，前蛋白转化酶枯草溶菌素9（PCSK9）和视黄醇结合蛋白4（RBP4）等标志物正在被评估用于独立于BMI的心血管风险分层。

多组学整合与未来方向

整合多组学框架和人工智能（AI）驱动模型正开始连接分子数据与临床表型，从而实现患者分层和风险建模。然而，大多数发现仍处于研究阶段，其临床转化受到队列多样性、数据标准化挑战以及缺乏标准化验证方案的限制。未来需要更大规模、更多样化的研究来验证这些组学标志物，并建立临床适用的精准医疗路径。