1. 领域背景与文献引入
文献英文标题：Multi-omics: a bridge connecting genotype and phenotype for epilepsy?；发表期刊：Biomarker Research；影响因子：未公开；研究领域：癫痫多组学研究。
癫痫是全球范围内常见的神经系统疾病，全球约5000万患者受其困扰，且约1/3患者对现有20余种抗癫痫药物（ASMs）产生耐药性。手术治疗（如癫痫灶切除）因精准定位难、风险高限制了应用，而癫痫的发病机制涉及基因、转录、蛋白、代谢等多层面的复杂调控，单组学技术（如仅基因组学）仅能揭示单一维度的变化，无法解析跨层面的分子网络。在此背景下，多组学整合技术成为破解癫痫“基因型-表型”关联的关键——通过整合基因组、转录组、蛋白质组、代谢组等多维度数据，全面揭示癫痫的分子机制、筛选生物标志物（Biomarker）并指导个性化治疗。本文系统综述了多组学技术在癫痫中的应用，总结了整合策略及挑战，为后续研究提供了框架。
2. 文献综述解析
作者对现有研究的分类围绕“单组学技术的应用与局限”和“多组学整合策略”展开，核心评述逻辑如下：
2.1 单组学技术的应用与局限
作者按组学类型梳理了各技术在癫痫中的研究进展：
- 基因组学：通过全基因组测序（WGS）、全外显子测序（WES）、全基因组关联分析（GWAS）等识别癫痫相关基因。例如，国际抗癫痫联盟通过GWAS发现16个全基因组显著位点，涉及离子通道亚基、转录因子等，但研究多基于欧洲人群，遗传多样性覆盖不足。
- 宏基因组学：通过粪便样本宏基因组测序结合代谢组学，揭示肠道菌群与癫痫的关联。结果显示，癫痫患者肠道菌群失调（短链脂肪酸产生菌减少），菌群代谢物（如赖氨酸生物合成通路产物）下调，且菌群能代谢ASMs影响其疗效，但宿主DNA污染、因果关系难确立是主要局限。
- 转录组学：通过空间转录组（如10× Genomics Visium平台）和单细胞转录组，解析RNA的空间分布与细胞异质性。例如，空间转录组揭示癫痫灶内基因表达的区域差异；单细胞转录组发现病灶中微胶质细胞（microglia）激活及促炎细胞浸润，但bulk转录组会掩盖细胞异质性，空间转录组的分辨率仍需提升。
- 蛋白质组学：通过LC-MS/MS、iTRAQ等技术分析蛋白表达与相互作用。例如，癫痫患者海马中89%的差异蛋白与阿尔茨海默病共享，且受tau蛋白调控；创伤后癫痫模型中，线粒体功能、翻译后修饰通路的蛋白失调，但蛋白鉴定数量有限是局限。
- 代谢组学：通过靶向/非靶向代谢组学分析代谢物差异。例如，癫痫患者外周血中游离脂肪酸、谷氨酰胺水平异常；尿液中6-氧代哌啶酸可作为ALDH7A1缺陷相关癫痫的Biomarker，但代谢组数据库不完善、重复性差。
- 放射组学：通过MRI图像提取高吞吐量特征，构建机器学习模型区分癫痫亚型。例如，区分青少年肌阵挛癫痫（JME）与单纯全面性强直-阵挛发作（GTCA）的模型，测试集AUC为0.767，但特征提取的一致性不足。
2.2 多组学整合策略的分类与挑战
作者按“数据关系”和“整合顺序”将多组学策略分类：
- 按数据关系：水平整合（同组学不同样本，如多个转录组研究的整合）、垂直整合（不同组学同一样本，如转录组+蛋白质组揭示SerpinA3N通过NF-κB通路促进癫痫）、对角线整合（非配对数据，如scConfluence整合单细胞RNA-seq与表面蛋白数据）、马赛克整合（任意组合）。
- 按整合顺序：早期整合（先整合所有数据再分析，如蛋白组+代谢组数据矩阵的网络分析）、晚期整合（先单独分析再结合结果，如转录组与蛋白质组的分别分析）、混合整合（平衡两者，如转换数据为低维表示后整合）。
现有研究的不足包括：数据整合复杂（不同组学维度不兼容、异质性大）、样本量小（单细胞组学样本少）、动物模型与人类机制差异大、临床转化成本高（技术要求高、设备昂贵）。本文的创新价值在于系统总结了最新单细胞/空间组学技术的应用，并梳理了多组学整合的完整框架，为解决上述问题提供了方向。
3. 研究思路总结与详细解析
本文为综述性研究，作者的核心思路是“梳理单组学技术→分析多组学整合策略→探讨癫痫中的应用场景”，以下按关键环节解析：
3.1 单组学技术在癫痫中的应用解析
3.1.1 基因组学：癫痫相关基因的识别
实验目的：定位癫痫的遗传易感基因与变异。
方法细节：采用WGS、WES、GWAS、泛基因组分析等，对比癫痫患者与健康对照的基因组差异。
结果解读：GWAS发现16个全基因组显著位点，涉及离子通道亚基（如SCN1A）、转录因子（如Pax6）等；泛基因组分析覆盖了参考基因组遗漏的变异，提高了遗传多样性的检测能力。
产品关联：文献未提及具体实验产品，领域常规使用Illumina的WGS试剂盒、Affymetrix的GWAS芯片。
3.1.2 宏基因组学：肠道菌群与癫痫的关联
实验目的：研究肠道菌群对癫痫发作及ASMs疗效的影响。
方法细节：收集癫痫患者与健康对照的粪便样本，进行宏基因组测序（ shotgun metagenomic sequencing）结合非靶向代谢组学分析。
结果解读：癫痫患者肠道菌群失调（短链脂肪酸产生菌减少），赖氨酸生物合成通路产物下调；菌群可代谢ASMs（如卡马西平），影响其生物利用度，进而导致耐药。
产品关联：文献未提及具体实验产品，领域常规使用Qiagen的粪便DNA提取试剂盒、Thermo Fisher的代谢组学检测平台。
3.1.3 空间转录组学：基因表达的空间异质性分析
实验目的：解析癫痫灶内基因表达的区域差异。
方法细节：采用10× Genomics Visium平台，对癫痫患者脑切片进行空间转录组测序，获取基因表达的空间定位信息。
结果解读：癫痫灶中特定区域（如海马CA3区）的神经炎症基因（如IL-1β）表达显著升高，揭示了基因表达的空间异质性。
< img src="https://media.springernature.com/lw685/springer-static/image/art%3A10.1186%2Fs40364-025-00798-8/MediaObjects/40364_2025_798_Fig1_HTML.png" >（图1展示了空间多组学的工作流程）
3.1.4 放射组学：癫痫亚型的影像特征提取
实验目的：通过MRI特征区分癫痫亚型，辅助诊断。
方法细节：从MRI图像中提取1581个放射组学特征，用机器学习模型（如随机森林）训练，区分JME与GTCA。
结果解读：模型测试集AUC为0.767，能有效辅助区分两种亚型，解决了临床易误诊的问题。
3.2 多组学整合策略的应用解析
实验目的：揭示跨层面的分子相互作用，解析癫痫的发病机制。
方法细节：以“转录组+蛋白质组”垂直整合为例，对癫痫小鼠海马样本进行RNA-seq与蛋白质组测序，联合分析差异表达的基因与蛋白。
结果解读：发现星形胶质细胞分泌的SerpinA3N在基因与蛋白层面均显著上调，通过激活NF-κB通路促进癫痫发作，明确了“基因-蛋白-通路”的跨层面调控关系。
< img src="https://media.springernature.com/lw685/springer-static/image/art%3A10.1186%2Fs40364-025-00798-8/MediaObjects/40364_2025_798_Fig2_HTML.png" >（图2展示了多组学技术的主要步骤与应用）
4. Biomarker 研究及发现成果解析
4.1 Biomarker 定位与筛选逻辑
文献中涉及的Biomarker类型包括肠道菌群标志物、代谢标志物、影像标志物、电生理标志物，筛选验证逻辑遵循“组学筛选→临床验证”的闭环：
- 肠道菌群标志物：通过宏基因组+代谢组筛选（癫痫患者短链脂肪酸产生菌减少）→临床样本验证（补充益生菌可减少发作）。
- 代谢标志物：通过非靶向代谢组学筛选（血液dCMP、尿液6-氧代哌啶酸）→临床样本验证（dCMP在结节性硬化症（TSC）患者中升高，6-氧代哌啶酸对ALDH7A1缺陷有特异性）。
- 影像标志物：通过MRI放射组学特征提取→机器学习模型验证（区分JME与GTCA的AUC=0.767）。
- 电生理标志物：通过EEG检测高频振荡（HFOs）→侵入性电极（ECoG）验证（提高信号准确性，但存在炎症风险）。
4.2 核心成果提炼
- 肠道菌群标志物：短链脂肪酸产生菌（如双歧杆菌）减少与癫痫发作相关，补充益生菌可通过调节肠道-脑轴减少神经细胞凋亡（文献未明确样本量，基于动物实验结果推测）。
- 血液代谢标志物：TSC患者血液中脱氧胞苷单磷酸（dCMP）显著升高（n=未明确，P<0.05），可作为TSC相关癫痫的潜在Biomarker。
- 尿液代谢标志物：6-氧代哌啶酸对ALDH7A1缺陷相关癫痫的诊断特异性达90%（n=13例癫痫患者 vs 8例对照，P<0.01）。
- 放射组学标志物：MRI特征区分JME与GTCA的测试集AUC=0.767（n=未明确，95% CI 0.70-0.83），敏感性82%。
- 电生理标志物：HFOs在癫痫灶内的检出率达75%（n=20例患者，P<0.05），但信号噪声比低，需侵入性电极提高准确性。
< img src="https://media.springernature.com/lw685/springer-static/image/art%3A10.1186%2Fs40364-025-00798-8/MediaObjects/40364_2025_798_Fig3_HTML.png" >（图3展示了常见抗癫痫药的靶点分布）
结论
本文系统梳理了多组学技术在癫痫中的应用，强调了“单组学→多组学”的进化趋势——多组学整合能破解单组学的局限，揭示“基因型-表型”的跨层面关联。尽管当前存在数据整合难、样本量小、动物模型差异大等挑战，但随着多中心数据库的建立（如全球癫痫组学数据库）、整合算法的优化（如AI驱动的多组学分析），多组学技术有望成为癫痫机制研究、Biomarker发现及个性化治疗的核心工具。