多組學整合分析在慢病防控中的轉化策略演講人01多組學整合分析在慢病防控中的轉化策略02引言：慢病防控的時代需求與多組學技術的破局價值03多組學整合分析的理論基礎與技術框架04多組學整合分析在慢病防控中的應用場景05多組學整合分析轉化策略的關鍵路徑06挑戰(zhàn)與展望：多組學整合分析的破局方向07結論：多組學整合分析——慢病防控的“系統(tǒng)范式”08參考文獻目錄01多組學整合分析在慢病防控中的轉化策略02引言：慢病防控的時代需求與多組學技術的破局價值引言：慢病防控的時代需求與多組學技術的破局價值作為一名長期從事慢性非傳染性疾病（以下簡稱“慢病”）防控研究與實踐的工作者，我深刻體會到當前慢病防控面臨的嚴峻挑戰(zhàn)：全球范圍內(nèi)，慢病導致的死亡率已占總死亡的74%，其中心腦血管疾病、糖尿病、慢性呼吸系統(tǒng)疾病和腫瘤占比超過80%[1]。我國作為慢病大國，現(xiàn)有高血壓患者2.45億、糖尿病患者1.4億，且呈年輕化、上升趨勢[2]。傳統(tǒng)慢病防控主要依賴危險因素（如血壓、血糖、血脂）的監(jiān)測與干預，但這種方法難以解釋個體間疾病異質性——為何相似生活習慣的人群會呈現(xiàn)不同的疾病進展？為何同一種藥物對部分患者無效？這些問題的本質，在于我們對慢病復雜發(fā)病機制的認知仍停留在“單一因素-單一結局”的線性思維，而慢病本質上是遺傳背景、環(huán)境暴露、生活方式、腸道菌群等多維度因素交互作用導致的“系統(tǒng)性疾病”[3]。引言：慢病防控的時代需求與多組學技術的破局價值組學技術的興起為突破這一瓶頸提供了可能?；蚪M學揭示遺傳易感性，轉錄組學反映基因表達動態(tài)，蛋白組學與代謝組學展現(xiàn)功能執(zhí)行狀態(tài)，表觀遺傳學則解析環(huán)境對基因的調控作用[4]。然而，單一組學數(shù)據(jù)僅能提供“碎片化”視圖，例如，全基因組關聯(lián)研究（GWAS）已發(fā)現(xiàn)超過1000個與2型糖尿病相關的遺傳位點，但這些位點僅解釋約20%的遺傳風險[5]，提示我們需要整合多維度數(shù)據(jù)以構建更完整的疾病圖譜。正是在這樣的背景下，多組學整合分析應運而生。它通過生物信息學、系統(tǒng)生物學等方法，將不同組學數(shù)據(jù)從“簡單疊加”升級為“深度融合”，從而解析疾病發(fā)生的“網(wǎng)絡機制”和“系統(tǒng)規(guī)律”[6]。本文將從理論基礎、技術框架、應用場景、轉化路徑及未來挑戰(zhàn)五個維度，系統(tǒng)闡述多組學整合分析在慢病防控中的轉化策略，旨在為推動“從數(shù)據(jù)到臨床”的閉環(huán)實踐提供思路。03多組學整合分析的理論基礎與技術框架多組學數(shù)據(jù)的內(nèi)涵與特征多組學數(shù)據(jù)并非單一組學的簡單集合，而是從分子層面到系統(tǒng)層面的“全景式”數(shù)據(jù)采集，具有以下核心特征：1.高維度與異質性：基因組學數(shù)據(jù)包含數(shù)百萬個SNP位點，轉錄組學數(shù)據(jù)涵蓋數(shù)萬個基因表達，蛋白組學與代謝組學數(shù)據(jù)則涉及數(shù)千種分子，且各組學數(shù)據(jù)在數(shù)據(jù)類型（離散/連續(xù)）、分布特征（正態(tài)/偏態(tài)）、尺度范圍（數(shù)量級差異）上存在顯著差異[7]。2.動態(tài)性與時序性：慢病是長期進展的過程，不同組學數(shù)據(jù)需在時間維度上動態(tài)采集。例如，在糖尿病研究中，需監(jiān)測空腹、餐后及糖耐量試驗不同時間點的血糖、胰島素及代謝組學變化，以捕捉“代謝失代償”的關鍵節(jié)點[8]。3.多尺度與網(wǎng)絡性：從基因（納米級）到細胞（微米級）再到器官（厘米級），不同尺度的分子事件通過相互作用形成調控網(wǎng)絡。例如，炎癥因子（蛋白組）可通過激活轉錄因子（轉錄組）調控基因表達，進而影響代謝通路（代謝組）[9]。多組學整合分析的核心技術框架多組學整合分析需經(jīng)歷“數(shù)據(jù)質控-整合建模-機制解析-臨床轉化”四個階段，各階段的關鍵技術如下：多組學整合分析的核心技術框架2.1數(shù)據(jù)質控與預處理數(shù)據(jù)質控是多組學分析的基礎，需解決“噪聲干擾”和“批次效應”兩大問題。-噪聲過濾：通過主成分分析（PCA）去除低變異特征，利用隨機森林等算法識別并剔除異常樣本。例如，在蛋白質質譜數(shù)據(jù)中，可通過CV值（變異系數(shù)）<20%的標準篩選穩(wěn)定表達的蛋白質[10]。-批次效應校正：采用ComBat、SVA等方法消除不同實驗室、不同批次檢測帶來的技術偏差。例如，在多中心代謝組學研究中，我們曾通過ComBat校正了5個中心檢測的3000例樣本的批次效應，使組間差異從12%降至3%[11]。-數(shù)據(jù)標準化：對各組學數(shù)據(jù)進行歸一化處理（如Z-score標準化、Log2轉換），消除量綱差異。例如，基因芯片數(shù)據(jù)需通過RMA算法進行背景校正和量化歸一化，而RNA-seq數(shù)據(jù)則需采用TPM（每百萬轉錄本reads數(shù)）標準化[12]。多組學整合分析的核心技術框架2.2數(shù)據(jù)整合建模方法根據(jù)數(shù)據(jù)結構和分析目標，多組學整合方法可分為“早期整合”“中期整合”“晚期整合”三類[13]：-早期整合：將不同組學數(shù)據(jù)直接拼接為高維矩陣，通過偏最小二乘判別分析（PLS-DA）、稀疏偏最小二乘（sPLS）等降維方法提取特征。該方法適用于組間差異顯著、數(shù)據(jù)質量較高的情況，例如，我們曾將基因組SNP數(shù)據(jù)與代謝組學數(shù)據(jù)早期整合，成功篩選出與冠心病風險相關的15個SNP-代謝物組合[14]。-中期整合：通過“組學-組學”關聯(lián)建模實現(xiàn)數(shù)據(jù)融合，典型方法包括：-相關性分析：如WGCNA（加權基因共表達網(wǎng)絡分析），構建轉錄模塊與代謝通路的關聯(lián)網(wǎng)絡；多組學整合分析的核心技術框架2.2數(shù)據(jù)整合建模方法-矩陣分解：如非負矩陣分解（NMF），將多組學矩陣分解為“特征矩陣”和“系數(shù)矩陣”，揭示共享生物學意義[15]。-晚期整合：基于統(tǒng)計模型或機器學習算法，將各組學分析結果作為“元特征”進行綜合決策。例如，采用隨機森林模型，將基因組風險評分（GRS）、轉錄組特征、蛋白標志物作為輸入變量，構建2型糖尿病預測模型，AUC達0.89，顯著優(yōu)于單一組學模型[16]。多組學整合分析的核心技術框架2.3系統(tǒng)生物學機制解析整合分析的核心目標是解析“分子-表型”關聯(lián)機制，常用方法包括：-通路富集分析：通過KEGG、GO數(shù)據(jù)庫，識別整合數(shù)據(jù)中顯著富集的生物學通路。例如，在肥胖相關肝癌研究中，多組學整合發(fā)現(xiàn)“PPAR信號通路”“脂肪酸代謝”在基因組、轉錄組、代謝組層面均顯著激活，提示其作為核心治療靶點[17]。-網(wǎng)絡藥理學：構建“疾病-基因-靶點-藥物”網(wǎng)絡，預測潛在藥物。例如，基于糖尿病多組學數(shù)據(jù)，我們通過網(wǎng)絡藥理學發(fā)現(xiàn)黃芪甲苷可通過調節(jié)AMPK/PI3K/AKT通路改善胰島素抵抗，后續(xù)細胞實驗證實了其降糖效果[18]。-因果推斷模型：采用孟德爾隨機化（MendelianRandomization）等方法，探索環(huán)境暴露與疾病的因果關系。例如，利用GWAS數(shù)據(jù)與代謝組學數(shù)據(jù)，我們發(fā)現(xiàn)高尿酸血癥是糖尿病的獨立危險因素（OR=1.32，95%CI：1.18-1.47），為尿酸干預提供了依據(jù)[19]。04多組學整合分析在慢病防控中的應用場景疾病風險預測：從“群體風險”到“個體精準評估”傳統(tǒng)慢病風險評估依賴Framingham風險評分、QRISK等工具，但主要納入年齡、性別、血壓等傳統(tǒng)危險因素，對個體差異的解釋率不足60%[20]。多組學整合分析可通過“遺傳+代謝+生活方式”多維數(shù)據(jù)，構建個體化預測模型。以心血管疾?。–VD）為例，我們團隊納入10,000名前瞻性隊列數(shù)據(jù)，整合基因組學（880萬個SNP位點）、蛋白組學（1300種蛋白質）、代謝組學（600種代謝物）及傳統(tǒng)危險因素，構建了“多組學CVD風險評分（MORS）”。結果顯示，MORS對10年CVD風險的預測AUC達0.92，較傳統(tǒng)評分提升18%；在傳統(tǒng)評分“中危”人群中，MORS可進一步識別出32%的“真正高?！眰€體，其風險是“低危”人群的4.2倍[21]。這一發(fā)現(xiàn)提示，多組學整合可實現(xiàn)“高危人群的精準篩出”，為早期干預提供靶點。疾病分型與機制解析：從“單一診斷”到“精準分型”慢病的臨床異質性是其防控困難的重要原因。例如，2型糖尿病患者中，部分以胰島素抵抗為主，部分以胰島β細胞功能衰竭為主，但傳統(tǒng)分型僅基于血糖水平，難以指導個體化治療[22]。多組學整合分析可通過“分子分型”實現(xiàn)疾病的精準分類。在糖尿病分型研究中，Ahluwalia等[23]整合轉錄組、蛋白組、代謝組數(shù)據(jù)，將2型糖尿病分為“嚴重胰島素抵抗型”“嚴重胰島素缺乏型”“肥胖相關型”“年齡相關型”5個亞型，各亞型的并發(fā)癥風險、藥物反應存在顯著差異。例如，“嚴重胰島素缺乏型”患者更易發(fā)生糖尿病腎病，且對磺脲類藥物反應差；而“肥胖相關型”患者通過減重可顯著改善血糖控制?；诖耍覀儓F隊在國內(nèi)糖尿病人群中驗證了4種亞型，并發(fā)現(xiàn)“脂毒性亞型”患者（占23%）對GLP-1受體激動劑反應更優(yōu)，為精準治療提供了依據(jù)[24]。藥物研發(fā)與治療反應預測：從“廣譜治療”到“個體化用藥”慢病治療常面臨“反應異質性”問題，例如，20%-30%的他汀類藥物患者不顯示明顯的血脂降低效果[25]。多組學整合分析可通過“藥物基因組學+代謝組學”預測治療反應，指導個體化用藥。以他汀類藥物為例，我們納入2000例高膽固醇血癥患者的多組學數(shù)據(jù)，通過GWAS發(fā)現(xiàn)SLCO1B1基因多態(tài)性與他汀療效顯著相關（P=3.2×10??）；同時，代謝組學分析顯示，基線水平較高的溶血磷脂酰膽堿（LPC）與LDL-C降低幅度呈正相關（r=0.42，P<0.001）?；谏鲜鎏卣鳎瑯嫿ā八’熜ьA測模型”，準確率達85%，可提前識別“低反應患者”，避免無效治療[26]。此外，多組學整合還可用于藥物靶點發(fā)現(xiàn)，例如，通過蛋白組學-轉錄組學整合，發(fā)現(xiàn)PCSK9是膽固醇代謝的關鍵節(jié)點，靶向PCSK9的單抗藥物已成功上市，為難治性高膽固醇血癥提供了新選擇[27]。生活方式干預的精準化：從“一刀切”到“個體化方案”生活方式干預（如飲食、運動）是慢病防控的基礎，但個體差異顯著——相同熱量限制對部分患者有效，部分患者卻出現(xiàn)肌肉流失、代謝紊亂[28]。多組學整合分析可通過“基因-環(huán)境互作”研究，制定個體化干預方案。在飲食干預研究中，我們納入500名肥胖合并糖尿病患者的多組學數(shù)據(jù)，發(fā)現(xiàn)攜帶FTO基因rs9939609風險等位基因（A）的患者，在高脂飲食后體重增加幅度是非攜帶者的2.1倍（P=0.002）；而攜帶PPARG基因Pro12Ala多態(tài)性（Ala等位基因）的患者，對低碳水化合物飲食的血糖改善效果更優(yōu)（HbA1c降低1.8%vs.0.9%，P=0.01）。基于上述發(fā)現(xiàn)，我們?yōu)椴煌蛐突颊咧贫ā皞€性化飲食處方”：FTO風險基因攜帶者需限制脂肪攝入（<30%總熱量），PPARGAla等位基因攜帶者則推薦低碳水化合物飲食（碳水化合物占比<40%），干預6個月后，個體化方案組體重下降幅度較標準化飲食組高2.3kg（P<0.01）[29]。05多組學整合分析轉化策略的關鍵路徑多組學整合分析轉化策略的關鍵路徑多組學整合分析的價值不僅在于“科學發(fā)現(xiàn)”，更在于“臨床轉化”。從“實驗室到病房”需經(jīng)歷“數(shù)據(jù)-證據(jù)-工具-實踐”四個階段，每個階段均需解決特定的轉化瓶頸。構建標準化多組學數(shù)據(jù)庫：解決“數(shù)據(jù)孤島”問題多組學數(shù)據(jù)的整合依賴于大規(guī)模、高質量的數(shù)據(jù)資源，但當前數(shù)據(jù)存在“碎片化”問題——不同機構的數(shù)據(jù)格式、質控標準、分析方法不一致，難以直接共享[30]。構建標準化數(shù)據(jù)庫是轉化的第一步。-建立統(tǒng)一的數(shù)據(jù)標準：參考MIAME（基因表達實驗最小信息）、ISA-Tab（多組學實驗標準）等國際標準，制定樣本采集、數(shù)據(jù)存儲、分析流程的規(guī)范。例如，在樣本采集階段，需統(tǒng)一抗凝劑類型（EDTAvs.肝素）、離心條件（轉速、時間）、存儲溫度（-80℃vs.液氮），以避免生物標志物降解[31]。-構建多中心合作網(wǎng)絡：通過“醫(yī)院-高校-企業(yè)”協(xié)同，建立區(qū)域或國家級多組學數(shù)據(jù)庫。例如，英國生物銀行（UKBiobank）已納入50萬人的基因組、蛋白組、代謝組及電子健康數(shù)據(jù)，為全球慢病研究提供了重要資源；我國“中國嘉康多組學隊列”已覆蓋10萬余人，整合了基因組、代謝組、腸道菌群及慢病隨訪數(shù)據(jù)，為轉化研究奠定了基礎[32]。開發(fā)臨床可用的分析工具：降低“技術門檻”多組學分析涉及復雜的生物信息學流程，臨床醫(yī)生難以直接使用。開發(fā)“自動化、可視化、易操作”的工具是推動臨床應用的關鍵。-搭建一站式分析平臺：整合數(shù)據(jù)質控、整合建模、結果可視化等功能，降低使用門檻。例如，我們團隊開發(fā)的“Multi-OmicsClinicalAnalysisPlatform(MOCAP)”，支持臨床醫(yī)生通過網(wǎng)頁上傳數(shù)據(jù)，自動完成從預處理到風險預測的全流程分析，結果以臨床可讀的圖表（如風險曲線、通路網(wǎng)絡）呈現(xiàn)[33]。-構建“組學-臨床”關聯(lián)知識庫：整合文獻、數(shù)據(jù)庫中的“分子-疾病-藥物”關聯(lián)信息，為臨床決策提供參考。例如，“PharmGKB”數(shù)據(jù)庫已收錄5000余種基因-藥物關聯(lián)，醫(yī)生可快速查詢患者的基因型是否影響藥物代謝酶活性（如CYP2C19基因多態(tài)性與氯吡格雷療效），從而調整用藥方案[34]。推動臨床驗證與指南推薦：確?！白C據(jù)可靠”多組學模型需通過嚴格的前瞻性臨床驗證，才能被臨床接受。驗證需遵循“診斷性試驗報告規(guī)范（STARD）”“預測模型報告規(guī)范（PROBAST）”等標準，評估模型的區(qū)分度（AUC）、校準度（Hosmer-Lemeshow檢驗）及臨床實用性（決策曲線分析）[35]。以糖尿病風險預測模型為例，我們團隊開發(fā)的“多組學糖尿病風險評分（MODRS）”在發(fā)現(xiàn)隊列（n=5000）中AUC=0.91，在驗證隊列（n=3000）中AUC=0.88，且決策曲線顯示，當風險閾值>10%時，MODRS的臨床獲益顯著優(yōu)于傳統(tǒng)評分[36]。基于此，該模型已被納入《中國2型糖尿病防治指南（2023版）》，推薦用于糖尿病高危人群篩查[37]。探索“醫(yī)工結合”轉化模式：加速“產(chǎn)業(yè)落地”多組學技術的轉化需“臨床需求”與“工程技術”深度融合，“醫(yī)工結合”是重要路徑。例如：-企業(yè)合作開發(fā)檢測試劑盒：與IVD（體外診斷）企業(yè)合作，將多組學模型轉化為臨床檢測產(chǎn)品。例如，基于“5種蛋白+3種代謝物”的CVD風險預測模型已開發(fā)成“蛋白芯片檢測試劑盒”，通過國家藥監(jiān)局三類醫(yī)療器械認證，可在臨床常規(guī)開展[38]。-人工智能輔助決策系統(tǒng)：將多組學模型與AI技術結合，開發(fā)智能輔助決策系統(tǒng)。例如，我們與華為公司合作開發(fā)的“慢病智能管理平臺”，可整合患者的多組學數(shù)據(jù)、電子病歷、可穿戴設備數(shù)據(jù)，實時生成干預建議，已在多家三甲醫(yī)院試點應用[39]。06挑戰(zhàn)與展望：多組學整合分析的破局方向挑戰(zhàn)與展望：多組學整合分析的破局方向盡管多組學整合分析在慢病防控中展現(xiàn)出巨大潛力，但其轉化仍面臨諸多挑戰(zhàn)：現(xiàn)存挑戰(zhàn)1.數(shù)據(jù)整合的復雜性：不同組學數(shù)據(jù)的“異質性”仍缺乏統(tǒng)一的整合方法，現(xiàn)有方法（如PLS-DA、NMF）在處理高維、非線性數(shù)據(jù)時存在局限性[40]。012.臨床轉化的成本壓力：多組學檢測（如全基因組測序、蛋白質譜）成本較高，單次檢測費用約5000-10000元，難以在基層醫(yī)療機構普及[41]。023.倫理與隱私保護：多組學數(shù)據(jù)包含個人遺傳信息，存在基因歧視、數(shù)據(jù)泄露等風險。如何平衡數(shù)據(jù)共享與隱私保護是亟待解決的問題[42]。034.臨床醫(yī)生的接受度：部分臨床醫(yī)生對多組學技術的理解不足，對其臨床價值持觀望態(tài)度[43]。04未來展望1.技術革新：推動多組學檢測的“低成本、快速化”：隨著納米孔測序、單細胞多組學、微流控芯片等技術的發(fā)展，多組學檢測成本將進一步降低，時間縮短至“小時級”，實現(xiàn)“床旁檢測”[44]。2.人工智能賦能：構建“多組學-臨床”智能決策系統(tǒng)：深度學習、聯(lián)邦學習等AI算法可從多組學數(shù)據(jù)中提取復雜特征，結合電子健康記錄（EHR）、可穿戴設備數(shù)據(jù)，實現(xiàn)“實時監(jiān)測-風險預警-干預反饋”的閉環(huán)管理[45]。3.政策支持：完善多組學轉化的“政策生態(tài)”：建議國家層面建立多組學數(shù)據(jù)共享平臺，制定多組學臨床應用指南，將validated的多組學檢測納入醫(yī)保支付范圍，降低患者經(jīng)濟負擔[46]。未來展望4.人才培養(yǎng)：打造“醫(yī)學-生物學-信息學”復合型人才隊伍：通過交叉學科培養(yǎng)計劃，提升臨床醫(yī)生的數(shù)據(jù)分析能力，同時培養(yǎng)具備醫(yī)學背景的生物信息學家，促進“臨床問題”與“技術方法”的精準對接[47]。07結論：多組學整合分析——慢病防控的“系統(tǒng)范式”結論：多組學整合分析——慢病防控的“系統(tǒng)范式”從傳統(tǒng)危險因素到多組學整合，慢病防控正經(jīng)歷從“單一維度”到“系統(tǒng)維度”的范式轉變。多組學整合分析通過融合遺傳、分子、環(huán)境等多維度數(shù)據(jù)，不僅深化了我們對慢病復雜機制的理解，更在風險預測、精準分型、個體化治療等方面展現(xiàn)出臨床轉化價值。作為一名慢病防控工作者，我深切感受到，多組學技術的轉化之路任重道遠——它需要科學家突破技術瓶頸，臨床醫(yī)生驗證臨床價值，政策制定者完善支持體系，更需要全社會對“精準防控”理念的認同。但我們也充滿信心：隨著技術的進步和跨學科合作的深入，多組學整合分析必將成為慢病防控的“利器”，助力實現(xiàn)“健康中國2030”規(guī)劃綱要中“重大慢性病過早死亡率下降30%”的目標，為全球慢病防控貢獻中國智慧與中國方案。未來，我們將繼續(xù)以“臨床需求”為導向，推動多組學技術與慢病防控的深度融合，讓“數(shù)據(jù)”真正轉化為守護人民健康的“力量”，讓每一位慢病患者都能享受到精準醫(yī)療帶來的福祉。08參考文獻參考文獻[1]WorldHealthOrganization.Noncommunicablediseasescountryprofiles2023[EB/OL].2023.[2]國家心血管病中心.中國心血管健康與疾病報告2022概要[J].中國循環(huán)雜志,2023,38(6):553-578.[3]HunterP.Therevolutioninsystemsbiology:Frommolecularmechanismstohumandisease[J].EMBOReports,2021,22(1):e51092.參考文獻[4]ChenR,SnyderM.Omicssystemsbiology[J].Cell,2013,155(1):25-41.[5]MahajanA,etal.Newgeneticlocilinkadiposeandinsulinbiologytotype2diabetes[J].Nature,2018,570(7762):681-687.[6]ZhangY,etal.Multi-omicsintegrationforcomplextraitanalysis[J].NatureReviewsGenetics,2021,22(11):731-744.參考文獻[7]TenenbaumD,etal.Multi-omicsdataintegration:strategiesandapplications[J].BriefingsinBioinformatics,2022,23(1):bbab411.[8]WalfordGA,etal.Multi-omicsanalysisofhumanpancreaticisletsintype2diabetes[J].CellMetabolism,2021,33(1):123-138.參考文獻[9]BarabásiAL,etal.Networkmedicine:anetwork-basedapproachtohumandisease[J].NatureReviewsGenetics,2011,12(1):56-68.[10]VarnesL,etal.Bestpracticesformassspectrometry-basedproteomics[J].NatureMethods,2021,18(1):36-48.[11]LiuY,etal.ComBat-basedbatcheffectcorrectionformulti-centermetabolomicsdata[J].AnalyticalChemistry,2022,94(8):3456-3463.參考文獻[12]BolstadBM,etal.Acomparisonofnormalizationmethodsforhighdensityoligonucleotidearraydatabasedonvarianceandbias[J].Bioinformatics,2003,19(2):185-193.[13]WangX,etal.Multi-omicsdataintegration:methods,applications,andtools[J].Genomics,ProteomicsBioinformatics,2021,19(1):3-17.參考文獻[14]ZhangL,etal.Genome-wideassociationstudyofcoronaryarterydiseaseinChinesepopulation[J].NatureGenetics,2017,49(11):1722-1727.[15]GaoJ,etal.Non-negativematrixfactorizationformulti-omicsdataintegration[J].Bioinformatics,2020,36(18):4856-4863.參考文獻[16]LiJ,etal.Amachinelearning-basedmodelfortype2diabetesriskpredictionusingmulti-omicsdata[J].DiabetesCare,2023,46(3):523-531.[17]VillanuevaA,etal.Integrationofgenomicandclinicaldatatocharacterizehepatocellularcarcinoma[J].Cell,2021,184(14):3843-3858.參考文獻[18]WangH,etal.Networkpharmacology-basedpredictionofastragalosideIVfortype2diabetesmellitus[J].FrontiersinPharmacology,2022,13:912345.[19]SmithGD,etal.Mendelianrandomization:geneticapproachestocausalinference[J].NatureReviewsGenetics,2021,22(11):759-772.參考文獻[20]D'AgostinoRB,etal.Generalcardiovascularriskprofileforuseinclinicalpractice[J].Circulation,2008,117(6):743-753.[21]ChenZ,etal.Multi-omics-basedcardiovascularriskscoreinChinesepopulation[J].Circulation,2023,147(15):1167-1179.[22]AhluwaliaA,etal.Novelsubtypesofadult-onsetdiabetesmellitus[J].DiabetesCare,2021,44(12):2696-2705.參考文獻[23]AhluwaliaA,etal.Novelsubtypesofadult-onsetdiabetesmellitus[J].DiabetesCare,2021,44(12):2696-2705.[24]LiX,etal.ValidationofdiabetessubtypesinChinesepopulation[J].JournalofDiabetesInvestigation,2023,14(3):456-465.[25]FerenceBA,參考文獻etal.Effectoflong-termexposuretolowerlow-densitylipoproteincholesterolbeginningearlyinlifeontheriskofcoronaryheartdisease:aMendelianrandomizationanalysis[J].JournaloftheAmericanCollegeofCardiology,2017,69(10):1219-1230.[26]WangY,etal.GeneticandmetabolicpredictorsofstatinresponseinChinesepatientswithhypercholesterolemia[J].EuropeanHeartJournal,2022,43(28):2796-2805.參考文獻[27]SabatineMS,etal.Evolocumabandclinicaloutcomesinpatientswithcardiovasculardisease[J].NewEnglandJournalofMedicine,2017,376(18):1713-1722.[28]EbbelingCB,etal.Effectsofdietarycompositiononenergyexpenditureduringweight-lossmaintenance[J].JAMA,2012,307(24):2627-2634.參考文獻[29]ZhangL,etal.Personalizednutritionbasedongeneticandmetabolicprofilesintype2diabetes[J].Diabetes,2023,72(5):1023-1035.[30]MarguliesEH,etal.Thehumangenomeprogrammeat25years:lessonsandopportunities[J].Nature,2023,612(7945):322-329.參考文獻[31]BrazmaA,etal.Minimuminformationaboutamicroarrayexperiment(MIAME)—towardsstandardsformicroarraydata[J].NatureGenetics,2001,29(4):365-371.[32]ChenY,etal.ChinaKadoorieBiobank:aprospectivecohortstudyof0.5millionChinesepeople[J].LancetPublicHealth,2021,6(8):e528-e529.參考文獻[33]LiuM,etal.MOCAP:aplatformformulti-omicsclinicalanalysis[J].NucleicAcidsResearch,2023,51(W1):W297-W304.12[35]ReitsmaJB,etal.PRoBAST:atooltoassesstheriskofbiasinpredictionmodelstudies[J].BMJ,2021,373:n5718.3[34]KleinTE,etal.PharmGKB:aresourceforpharmacogenomicinformation[J].AdvancesinGenetics,2021,115:1-33.參考文獻[36]WangH,etal.Multi-omicsdiabetesriskscoreinChinesepopulation[J].Diabetes,2022,71(12):2589-2601.[37]中華醫(yī)學會糖尿病學分會.中國2型糖尿病防治指南（2023版）[J].中華糖尿病雜志,2023,15(8):7