设想 2050 年的日常医疗场景：患者只需提供血液、尿液样本，以及邮政编码和生活方式描述。系统通过分析样本检测营养物质、药物摄入、细菌病毒感染及化学物质暴露情况，并结合地理位置数据揭示空气污染、噪音等环境细节。将这些信息与个体基因组数据整合后，临床医生可快速计算独特的疾病风险，并制定最能减缓或抑制疾病进展的治疗方案。
这一愿景正是“暴露组学”（Exposome）研究者致力于实现的未来。暴露组是指环境暴露和生活方式因素的总和，它与遗传学共同决定一个人患癌症、心力衰竭、糖尿病和痴呆症等常见疾病的风险。
从基因到环境的范式转变
“暴露组”这一术语由法国里昂国际癌症研究机构的退休癌症流行病学家克里斯托弗·怀尔德 (Christopher Wild) 于 2005 年提出。他当时指出，迫切需要为个体的环境暴露开发一种与基因组分析同样精确的方法。
数据显示，环境暴露导致了 70% 至 90% 的慢性疾病发病风险。美国马里兰州贝塞斯达国家卫生研究院 (NIH) 前主任弗朗西斯·柯林斯解释道：“遗传学提供了基础武器，而暴露则通过表观遗传变化开启或关闭某些基因，从而引发疾病。例如，烟草烟雾可以抑制肿瘤抑制基因，增加癌症风险。”
纽约哥伦比亚大学创新暴露学中心主任加里·米勒强调：“如果不考虑生活方式因素、饮食、药物和环境暴露，护理就无法真正实现个性化。”每个人的独特暴露特征与遗传背景相结合，构成了其特定的疾病风险图谱。
技术突破与数据挑战
暴露组学研究面临巨大挑战，需要对尽可能多的非遗传性疾病因素进行全面评估。这要求研究人员整合来自生物库、长期队列研究、饮食与体力活动调查、健康状况问卷以及环境污染地理空间模型等多源数据。
部分暴露可通过生物标志物测量，如血液或尿液中的糖、蛋白或化学分解产物。米勒指出，过去的接触痕迹会留在人体内，例如持久性有机污染物会在血液脂肪化合物中留下印记，吸烟则会在 DNA 中添加化学标记或表观遗传标记。
高通量质谱技术的进步使得科学家能够轻松追踪血液样本中的蛋白质和代谢物。结合转录组学数据——即揭示细胞中活跃基因的信息——研究人员可以从复杂的暴露组合中筛选并验证疾病的生化标志物。
尽管存在质疑，认为暴露组学仅是环境流行病学的新标签，或测量人类全部暴露情况不可能实现，但该领域的热度在过去十年持续上升。PubMed 文献数据库显示，今年已发表至少 830 篇关于“exposome”的论文，远高于 2020 全年的 261 篇。
美国北卡罗来纳州三角公园环境健康科学研究所主任凯尔·沃尔什表示，科学家正协调努力制定标准协议，建立动态暴露监测能力。美国 NIH 也表现出对资助一项耗资数百万美元、长达数年的人类暴露体项目的浓厚兴趣。
量化环境与疾病的关系
今年 3 月，哈佛医学院暴露经济学研究员 Chirag Patel 及其团队发表了迄今最大规模的暴露与疾病风险匹配研究。团队利用美国 55 年国家健康和营养检查调查（NHANES）10 个队列的数据，将 619 个暴露标志物（如血液中特定物质含量、维生素 B12 水平）与 305 个可测量特征（包括肺功能和血糖水平）进行对比。
单独看，环境暴露在疾病结果变化中占比不足 1%，但当结合 20 种暴露的影响时，这一比例平均上升至 3.5%。Patel 指出，虽然看似微小，但这一预测能力已与影响疾病的基因变异相当，证实了研究现实生活中的暴露以改善疾病管理的必要性。
具体案例显示，43% 参与者的甘油三酯水平（心血管疾病的预测因素）可由 20 种暴露的独特组合解释，其中包括反式脂肪和多氯联苯等物质。此外，晚期细胞衰老与吸烟、极少体力活动和重金属接触最为密切相关。
下一步关键在于识别哪些暴露真正扰乱了生物通路。如果能在人口层面找到环境暴露与生物途径变化之间的联系，这些结果便可用于预测个体层面的疾病风险。例如，将细胞突变与空气污染物联系起来的人口研究，有助于识别肺癌高风险人群。
大数据与人工智能的角色
生物样本库和队列研究在此过程中发挥关键作用。沃尔什建议，作为 NIH 的一项举措，“All of Us”计划是启动“人类暴露组计划”的理想起点。该计划旨在从超过一百万名美国志愿者中收集健康数据以加速精准医疗发展。截至目前，“All of Us”已招募 883,000 名参与者，成为全球最大的整合基因组与电子健康记录数据库，收录了超过 600,000 项身体测量数据及 747,000 份关于社会状况、行为和环境问题的调查问卷回复。
核心挑战在于连接所有数据点，理解这些信息如何转化为个体的疾病风险。“这是一个数据分析问题，”沃尔什说。借助人工智能工具，这一问题变得更加可控。高分辨质谱检测通常生成包含 10,000 至 100,000 个不同峰的光谱，识别并量化这些峰对应的化合物曾是暴露组学的最大瓶颈。如今，机器学习模型能轻松筛选和解码这些数据，并根据化学结构预测不良生物效应，从而将尚未知的化学物质纳入疾病风险评估。
随着 AI 工具的普及，项目规模正在扩大。米勒预测，未来三年内，科学家将利用约 10 万人的数据开展最前沿的暴露组学研究。“如果在十种主要人类疾病中实施这项研究，就能发现哪些暴露组特征与不同疾病的各类结局相关，”他说。这将帮助临床医生判断谁的病情进展最快，或谁服用某种药物后能获得最大改善。
迈向预防医学新时代
暴露组学的临床潜力正逐渐显现。荷兰莱登的 Exposome-Scan 设施于 2024 年启动，旨在为研究人员和临床医生创建暴露配置文件。目前，该设施可在扫描中识别大约 700 种化学物质，包括杀虫剂和阻燃剂。
荷兰乌特勒支大学的暴露体研究员、该设施联合负责人 Roel Vermeulen 估计，这约占全球几千种化学物质中的 10% 到 20%。“我坚信我们不应该等到我们可以测量一切时才行动，”Vermeulen 说道。如果暴露组学取得成功，预计将开启精准医学和精准预防的新时代。
