三阴性乳腺癌（TNBC）仍是最具临床挑战性的乳腺癌亚型之一，其特征是缺乏雌激素受体、孕激素受体和HER2表达，并表现出显著的肿瘤间和肿瘤内异质性。尽管近期进展——包括免疫治疗和抗体-药物偶联物——已改善部分患者的预后，但持久获益仍分布不均，耐药性普遍存在，且最佳患者选择仍是亟待满足的未满足需求。因此，TNBC的精准医学依赖于稳健生物标志物的发现、验证和临床实施，以及能够大规模整合多维度数据（涵盖早期和晚期/转移性疾病）的分析框架。
本研究主题将重点展示生物标志物科学和人工智能驱动的方法如何加速TNBC全程的进展，特别关注早期和晚期/转移性临床环境，涵盖从风险分层、早期检测到治疗选择、反应监测和耐药机制。我们欢迎涉及TNBC生物学分子、细胞和微环境决定因素的投稿，包括基因组和表观基因组改变、转录和蛋白质组学程序、DNA损伤修复缺陷、免疫环境、空间组织和克隆进化。
在早期TNBC中，特别感兴趣的领域包括但不限于基线生物标志物以及新辅助治疗后残留病灶中的生物标志物。在晚期/转移性TNBC中，相关主题包括但不限于原发肿瘤的生物标志物以及不同转移部位的生物标志物。特别关注免疫检查点阻断、靶向药物和抗体-药物偶联物的预测性和药效学生物标志物，以及为合理联合策略和治疗顺序提供信息的生物标志物。
核心焦点是先进计算方法的整合——包括机器学习和多模态人工智能——以将复杂数据转化为临床可操作的见解。相关领域包括人工智能驱动的预测性特征发现；反应和毒性建模；用于非侵入性表型分析的数字病理学和放射组学；用于解析异质性的空间和单细胞分析；以及结合影像、病理学、组学和临床变量的方法。鼓励针对数据集偏移、偏差、可解释性、不确定性和可重复性的研究，以及在前瞻性验证和真实世界临床工作流程中部署的框架。
本主题还寻求将生物学与临床决策相连接的工作：检测方法的开发和协调；试验设计创新，如生物标志物富集、自适应和平台试验；ctDNA和微小残留病策略；以及纵向监测以捕捉跨疾病阶段的耐药轨迹。特别重视强调稳健验证、跨队列通用性和临床有意义结局的投稿。
通过将生物标志物发现与人工智能驱动的精准肿瘤学相结合，本研究主题旨在定义可操作的TNBC亚组，改善现有和新兴疗法的患者选择，并加速数据丰富的见解转化为早期和晚期/转移性TNBC患者的更好结局。
请注意：仅包含生物信息学、计算分析或公共数据库预测，且未附有验证（独立临床或患者队列，或基于非公共数据库的体外或体内生物学验证）的稿件，不适合在本期刊发表。
【全文结束】