核心突破：
- 研究团队通过机器学习技术识别出具有遗传差异性的多囊卵巢综合征（PCOS）亚型
- 研究发现PCOS亚型具有独特的生殖与代谢致病通路，为精准诊断与个体化治疗奠定基础
SAN FRANCISCO报道：在ENDO 2025会议上，西奈山医学院内分泌学首席教授Andrea Dunaif博士展示了其团队利用机器学习分析基因组与电子病历数据的研究成果。这项研究标志着多囊卵巢综合征诊疗进入精准医学时代。
"我们终于可以用数据而非经验来分类PCOS，" Dunaif表示，"这种转变与20年前基因表达分析改变癌症分型的革命如出一辙。"
精准分型的突破
研究团队通过无监督聚类分析发现：
- PCOS并非单一疾病实体，而是多个遗传性疾病的集合
- 通过激素特征（如雄激素、促性腺激素水平）可区分不同亚型
- 各亚型携带特异性遗传信号，证实其生物学真实性
当前基于鹿特丹标准的表型分类（4种表型）已被证实缺乏遗传学基础，而新发现的亚型具有清晰的遗传架构差异。研究显示这些亚型与心血管疾病、更年期年龄等存在蛋白质网络关联。
临床应用前景
- 精准治疗：明确分子机制后可开发针对性疗法，甚至可将其他疾病药物用于PCOS亚型治疗
- 疾病预防：通过新生儿遗传风险评分，可在临床症状出现前识别高风险个体
- 名称重构：2012年NIH已建议摒弃"多囊卵巢"这一误导性命名，全球正推进科学化命名进程
研究进展
团队已整合多个大型生物样本库数据：
- 科罗拉多大学、宾夕法尼亚大学等多族裔样本
- NIH"全美计划"与西奈山百万健康发现计划
- 通过ICD编码识别的PCOS病例与临床表型病例遗传一致性得到验证
下一步将开发基于常规临床指标（如激素水平、BMI）的替代标志物体系，使分型系统适用于更大规模人群。团队正探索PCOS患者衰老过程中的心血管风险、癌症发病率等长期结局，利用生物样本库进行全生命周期研究。
研究意义
这项研究实现了三个范式转变：
- 从表型分类到基因分型的精准诊断
- 从症状管理到病因干预的治疗策略
- 从临床观察到数据驱动的疾病命名体系重构
该研究为建立PCOS预测模型、制定个性化监测方案提供了科学依据，标志着内分泌疾病诊疗进入真正的大数据医学时代。
【全文结束】
