想像一下，2050年。在例行的健康檢查中，病患提供血液和尿液樣本，並告知他們的郵遞區號、生活習慣與行為描述。這些樣本將被分析，以偵測個人攝取的營養素和藥物、曾感染的細菌與病毒，以及接觸過的化學物質。他們的居住地點則能揭示空氣污染、噪音和化學暴露的關鍵細節。透過將這些資訊與個人基因組數據結合，臨床醫生將能迅速評估獨特的疾病風險，並找出最能延緩甚至阻止疾病進展的行動或治療方法。
這正是暴露體學研究人員正努力創造的未來。
暴露體學（Exposome）是指環境暴露與生活方式因素的總和，這些因素與遺傳共同作用，影響個人罹患許多常見疾病的風險，包括癌症、心臟衰竭、糖尿病和失智症。這個詞在2005年由現已退休的國際癌症研究機構（IARC）癌症流行病學家 Christopher Wild 提出。他描述了「迫切需要開發出能精確測量個人環境暴露的方法，如同我們現有測量個人基因組一樣精確」1。
環境暴露是導致慢性病風險的70%至90%的原因。「基因決定了槍的子彈，而環境扣動了扳機，」美國國家衛生研究院（NIH）前主任 Francis Collins 曾說。暴露可能開啟或關閉某些基因，這些表觀遺傳學的改變可能導致疾病。例如，菸草煙霧會使腫瘤抑制基因沉默，增加罹癌風險。
每個人的暴露和基因特徵共同塑造其獨特的疾病風險，研究人員認為是時候填補這些缺失的細節了。「如果不解決生活方式、飲食、藥物、環境暴露和其他因素，就無法實現個人化照護，」哥倫比亞大學暴露體學創新中心主任 Gary Miller 表示。
然而，暴露體學研究並非易事。任何嚴謹的努力都必須盡可能全面地評估非基因的疾病因素。理解這些因素需要研究人員從各種來源收集和整理數據，包括生物庫、長期世代研究、飲食、藥物和體能活動的調查，以及地理空間空氣污染模型等環境數據集。
某些暴露可以透過生物標記物來測量，例如血液或尿液中的糖、蛋白質或化學分解產物，這些標記物能將生物變化與環境觸發因素聯繫起來。「過去暴露的痕跡會留在體內，」Miller 說。例如，持久性有機污染物會在血液中的脂質（脂肪化合物）中留下痕跡。吸煙會在 DNA 上添加化學標記，或稱表觀遺傳標記，即使一個人已戒菸30年，這些標記依然存在。
高通量質譜儀的進步——一種能讓科學家分析大量樣本的技術——使得追蹤血液樣本中的蛋白質和代謝物比以往任何時候都更容易。這可以與轉錄體學數據結合使用，轉錄體學數據能揭示細胞中活躍的基因，從而從各種暴露的混合物中篩選並驗證疾病的生化標記物。
暴露體學也存在懷疑論者和誤解。例如，一些批評者認為它只是環境流行病學（一個常關注單一暴露影響的領域）的一個新術語。另一些人則認為不可能測量人類所有暴露的總和。儘管如此，過去十年來，對暴露體學的熱情激增。搜尋 PubMed 文獻資料庫中的「exposome」一詞，發現今年已有至少830篇論文發表，高於2020年全年的261篇。
科學家們正協調努力，制定急需的標準和協議，並建立持續監測動態暴露的能力。美國國家環境健康科學研究所（NIEHS）主任 Kyle Walsh 表示，NIH 對資助一項為期多年、耗資數百萬美元的「人體暴露體計畫」（Human Exposome Project）的熱情日益高漲，該計畫旨在對所有暴露進行全面的分子層級評估，以確定最重要的疾病驅動因素。
如果暴露體學取得成功，它有望開啟精準醫療和精準預防的新時代。
三月，哈佛醫學院暴露體學研究員 Chirag Patel 及其同事發表了一項迄今為止最大規模的暴露與疾病風險匹配研究3。該團隊利用美國55年期「國家健康與營養檢查調查」（NHANES）十個世代的數據，比較了619種暴露標記物（從血液汞含量到維生素B12水平）與305種可測量特徵（包括肺功能和血糖水平）。單獨來看，環境暴露對疾病結果變異的解釋不到1%，但當研究人員結合20種暴露的影響時，這一比例增加到平均3.5%。Patel 表示，這雖然看似差異不大，但其預測能力已可與影響疾病的基因變異相媲美，並證實了研究真實生活暴露對改善疾病管理的重要性。
例如，43%參與者的三酸甘油酯水平（心血管疾病的預測因子）可由20種獨特暴露的組合解釋，包括反式脂肪和多氯聯苯。細胞的加速老化——細胞的結構或分子損傷——與吸煙、極少的體能活動和重金屬暴露的關聯最強。
Patel 表示，下一步是尋找方法來縮小哪些暴露是重要的——那些能擾亂生物途徑的暴露。他認為，如果能在人群層級找到環境暴露與生物途徑變化之間的聯繫，這些結果就可以用來預測個體層級的結果。例如，一項將細胞突變與空氣污染物聯繫起來的人群研究，可用於識別肺癌高風險人群。
生物樣本庫和世代研究在此可能發揮關鍵作用。Walsh 建議，NIH 的「All of Us」計畫，旨在收集超過一百萬名美國志願者的健康數據以加速精準醫療，是「人體暴露體計畫」的顯然起點。「All of Us」計畫迄今已招募了883,000名參與者，是世界上最大的整合基因組學和電子健康記錄數據庫。它擁有超過600,000項身體測量數據和747,000份關於社會環境、行為和環境的調查回覆。
根本挑戰在於將所有這些點連接起來，以理解這些資訊如何轉化為個人的疾病風險。「這是一個數據分析問題，」Walsh 說。但他表示，藉助人工智慧工具，這個問題將變得更加容易解決。
對血液或尿液樣本進行高解析度質譜分析，通常會產生一個具有10,000至100,000個獨立峰值的光譜。識別（並量化）哪些化學物質對應於這些峰值，是暴露體學最大的瓶頸之一。然而，機器學習模型可以輕鬆地篩選數據來解碼它們。此外，它們還可以預測化學物質結構可能產生的不良生物學影響，這將使研究人員能夠將尚未發現的化學物質納入疾病風險評估。
隨著人工智慧工具的採用，研究人員渴望擴大研究的規模和範圍。Miller 預測，在未來三年內，科學家將利用約10萬人的數據進行一項最先進的暴露體學研究。「如果我們對十種主要人類疾病進行此類研究，我們就能看到哪些暴露體學特徵與不同疾病的不同結果相關。」這將有助於臨床醫生確定哪些患者的疾病進展最快，或者誰從服用某種藥物中獲益最多。
暴露體學的臨床潛力正逐漸顯現。位於荷蘭萊頓的 Exposome-Scan 中心於2024年啟動，旨在為研究人員和臨床醫生創建暴露體學檔案。該中心目前約能識別暴露掃描中的700種化學物質，包括農藥和阻燃劑，荷蘭烏特勒支大學暴露體學研究員 Roel Vermeulen 表示。他估計，這約佔全球導致人類顯著暴露的數千種化學物質的10-20%。「我堅信，我們不應該等到能測量一切才開始行動，」他說。
