王光熙 博士

新体制助理教授，副研究员，博士生导师

北京大学基础医学院系统生物医学研究所

Email: guangxiwang@bjmu.edu.cn

实验室以联合机器学习与代谢组学及多组学为主要手段，寻找新的肿瘤生物标志物；结合肿瘤分子生物学开发新的肿瘤检测及干预方法。课题组前期应用多组学、机器学习和质谱成像等手段综合分析早期肺癌的脂代谢特征，开发了一套人工智能辅助的早期肺癌无创代谢检测方法，并揭示了相关的分子机制 (Wang et al., Sci. Tran. Med(2022))。相关成果得到 Nature Reviews Clinical Oncology 等杂志撰文高度评价,并被新华社等十多国媒体报道。课题组还与合作者相继开发出胰腺癌(Wang et al., Sci. Adv (2021))、食管癌 (Yuan et al., Br J Cancer (2021))、胶质瘤 (Zhou et al., eBioMedicine (2022))与乳腺癌（Song et al., iScience(2024)）等等一系列针对不同肿瘤的人工智能-肿瘤代谢检测方法。

      近年来，以第一作者身份在Science Translational Medicine，Cell Research，Science Advances等国际知名期刊发表SCI论文多篇；以课题负责人获批国自然两项，国家科技创新2030重大专项等,参与国家重点研发计划重点专项、北自然-海淀原始创新联合、新冠应急专项等；获北京科技二等奖，中华医学科技二等奖，华夏医学科技三等奖；两项国家授权发明专利。

研究方向

肿瘤系统生物医学与肿瘤分子生物学。

 1.基于代谢组及多组学与机器学习的肿瘤系统生物学，发现新的肿瘤检测、筛查生物标志物及潜在诊疗靶点；

 2.探索人工智能医学在肿瘤及多种疾病中的应用。

教育背景及工作经历

2008.09-2013.07，北京大学，基础医学（八年制），医学学士

2013.09-2016.07，北京大学，病理学，医学博士

2016.08-2019.09，中国人民解放军总医院，第一医学中心肿瘤内科实验室，助理研究员

2019.10-2022.10，北京大学基础医学院，遗传系，博士后

2022.11-至今，北京大学，系统生物医学研究所，新体制助理教授，副研究员，博士生导师

获奖情况

2024年 华夏医学科技三等奖（第三完成人）

2023年 北京市科技二等奖（第三完成人）

2017年 中华医学科技二等奖（第三完成人）

2024年 医学部青年岗位能手

2024年 北京大学优秀班主任

2022年 北京大学及北京大学医学部优秀博士后

2020年 北京大学医学部“三全育人”嘉奖

2016年 北京大学学生五·四奖章

2016年 北京市三好学生及优秀毕业生

2021年 北京大学优秀工会工作积极分子

2021年 北京大学医学部基础医学院优秀共产党员

2023年 基础医学院招生先进个人

代表性论著

1. Lung cancer scRNA-seq and lipidomics reveal aberrant lipid metabolism for early-stage diagnosis, Sci. Transl. Med. 14, eabk2756 (2022) (Highly cited paper, data from Essential Science Indicators; Commentaries and editorials from Nat. Rev. Cli. Onco., 2022)

2. Metabolic detection and systems analyses of pancreatic ductal adenocarcinoma through machine learning, lipidomics, and multi-omics, Science Advances. 7, eabh2724 (2021)

3. PTEN regulates RPA1 and protects DNA replication forks, Cell Res. 2015 ,25(11):1189-204. (Cover Story)

4. A Deep Learning-Based System Trained for Gastrointestinal Stromal Tumor Screening Can Identify Multiple Types of Soft Tissue Tumors., American Journal of Pathology, 2023, 193(7): 899-912

5. Metabolic detection of malignant brain gliomas through plasma lipidomic analysis and support vector machine-based machine learning. eBioMedicine. (2022) 81:104097.

6. Identification of diagnostic markers and lipid dysregulation in oesophageal squamous cell carcinoma through lipidomic analysis and machine learning, British Journal of Cancer, 2021, 125: 351-357

7. Multi-omic analysis identifies metabolic biomarkers for the early detection of breast cancer and therapeutic response prediction, iScience, Volume 27, Issue 9, 110682

8. RPA1 controls chromatin architecture and maintains lipid metabolic homeostasis. Cell Rep. 2022 Jul 12;40(2):111071.