系统生物学角度下的癌症转移

随着我们对癌症转移的深入研究，癌症转移不再被视为线性级联反应，而是作为一系列并发的，部分重叠的过程，因为成功转移的细胞在抛弃旧的行为时呈现新的表型。缺乏对这种复杂现象的系统性理解，我们就无法针对癌症转移开发有效的干预手段。面对这个问题 ，现在系统级实验和计算建模仍然是一个挑战。这里总结一下我们对于癌症扩散转移的系统水平认识[1]。

癌症转移是一个动态的选择过程

癌细胞存在渐变的不同表型状态，其中包括原发病灶定居、局部侵袭、全身循环以及远端二级位点的最终接种和定居(图1)。这些状态的无缝衔接最终实现癌细胞在远处器官实现“移民”。转移性病变是一个或几个细胞获得绕过一系列分子和生物物理障碍的能力的结果，这会给它们的非转移性对应物带来不可逾越的障碍。值得注意的是，这些能力可能依赖于与建立原发肿瘤所需的细胞行为相互不相容或不一致的细胞行为。例如，虽然初始肿瘤中的细胞可能是增殖性的，但许多报道表明，经历上皮 - 间质转化(EMT)的播散细胞或细胞在很大程度上会暂停增殖。转移癌细胞表现出所谓的“生长”和“迁移”表型状态之间存在负相关;然而，一旦转移细胞在二级位点滞留，即使长时间处于休眠状态，它也可以恢复增殖。一项针对转移的患者队列研究显示，增殖性癌症与代谢和应激反应增加有关，而具有更多EMT样表型的患者则更具炎性反应。未来对癌症转移进行实验和计算建模必须充分考虑癌细胞的可塑性，同时整合转移过程中的许多步骤。这些步骤包括转移和局部侵袭的开始，远端转移部位的移植和定植，以及免疫系统的逃避，通常表现为休眠状态。

图1，癌症转移的复杂路径

研究转移的系统策略

了解癌细胞的复杂分子水平行为及其与肿瘤微环境的相互作用如何导致转移将需要整合生理转移模型和广泛的表型和分子表征。需要复杂的信息学和计算方法来理解这些动态和多变量关系，并产生可检验的假设，最终实现更好的患者治疗选择。还显示了用于研究不同进展阶段的癌症转移的实验和计算系统方法。这些方法的实施将涉及将转移中的个体事件的概念转化为以系统抽象为特征的综合多尺度过程。

实验技术

单细胞RNA-seq: 有助于研究异质性，单细胞所处的信号状态以及发现和特定表型相关的细胞亚群。

细胞谱系追踪：可以直接验证转移过程中的驱动事件。

病人组织来源的移植模型：可以研究特定病人的癌症，实现个体化研究;通常需要人源化小鼠模型以及足够的时间来观测转移。

CRISPR-Cas9筛选：有可能可以发现与生存、生长和转移直接相关的突变。

计算技术

常微分方程建模：能够带来机制上的新认识，每个参数对系统的影响都可以被预测;通常需要关于反应速率常数、蛋白质浓度及降解速率的定量。

高层次的通路建模：Petri网络和布尔网络，忽略细节上的参数，在更高抽象化水平上对大的系统进行建模。

遗传调控网络的建立：可以整合大规模以及多种类的实验数据，但仅限于转录调控，忽略代谢及蛋白质水平调节。

全细胞代谢网络建模：能够整合代谢和基因组数据，但仅限于分析代谢约束调控的过程。

混合细胞自动化和基于主体的模型实现多细胞空间模拟：能够对侵袭和生长过程中的空间效应和细胞间相互作用进行建模，但通常缺乏细胞内生物过程的足够细节。

计算机视觉和深度学习：不局限于于人类专家的时间，能够分析、分割和标记大量数据;仅限于用已经学到的模型进行分析或者标记，对于个体存在一定的错误率。

可理解的机器学习模型：能够从原始数据里产生因果判断以及可验证的假说，但通常不容易整合先验知识。

图2，研究癌症转移中不同步骤的系统策略与技术

研究癌症转移的单细胞策略

最近单细胞技术的成本降低以及随之而来的便携性和灵活性的增加，将有助于更深入地了解转移中肿瘤细胞的异质性。普遍的一个应用是采用单细胞DNA和RNA测序技术来研究原发性肿瘤，转移性病变，CTC和已扩散的肿瘤细胞单线态和簇。对引起转移细胞的众多分子特征的更好理解将为患者的治疗和结果提供更好的预测模型。但是，当使用这些方法对来自计算系统生物学模型的假设进行参数化或测试时，必须注意的是，单细胞基因组和转录组数据具备多项分析挑战，包括由于低读长覆盖率导致的信噪比低以及复杂的归一化过程。难以处理好归一化会使比较患者或实验条件下的多个数据集变得颇具挑战性。此外，如果在实验设计过程中未认真考虑所需的种群比较，则对诸如休眠转移细胞之类的小细胞种群的研究可能会限制统计学上有意义的见解。大量的理论工作为单细胞基因组学，转录组学和蛋白质组学提供了大量有用的数据分析技术，而将这些数据整合到预测性计算模型中的工作才刚刚开始。

在单细胞水平上解释肿瘤异质性的一项挑战是在单个时间点捕获的“稀有”癌细胞的生物学作用。这样的细胞可以被视为重要的次要亚群，形成代表癌细胞特征的分布的尾巴，或者被视为穿越动态细胞状态。在缺乏纵向采样策略的情况下，将基因组或转录组水平的信息与细胞表型的实验测量结果结合起来，可以为解释单个时间点数据所需的粒度水平提供支持。单细胞水平上准确量化物理特性(例如由于药物治疗或环境扰动引起的细胞质量变化或细胞运动调节)的技术，则可以提供区分不同细胞或不同细胞所需的额外数据。当这些数据与单细胞分子数据结合时，研究人员便拥有足够数据来区分细胞所处的稳定和瞬时的状态。即使可以获得纵向数据，也可能需要整合多种数据类型，例如大批量和单细胞全基因组测序以及转录谱分析，才能准确预测结果。最后，转移性病变的单细胞测序结合计算方法以及适合图像的动物模型(例如秀丽隐杆线虫或斑马鱼)中转移灶的谱系追踪，有可能解决有关转移的起源和克隆性的突出问题以及耐药性等新表型的出现。

参考

1.Suhail, Y., et al., Systems Biology of Cancer Metastasis. Cell Syst, 2019. 9(2): p. 109-127