计算生物学方法在肿瘤微环境数字建模中的进展综述

《Briefings in Bioinformatics》：Advances in computational biology approaches for digital modeling of tumor microenvironment

　　

专业术语翻译的论文摘要 肿瘤进展源于肿瘤微环境（TME）内细胞、血管、代谢、免疫和生物力学过程的紧密耦合，形成一个异质性多尺度系统，仅通过实验观察无法完全表征。计算建模为整合这些机制提供了定量框架，但可用方法的多样性使模型选择、参数化、验证和临床转化变得复杂。本综述提出了一种问题驱动的计算建模方法综合，用于TME建模。比较了连续、离散和离散-连续混合范式在生物学分辨率、数据需求、可解释性和计算成本方面的差异，并将其与五个机制域相关联：肿瘤细胞动力学、血管运输、细胞外基质与力学、代谢与缺氧以及免疫相互作用。通过参数可辨识性、不确定性量化、数值有效性、生物学保真度和临床相关性来审视模型可信度，重点是根据预期用途和验证背景来解释性能。机器学习在机制-机器学习整合中的功能角色被分析：代理模型加速正向模拟，逆方法估计潜在参数和状态，患者特异性工作流将多模态临床数据与机制模型相结合，物理信息神经网络将控制方程嵌入学习过程中。研究人员进一步讨论了纵向个性化、物理感知多尺度整合、临床可部署的数字孪生、外部泛化以及从合成数据到临床的迁移。提出了从机制假说生成到自适应数字孪生决策支持的转化就绪路径。可信的TME建模应优先考虑最小充分模型、明确预期用途、透明的不确定性以及与生物学或临床问题相匹配的证据。

论文解读文章

研究背景与问题

肿瘤进展已被越来越多地认识到是一个由恶性细胞与肿瘤微环境（TME）之间复杂相互作用驱动的涌现性系统级现象。TME并非被动结构支架，而是一个由细胞外基质（ECM）架构、血管运输、免疫监视、生化信号和生物力学调控组成的异质性动态生态系统。这些过程跨越多个空间和时间尺度运行，受非线性反馈、随机变异性和适应性重塑支配。这种复杂性给纯实验方法带来了挑战，凸显了能够将TME表示为集成动态系统的计算建模框架的必要性。然而，现有综述常侧重于单个建模范式或应用领域，对决定模型选择和可信度的假设关注不足。因此，本研究旨在填补这一空白，通过问题驱动的方式，比较不同机械论公式、计算工具和机器学习增强方法，依据其预期用途、证据要求和局限性进行系统评估。

研究内容与结论

研究人员开展了一项系统性的综述研究，对计算生物学方法在TME数字建模中的应用进行了全面分析。研究将计算模型分为连续、离散和离散-连续混合三大范式，并分别评估其在生物学分辨率、数据需求、可解释性和计算成本方面的优劣。同时，研究将模型与五个关键机制域（肿瘤细胞动力学、血管运输、ECM与力学、代谢与缺氧、免疫相互作用）相链接，分析了模型可信度的多个维度，包括参数可辨识性、不确定性量化、数值有效性、生物学保真度和临床相关性。此外，研究还深入探讨了机器学习在机械论-机器学习整合中的四种功能角色：作为代理模型加速正向模拟、用于逆方法估计潜在参数和状态、结合多模态临床数据的患者特异性工作流、以及将控制方程嵌入学习过程中的物理信息神经网络。研究最终提出了一个从机制假说生成到自适应数字孪生决策支持的转化就绪路径，强调可信的TME建模应优先考虑最小充分模型、明确预期用途、透明的不确定性以及与生物学或临床问题相匹配的证据。

关键技术与方法

研究主要采用以下几种关键技术方法：1）连续模型方法，包括基于常微分方程（ODE）的生长定律和基于偏微分方程（PDE）的反应-扩散模型，用于描述群体水平的肿瘤动态；2）离散模型方法，包括元胞自动机（CA）、基于智能体的模型（ABM）和元胞波特茨模型（CPM），用于模拟单个细胞行为和局部相互作用；3）离散-连续混合模型，将离散细胞动力学与连续运输、力学和血管场双向耦合；4）机械论-机器学习整合方法，包括代理模型、贝叶斯校准、强化学习（RL）包装器和物理信息神经网络（PINNs）。研究数据来源于已发表文献中的实验和临床数据集，包括成像数据（如DCE-MRI）、组织学数据和组学数据等。

研究结果

肿瘤细胞的固有动力学

研究人员指出，肿瘤生长动态常用Logistic和Gompertz生长律等现象学连续模型来描述。通过对1472例接受化疗或免疫治疗患者的分析发现，Gompertz模型在拟合优度和参数简约性之间提供了良好平衡，且Gompertz和一般Bertalanffy模型在从早期测量预测最终治疗反应时均方误差最低。对于空间扩展，Fisher-Kolmogorov反应-扩散模型被证明可以再现纵向肿瘤体积变化，相对误差通常低于10%。在离散模型方面，CA模型通过编码增殖、迁移和凋亡等基本细胞过程作为概率规则，能够再现广泛的宏观肿瘤生长行为。

生化微环境

关于血管化，研究表明肿瘤诱导的血管具有不规则、迂曲和组织不良的特征，产生异质性灌注、持续性缺氧、升高的间质压力和药物递送不均匀。多尺度模拟显示，联合抗血管生成和节拍疗法相比单纯化疗策略能减少存活癌细胞负担，同时改善药物渗透并降低正常组织积累。关于ECM，研究发现ECM密度和空间异质性本身足以产生非均匀侵袭模式和各项异性肿瘤扩张，而动态ECM重塑模型则揭示了ECM降解与细胞运动之间的反馈可显著增强侵袭潜力。关于代谢，研究区分了化学计量模型（如通量平衡分析FBA）和动态代谢模型，前者适用于识别优势通路和代谢脆弱性，后者更适合描述缺氧、营养剥夺和治疗诱导适应的时间依赖性过程。

机械力与过程

在固体应力方面，研究人员区分了基于力的模型（在顶点或中心框架中显式定义相互作用力）和基于能量的模型（通过有效能量函数表示组织力学）。基于力的模型适用于研究局部力学相互作用如何导致集体侵袭模式和组织压实，而基于能量的模型特别适合研究细胞分选、形态调节和组织形态发生。在流体应力方面，研究描述了Navier-Stokes方程和Darcy基公式两种方法，前者提供速度、压力和剪切应力的空间分辨预测，后者更常用于描述压力驱动的间质液体传输。

机械论离散-连续混合建模

研究指出，由于单一模型范式难以同时表示多种相互作用过程，离散-连续混合架构通过耦合互补描述方式跨空间和时间尺度，成为实现真实TME模拟的关键方法。

讨论与结论

研究讨论部分指出，模型选择应从生物学问题和所需尺度出发，综合考虑数据支持和验证目标，在生物学保真度、可解释性和计算成本之间进行权衡，最终选择最小充分模型。研究结论强调，可信的TME建模应优先考虑最小充分模型、明确预期用途、透明的不确定性以及与生物学或临床问题相匹配的证据。研究提出了一个从机制假说生成到自适应数字孪生决策支持的转化就绪路径，为计算肿瘤学领域的未来发展提供了重要指导。