基于调控与空间情境的图学习优先筛选消化系统癌症中的天然化合物–靶点对

《Pharmacological Research》:Graph learning guided by regulatory and spatial contexts prioritizes natural compound–target pairs in digestive system cancers

【字体: 大 中 小 】 时间:2026年11月16日 来源:Pharmacological Research 12.2

编辑推荐:

  天然产物及源自中药的小分子是抗癌药物研究的重要资源。网络药理学通过连接化合物、推定靶点与疾病相关网络,为识别活性化合物和研究多靶点药理学提供了系统框架。判定哪些化合物–靶点关系值得开展实验研究,还需考虑其与特定肿瘤生物学的相关性。因此,优先级排序取决于靶点关联

天然产物及源自中药的小分子是抗癌药物研究的重要资源。网络药理学通过连接化合物、推定靶点与疾病相关网络,为识别活性化合物和研究多靶点药理学提供了系统框架。判定哪些化合物–靶点关系值得开展实验研究,还需考虑其与特定肿瘤生物学的相关性。因此,优先级排序取决于靶点关联的强度、靶点所参与的调控程序、相关细胞状态及其组织分布。这些特征有助于将宽泛的分子关联转化为具有明确实验问题的药理学候选。单细胞转录组学已揭示不同肿瘤中恶性、免疫与基质细胞在组成和状态上的差异,使组织水平的分子信号可被归属到特定细胞群。空间转录组学将基因表达与组织位置相联系,并结合细胞类型定位,解析区域分子模式及细胞群之间的空间关系。这些进展为天然化合物靶点研究提供了更具体的生物学基础:候选关系可依据调控信息、细胞身份和组织分布进行评价,而不仅限于 bulk 组织表达变化。整合单细胞与空间信息因而有助于识别某一化合物–靶点关系值得进一步研究的癌症情境。图机器学习可表征多样的生物实体及其关系,已被应用于多组学整合、靶点识别和药物研究。计算药物重定位资源、转录扰动特征和癌症依赖性图谱为药物作用与靶点功能提供了互补证据。将这些资源转化为实验优先级,需要对候选进行统一表征,并清晰说明证据整合、基于图的关系建模和排序目标的贡献。研究人员开发了 SC-HGNN-Rank,一种空间情境异质图神经网络排序器(spatial-context heterogeneous graph neural network ranker),用于对化合物–靶点–调控子(regulon)–细胞情境轴进行排序。该框架将关系感知的图表示与复合排序目标相结合,并利用单细胞和空间特征描述每个候选的组织情境。研究聚焦于结肠腺癌(COAD)、肝细胞癌(LIHC)和胃腺癌(STAD),三者起源于不同消化器官,且具有适合在共享评价设计下整合与比较的转录组、单细胞和空间数据集。与整合证据评分及匹配模型的比较评估了图表示和排序目标的贡献。随后,优先筛选出的化合物–靶点对通过蛋白稳定性实验、靶点扰动和细胞功能实验加以检验。配套的 Explorer 支持候选检索、证据查看和结果导出,服务于特定肿瘤情境下天然化合物的靶向药理学研究。
研究背景与问题 天然产物与中药来源小分子是抗癌药物研发的重要资源,网络药理学为连接化合物、推定靶点与疾病网络提供了系统框架。然而,决定哪些化合物–靶点关系值得实验研究,还需考虑其与特定肿瘤生物学的相关性,优先级取决于靶点关联强度、靶点参与的调控程序、相关细胞状态及组织分布。单细胞转录组学揭示了肿瘤间恶性、免疫与基质细胞组成与状态的差异,空间转录组学则将基因表达与组织位置关联,二者为候选关系提供了超越 bulk 表达变化的调控、细胞身份与组织分布层面的依据。图机器学习可表征多样生物实体及其关系,已用于多组学整合、靶点识别与药物研究;计算药物重定位资源、转录扰动特征与癌症依赖性图谱亦提供互补证据。但将这些资源转化为实验优先级,仍需统一的候选表征,并需厘清证据整合、图关系建模与排序目标各自的贡献。
研究开展与结论 研究人员开发了 SC-HGNN-Rank,一种空间情境异质图神经网络排序器,用于对化合物–靶点–调控子(regulon)–细胞情境轴排序,聚焦结肠腺癌(COAD)、肝细胞癌(LIHC)与胃腺癌(STAD)三种消化系统肿瘤。框架将关系感知图表示与复合排序目标结合,利用单细胞和空间特征描述候选的组织情境;通过整合证据评分与匹配模型对照,评估图表示与排序目标的贡献;并以蛋白稳定性实验、靶点扰动与细胞功能实验检验优先候选。研究意义在于将宽泛分子关联转化为具明确实验问题的药理学候选,并为特定肿瘤情境下天然化合物的靶向研究提供可检索、可核查的 Explorer 工具。
关键技术方法 研究整合 TCGA 与 GEO 的 mRNA 表达及临床随访数据(外部队列包括 GSE39582、GSE17536/GSE17537、GSE76427、GSE15459、GSE84437、GSE26253),单细胞参考数据集为 COAD 的 GSE178341、LIHC 的 GSE149614、STAD 的 GSE183904;空间数据取自 GSE280315(COAD)、Mendeley Data(LIHC)与 GSE251950(STAD),扩展分析纳入 GSE283052、GSE238264、GSE270678 等切片。方法上采用单细胞预处理与 UMAP 降维、以 RCTD 为主并比较 SPOTlight 与 Tangram 的空间映射、基于 TCMSP/HERB/SymMap/BindingDB/TCMBank 的化合物–靶点证据整合、STRING/BioGRID/OmniPath 网络背景与随机游走特征,以及两层的 112 维关系感知消息传递异质图神经网络与复合排序目标。
研究结果 图学习在三种消化系统癌症中优先筛选天然化合物靶点:模型在癌症、化合物与靶点留出评价下完成候选排序,并与整合证据评分及匹配模型比较,显示图表示与排序目标对候选排名的贡献。调控与空间情境改善候选排序:关系感知图表示融合调控与空间特征,使候选轴的组织情境得以刻画。蛋白稳定性实验支持三个优先化合物–靶点对:对优先轴的直接结合/稳定性证据得到实验支持。靶点过表达减弱化合物诱导的生长抑制与凋亡:靶点扰动实验表明候选轴的生长抑制与凋亡效应依赖靶点表达水平。交互式 Explorer 支持候选检索与证据查看:配套工具实现候选搜索、证据核查与结果导出。
讨论与结论 讨论部分围绕证据分层与模型锁定的评价设计展开:模型参数固定后才开展扩展空间分析、外部药理学证据评估与补充细胞实验,以避免信息泄漏;扩展空间分析不改变建模阶段使用的空间评分;样本层面以患者或来源样本为统计单位,细胞不被视为独立样本。研究将调控与空间情境纳入图学习排序,使天然化合物–靶点候选具备可检验的肿瘤情境,并通过蛋白稳定性、靶点扰动与细胞功能实验形成计算到实验的闭环。结论部分译为:研究人员开发了 SC-HGNN-Rank,一种空间情境异质图神经网络排序器,对化合物–靶点–调控子–细胞情境轴进行排序;该框架结合关系感知图表示与复合排序目标,并利用单细胞与空间特征描述候选的组织情境;在 COAD、LIHC 与 STAD 中,与整合证据评分及匹配模型的比较评估了图表示与排序目标的贡献;优先化合物–靶点对经蛋白稳定性实验、靶点扰动与细胞功能实验检验;配套 Explorer 支持候选检索、证据查看与结果导出,服务于特定肿瘤情境下天然化合物的靶向药理学研究。

订阅生物通快讯

订阅快讯:

最新文章

限时促销

会展信息

关注订阅号/掌握最新资讯

今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

版权所有 生物通

Copyright© eBiotrade.com, All Rights Reserved

联系信箱:

粤ICP备09063491号