《Molecular & Cellular Proteomics》：Cell-state specific drug-responses are associated with differences in signaling network wiring
编辑推荐：
为解决细胞异质性如何影响药物反应及信号传导这一难题，研究人员针对表皮生长因子受体（EGFR）信号网络，利用单细胞免疫检测测序（scID-seq）技术，结合开发的单细胞比较网络重建（scCNR）计算模型，量化分析了靶向药物处理下信号流的改变与细胞状态差异的关系。研究结果表明，药物反应具有广泛的细胞状态依赖性，这种差异与信号网络中相互作用（连接）强度的定量差异紧密相关。这一发现深化了对细胞反应异质性背后机制的理解，为精准干预策略提供了新视角。
想象一下，即使在一个看似同质、生长环境一致的细胞群体中，不同的细胞对同一种药物的反应也可能大相径庭——有些细胞被药物有效抑制，而另一些却“无动于衷”甚至产生耐药性。这种令人困惑的细胞反应异质性，已成为癌症治疗和发育生物学等领域面临的重大挑战之一。一个核心的猜想是：细胞内部固有的“状态”（如所处的细胞周期阶段、分化程度或先前的信号历史）可能决定了外部信号如何在错综复杂的细胞内信号网络中传递，进而影响最终的反应。然而，这种细胞状态如何“重连”信号网络，导致差异化的药物反应，其具体机制尚不明确。发表在《Molecular Cell》上的这项研究，正是为了揭开这层神秘面纱。
为了探究这一问题，研究团队主要运用了以下几种关键技术：1）单细胞免疫检测测序（scID-seq）：对原代人类表皮干细胞进行单细胞水平的（磷酸化）蛋白质组学分析，同时测量约70种（磷酸化）蛋白质，以捕获细胞状态和信号活性。2）单细胞比较网络重建（scCNR）：一种新开发的基于混合整数二次规划的优化算法，用于利用单细胞数据量化信号网络中蛋白质间的相互作用强度，并比较不同细胞状态间的网络连接差异。3）机器学习分类器：用于评估信号标志物预测细胞状态的能力。
单细胞（磷酸化）蛋白质谱分析揭示了对p90RSK和p70S6K抑制的广泛响应
研究使用人包皮角质形成细胞（原代细胞）作为模型系统，通过scID-seq技术分析了抑制表皮生长因子（EGF）通路下游关键效应激酶p90RSK和p70S6K后的细胞反应。结果发现，药物抑制不仅降低了预期靶点（如RPS6）的磷酸化水平，还导致上游调节因子（如ERK1/2和AKT）的反馈性激活。更重要的是，药物效应通过信号串扰（cross-talk）广泛传播到其他通路（如JNK、p38和Wnt通路），改变了整个信号网络的信号流，并最终影响了转录因子（如c-JUN和Myc）的活性及其下游基因表达。
通过scID-seq数据稳健识别出不同的细胞状态簇
为了排除处理效应干扰，研究者定义了23个处理非响应性的（磷酸化）蛋白质作为“细胞状态标志物”，并基于此识别出9个稳定的细胞状态簇。这些状态与细胞周期阶段（如Cyclin B1和Histone H3S10磷酸化水平）或细胞类型标志物（如TP63）相关。有趣的是，未被用于聚类的“信号状态标志物”（即对药物有响应的蛋白）也显示出强烈的、依赖于细胞状态簇的表达模式。机器学习分类器证实，仅凭这些信号标志物也能在一定程度上预测细胞状态，表明细胞内信号活性本身也携带着细胞状态的信息。
细胞状态依赖的药物反应是普遍且特异的
通过建立包含药物处理、细胞状态及其交互项的线性回归模型，研究人员系统地评估了细胞状态对药物反应的调节作用。分析结果显示，在分析的69种（磷酸化）蛋白质中，有50种表现出显著的细胞状态依赖性药物反应，涉及所有8个（非参考）细胞状态和两种抑制剂。例如，Cyclin B1和组蛋白H3S10磷酸化在细胞状态5中对p90RSK抑制的反应具有特异性，而ERK1/2的磷酸化则表现出不依赖于细胞状态的普遍性反应。这表明药物反应模式高度依赖于细胞所处的特定内在状态。
单细胞比较网络重建揭示了细胞状态特异性的信号流和网络连接
研究者利用新开发的scCNR模型，旨在量化不同细胞状态下信号网络中相互作用的强度差异。该模型在已知网络拓扑（基于文献和数据库如PhosphositePlus）的基础上进行优化，并允许不同细胞状态间存在相互作用强度的差异。模型识别出31个相互作用（边）的强度在不同细胞状态间存在差异，这些差异构成了大部分细胞状态特异的信号流。通过置换检验，确定了22个具有统计显著性的边-细胞状态组合。模型深入解析了一个具体案例：在细胞状态5中，p90RSK抑制导致ERK1/2活化，进而激活APK2，而APK2与Cyclin B1之间存在一个细胞状态特异的相互作用，最终解释了为什么仅在状态5中观察到Cyclin B1的积累和H3S10磷酸化的抑制。富集分析进一步证实，显示出细胞状态依赖性药物反应的（磷酸化）蛋白质节点，更有可能与那些强度随细胞状态变化的网络连接相关联。
综合以上研究结果，本文得出核心结论：细胞内信号网络并非一个固定不变的静态结构，其连接方式（即网络“布线”）会随着细胞状态的不同而发生定量变化。靶向特定激酶（如p90RSK或p70S6K）的药物，其效应会通过反馈和串扰机制在网络中重新定向传播。而细胞的内在状态通过调节网络中特定相互作用的强度，深刻影响了这种信号流的走向和最终表现出的药物反应。因此，细胞状态的异质性是导致药物反应差异的关键内在决定因素。这一发现将细胞状态、网络连接与药物反应三者紧密联系起来，为理解细胞反应异质性提供了定量化的网络视角。
这项研究的意义在于，它揭示了靶向治疗药物可能导致信号流的意外重定向和细胞状态依赖性的结果，这可能是临床耐药性产生的潜在机制之一。研究提出的scCNR方法为在单细胞水平上量化比较信号网络提供了有力工具。未来的治疗策略或许需要考虑并利用这种细胞状态依赖的网络可塑性，例如通过设计联合疗法将细胞“引导”至对特定药物更敏感的状态，从而为实现更精准有效的干预开辟了新思路。
