《Cancer Research》：BESTDR Enables Bayesian Quantification of Mechanism-Specific Drug Responses
Open Access
编辑推荐：
本期我们为您推荐一篇关于药物浓度-响应（CR）模型的前沿研究。文章介绍了一种名为BESTDR（Bayesian Estimation of STochastic processes for Dose-Response）的创新统计框架。该框架利用纵向活细胞计数数据，通过分支过程模型和分层建模，实现了对细胞分裂、死亡及状态转换等动态速率的机制特异性量化。研究表明，BESTDR能够有效区分细胞抑制性（Cytostatic）和细胞毒性（Cytotoxic）效应，为临床前药物研发提供了更精确的工具。
在药理学和早期药物开发中，体外细胞培养实验和剂量-响应建模是至关重要的工具。然而，传统的基于细胞活力的分析方法，通常通过归一化细胞计数并使用IC50、Emax等指标来总结药效，这些方法对实验时长敏感，且无法揭示药物作用的具体机制，例如是抑制细胞分裂（细胞抑制性，Cytostatic）还是促进细胞死亡（细胞毒性，Cytotoxic）。
为了克服这些局限，研究人员开发了BESTDR（Bayesian Estimation of STochastic processes for Dose-Response）这一新颖的统计框架。BESTDR的核心是利用纵向的活细胞计数数据，结合分支过程（Branching Process）模型来模拟细胞群体的生长动态。在该模型中，单个细胞随机地发生分裂、死亡或状态转换，每个事件都以特定的速率发生，并且这些速率可以随药物浓度的变化而变化。BESTDR通过一个近似多元正态分布的似然函数，并利用哈密顿蒙特卡洛方法，从观测数据中估计出描述每种速率随浓度变化的剂量-响应（CR）曲线的后验分布参数。这种方法不仅估计了净生长率，还能将出生率和死亡率解卷积，从而区分出看似相同的净生长曲线背后不同的药物作用机制。
BESTDR是一种用于估计药物反应的统计框架
传统的活力测定使用标准化的细胞计数作为响应变量，但无法捕捉细胞周期时间随机性等因素引入的变异性。BESTDR将细胞群体生长建模为一种多类型连续时间马尔可夫分支过程（CTMBP）。利用观测到的细胞计数，BESTDR估计每个事件（如分裂、死亡）速率函数的CR曲线参数的后验分布。重要的是，模型中的方差并非单纯的噪声，而是捕获了底层转换的变异性，这使得估计额外的机制参数成为可能。BESTDR为从标准活力测定中估计机制性药物反应提供了一种统计严谨且计算高效的方法。
在计算机模拟中解卷积细胞抑制性和细胞毒性药物反应
为了验证BESTDR，研究人员进行了计算机模拟，模拟了细胞在12种药物浓度下的生长。结果表明，BESTDR能够准确地估计出不同浓度下的出生率和死亡率，其90%置信区间涵盖了真实的参数值。通过计算净生长率（出生率与死亡率之差）并与生长率抑制（GR）方法比较，发现两者预测细胞周转为零的浓度相似。这证明BESTDR能够准确地估计动态速率，并提供超越净生长的、机制特异性的细胞分裂和死亡信息。此外，即使在模拟包含低剂量刺激效应（兴奋效应）的复杂CR曲线时，BESTDR通过结合高斯过程、B样条或神经网络等灵活函数，也能很好地近似真实曲线。
BESTDR预测体外顺铂的出生和死亡浓度-响应曲线
为了用实验数据评估BESTDR，研究人员使用了两种正交的实验数据：一是对HCT116 p53-VKI细胞进行多重复的细胞计数实验（数据集1）；二是来自同一细胞系的、更高分辨率的单细胞活细胞谱系追踪数据（数据集2），该数据记录了每个细胞的命运。通过BESTDR从计数数据中估计的细胞分裂和死亡的平均时间，与从谱系追踪数据中直接观察到的分布具有良好的一致性，验证了BESTDR从群体数据中恢复关键机制特征的能力。进一步的实验用八种浓度的顺铂处理细胞，BESTDR分析显示，顺铂主要增加了死亡率，而对细胞出生率几乎没有影响，这表明其主要是一种细胞毒性作用。这与之前的研究和谱系追踪数据的发现一致。BESTDR估算的净生长率降至对照一半的浓度（NG50）为2.26 μmol/L，与72小时IC50（2.5 μmol/L）相当，而净生长率为零的浓度（NG0）估计为4.44 μmol/L。
在多类型模型中考虑细胞清除
研究人员进一步探讨了在模型中加入死细胞计数是否会改善治疗反应的估计。他们模拟了包含活细胞分裂/死亡和死细胞以恒定速率清除的场景。结果显示，当没有清除发生时，仅使用活细胞计数的BESTDR模型、使用活细胞和死细胞计数并考虑清除的BESTDR模型，以及一个不考虑清除的ODE模型（Static/Toxic GR模型）都能较好地拟合真实的出生率和死亡率曲线。然而，当模型中存在死细胞清除时，仅使用活细胞计数的BESTDR模型依然能保持相当的准确性，而使用活/死细胞计数并考虑清除的BESTDR模型能最准确地复现原始速率。相比之下，不考虑清除的ODE模型在较高浓度下的估计严重偏离真实值，甚至产生负的出生率。这凸显了BESTDR模型即使在死细胞清除未知的情况下，也能有效估计出生率和死亡率，优于无法解释清除的ODE模型。
用于高通量药物筛选的分层建模
研究人员将仅使用活细胞的BESTDR模型扩展用于分析涉及多个细胞系的高通量药物筛选。为了考虑细胞系间药物反应的多样性，他们采用分层建模框架，假设所有细胞系的个体曲线是相关的，其速率参数来自由超参数参数化的共享概率分布。他们将此分层模型应用于一个包含八个乳腺癌细胞系、用25种药物治疗的数据集。每个药物被独立建模，估计细胞系特异性参数和指定共享分布的超参数。结果显示，细胞系特异性的出生、死亡和净生长CR曲线可以被同时估计，并在细胞系间借用信息。通过此模型，可以计算出用于比较药物的效力（如NG75，净生长率降至对照25%的浓度）和效价（dNG，净生长率的最大变化）等统计数据，同时考虑到细胞系间的变异性。研究人员根据跨细胞系的总体平均值对药物进行排名，并通过散点图展示了各药物的平均NG75和dNG，以识别那些具有最高效力和效价的化合物。
除了上述核心应用，BESTDR框架还被应用于更复杂的多状态系统建模，例如细胞周期动态模型和重编程动态模型，以估计状态特异性的转换速率，从而更深入地理解细胞系对药物的反应机制。
综上所述，BESTDR通过将分支过程模型与贝叶斯推断相结合，为从标准纵向细胞计数数据中量化药物对细胞动力学机制的效应提供了一个通用、灵活且强大的工具。它能够区分不同的药物作用机制，处理高通量筛选数据，并适用于具有多个细胞状态的复杂系统，从而显著推进了剂量-响应研究，有助于更可靠的药物比较和机制特异性分析，为早期临床前研究乃至靶向治疗的发展铺平了道路。
