双向网络枢纽：NT-genes作为部分癌症逆转的候选靶点

《Frontiers in Systems Biology》：Bidirectional network hubs: NT-genes as candidate targets for partial cancer reversal

　　

背景：逆转肿瘤表型是癌症生物学中长期存在的挑战。虽然基因调控网络（gene regulatory networks，GRNs）包含数千个基因，但正常组织与肿瘤组织在处理后表达空间中占据不同的低维吸引子（attractor），这提示靶向少数关键基因可能诱导广泛的转录改变。研究人员基于两类已有概念开展工作：1）N-markers与T-markers，即分别在正常样本或肿瘤样本中具有排他性表达区间的基因；2）基因去调控网络（Gene Deregulation Networks，GDNs），一种从表达数据推断的有向无环图，其中从C到E的连边表示C处去调控会增加E处去调控的概率。部分N-genes与T-genes的交集，即NT-markers，同时出现在两类网络中，可能作为表型逆转的桥梁。 方法：研究人员使用五种癌症类型的TCGA批量RNA-Seq数据，基于统计学显著的排他性表达区间鉴定N-genes、T-genes与NT-genes。将表达状态离散化为N-active、T-active与inactive三种状态后，使用CChains算法与Loevinger系数构建GDNs，并借助Reichenbach共同原因剪枝与Mokken传递性剪枝处理连边。研究人员提出以基因激活频率及两种拓扑指标预测干预结果：组合覆盖FT与T-network中未被反向去激活级联到达的分数U。此外，研究人员使用类Glauber动力学模型模拟干预过程。 结果：研究人员预测，纯T-gene干预主要改变T-network；纯N-gene干预产生正常-肿瘤混合状态；高频NT-genes则可同时去激活T-级联并重新激活N-program。未到达分数U因癌种而异：在PRAD中完美诊断面板下U≈30%，而在LUAD中U≈6%。逃逸概率还受肿瘤分期与自发激活率影响。 结论：具有高双重频率的NT-genes被预测为部分表型逆转的最优靶点。组合覆盖、未到达分数与正常态相关性三者结合，为设计多靶点治疗提供了定量指导。该框架具有通用性，并可产生跨癌种、可检验的干预结果预测。

研究背景方面，逆转恶性肿瘤细胞回到正常表型是数十年来癌症研究的重要目标。已有研究表明，尽管基因调控网络包含大量相互作用节点，正常与肿瘤组织的转录状态却呈现低维结构，少量基因即可区分正常与肿瘤样本。此前研究已提出N-genes、T-genes与NT-genes的分类体系：N-genes具有正常排他性表达区间，T-genes具有肿瘤排他性表达区间，NT-genes同时满足两者。与此同时，基因去调控网络（Gene Deregulation Networks，GDNs）作为有向无环图，可刻画去调控事件之间的概率因果关系，并分别构建正常组织N-GDN与肿瘤组织T-GDN。然而，既有文献尚未系统回答：哪些基因能够把肿瘤推回具有部分正常样程序的混合状态。该研究正是为填补从标志物、网络到逆转靶点预测之间的空白而开展。论文发表于《Frontiers in Systems Biology》。

主要关键技术方法方面，研究人员使用TCGA的PRAD、HNSC、LUAD、UCEC与LUSC五种癌症批量RNA-Seq队列，依据Fisher检验定义N/T/NT-genes并将表达离散为N-active、T-active与inactive三态；采用CChains算法、Loevinger系数、Reichenbach剪枝与Mokken剪枝构建N-GDN和T-GDN；提出组合覆盖F_T与未到达分数U两类静态拓扑指标；并以类Glauber离散时间蒙特卡洛模拟干预动力学，纳入自发激活率与强制去激活率。

研究结果部分，3.1节单基因干预的定性预测显示，强制激活纯N-gene产生混合状态但不直接关闭T-program，强制去激活纯T-gene修改肿瘤状态但不恢复正常程序，而强制NT-gene进入N-active状态可同时触发T-GDN反向去激活级联与N-GDN正向激活级联，因而最接近真正表型逆转。3.2节以LUAD中的AGER为例说明，AGER具有f_T=0.98与f_N=0.75，其N-active强制化可让反向级联覆盖超过90%的T-network，且仅余约10%未到达节点；研究人员还列举SCARA5、VSTM2A、VEGFD、ITIH5、TOMM40、VPS45、HCK、SH3GLB1等NT-genes在不同组织中的实验线索，支持高频NT-genes与双向表型控制相关。3.3节不同转录重编程水平肿瘤中的单基因干预逃逸分析表明，PRAD最高频T-gene启动的反向级联仍留下约50%未到达节点，LUAD与LUSC可覆盖约90%节点，未到达分数U构成结构性的逃逸下限。EPHA2、TGFB1、PTGS2等靶点在各癌种中的覆盖与U评估显示，非本癌种T-gene或高U靶点不适合作为通用治疗靶点。3.4节多靶点干预分析表明，PRAD的完美8基因诊断面板虽使F_T=1.00，但U≈30%；8个最高频T-gene集合虽F_T=0.69，却把U降至约20%，说明完美诊断面板不等于完美治疗面板。LUAD的完美2基因面板AGER与SLC37A4可实现F_T=1.00且U≈6%，高覆盖与低逃逸可兼得。3.5节模拟显示，年轻PRAD肿瘤在p_spont=0.1时活跃T-genes持续低位，在p_spont=0.5时约8000步后恢复；晚期肿瘤因大量节点处于长级联下游，干预后虽下降但不再恢复。因此逃逸由U、初始肿瘤分期与自发激活率共同决定。3.6节面向NT-target组合，研究人员提出应同时最大化F_T、最大化f_N并最小化U，可采用Pareto优化进行三目标靶点选择。

讨论与结论部分，研究人员指出该框架把N/T/NT分类与GDN拓扑结合，首次以可检验、预测性方式把NT-gene与部分表型逆转联系起来。NT-genes因在normal与tumor两态均高频，处于网络接口位置，可同时抑制肿瘤级联与恢复正常程序。覆盖-逃逸权衡具有临床含义：PRAD全覆盖留下30%逃逸储备，LUAD则近乎无权衡，提示转录重编程更强的癌症可能更适合靶向逆转；联合降低自发激活率的增殖抑制策略有助于减少逃逸。逃逸不是单一拓扑性质，而是结构U、肿瘤塑性与动力学参数共同决定的过程。

结论部分翻译如下：具有高双重频率的NT-genes被预测为部分表型逆转的最优靶点。组合覆盖、未到达分数与正常态相关性三者结合，为设计多靶点疗法提供了定量指南。该框架具有通用性，并对跨癌症类型的干预结果给出可检验预测。