《Journal of Molecular Biology》:TISON: A Web Server for Omics-driven Integrative Cancer Modeling & Simulations towards Personalized Medicine
编辑推荐:
•利用患者特定的多组学特征对调控网络模型进行个性化处理。•用于系统级动态的确定性和概率性布尔模拟。•基于组学的有影响力节点的排名和靶向治疗。•通过个性化的药物评分和反应指数评估治疗效果。引言癌症仍然是全球主要的死亡原因之一,每年估计有大约2000万新病例和近970万死亡病例[1]
- •
利用患者特定的多组学特征对调控网络模型进行个性化处理。
- •
用于系统级动态的确定性和概率性布尔模拟。
- •
基于组学的有影响力节点的排名和靶向治疗。
- •
通过个性化的药物评分和反应指数评估治疗效果。
引言
癌症仍然是全球主要的死亡原因之一,每年估计有大约2000万新病例和近970万死亡病例[1]。尽管在分子诊断和靶向治疗方面取得了显著进展,但由于药物耐药性[2]、缩小治疗窗口的细胞毒性[3]以及患者间治疗反应的显著差异[4],癌症的根治仍然难以实现,这导致治疗效果难以预测。这些复杂性凸显了迫切需要针对患者的、基于分子指导的精准治疗建模和模拟策略[5, 6]。
高通量测序技术使得能够全面分析肿瘤基因组和转录组,揭示了致癌和治疗效果的关键分子决定因素。随后的一系列多组学研究计划,包括癌症基因组图谱(TCGA)[7]、国际癌症基因组联盟(ICGC)[8]、全基因组泛癌分析(PCAWG)项目[9]、临床蛋白质组学肿瘤分析联盟(CPTAC)[10]和人类细胞图谱(HCA)[11],产生了丰富的数据库,记录了肿瘤和正常组织的体细胞突变、拷贝数变异(CNAs)、转录状态和蛋白质组特征。然而,将这些多组学数据转化为可操作的患者特定治疗策略仍然具有挑战性。应用于多组学数据的统计和机器学习方法通常由于样本量相对于特征维度较小而受到限制,导致模型拟合不足、可解释性降低和泛化能力有限[12]。此外,突变负担、CNAs幅度、表达量化和测序平台之间的异质性也使得整合分析变得复杂[13]。因此,对这些数据的分析往往仅限于相关性研究,而无法阐明驱动肿瘤行为的分子改变与相关治疗结果之间的因果关系[14]。
为了克服这些限制,利用患者特定的多组学数据进行的因果调控网络建模可以帮助将异质性的分子见解转化为机制上一致的系统级表示。通过利用先验的分子相互作用知识,这些模型可以限制高维数据,实现因果推理,并生成可解释的肿瘤行为动态表示。早期的逻辑建模平台,如GINsim[15]和CellNetAnalyzer[16],能够进行调控动态的定性分析,但缺乏针对患者特定模型的个性化功能。为了部分解决这一限制,CellNOptR[17]利用组学数据对先验知识网络进行了上下文化处理,但主要局限于信号测量,无法直接模拟治疗干预。随机布尔模拟器如MaBoSS[18]通过允许对网络动态和表型吸引子进行概率探索而推进了该领域的发展。虽然这些方法促进了扰动分析,但将患者特定的分子改变(如体细胞突变、CNAs和表达谱)纳入其中仍然主要是手动的,限制了可扩展性和临床应用性。在这些进展的基础上,Beal等人[19, 20]提出的基于PROFILE的标准化流程和CanSeer框架[21],引入了将体细胞突变、拷贝数变异和转录组数据系统整合到患者特定布尔癌症模型中的方法。然而,这些方法缺乏对突变致病性的精细建模、等位基因频率加权、蛋白质结构域或结构背景以及表达一致性的节点动态调节,而这些对于准确模拟肿瘤行为和治疗效果至关重要。与此同时,药物基因组学资源和药物感知的逻辑建模框架扩展了在调控网络内模拟药物扰动的能力。工具如PyDrugLogics[22]、NORDic[23]和CoLoMoTo[24]将药物-靶点关系整合到逻辑模型中,从而能够预测治疗效果。然而,这些框架中的药物优先级排序与患者特定的分子背景脱节,药物-靶点效应的应用也没有根据个体化的基因组和转录组状态重新调整网络动态。
总的来说,没有一个现有平台能够提供端到端的环境,能够(i)生成统一的多组学基因扰动评分,(ii)执行患者和模型感知的药物优先级排序,(iii)从机制上调节基因活性以表示药物效应,(iv)在个性化网络上执行详尽的单药和联合治疗模拟,(v)使用可解释的指数量化治疗效果,区分肿瘤选择性和正常细胞毒性。为了克服这些限制,我们提出了TISON(Theatre for In silico Systems Oncology),一个零代码的个性化治疗建模平台。TISON将RNA-seq、体细胞突变和拷贝数变异数据整合到策划好的调控网络中,构建个性化的肿瘤和正常模型。这些数据被转化为基因级别的扰动评分,其中包含了变异影响、等位基因频率、结构和结构背景以及驱动证据,然后通过药物-基因关系传递,以得出患者特定的药物评分(PSDS)。治疗候选方案,包括单药和联合治疗方案,通过表型映射的吸引子分析进行评估,以量化肿瘤疗效、正常细胞毒性、选择性和耐药性,从而产生多维且可解释的治疗排名。
为了展示TISON的功能并验证其有效性,我们采用了几个已发表的病例研究并重新模拟了它们的模型动态[25, 26, 27, 28, 29, 30]。然后,我们还通过开发两个针对头颈部鳞状细胞癌(HNSC)的患者中心病例研究来展示TISON的临床实用性。对于患者TCGA-CV-7103,序贯使用的西妥昔单抗-甲氨蝶呤方案将HNSC网络从增殖吸引子状态(0.876)转变为以凋亡为主的状态(0.8813),并且这种状态得到了西妥昔单抗维持治疗的巩固。对于TCGA-CV-7438,多西他赛与纳武利姆单抗联合使用将增殖倾向从0.647降低到0.0407,同时将凋亡增加到0.931,巩固治疗保持了治疗效果。这些转化病例研究表明,多组学数据与网络建模的机制整合有助于识别在最小化预测的正常细胞毒性的同时优化肿瘤动态的治疗策略。
总之,TISON提供了一个统一且可扩展的框架,用于患者特定的治疗建模,结合了多组学数据整合、机制网络模拟和个性化药物优先级排序,从而推动了精准肿瘤学的实际应用。
部分摘录
系统架构和软件设计
TISON作为一个多层Web平台实现,使用Microsoft? ASP.NET MVC框架(v4.7.2)[31],将图形用户界面(GUIs)、应用程序逻辑和领域及数据管理层分开(图1A-B)。这种分层设计支持模块化开发,并允许在基于Web的环境中执行计算密集型分析。
该应用程序围绕两个主要功能模块组织:(i)网络编辑器(NE)和(ii)治疗编辑器(TE)
结果与讨论
在这项工作中,我们介绍了“Theatre for In silico Systems Oncology”(TISON),一个基于Web的生物分子网络建模和模拟平台。TISON提供了网络模型与异质基因组、转录组和治疗数据及其后续分析的无缝整合。前端Web界面利用了一个集成的中间件工作流程,该流程包含了基于组学的个性化治疗流程,其中整合了RNA-seq数据、体细胞突变等
结论
TISON提供了一个统一的、以生物分子网络为中心的框架,将患者特定的分子特征转化为分析模型,从而能够系统地评估治疗扰动。通过在一个可复制的基于Web的环境中整合多组学数据和动态模拟,该平台解决了当前癌症建模资源中的一个关键限制,即数据整合、机制分析和治疗评估往往是分离的。
CRediT作者贡献声明
Zainab Nasir:撰写 – 审阅与编辑,撰写 – 原始草案,验证,软件,项目管理,方法论,调查,正式分析,数据管理,概念化。Muhammad Umer Sultan:可视化,验证,监督,软件,方法论,调查,正式分析,数据管理。Mahnoor Naseer Gondal:验证,调查,正式分析。Zain Bin Tanveer:软件。Ammar Arif:软件。Rida Nasir Butt:验证,调查,正式分析。
资金支持
这项工作得到了巴基斯坦国家ICT研发基金(SRG-209);巴基斯坦高等教育委员会(HEC)通过Startup Grant(21-320SRGP/R&D/HEC/2014)、NRPU Grant(20-3629/NRPU/R&D/HEC/14/585)、Grant No. 20-GCF-521/RGM/R&D/HEC/2020和TTSF Grant(TTSF 2022-23-160)的支持;巴基斯坦国家健康研究所(NHCG-22/R2-91);国家大数据和云计算中心(RF-NCBC-015);世界科学院(TWAS)(RG 14-319)的支持
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
Zainab Nasir|Muhammad Umer Sultan|Mahnoor Naseer Gondal|Zain Bin Tanveer|Ammar Arif|Rida Nasir Butt|Abdul Rehman|Hira Anees Awan|Muhammad Faizyab Ali Chaudhary|Zainab Arshad|Waleed Ahmed|Ghulam Mustafa|Salaar Khan|Talha Ahmad Khan|Bibi Amina|Muhammad Farhan Khalid|Risham Hussain|Huma Khawar|Adan Tanveer|Sakina Ali Asghar|Safee Ullah Chaudhary