《Journal of Neuro-Oncology》：Machine learning and computational approaches to model therapeutic response and resistance in diffuse midline glioma
编辑推荐：
弥漫性中线胶质瘤（diffuse midline glioma, DMG）仍是影响儿童、青少年和年轻成人的最致命癌症之一，且几乎普遍对治疗耐药。组蛋白H3改变建立了深度失调的表观遗传景观，促进了广泛的瘤内异质性和细胞可塑性，这是治疗耐药和治疗失败的关键驱动因素
弥漫性中线胶质瘤（diffuse midline glioma, DMG）仍是影响儿童、青少年和年轻成人的最致命癌症之一，且几乎普遍对治疗耐药。组蛋白H3改变建立了深度失调的表观遗传景观，促进了广泛的瘤内异质性和细胞可塑性，这是治疗耐药和治疗失败的关键驱动因素。尽管单细胞RNA测序（single-cell RNA sequencing）和空间转录组学（spatial transcriptomics）已改变了肿瘤演进研究，但DMG中支撑治疗耐药的机制仍知之甚少。本综述探讨如何利用计算和基于机器学习的方法来研究治疗压力下的肿瘤适应。
研究人员提供了为分析单细胞和空间转录组数据集而开发的计算框架概述，以模拟肿瘤演进的四个主要轴线：i）组成性转变（compositional shifts），ii）功能状态重塑（functional state remodeling），iii）肿瘤可塑性（tumor plasticity），以及iv）细胞间通讯（intercellular communication）；同时强调这些方法如何为DMG生物学及治疗适应机制提供新见解。
计算和基于机器学习的框架为在高维转录组数据中模拟肿瘤演进的时空动态提供了强大工具。在所考察的四个维度中，这些方法识别耐药细胞群体、表征适应性转录程序、重构细胞状态转变，并绘制肿瘤-微环境相互作用图谱，揭示治疗耐药和治疗适应的机制。
用于利用单细胞和空间转录组数据模拟治疗压力下肿瘤演进的计算方法正在快速发展。随着日益庞大和多模态的DMG数据集变得可用，这些方法的应用可能有助于揭示耐药机制、治疗脆弱性和生物标志物，为更精准和患者特异性的治疗策略提供信息。
引言
弥漫性中线胶质瘤（DMG），包括H3K27改变的弥漫性内生性脑桥胶质瘤（DIPG），是一种发生于中线结构的致命性中枢神经系统（CNS）肿瘤，主要见于儿童、青少年和年轻成人。该疾病以组蛋白H3赖氨酸27改变为特征，主要通过H3K27M突变，也可通过EZHIP过表达实现。这些分子事件汇聚于多梳抑制复合物2（PRC2）介导的染色质调控失调，驱动标志性的H3K27三甲基化（H3K27me3）整体减少以及深刻的表观遗传和转录重编程，包括通常在线索规范后被沉默的发育转录程序的异常再激活。单细胞转录组和表观基因组研究表明，DMG起源于发育受限的胶质祖细胞背景，并重现少突胶质细胞分化层级，以增殖性少突胶质前体细胞（OPC）样状态为主导。广泛的细胞异质性和表型可塑性仍是治疗的主要障碍，因为治疗可以选择或诱导在DMG中仍缺乏表征的耐药细胞状态。
DMG占儿科中枢神经系统肿瘤的10–20%，是儿童癌症相关死亡的主要原因，中位总生存期仅为11个月，存活超过两年的患者不足10%。尽管经过数十年研究，放疗（RT）仍是唯一的标准治疗方案，仅提供短暂的临床获益。2025年8月，美国食品药品监督管理局（FDA）授予dordaviprone（ONC201；MODEYSO?）加速批准，用于既往治疗后疾病进展的H3K27M突变DMG成人和一岁以上儿科患者。支持与PI3K/mTOR抑制剂paxalisib联合使用的临床前证据也为适应性II期PNOC022试验提供了依据。然而，患者中观察到的多变且往往短暂的反应引发了一个核心未解问题：哪些分子程序驱动DMG在治疗压力下的适应、演进和耐药？
癌症可以被视为一个随时间变化的动态系统。通过分析时间序列转录组数据，可以绘制肿瘤细胞在不同分子状态间移动的图谱。治疗耐药在细胞转变为稳定的耐药细胞状态（即吸引子状态）时出现。基于图的方法可以重建这些演进轨迹并识别与耐药相关的吸引子状态，为发现生物标志物和新的治疗脆弱性提供强大框架。在肿瘤内部，转录上不同的恶性状态表现出不同的治疗敏感性，使得相对耐药的群体在治疗后能够持续存在并扩增。治疗暴露也可能通过选择预先存在的细胞状态或亚群来重塑肿瘤组成，同时诱导适应性转录和染色质状态转变。表型可塑性同样已成为高级别胶质瘤（HGG）耐药的核心驱动因素，使恶性细胞能够动态地在细胞状态间转换、再激活发育程序并采用替代分化状态。肿瘤微环境（TME）的信号通过动态细胞-细胞通讯网络促进适应性反应。
转录组提供细胞身份和潜在信号程序的功能读数，为肿瘤异质性和治疗适应提供见解。单细胞RNA测序（scRNA-seq）解析转录上不同的细胞群体，但丢失空间背景并可能引入解离相关偏倚，而空间转录组学保留组织结构，通常以转录深度为代价。解释这些互补的高维数据集需要能够模拟肿瘤动态和治疗反应的复杂计算方法。机器学习（ML）是人工智能（AI）的一个子集，涵盖从数据中学习模式和关系以支持分类、预测和生物学发现的计算方法。方法可以是监督的（使用标记示例）或无监督的（无需先验标签即可识别模式）。在转录组学中，ML和深度学习（DL）方法越来越多地用于降维、细胞分类、表征学习、网络推断和扰动-反应建模。DL是ML的一个子集，采用多层神经网络架构，如自编码器和图神经网络（GNN），学习细胞状态和空间关系的复杂非线性表征。与通常将每个细胞或基因表示为独立特征向量的传统ML方法不同，GNN及相关架构（如图卷积网络（GCN）和图注意力网络（GAT））直接将细胞间或基因间的结构关系纳入模型。最优传输（OT）为跨条件、时间点或空间位置的细胞概率分布耦合提供了数学框架，越来越多地用于推断细胞状态转变和时空动态。
本综述概述了利用单细胞和空间分辨转录组数据模拟治疗压力下肿瘤适应的计算框架，特别强调其与DMG的相关性。肿瘤演进的转录组特征被分为四个轴线：i）细胞群体组成性转变，确定哪些细胞群体或状态在治疗下存活；ii）功能状态重塑，捕获持续细胞中表达的转录程序；iii）恶性细胞可塑性，模拟细胞状态间的转变；iv）细胞间通讯网络，推断支持治疗耐药的信号相互作用。
细胞群体的组成性转变
DMG包含多种恶性细胞状态，以OPC样为主，同时存在少突胶质细胞样（OC-like）、星形胶质细胞样（AC-like）和间充质样（MES-like）群体。这些状态的相对丰度和空间组织因患者、解剖位置和发育背景而异，并进一步受治疗重塑。由于丰度以相对比例测量，一个群体的耗竭最终导致其他群体的表观富集。此外，传统聚类方法可能通过将细胞强制归入离散组而忽视治疗诱导的变化，即使细胞状态通常存在于连续体中。为此，已开发统计和ML框架来模拟差异丰度，同时考虑样本水平变异和组成效应。在各种方法中，如Milo，细胞状态在k-最近邻图中表示为"邻域"，能够检测响应性中间状态。在肿瘤学中，这一策略已揭示与疾病特异性亚组相关的祖细胞样和增殖性肿瘤群体。最近，基于ML的方法（包括Cellograph）已被开发用于识别跨复杂生物学条件的治疗响应和耐药细胞状态。
组成变化在肿瘤中通常并非均匀分布，而是空间组织在由特定细胞组成、结构和细胞-细胞相互作用定义的区域中，通常称为微环境龛。在DMG中，增殖性OPC样和OC样细胞倾向于在分裂龛内聚集，周围是更分化、非增殖的AC样细胞。MES样肿瘤细胞与血管细胞和SPP1+/GPNMB+髓系细胞共定位，构成免疫抑制龛。新兴方法如NicheCompass有助于阐明治疗如何通过识别新龛和龛特异性相互作用来重塑肿瘤结构。
功能状态重塑
功能状态重塑描述细胞群体内转录程序和调控网络的变化，而不改变细胞身份。这一区分很重要，因为细胞群体可能在治疗后持续存在，同时经历深刻的治疗压力响应重编程。此外，此类变化可能局限于空间上不同的龛。捕获这种重塑可能揭示仅靠组成分析无法检测的耐药机制。
H3K27M突变驱动DMG中广泛的代谢重编程，创造了对特定代谢程序的依赖，构成治疗脆弱性。然而，治疗暴露引起的这些通路适应性变化也可能赋予耐药。例如，使用phenformin抑制氧化磷酸化可延长临床前模型中的生存期，尽管肿瘤最终通过激活包括胆固醇合成在内的替代代谢通路而适应。同样，DMG-H3K27M细胞表现出对嘌呤代谢的强烈依赖。放疗后，DMG通过上调嘌呤补救途径适应。靶向次黄嘌呤-鸟嘌呤磷酸核糖转移酶（HGPRT）联合放疗在小鼠模型中产生持久反应。然而，当前研究通常提供治疗反应的静态快照，限制了对肿瘤适应过程中转录和调控程序动态重塑的洞察。
为应对这一挑战，已开发计算方法来识别基因程序和调控网络在治疗和疾病进展过程中如何被重塑。包括RECODR在内的方法可以检测通路活性变化，揭示治疗诱导的依赖性，识别驱动治疗适应的转录因子和调控回路。TransMarker和CancerTrace等工具可以重建动态调控网络，以识别与这些转录变化相关的候选基因和通路。
为表征TME，空间转录组学显示局部龛如何塑造DMG转录程序。由于空间测量捕获细胞类型混合物，C-SIDE等方法通过考虑细胞组成来识别细胞类型特异性表达模式。补充该方法，SPATA2等工具提供空间方法推断组织中基因表达梯度，无需建立精确边界，能够评估从感兴趣区域（如肿瘤核心到浸润边缘）的渐变变化。
肿瘤可塑性
可塑性是胶质恶性肿瘤的标志，使恶性细胞能够响应发育、环境或治疗线索在转录状态间转变。在DMG中，H3K27改变与代谢重编程相关，增加α-酮戊二酸水平——组蛋白去甲基化酶的关键辅因子——从而强化H3K27低甲基化。Dordaviprone破坏线粒体稳态并改变α-酮戊二酸可用性，部分恢复H3K27甲基化，证明表观遗传状态在治疗上是可修饰的。治疗诱导的表观遗传重塑可能因此促进恶性细胞状态间的动态转变。
轨迹推断方法（如Monocle和Slingshot）沿代表更动态生物学过程的转录连续体对细胞进行排序。在DMG中，这些方法已识别多个OPC样恶性细胞状态，其分化程度不同，包括更不成熟的OPC-like-2和OPC-like-3群体以及更谱系定向的OPC-like-1群体。这些状态的相对丰度因解剖位置而异。在DIPG模型中，这些分析揭示了耐药相关轨迹，提示细胞命运重编程模型，并识别三联治疗后的耐药MES样和有丝分裂群体。然而，静态表达谱的伪时间估计提供模糊的时间排序，无法直接评估转变方向性、分化速率或更复杂的细胞状态变化模式。
因此，开发了基于RNA速度的方法，利用深度生成模型，基于剪接与未剪接mRNA比率重建轨迹方向。为模拟不同时间点的复杂扰动，PRESCIENT模拟扰动后潜在的未来细胞状态分布。最近，GRNvelo整合基因调控网络动态与速度样信息来模拟细胞命运反应。CytoTRACE2提供可解释的DL框架，能够预测细胞的绝对分化潜能，范围从多能到终末分化群体。
DMG细胞与其周围微环境的近端相互作用促进细胞重编程。最近的ML和OT方法（包括STIFT、Moscot和STORIES）能够在纵向转录组数据集中重建细胞轨迹，同时保留空间背景。SOCS等方法进一步将高阶组织结构纳入这些分析。应用于DMG，这些方法可以揭示治疗诱导的状态转变发生位置，识别促进适应的细胞龛，并确定耐药细胞状态是源于预先存在的群体还是由治疗诱导。
细胞间通讯网络
治疗暴露挑战恶性细胞的内在生物学，但其适应并非孤立发生。肿瘤行为受与其周围微环境交换的信号塑造，包括神经元-胶质瘤连接性，这在DMG的胶质瘤发生中日益被认识。DMG的TME以稀疏浸润淋巴细胞和肿瘤相关髓系细胞为主为特征，由肿瘤本身积极塑造。配体-受体（L-R）共表达网络推断工具（如CellChat和CellPhoneDB）的应用已揭示广泛的DMG-髓系通讯，包括IGSF11-VISTA免疫检查点轴。然而，这些方法依赖预定义群体和精选L-R数据库，可能掩盖簇内异质性和未表征信号对之间的相互作用。
因此，出现了在单个细胞间推断通讯、预测从头L-R对并实现多样本比较的计算框架。使用监督对比学习，scComm重建跨不同条件的细胞-细胞通讯谱，而CELLetter整合大语言模型、L-R共表达和下游转录因子活性来预测新的、上下文特异的L-R对。基于张量的方法（包括Tensor-cell2cell）通过同时考虑细胞群体间相互作用、L-R对以及治疗或时间等变量，跨多个生物学背景建模通讯。由于旁分泌和并置分泌信号需要直接空间邻近性，基于OT的方法如COMMOT可以推断邻近细胞间的通讯网络，从而识别可能促进侵袭、可塑性或治疗反应的TME相互作用。最近，基于GNN的方法包括CellNEST可以通过识别邻近细胞间的L-R相互作用并跨多细胞龛追踪信号通路来重建空间通讯网络。为捕获生物信号传导的方向性，DualCellChat从空间坐标构建有向图，推断细胞作为发送者和接收者的角色。应用于DMG，这些方法可以识别驱动细胞可塑性、免疫抑制和治疗耐药的TME相互作用。
