Cell子刊：上科大劉雪松團隊開發(fā)DeepMeta模型，為不可成藥癌癥預測代謝靶點

熱門推薦： DeepMeta , 圖深度學習 , 癌細胞 ,

作者：王聰來源：生物世界

2025-07-14

腫瘤細胞的代謝重編程與腫瘤進展的若干過程密切相關，包括腫瘤細胞的轉(zhuǎn)化啟動、增殖和轉(zhuǎn)移，被認為是癌癥的特征之一。

腫瘤細胞的代謝重編程與腫瘤進展的若干過程密切相關，包括腫瘤細胞的轉(zhuǎn)化啟動、增殖和轉(zhuǎn)移，被認為是癌癥的特征之一。代謝重編程提高了腫瘤細胞的適應性，并賦予它們相對于其他細胞的選擇性優(yōu)勢，從而增加了腫瘤細胞在應激條件下存活的概率。反過來，這些代謝適應使得癌細胞依賴于特定的代謝途徑，從而產(chǎn)生可進行治療性探索的弱點。

基因突變是癌癥的主要驅(qū)動因素，一些癌癥驅(qū)動基因突變（例如 EGFR-L858R 和 BRAF-V600E）已成功開發(fā)靶向治療藥物。然而，還有許多反復出現(xiàn)的癌癥驅(qū)動基因突變（例如 CTNNB1、MYC 和 TP53）會產(chǎn)生缺乏小分子能高親和力結合的可及性疏水口袋的突變蛋白，因此被認為是不可成藥靶點或難成藥靶點。

許多癌癥驅(qū)動基因突變可導致代謝改變，因此，通過利用代謝依賴性間接靶向這些癌癥驅(qū)動基因突變可能是一種有吸引力的癌癥治療策略。然而，針對癌細胞這些代謝脆弱性的系統(tǒng)性研究，仍顯不足。

近日，上?？萍即髮W劉雪松團隊在 Cell 子刊 Cell Reports 上發(fā)表了題為：Precise metabolic dependencies of cancer through deep learning and validations 的研究論文。

該研究開發(fā)了一種基于圖深度學習（Graph Deep Learning）的代謝脆弱性預測模型--DeepMeta，能夠基于轉(zhuǎn)錄組和代謝網(wǎng)絡信息準確預測癌癥樣本的依賴代謝基因，可為那些具有不可成藥驅(qū)動突變的癌癥提供代謝靶點。

上?？萍即髮W劉雪松團隊在 Cell 子刊 Cell Reports 上發(fā)表了題為：Precise metabolic dependencies of cancer through deep learning and validations 的研究論文。

癌細胞表現(xiàn)出代謝重編程以維持其增殖，這也產(chǎn)生了正常細胞中不存在的代謝弱點。雖然之前的一些研究確定了癌細胞中特定的代謝依賴性，但仍缺少系統(tǒng)性見解。

在這項新研究中，研究團隊構建了一個基于圖深度學習（Graph Deep Learning）的代謝脆弱性預測模型--DeepMeta，該模型能夠基于轉(zhuǎn)錄組和代謝網(wǎng)絡信息準確預測癌癥樣本的依賴代謝基因。

DeepMeta 的性能已通過獨立數(shù)據(jù)集得到了廣泛驗證。研究團隊使用 DeepMeta，通過癌癥基因組圖譜（TCGA）數(shù)據(jù)集，對"不可成藥"的癌癥驅(qū)動性改變的代謝脆弱性進行了系統(tǒng)性探索。值得注意的是，實驗已證實 CTNNB1 T41A 激活突變對嘌呤/嘧啶代謝抑制劑具有敏感性。從 TCGA 中預測出嘧啶代謝依賴性的患者對阻斷該嘧啶代謝途徑的化療藥物表現(xiàn)出顯著改善的臨床反應。

該研究的亮點：