Hydrocortisone Acetate

背景：帕金森病与蛋白质稳态的失衡 帕金森病（PD）是一种常见的神经退行性疾病，患者逐渐出现运动功能障碍和认知损伤。目前全球有超过600万患者，但尚无根本性治愈手段。帕金森病的大脑病理特征之一是路易小体（Lewy body）的形成，这些异常蛋白质包涵体主要由α-突触核蛋白（α-synuclein, 简称α-Syn）聚集而成。大量研究认为，不管是小寡聚体还是纤维状的大聚集体，α-Syn聚集体都有神经毒性，会损伤多巴胺能神经元。因此，α-Syn本身一直是帕金森病药物研发的重要靶点。然而，直接针对α-Syn的疗法（比如抗α-Syn抗体等）在临床上进展并不理想，这提示我们需要更深入理解α-Syn聚集背后的调控机制。 在细胞正常状态下，α-Syn等蛋白质的生成、折叠、运输及清除由细胞内的蛋白质稳态网络（proteostasis network, PN）精细调控。这个网络包含分子伴侣、蛋白酶体、自噬等多条通路，负责保持蛋白质正常构象并清除异常或损伤的蛋白。简单来说，蛋白质稳态就是细胞维持蛋白质“质量控制”的能力。随着年龄增长，蛋白稳态网络功能会下降，细胞清除错误折叠蛋白的效率降低，被认为是神经变性病易感性增加的原因之一。对于帕金森病，研究表明患者细胞中清除α-Syn的机制受损，使α-Syn无法维持正常的平衡状态。也就是说，帕金森病可能是蛋白质稳态网络失衡导致α-Syn异常积累的结果。 那么，α-Syn的蛋白稳态网络具体由哪些要素组成？这些调控因子如何影响α-Syn聚集？最近，剑桥大学的研究者在《PNAS》发表了一项题为：The α-synuclein proteostasis network and its translational applications in Parkinson’s disease的研究，他们绘制了人类黑质组织中的α-Syn蛋白稳态网络，并构建了一个“蛋白稳态活性评分”来量化该网络在不同条件下的状态。更有意思的是，他们将这个网络模型打造成“数字孪生”进行体外模拟，用于筛选潜在干预靶点和可再利用的药物。这项研究为帕金森病等蛋白质错误折叠疾病提供了一套全新的数据分析框架和加速研发思路。下面我们就来深入解读这一研究的核心内容。 α-突触核蛋白的蛋白稳态网络构建 作者首先系统地构建了α-Syn的蛋白稳态调控网络，即找出细胞内直接影响α-Syn折叠和清除的所有关键因子。具体步骤包括：从权威数据库中提取所有已知的蛋白质稳态相关蛋白，筛选其中与α-Syn存在直接功能交互的蛋白，将其定义为“一阶调节因子”。这些一阶因子通过查阅文献被进一步归类为“促聚集”或“抑聚集”两类，即它们的功能是促进α-Syn聚集还是帮助抑制/清除α-Syn聚集物。这样就初步得到一个针对α-Syn的蛋白稳态子网络。接下来，研究者利用6个独立的帕金森病患者黑质转录组数据库，分析PD患者相对于对照者在基因表达层面与α-Syn失衡相关的变化。他们计算了每个基因相对于SNCA基因（编码α-Syn）的表达比值，找出了在至少一半的PD队列中都发生显著改变的基因共108个。这些基因可以看作是在帕金森病状态下与α-Syn失衡“一致性紊乱”的分子。将这108个基因与前述α-Syn一阶网络进行整合，筛选出其中与网络中蛋白有直接作用关系的部分，共21个，将其并入最终的α-Syn蛋白稳态网络。最终网络一共包含约60个蛋白质，涵盖α-Syn清除途径中的主要调节因子。值得一提的是，这些直接调控α-Syn稳态的蛋白大多涉及细胞蛋白降解系统，包括三条重要途径：伴侣介导的自噬(CMA)，泛素-蛋白酶体系统(UPS)以及自噬-溶酶体途径(autophagy-lysosome pathway, ALP)。这三条通路都是细胞清除α-Syn的关键：例如CMA途径中，分子伴侣将α-Syn送入溶酶体降解，但突变的α-Syn会阻塞CMA受体从而抑制该途径；UPS途径负责泛素标记后降解错误折叠蛋白；ALP途径则通过大自噬清除较大蛋白聚集体，研究显示抑制自噬会加速α-Syn积累，而激活自噬有助于清除α-Syn包涵体。因此，网络中的这些调节因子共同决定了α-Syn是在正常被清除，还是逐渐聚集成毒性包涵体。帕金森病患者中，这些通路功能的失衡被认为是导致α-Syn异常堆积的主要原因。 图1：α-突触核蛋白蛋白稳态网络的构建与分析框架。(A)作者首先收集α-Syn的直接互作蛋白（一阶调节因子），根据文献证据将每个蛋白归类为“促聚集”或“抑聚集”（分别以红色和蓝色表示）。(B)将6个PD患者黑质转录组数据中相对于SNCA表达显著失调的基因并入网络，得到最终的α-Syn蛋白稳态网络。一阶调节因子按功能分属三大降解途径：伴侣介导自噬(CMA)、泛素-蛋白酶体系统(UPS)和自噬-溶酶体途径(ALP)。(C)基于该网络定义蛋白稳态活性评分PAS，用于定量描述网络整体向“促聚集”还是“抑聚集”方向的偏移程度。(D)利用该α-Syn稳态网络及PAS评分，可进一步进行疾病状态分析、靶点优先级排序和药物再利用筛选等研究。蛋白稳态活性评分（PAS）揭示疾病特征 有了α-Syn蛋白稳态网络后，研究团队定义了一个定量指标来评估网络的活性状态——α-Syn蛋白稳态活性评分（proteostasis activity score，PAS）。通俗来说，PAS综合了网络中所有促聚集和抑聚集因子的表达活性，用一个数值表示当前网络是偏向于“促使α-Syn聚集”还是“有利于α-Syn清除”。那么这个分数在帕金森病患者身上有何意义呢？研究者将PAS应用于多个数据集进行验证，结果发现：帕金森病患者的大脑黑质组织PAS显著高于健康对照（图2A）。也就是说，患者的大脑环境相对于正常人更偏向于促进α-Syn异常聚集。这一结果在四个独立的转录组队列中均得到一致验证，表明PAS可以作为疾病状态的一个指示。进一步，在PD患者内部进行比较时，PAS较高的患者往往去世年龄更早（图2B），提示蛋白稳态网络失衡程度可能与疾病严重程度相关。这暗示PAS有潜力成为一种预后指标：网络越朝聚集方向倾斜，疾病可能进展越快、患者寿命越短。 有趣的是，PAS还揭示了不同神经组织对α-Syn病理的易感性。在帕金森病患者中，外周神经系统（比如迷走神经）的PAS普遍高于中枢神经系统（图2C）。这和临床观察相符：迷走神经等外周神经往往较早出现α-Syn病理改变，可能是因为它们内在的蛋白稳态平衡更容易被打破，呈现更强的“促聚集”倾向。相反，在健康个体中，不同脑区的基础PAS水平与其PD易感性呈负相关（图2D）。也就是说，那些在PD中容易首先累及的脑区，在健康时往往其蛋白稳态能力就较弱，PAS基线值反而更低。例如负责肠道连接的迷走神经、某些脑干区域，其稳态网络基础活性低，可能意味“抗聚集”能力弱，因此更易沉积α-Syn发生病变。而大脑皮层等对PD相对“耐受”的区域，其稳态网络基础活性更高，清除错误折叠蛋白的能力更强，不易出现病理累积。这一发现支持了帕金森病的“阈值”学说：每个组织都有发生α-Syn病变的阈值，先天蛋白稳态功能弱的区域阈值低，更早越过阈值而出现病变。总的来说，PAS提供了一个量化指标来评估蛋白稳态网络状态，并有效关联疾病发生发展特征。在未来，PAS有希望发展为疾病分型或风险评估的数字生物标志物，辅助帕金森病的精确诊断和监测。 图2：α-Syn蛋白稳态活性评分（PAS）揭示疾病状态和易感性差异。(A)多个队列显示PD患者黑质组织的PAS显著高于年龄匹配的健康对照，表示患者α-Syn稳态网络更偏向促聚集状态。(B)在PD患者内部，PAS高者的死亡年龄更小，提示网络失衡与疾病恶化相关。(C)对于PD患者，不同组织的PAS存在差异：外周神经系统（PNS，如迷走神经）的PAS高于中枢神经系统（CNS），与PD中迷走神经较早出现病理的现象一致。(D)在健康人群中，各脑区的基础PAS水平与该区域对PD病变的易感程度呈负相关：即更易受PD累及的区域，其健康状态下PAS基础值反而更低，可能意味着先天蛋白稳态能力较弱。图中统计学检验均采用Wilcoxon秩和检验，P<0.05具有显著性差异。数字孪生模型助力关键靶点发现 在构建网络并验证了PAS的价值后，研究者进一步探讨：如何利用这一网络来寻找潜在治疗靶点？他们的思路是，网络中“影响力”最大的节点，可能对α-Syn稳态平衡起到举足轻重的调节作用，因而是干预的理想靶点。那么如何衡量一个蛋白节点在网络中的影响力呢？作者借助了两种网络分析算法：热扩散（heat diffusion）和个性化PageRank（PPR）。简单理解，热扩散分数代表一个蛋白在网络上传播信号的能力，就像加热网络某一点后热量向周围传递的广度；而PageRank分数衡量节点本身连接的重要性。结果显示，一些蛋白在这两种评分上都名列前茅，说明它们既是网络的“中央枢纽”，又能有效影响周围节点，被称为“主调控者”或“信号模块”。这些高影响力蛋白可能在α-Syn蛋白稳态中扮演“指挥官”的角色。 令人惊喜的是，在α-Syn稳态网络的约60个蛋白中，已有一半以上（33个）被现有研究认为是PD的药物靶点（收录于Open Targets等数据库）。这说明本研究构建的网络高度富集了与疾病相关的关键蛋白，验证了方法的有效性。而在那些网络影响力最大的节点中，有6个此前并未被报道为PD相关靶点。它们分别是：PIK3CD（一类参与细胞信号的激酶）、KIAA0319（与神经发育相关）、HSPA2（分子伴侣家族蛋白）、TBC1D4（调节细胞内吞途径）、IMP4（RNA结合蛋白）和VPS37C（内涵体分类相关蛋白）。这些名字拗口的分子之前可能鲜有人关注，但网络分析揭示它们可能是“沉睡的巨人”——在α-Syn病理调控中具有重大作用的新型靶点。为了验证这一点，作者利用他们建立的黑质数字孪生模型对这些靶点进行了模拟干预实验。 所谓数字孪生模型，在这里可以理解为一个根据黑质细胞实测数据建立的计算机虚拟细胞网络。研究者使用单细胞转录组数据构建了黑质细胞的基因共表达网络模型，捕捉α-Syn稳态网络中各蛋白之间的关联关系。这个模型并非时间动态模拟，而是基于稳态相关性的静态网络近似，用于生成假说而非精准预测。尽管如此，它允许我们在计算机中模拟“如果这个基因上调或下调，会发生什么”。作者首先测试了几个已知和PD相关的重要基因，结果和生物学常识一致：下调负责清除α-Syn的PARK7（DJ-1基因）会显著升高PAS，说明网络向促聚集方向偏移，这与PARK7功能缺失导致α-Syn毒性升高的报道相符；相反，上调促进α-Syn降解的STUB1或RET会降低PAS、增强清除趋势。这些验证让模型更可信。接着，作者对上述6个新提出的候选靶点进行了模拟干预：结果发现，下调（抑制）TBC1D4、PIK3CD和VPS37C这三个基因能够使PAS显著下降，也就是将网络状态朝有利于α-Syn清除的方向推进。相反，如果模拟过度表达（激活）它们，PAS会进一步升高，意味着网络更偏向聚集。由此可见，抑制这些靶点有潜力成为减缓α-Syn聚集的策略。而这三个基因在患者脑内往往相对α-Syn表达上调，支持了它们在病理状态下的促聚集作用。综上，网络分析结合数字孪生模拟，成功筛选出多个以前未被关注却可能影响帕金森病病程的新靶点。这些发现为研发新的干预手段（如小分子抑制剂或基因疗法）指明了方向。 图3：基于网络影响力的候选靶点优先级筛选。(A)对α-Syn蛋白稳态网络中每个节点计算两种“影响力”指标：热扩散分数和PageRank分数。在散点图中同时高分的蛋白位于右上角，代表既是网络中心枢纽又能有效传播信号，被视为“主调控者”（master regulators）。(B)网络共计60个蛋白节点，其中33个（约55%）已在PD中被研究为药物靶点（如Open Targets数据库所收录）。(C)那些高影响力的关键蛋白往往在Open Targets等数据库中也具有较高的PD关联优先级评分，表明网络分析与已知证据高度一致。(D)在高影响力蛋白中，有6个此前未被报道为PD靶点的新蛋白（红字标示），包括PIK3CD、KIAA0319、HSPA2、TBC1D4、IMP4和VPS37C。(E)利用黑质数字孪生模型模拟基因表达的上调或下调对PAS的影响，发现抑制上述部分候选基因（如TBC1D4、PIK3CD、VPS37C）可以降低PAS（柱状图为Cohen’s d效应量，蓝色表示PAS下降，红色表示升高），即网络朝抑制α-Syn聚集方向转变，提示这些基因的抑制剂有望作为新的干预手段。相反，上调这些基因则使PAS升高。模拟结果与已知的对照基因（如PARK7的下调导致PAS上升，UCHL1的上调导致PAS上升等）相符，增加了结果的可信度。蛋白稳态网络指导“老药新用”筛选 有了潜在的新靶点，作者更进一步，探讨能否利用α-Syn稳态网络来寻找现有药物的新用途。这一思路源于药物再利用（Drug Repurposing）概念：很多已获批或临床试验中的药物可能通过调节蛋白稳态网络而对帕金森病有益，如果能筛选出此类化合物，将大大加速新疗法开发。传统的新药筛选需要针对细胞或动物模型逐一测试成百上千种化合物，耗时耗资。该研究则利用公开的大型药物基因表达数据库LINCS，结合PAS指标来高通量筛选可能有用的药物。具体做法是：首先在LINCS数据库中选择合适的细胞模型，要求这些细胞的α-Syn稳态网络状态与PD尽可能相似（即PAS偏高，网络倾向促聚集）。研究者从Human Protein Atlas数据库的数百种细胞系中计算PAS，选出PAS值最高且在LINCS里有大量药物处理数据的两种细胞系——一种是人T淋巴细胞白血病Jurkat细胞，另一种是人胚肾HEK293细胞。尽管它们不是神经元细胞，但文献报道这两种细胞在帕金森研究中具有一定相关性，可作为便捷的药物初筛模型。接下来，作者提取了这两种细胞在不同小分子药物处理下的基因表达变化数据（分别涵盖约1000种药物，每种药物多个浓度条件）。对于每一种药物，他们计算在逐渐增加剂量时细胞PAS的变化趋势。如果一种药物随着剂量增加持续降低PAS，就意味着它抑制了α-Syn稳态网络的促聚集活性，将网络朝有利于清除聚集的方向拉动，被定义为“网络抑制剂”。相反，如果药物使PAS升高，则被视为可能加剧聚集的化合物。在两种细胞系的数据中，共有813种药物是重复测试的，最终发现其中435种对PAS的影响在两种细胞中一致。进一步筛选出28种药物在两种模型中都呈现剂量依赖的PAS下降（且相关系数显著）。换言之，这28种化合物是有希望的α-Syn稳态网络抑制剂，预测它们能促进α-Syn的降解清除、抑制有害聚集。 那么这些候选药物是什么呢？令人欣慰的是，大约30%（8种）药物在文献中已经有帕金森病模型中的积极效果报道。这从一个侧面验证了本筛选方法的有效性——它成功“捞出了”一些业内熟知的有前景的PD用药候选。例如：他克莫司（Tacrolimus，一种免疫抑制剂，原用于器官移植抗排斥），有研究发现低剂量他克莫司可改善帕金森模型小鼠多巴胺能神经元的功能和行为症状。萨克列汀（Saxagliptin，2型糖尿病口服药DPP4抑制剂），被证实在大鼠帕金森模型中能显著改善运动能力和肢体协调，因此有学者提出可将其“移植”为帕金森病的新型治疗策略。艾地苯醌（Idebenone，一种抗氧化剂，原用于阿尔茨海默症等认知障碍），研究显示其可改善帕金森模型小鼠的运动功能和学习记忆，并减少神经炎症。氢化可的松（Hydrocortisone，糖皮质激素）则被报道可保护细胞模型中的多巴胺神经元免于死亡。其他还有匹那地尔（Pinacidil，降压药，具有抗炎作用）、巴维萨特（Bavisant，原为抗躁动/注意力缺陷的药物，已进入帕金森症状干预的临床II期）、米那普林（Minaprine，一种老抗抑郁药，被CheBI数据库收录为抗帕金森化合物）以及帕唑帕尼（Pazopanib，抗肾癌靶向药，在帕金森小鼠中表现出抗炎和神经保护作用）等。这些来自各领域的“老药”如今因为对蛋白稳态网络的作用而被赋予了帕金森病治疗的新潜力。研究团队对这28种候选药物按效果大小进行了排序，建议优先关注其中网络影响显著且安全性明确的化合物，并尽快推进细胞和动物模型试验验证它们对帕金森病病理的影响。 图4：基于PAS的药物基因表达分析筛选网络抑制剂。(A)从Human Protein Atlas数据库中筛选出SNCA表达水平较高的细胞系，并计算其PAS，将蛋白稳态网络促聚集活性较强（PAS较高）的细胞系作为模型优先候选。作者选定了Jurkat（人T细胞系）和HEK293（人肾细胞系）两种细胞模型用于药物筛选，它们在LINCS数据库中有大量药物处理数据。(B,C)对每种细胞，获取数百种小分子药物处理后基因表达的数据，与DMSO对照组比较，计算每种药物引起的PAS变化ΔPAS，且考察不同剂量下ΔPAS的变化趋势。若随药物浓度升高ΔPAS持续为负值，说明该药物剂量依赖性降低PAS。(D)在两种细胞中都有数据的813种药物中，有435种对PAS的影响一致。其中共有28种药物在两细胞模型中都呈剂量依赖的PAS降低，被判定为α-Syn蛋白稳态网络的抑制剂（即可促进α-Syn清除、抑制聚集的化合物）。(E)将这28种候选药物按在两细胞系中的平均效果强度进行排名，顶端包括一些已有研究提示对帕金森有益的药物（如图中标出的Tacrolimus、Saxagliptin、Idebenone、Hydrocortisone、Pazopanib等）。这些药物涵盖免疫抑制剂、代谢调节剂、激素、离子通道调节剂等多种类型，均为已上市或临床阶段的化合物，有望通过“老药新用”较快速地转化到帕金森病临床研究。展望：从蛋白稳态网络到帕金森精准医疗 这项研究搭建了帕金森病蛋白质稳态的“网络模型”，并成功应用该模型挖掘出新的疾病机制洞见和治疗线索。通过将多组学大数据（蛋白组+转录组）整合，作者绘制了α-Syn在细胞内被调控和清除的全景图，进而用定量评分刻画网络功能状态，关联疾病表型。结果证明，蛋白稳态网络的失衡程度能够反映疾病状态和进程：帕金森病患者的大脑蛋白稳态网络更偏向失调，且这一指标和患者预后、不同组织易感性都有相关。更重要的是，研究展示了一条全新的研发路线：基于此类疾病相关网络，利用计算机模型进行靶点和药物筛选。他们构建的黑质数字孪生使研究者能够在“硅板”上模拟基因的上调/下调，就像在真实细胞中做遗传实验一样，高效地优选出最值得深度验证的靶点。例如本研究中提出的TBC1D4等6个新靶点，如果在后续实验中证实可行，将为研发全新机制的帕金森疗法铺平道路。类似地，通过分析公共药物基因表达数据库，他们在无需进行任何湿实验的情况下，就一次性从上千种化合物中筛出了数十个可能有益的候选，为“老药新用”提供了宝贵线索。已有约8种药物在动物模型中被证实有效，这些药物完全可以在短期内推进临床研究，从而大大缩短药物开发周期、降低开发成本。可以预见，随着更多疾病蛋白稳态网络被绘制和利用，这种数据驱动的干预发现模式将成为神经退行性疾病精准医疗的重要工具。对于制药企业的研发团队而言，这项研究提供了一个范例：充分利用生物大数据和网络模型，可挖掘出传统实验难以发现的新靶点，并加速已有药物在新适应症上的转化。展望未来，将蛋白质稳态调控作为切入点，辅以数字孪生模拟和AI分析，有望在帕金森病乃至阿尔茨海默病等一系列蛋白质错误折叠疾病中开辟出全新的诊疗策略，加速破解这些疑难病症的谜题。 原文链接：https://www.pnas.org/doi/abs/10.1073/pnas.2513317123