RHO GTPases

DRUGAI尽管蛋白–蛋白相互作用图谱已取得显著进展，其在不同组织中的特异性仍研究不足。在本研究中，研究人员基于蛋白质共丰度可预测功能关联的前提，整合并分析了来自11个人体组织的7,811个蛋白质组学样本的蛋白丰度数据，构建了一个组织特异性的蛋白相互作用图谱。研究人员发现，该方法不仅能复现已知的蛋白复合物，还能揭示细胞的更大结构组织。稳定蛋白复合物的相互作用在各组织中高度保守，而细胞类型特异性的结构（如突触成分）则是组织间差异的重要驱动因素。研究结果显示，超过25%的蛋白关联具有组织特异性，其中不到7%可归因于基因表达差异。针对脑组织，研究人员通过突触体的共分级实验、脑源拉下数据的人工整理以及AlphaFold2结构建模，对蛋白相互作用进行了验证。进一步地，研究人员还构建了与精神分裂症相关基因的脑组织相互作用网络，表明该方法可用于在与脑疾病相关的基因座中功能优先筛选候选致病基因。蛋白–蛋白相互作用决定了细胞的物理结构和功能，其异常可能导致疾病。尽管近年来质谱技术和高通量筛选方法的进步推动了蛋白互作的研究，现有数据库多为不具上下文的全局互作信息，而实际互作在不同组织或细胞状态中具有高度特异性，且不到一半的蛋白可在所有组织中检测到。为理解细胞类型特异功能、识别药物靶点以及构建系统级细胞模型，明确蛋白互作的组织特异性至关重要。以往研究常借助基因表达数据推测组织特异性互作，但mRNA共表达对预测蛋白互作的准确性有限。相比之下，蛋白共丰度（coabundance）被证明更能准确预测蛋白关联，因为复合物亚基往往协同表达并以特定化学计量组装，未配对亚基则倾向降解。在本研究中，研究人员基于7,811个人体样本的蛋白质共丰度数据，构建了涵盖11种组织、约1.16亿对蛋白的组织特异性蛋白关联图谱。该图谱不仅复现了已知复合物，还揭示了功能模块间的关系，并为疾病相关基因提供了上下文关联线索。研究人员以脑组织为例，结合多种互补数据验证该图谱在组织特异性致病基因和互作优先排序中的应用价值。研究结果基于蛋白共丰度的全基因组蛋白关联评分研究人员首先收集了癌症队列的蛋白质丰度数据，汇总了来自14种人体组织的50项蛋白质组学研究，包含5,726个肿瘤样本和2,085个邻近健康组织样本，并配套收集了其中2,930个肿瘤样本和722个健康样本的mRNA表达数据。利用蛋白复合物成员在转录和翻译后水平的共调控特性，研究人员计算了基于丰度数据的蛋白–蛋白关联概率。具体而言，先对数据进行对数转换和中值归一化，再在每项研究中对至少在30个样本中被共同检测的蛋白对计算皮尔逊相关系数。随后，以已知蛋白复合物亚基为正例（来自CORUM数据库），利用逻辑回归模型将相关性估计转换为蛋白关联概率。通过与蛋白共分级和mRNA共表达等方法对比，研究人员发现蛋白共丰度在复现已知蛋白复合物上表现最佳（AUC=0.80），优于蛋白共分级（AUC=0.69）和mRNA共表达（AUC=0.70）。将mRNA与蛋白丰度联合使用并未进一步提升识别能力，且剔除基因表达后所得共丰度估计仍表现良好，提示预测能力主要源于翻译后调控而非基因表达。因此，研究人员最终仅使用蛋白共丰度来计算蛋白关联概率。构建组织特异性蛋白关联图谱研究人员进一步验证了同一组织的不同研究是否能反映一致的组织特征。通过聚类分析，发现相同组织的样本之间具有较高一致性。定义“组织特异性”的蛋白关联为：在某一组织中关联评分高于95百分位且在其他组织中低于0.5。使用“留一法”验证后发现，这些组织特异性关联主要由相应组织的样本所复现，说明组织来源是蛋白关联差异的关键驱动因素。聚合相同组织的研究数据后，研究人员为11个人体组织生成了统一的蛋白关联评分。在已知蛋白互作的复现能力上，组织层级的评分优于任何单个队列，且肿瘤来源数据的表现优于健康组织。这些评分反映了肿瘤的遗传异质性及样本之间的变异。研究人员还利用健康组织得出的特异性关联，用肿瘤样本数据进行验证，结果显示一致性良好，进一步验证了该图谱的可靠性和代表性。最终，研究人员构建了一个涵盖116,000,000对蛋白的组织特异性关联图谱，平均每个组织包含约5,600万对蛋白评分，其中约1,000万对具有较高关联性（评分>0.5），约49万对属于“高可信关联”（评分>0.8）。组织间差异并非由基因表达驱动尽管蛋白互作的前提是基因在组织中被表达，但仅约7%的组织间蛋白关联差异可归因于基因表达差异。因此，蛋白共丰度反映的是翻译后层级的调控，进一步强调其独立于转录水平的预测价值。各组织特异性关联比例在健康组织与肿瘤组织配对比较中，46.3%的“可能关联”以及90.2%的“高可信关联”可被对方组织所复现。而在不同组织间，这些比例分别下降至32.9%和54.6%。研究人员据此估计，约有25.8%的蛋白关联具有组织特异性。各组织复现其特异性细胞组分通过比较组织间的Jaccard相似系数发现，已知蛋白复合物等稳定互作在多个组织间保持一致，而与信号转导或时空调控相关的动态互作则更多体现组织差异。此外，特定组织（如大脑、喉部、肺、肝）中的细胞结构成分（如突触、纤毛、过氧化物酶体）表现出显著的组织特异性，说明这些结构是组织差异的重要来源。图谱揭示细胞类型特异性互作以神经特异的AP2适配蛋白复合物为例，研究人员发现其在大脑中的关联更强，尤其是与突触相关蛋白的互作，而非突触蛋白则在大脑中互作较弱。研究人员还识别出如血红蛋白与贫血、乳糜微粒与克罗恩病、纤维蛋白原与肝病等组织特异的疾病相关互作。组织特异的表型与细胞结构关联进一步，研究人员通过GO注释与OTAR数据库中GWAS基因，系统评估了表型与细胞结构之间的组织特异性关系。例如，在大脑中与强迫症（OCD）相关的15个细胞成分几乎均为神经元特异，且在剔除GWAS已关联基因后，这些成分仍富集药物靶点、小鼠模型致病基因或低置信GWAS基因，说明该方法可用于识别与疾病相关的潜在功能模块。验证精神分裂症相关基因的脑组织互作研究人员构建了一个脑组织中与精神分裂症（SCZ）相关基因的互作网络。将GWAS关联的369个SCZ起始基因与其组织特异性关联基因筛选组合，识别出高置信互作对。进一步使用脑组织中实验验证的拉下质谱互作数据对预测结果进行验证，显示SCZ相关互作在脑组织中显著富集。研究人员从中筛选出205个已验证的脑组织SCZ互作对，并利用AlphaFold2预测其结合结构。其中三个14-3-3蛋白与HCN1之间的互作被高置信预测，且其结合界面位于HCN1的C末端无序区，中心位点S789已被实验证实具有磷酸化依赖性结合能力。此外，该网络中包含15个GWAS位点下的弱置信SCZ候选基因，其与SCZ核心基因的功能互作表明其可能为更可能的致病候选者。基于共分级的突触特异性互作组作为蛋白关联图谱的最终应用，研究人员聚焦于突触的互作网络。为此，研究人员从大鼠脑组织中提取并纯化了突触体（synaptosome），作为验证脑组织蛋白互作的另一种手段。利用尺寸排阻色谱（SEC）将突触体分为75个组分，随后通过液相色谱-质谱联用（LC-MS/MS）进行检测，共鉴定出3,409种蛋白，包括CCT复合物等已知复合物，其组分在不同组分中表现出高度相关性（平均相关系数为0.96）。研究人员对突触体的分级谱图进行了预处理，并计算了4,276,350对蛋白在组分中的共丰度值，以评估它们的共分级程度。为提高互作评分的置信度，研究人员整合了大鼠突触体、体内小鼠脑组织及人类胶质母细胞亚细胞分级的共分级数据，基于所有三套数据中均被检测的直系同源蛋白构建了逻辑回归模型（以CORUM数据库中的复合物为正例）来估算互作概率。最终构建的突触互作组包含1,619种蛋白之间的1,309,771对互作概率，优于任何单独数据的预测能力。该互作组中，24%的蛋白为SynGO数据库标注的突触蛋白，49%在小鼠脑中已被报道为突触富集，56%曾在小鼠突触体的交联-MS中被鉴定。所有已知交联互作在本研究中均被检测，其关联评分显著高于其他蛋白对（0.59 vs 0.37）。此外，突触蛋白之间的互作显著强于非突触蛋白之间的互作，尤其在脑组织中更为明显。验证脑疾病相关基因的突触互作突触富集蛋白之间的互作在脑组织中更可能发生。基于此，研究人员构建了一个仅包含突触蛋白的互作网络，这些蛋白在SynGO数据库中被定义或在小鼠脑中被认为突触富集，同时在大脑中共丰度高、在突触体中共分级概率高。最终得到的网络包含37,318个验证过的蛋白互作，且这些互作主要为脑组织特异性，仅20%在大多数其他组织中被认为是可能互作，仅有极少数被现有蛋白数据库（STRING、HuMAP、IntAct、BioPlex）收录。研究人员进一步筛选与脑疾病相关的突触蛋白互作。这些疾病来源于GWAS研究，相关基因在小鼠表型库（IMPC）或药物靶点数据库（ChEMBL）中有支持，且其关联在脑组织中显著高于其他组织。最终筛选出727个高置信突触互作，这些互作在突触体和脑组织中的关联评分分别为0.7和0.81。研究人员使用AlphaFold2对这727个互作对进行结构预测，发现其预测得分（pDockQ）显著高于CORUM或HuMAP中的已知互作；其中105对具有中等置信度（ipTM > 0.5），部分互作在小鼠突触体的交联-MS中有实验支持。优先筛选脑疾病的突触致病基因在这些互作网络中，研究人员发现部分基因虽然在遗传位点上的证据较弱，但由于其与已知疾病基因存在验证过的突触互作，可能是更有可能的致病基因。例如：ADHD：MDH1、CADPS2、PIK3C3精神分裂症（SCZ）：TOM1L2、AP2B1、PSD3、MYO18A、ATP2B2、TMX2阿尔茨海默病：CLPTM1、MADD孤独症：ATP2B2、ATP2A2单相抑郁症：MADD双相障碍：ATP2A2其中大多数基因在脑组织中的表达位居前列，支持其致病潜力。此外，研究人员还发现某些突触互作对虽非L2G评分最高基因，但具有其他支持证据。例如，PAFAH1B1 与 RHOA 的互作在突触互作图谱中被确认，两者皆与抑郁症相关。虽然PAFAH1B1在其位点上的L2G评分不最高，但其在大脑中的表达更强、更特异，且编码突触蛋白，支持其作为潜在致病基因。这一案例表明，结合亚细胞结构与组织特异性研究，可构建更具生理意义的蛋白互作网络，并助力组织相关疾病基因的筛选。讨论尽管已有大量蛋白互作图谱，但组织间的差异性仍未被全面理解。蛋白共丰度相比mRNA共表达在预测互作方面更为准确。本研究进一步证实其优于传统共分级分析结果。值得注意的是，即使去除由mRNA表达变化导致的丰度差异，也不会显著影响预测性能，说明蛋白互作更多受翻译后调控机制控制，如过量亚基的降解等。研究人员的分析结果具有高度一致性：相同组织的不同队列具有类似的蛋白关联模式，肿瘤组织与健康组织的评分可互相验证，关键复合物在所有组织中均被高质量预测。约46%的可能关联与90%的高置信关联可在健康与肿瘤组织中重现，为组织特异性生物学研究提供可靠假设。研究人员估算约25%的蛋白关联具有组织特异性，而其中因基因表达差异导致的比例仅占7%。细胞类型特异的结构（如突触）是造成组织间蛋白关联差异的重要因素，翻译后修饰也可能是潜在机制之一。最后，该图谱也支持在组织水平上探索性状与细胞结构之间的关系，特别是在脑组织和突触功能方面的应用表现突出。研究人员展示了多个脑相关疾病中与已知致病基因或药物靶点富集的验证互作，并提出了一种基因优选策略，有助于候选药物靶点的识别。组织特异性的网络与AlphaFold2模型的结合为理解疾病机制和靶点筛选提供了整合性工具，且具备提高靶向治疗安全性的潜力。整理 | WJM参考资料Laman Trip, D.S., van Oostrum, M., Memon, D. et al. A tissue-specific atlas of protein–protein associations enables prioritization of candidate disease genes. Nat Biotechnol (2025). https://doi.org/10.1038/s41587-025-02659-z

DRUGAI今天为大家介绍的是来自伦敦癌症研究所癌症生物学系Chris Bakal教授带领团队发表的一篇论文。这项研究介绍了一个名为MorphoMIL的创新计算方法，它结合了几何深度学习（geometric deep learning）和基于注意力的多实例学习（attention-based multiple-instance learning），用于分析细胞及其细胞核的三维形态特征。研究团队采用3D点云数据作为输入，不仅能在单个细胞层面捕捉形态特征，还能分析整个细胞群体的特征，同时考虑了细胞群体中个体差异（表型异质性）。他们对超过95,000个黑色素瘤细胞进行了实验，这些细胞分别接受了具有临床意义的药物处理、基因改造，以及影响细胞内部支架结构的处理。该方法不仅能准确预测药物对细胞的影响和细胞状态，还能发现药物带来的细微形态变化，找出与细胞信号活动相关的关键形状特征，并帮助我们理解为什么同一群细胞会表现出不同状态。MorphoMIL不仅表现出色，而且适用于各种不同类型的数据集，这为未来在药物研发中进行大规模、高效的细胞形态分析开辟了新途径。细胞的形状是如何形成的？这要从细胞内部成分说起。细胞中的蛋白质、代谢物和脂质不断与周围环境互动，最终决定了细胞的形状。细胞形态的异常往往预示着疾病的发生，因此研究细胞形状可以帮助我们了解细胞的状态。传统研究主要关注细胞的二维形态，使用面积、周长等简单的几何特征来描述细胞。但这种方法存在明显局限：首先，它依赖预设的形状测量标准；其次，真实生物体内的细胞是三维的，仅用二维图像难以完整描述细胞形态。随着技术进步，特别是3D显微技术的发展（如斜面显微镜技术），科学家们终于能够观察到细胞的真实三维结构。然而，如何定量分析这些3D形态数据仍然是一个挑战。为此，研究团队开发了一个创新的分析框架——MorphoMIL。这个框架采用了点云数据（即在3D空间中分散的点的集合）来表示细胞形状，并结合了几何深度学习和基于注意力的多实例学习技术。MorphoMIL的应用效果令人惊喜：它不仅能够通过细胞的3D形状预测重要的生化活性（如细胞信号通路MEK-ERK的活性），还能通过定量形态特征（quantitative morphological signatures, QMS）预测基因功能和蛋白质之间的相互作用。这些发现表明，几何深度学习不仅能够识别3D细胞形状的特征，当与注意力机制的多实例学习结合时，还能识别不同处理条件下的特征表型，预测细胞状态，为药物研发提供新的研究思路。这项研究取得了四个重要突破：几何深度学习技术能够在各种实验条件下，准确捕捉细胞的3D形状特征；通过多实例学习技术分析细胞形态的变化规律，成功预测药物的处理效果；通过分析MIL的注意力权重，研究人员发现了药物处理会导致细胞产生特定的形态特征；研究团队开发的3D细胞形状分析模型，成功将细胞的形态特征与其内部的信号传导状态和蛋白质互作联系起来。一种使用GDL对三维细胞形状进行分析的自动化方法研究团队开发了一种创新的方法，用于自动分析细胞的3D形态特征。他们首先使用一种特殊的显微镜技术——阶段扫描斜面显微镜（stage-scanning OPM）对实验样本进行观察。如图1A所示，研究人员将超过65,000个WM266-4黑色素瘤细胞培养在模拟人体组织环境的胶原蛋白水凝胶中。这些细胞被特殊处理，能够发出荧光信号来显示细胞膜、细胞核的位置，以及细胞内ERK激酶的活动情况。图 1为了研究不同条件下细胞的形态变化，研究人员使用了多种临床相关的药物处理细胞，这些药物可以影响细胞骨架的组织和细胞信号通路。如图1B-E所示，研究团队开发了一套完整的数据处理流程：首先对细胞和细胞核进行分割（图1B, C），然后将3D图像数据转换为网格结构（图1D），最后生成点云表示（图1E）。为了准确量化单个细胞的3D形状特征，研究人员开发了一个智能的计算模型——动态FoldingNet（DFN）。如图1F所示，这个模型通过结合动态图卷积神经网络（DGCNN）技术，能够同时学习细胞的局部特征（如突起等）和整体形态特征。如图1G所示，DFN通过“自编码器”的方式工作：先将输入的点云数据压缩成更简单的特征表示，然后尝试从一个基本形状重建原始点云。这种方法使得研究人员能够提取出细胞3D形状的关键特征，为后续分析奠定基础。细胞3D形态分布反映其所处环境以及受到的干扰研究人员首先使用UMAP技术（一种数据可视化工具）将复杂的3D细胞形态数据简化成二维图像（图2A）。这个可视化结果显示，细胞形态的主要差异体现在两个方面：细胞的大小（图2B）和形状的规则程度（偏心率）（图2C）。较小且圆形的细胞会聚集在一起（图2D, E），而较大且形状不规则的细胞则会出现在图的其他区域。图 2研究还发现，细胞在胶原蛋白基质中的位置会显著影响其形态。如图2F所示，研究人员根据细胞核心距离盖玻片的距离，将细胞分为两类：距离小于7微米的“近端”细胞和距离大于7微米的“远端”细胞。这个发现表明，3D细胞形态能够反映细胞所处的物理环境。更有趣的是，不同药物处理会导致细胞呈现不同的形态特征。如图2G-J所示，研究人员比较了对照组（DMSO处理）和不同药物处理组的细胞形态分布。例如，blebbistatin处理的细胞往往会形成更多突起且形状不规则（图2I），而nocodazole处理的细胞则更趋向于圆形且突起较少（图2J）。这项研究的一个重要发现是：药物处理通常不会让细胞产生全新的形状，而是改变了细胞群体中不同形态的分布比例。这个发现提示我们，在研究药物如何影响细胞形态时，需要同时考虑细胞群体内部的差异和不同细胞群体之间的相似性。这种深入理解有助于我们更好地评估药物的作用机制和效果。3D细胞形状反映干扰程度研究团队开发的3D细胞形态分析方法究竟准确吗？为了回答这个问题，他们设计了一系列验证实验。首先，研究人员使用一种叫做支持向量机（Support Vector Machine, SVM）的人工智能算法来识别不同药物处理的细胞。他们采用两个指标来评估模型的表现：平衡准确率（衡量模型正确分类的比例）和AUC值（反映模型区分不同类别的能力）。图 3如图3A和3B所示，模型在识别靠近盖玻片的近端细胞时表现最好。特别是对于三种药物处理：破坏微管动态的nocodazole、抑制肌球蛋白-2的blebbistatin，以及抑制ROCK蛋白的H1152，模型表现出极高的识别准确率。图3C全面展示了模型在不同条件下的分类效果。研究还发现一个有趣的现象：虽然单独使用细胞形状或细胞核形状的特征都能进行预测，但结合两者的信息效果最佳。这说明细胞的整体形态和细胞核的变化都携带着重要的生物学信息。更令人惊讶的是，仅凭细胞的3D形状特征，模型就能以84.9%的高准确率判断出细胞在胶原蛋白基质中的位置（是处于15-60微米还是大于70微米的深度）。这个发现表明，细胞的形态特征与其所处的微环境密切相关，为我们理解细胞如何适应和响应周围环境提供了新的视角。研究团队首先验证了他们开发的DFN方法的普适性。他们不仅在自己的黑色素瘤细胞数据上进行了测试，还将方法应用到了两个公开数据集：825个3D红细胞图像（图3D）和1,908个3D脑血管图像（图3E）。结果显示，DFN在所有数据集上都优于其他方法，证明了这种方法具有良好的通用性。一个基于注意力的多实例框架图 4然而，研究中遇到了一个关键问题：即使是相同的药物处理，不同细胞的形态反应也可能大不相同。为了解决这个问题，研究团队开发了一个创新的分析框架——MorphoMIL（图4B）。这个框架就像一个智能的药物侦探，它不仅能观察单个细胞的变化，还能通过分析细胞群体的整体特征来识别药物处理的效果。如图4C-E所示，它能以极高的准确率（最高达99.3%）识别不同的药物处理。特别值得注意的是，即使是作用机制相似的药物，如blebbistatin（抑制非肌肉肌球蛋白-2）和H1152（抑制ROCK），MorphoMIL也能准确区分（准确率76.2%）。这说明细胞的3D形态变化能够反映出药物作用的细微差异。研究还发现了一个有趣的现象：在大多数情况下，同时分析细胞和细胞核的形态特征能获得最佳的识别效果（图4F）。这就像观察犯罪现场时，需要同时考虑多个线索才能得出最准确的结论。MorphoMIL可推广到其他细胞类型和成像方式图 5为了验证MorphoMIL方法的通用性，研究团队选择了一个具有挑战性的测试对象——人诱导多能干细胞（hiPSC）。这种细胞具有特殊的分化潜能，被广泛应用于药物开发和疾病建模研究。如图5所示，研究人员分析了五种不同药物（blebbistatin、brefeldin、paclitaxel、rapamycin和staurosporine）处理的hiPSC细胞（图5A-E）。他们首先使用CellPose技术对3D图像中的单个细胞进行分割（图5F），然后创建网格模型（图5G）并提取点云数据（图5H）。有趣的是，即使是在完全不同的细胞类型上，MorphoMIL仍然展现出优异的分类性能（图5I和5J）。图 6MorphoMIL的一个独特优势是它能够“解释”自己的决策过程。通过分析模型赋予每个细胞的“注意力权重”（类似于模型对不同细胞特征的关注程度），研究人员发现了一些有趣的规律。如图6A所示，不同药物处理导致的典型细胞形态在UMAP图上呈现出独特的分布模式。进一步分析高注意力细胞（即模型认为最具代表性的细胞）的特征（图6B）揭示了不同药物的独特“形态签名”：nocodazole处理的细胞呈现明显的圆形特征，球形度达到0.71（远高于平均值0.63）；blebbistatin和H1152处理的细胞则表现出扁平（扩展度分别为0.93和0.91）和不规则（偏心率分别为0.97和0.94）的特征。研究团队也探讨了高注意力细胞与信号活性的关系。如图6D-G所示，研究人员使用ERK-KTR报告基因来测量MEK活性：当ERK活跃时，荧光信号在细胞质中增强；当ERK被抑制时，荧光信号在细胞核中增强。ERK比率（细胞核与核周区域的ERK强度比）越高表示ERK活性越低。研究发现，binimetinib分类器的注意力得分与ERK比率呈现显著相关，这一相关性明显高于其他药物和对照组（0.14和0.24）。这表明仅基于3D细胞和细胞核形状的模型能够学习到MEK抑制和活性的特征形态。随后，研究团队使用MorphoMIL分析了167个基因（包括RhoGEFs、RhoGAPs和Rho家族GTPases）敲低后的细胞形态变化。如图7所示，他们为每个基因构建了8维特征向量（MIL-QMS），并将其分为8个簇（图7B）。研究发现MorphoMIL的预测分数与激酶活性相关：binimetinib分类器的得分与pERK水平呈显著相关。此外，通过分析RHOA-ROCK-NM2通路中的基因，研究团队发现3D细胞形态可以预测蛋白质之间的物理相互作用。结论本文介绍并验证了两种新颖的流程：DFN（特征提取）和MorphoMIL（包含分类功能）。这些流程旨在利用3D细胞形态来确定潜在的细胞状态，模拟受治疗干扰的细胞群体的异质性，并提高可解释性。这项工作强调了结合GDL（图深度学习）和MIL（多实例学习）进行3D形态分析的潜力，以推动高通量药物发现工作，并为探索基于形状的细胞状态预测开辟了新途径。作者的所有算法都打包为开源Python包，以便更广泛的研究社区使用。作者已经证明，先进的3D成像技术结合深度学习和多实例学习的模型是一种强大的方法，可以建立对遗传或化学扰动效应的机制性洞察。作者的方法快速、成本效益高且可扩展，使其成为同时查询多个信号通路活动的高效工具。因此，这种方法在小分子药物、生物制剂以及小干扰RNA（siRNA）/CRISPR文库的大规模筛选中具有相当大的潜力。此外，3D形状分析的应用在临床样本的诊断评估中显示出巨大的前景。编译|于洲审稿|王梓旭参考资料De Vries M, Dent L G, Curry N, et al. Geometric deep learning and multiple-instance learning for 3D cell-shape profiling[J]. Cell Systems, 2025, 16(3).

*仅供医学专业人士阅读参考我们知道，微卫星稳定型结直肠癌（CRC）是典型的“冷”肿瘤。这类肿瘤通常对免疫疗法反应较差，且肿瘤微环境也呈现免疫抑制状态。因此，找到改善CRC肿瘤微环境的方法，是将“冷”肿瘤转化为“热”肿瘤，克服CRC免疫治疗难题的关键。自然杀伤（NK）细胞作为先天免疫系统的关键杀伤细胞，能在不依赖抗原呈递的情况下有效识别并杀伤肿瘤细胞。既往有研究显示，肿瘤中NK细胞浸润与CRC患者预后呈正相关。不过，NK细胞在肿瘤微环境中的功能和数量可能会受到肿瘤代谢（比如营养竞争、代谢酶相关免疫信号通路调控）的影响。但截至目前，肿瘤代谢对NK细胞功能的具体影响还不清楚。近期，中山大学徐瑞华/鞠怀强团队就发表了一项重要研究成果。他们发现，线粒体代谢酶ACAT1可通过核转位的方式促进肿瘤微环境中NK细胞的浸润和激活，从而增强NK细胞的抗肿瘤免疫反应。具体来说，通过对CRC患者的多组学与生存数据进行系统性分析，研究人员先是发现，线粒体代谢酶ACAT1的表达水平与NK细胞浸润程度呈正相关。随后的进一步研究发现，在免疫刺激（如IL-18）作用下，原本定位在线粒体中的ACAT1，会在丝氨酸60（S60）位点发生磷酸化，并转移到细胞核中，发挥乙酰转移酶活性，且能在细胞核中特异性乙酰化NF-κB家族成员p50的赖氨酸146（K146）位点，进而削弱其DNA结合能力和转录抑制功能，激活多个免疫相关因子（如CCL5、CXCL10）的表达，这进一步促进了NK细胞的募集和活化，增强了NK细胞对CRC细胞的杀伤能力，从而抑制癌症进展。此外，研究还发现，营养匮乏的肿瘤微环境因素会抑制ACAT1的核转位过程，而核内ACAT1 S60磷酸化水平下降与NK细胞浸润减少、预后不良密切相关。研究发表在Signal Transduction and Targeted Therapy上[1]。为了探讨在CRC中，肿瘤代谢对NK细胞功能的具体影响。研究人员对CRC患者的多组学数据和生存数据进行了系统分析，并排查了与促进NK细胞浸润的代谢相关蛋白。根据分析结果，排在前3名的分别是谷胱甘肽S-转移酶mu2（GSTM2）和铜胺氧化酶3（AOC3），以及线粒体乙酰辅酶A乙酰转移酶1（ACAT1），其中前两种酶的免疫功能已被广泛报道，因此研究人员主要关注了ACAT1。接下来通过进一步验证，研究人员发现，ACAT1蛋白表达水平与1-2期CRC患者肿瘤微环境中NK细胞浸润程度呈正相关。且ACAT1高表达与也CRC患者的总生存率更高有关。随后在构建的CRC小鼠模型中，研究人员发现，只有在免疫系统正常的小鼠体内，ACAT1才能显著抑制肿瘤生长，提示ACAT1的抗肿瘤作用依赖免疫系统。而进一步的流式细胞术等一系列试验证实，ACAT1能够增加肿瘤组织内的NK细胞数量及其活性（表现为增加了NK细胞介导的细胞毒性基因，如IFNG,RAC1的表达）。鉴于ACAT1不仅可以在线粒体内发挥作用，也可以在细胞核中发挥作用，于是，通过构建带有核内定位信号（NLS）的ACAT1和核外输出信号（NES）的ACAT1，研究人员发现，只有NLS标记的ACAT1能够促进肿瘤组织中NK细胞的数量，同时有效抑制肿瘤生长。进一步，利用质谱分析和免疫沉淀实验，研究人员揭示了核内ACAT1促进NK细胞在肿瘤微环境中浸润的机制。即在免疫刺激（如IL-18）作用下，原本定位在线粒体中的ACAT1，会在S60位点发生磷酸化，并转移到细胞核中，发挥乙酰转移酶活性，且能在细胞核中特异性乙酰化NF-κB家族成员p50的赖氨酸146（K146）位点，进而削弱其DNA结合能力和转录抑制功能，激活多个免疫相关因子（如CCL5、CXCL10），以及其他与NK细胞活化有关的分子（如HLA-C、ICAM3、ULBP1和ULBP2）的表达，这进一步促进了NK细胞的募集和活化，从而增强了NK细胞对CRC细胞的杀伤能力，从而抑制癌症进展。此外，研究还发现，营养匮乏的肿瘤微环境因素会抑制ACAT1的核转位过程，而通过对CRC患者的肿瘤组织进行免疫荧光和免疫组化分析，研究人员发现，核内ACAT1 S60磷酸化水平下降与NK细胞浸润减少、预后不良密切相关。总之，本研究揭示了，ACAT1通过其核内转位和对p50 K146的乙酰化，增强了NK细胞的浸润和激活，从而抑制CRC的生长的机制。而鉴于ACAT1 S60磷酸化水平与NK细胞浸润程度及患者的预后密切相关，提示，未来核内ACAT1 S60磷酸化水平可能成为CRC预后的一个重要生物标志物。同时，这些结果也为开发新的CRC免疫治疗方案提供了理论依据。参考文献：[1]Wei C,Liao K,Chen HJ,et al.Nuclear mitochondrial acetyl-CoA acetyltransferase 1 orchestrates natural killer cell-dependent antitumor immunity in colorectal cancer.Signal Transduct Target Ther.2025;10(1):138.Published 2025 Apr 28.doi:10.1038/s41392-025-02221-y本文作者丨张金旭