人类副同源基因合成致死的遗传图谱与预测模型构建

《Cell Reports》：Genetic mapping and predictive modeling of paralog synthetic lethality

本研究针对副同源基因合成致死相互作用系统性缺失的难题，通过大规模CRISPR-Cas12组合筛选技术，对36,648对人类副同源基因对进行功能解析。研究发现合成致死事件具有显著的细胞背景依赖性，并首次揭示共享蛋白互作网络（PPI）的规模与必需性共同决定合成致死强度。该研究为精准靶向副同源基因依赖关系提供了理论框架与预测工具，发表于《Cell Reports》。

　　

在人类基因组中，副同源基因（paralogs）作为基因复制演化的产物，占据了基因家族的相当比例。这些基因因序列相似性高，常被认为具有功能冗余性，从而成为合成致死（synthetic lethality）研究的理想对象——即当其中一个基因失活时，细胞仍可存活，但同时失活两个基因则导致细胞死亡。这一特性尤其在癌症治疗中具有重要价值，因为肿瘤细胞中常发生特定基因的缺失，若其副同源基因被抑制，则可选择性杀伤肿瘤细胞而避免对正常组织的毒性。尽管这一概念已提出近百年，但由于人类副同源基因数量庞大（约13,320个，分属3,500个家族），系统性实验验证一直面临技术瓶颈。以往研究多聚焦于少量候选基因对，或依赖计算预测，缺乏全基因组范围的实证数据。此外，合成致死相互作用的渗透率（penetrance）在不同肿瘤背景中差异显著，其分子机制尚不明确。

为解决上述问题，Michael J. Flister团队在《Cell Reports》上发表了题为“Genetic mapping and predictive modeling of paralog synthetic lethality”的研究。该研究通过多重CRISPR-Cas12组合筛选技术，首次对人类基因组中36,648对副同源基因进行了系统性功能筛选，并结合49种癌症细胞模型的元分析，揭示了合成致死相互作用的异质性机制。研究人员进一步利用机器学习模型，发现共享蛋白互作网络（PPI）的必需性是决定合成致死强度的关键因素。

本研究主要依赖以下几项关键技术：首先，利用优化后的enAsCas12a酶构建多重引导RNA阵列文库，实现双基因敲除（dKO）的高通量筛选；其次，整合DepMap数据库中的单基因敲除数据，建立混合筛选策略以扩大细胞模型覆盖范围；此外，通过XGBoost和随机森林算法对多组学特征（如基因表达、体细胞突变、拷贝数变异等）进行机器学习建模，预测合成致死相互作用；最后，结合AlphaFold预测的蛋白结构相似性，进一步优化特征选择。

RESULTS

Mapping genetic interactions of 36,648 paralog pairs in the human genome

研究团队首先设计了一种CRISPR-Cas12多重引导文库，包含113,502个构建体，覆盖36,648对副同源基因。在NCI-H1299和MDA-MB-231细胞中进行筛选后，发现合成致死事件极为罕见（<0.4%），且在不同细胞系中重叠率低（仅0.06%）。通过正交验证（野生型AsCas12a筛选）和与“金标准”合成致死对比较，证实该文库具有高灵敏度和特异性（AUC=0.96）。此外，研究还发现了新型合成致死对，如热休克蛋白HSPA8/HSPA1A和HSPA8/HSPA1B，表明该筛选策略能有效识别家族内特异性相互作用。

Meta-analysis of paralog synthetic lethalities across cancer models

通过对20个癌症模型的混合筛选（CRISPR-Cas12 dKO数据与DepMap单基因敲除数据整合），共发现780对合成致死相互作用，其发生率在不同细胞系中差异显著（17–230对）。进一步整合两项已发表的CRISPR-Cas9筛选数据（共49个模型）后，发现仅HDAC1/HDAC2在80%的模型中显示合成致死效应，其余相互作用多为背景依赖性。XGBoost模型分析显示，基因表达特征是预测合成致死强度的主要因素，且相关通路富集于氧化应激、AKT信号等促存活途径。

Predicting paralog synthetic lethality

为解决合成致死预测中训练集不足的问题，研究团队构建了一种加权随机森林分类器，利用正负样本平衡训练策略，对223对高渗透率合成致死进行建模。结果显示，共享PPI网络的规模与必需性（如DepMap Chronos评分<-1的基因数量）是预测合成致死强度的核心特征。例如，常见合成致死对（如HDAC1/HDAC2）的共享PPI网络中平均包含19个必需基因，而罕见对仅含3个。这一发现首次将网络必需性与合成致死渗透率直接关联。

讨论与结论

本研究通过迄今最大规模的副同源基因筛选，证实合成致死事件具有低发生率和高异质性的特点。机器学习模型进一步揭示，这种异质性源于副同源基因所嵌入的PPI网络的复杂性：当共享网络包含大量必需基因时，双基因失活更易引发系统性功能崩溃，导致合成致死效应广泛出现。此外，研究提出的混合筛选策略与加权预测模型，为多基因相互作用研究提供了新范式。然而，当前数据仍局限于二基因相互作用，未来需结合多基因敲除技术（如IN4MER平台）探索更高阶的遗传互作。总体而言，该研究不仅填补了人类副同源基因功能图谱的空白，也为肿瘤特异性靶向治疗提供了理论依据与工具支持。