脑癌患者代谢通量数字孪生模型：个性化治疗新策略

《Cell Metabolism》：Digital twins for in vivo metabolic flux estimations in patients with brain cancer

本研究针对无法在人体肿瘤中量化代谢通路活性的临床难题，开发了数字孪生框架（DTF）和单细胞代谢通量分析（13C-scMFA）两种机器学习模型，首次实现了对脑胶质瘤患者体内代谢通量的精准估算。该研究成功预测了患者对丝氨酸/甘氨酸限制饮食及核苷酸靶向药物的治疗响应，为脑癌的个性化代谢治疗提供了创新性生物标志物和决策工具。

　　

脑癌，特别是胶质母细胞瘤（GBM），是最具侵袭性的恶性肿瘤之一。尽管代谢靶向治疗已发展数十年，临床医生仍无法量化患者肿瘤中代谢通路的实际活性。传统代谢通量分析（MFA）需要稳态条件或多次采样，而手术切除肿瘤时的单次采样和有限示踪剂输注时间导致非稳态条件，使传统MFA技术难以应用。这种局限性严重阻碍了精准代谢疗法的发展。

为解决这一难题，密歇根大学研究团队在《Cell Metabolism》上发表了创新性研究，开发了数字孪生框架（DTF），该框架整合了第一原理化学计量学、同位素模拟和卷积神经网络（CNN），能够利用患者单时间点数据估算体内代谢通量。研究人员还开发了单细胞代谢通量分析（¹³C-scMFA）方法，结合单细胞RNA测序（scRNA-seq）和¹³C代谢标记数据，首次实现了肿瘤微环境（TME）中单细胞水平的通量量化。

研究团队主要运用了数字孪生框架构建、单细胞RNA测序分析、同位素示踪技术、代谢通量平衡分析和机器学习模型开发等关键技术方法。人类样本队列来自术中进行[U¹³C]-葡萄糖输注的脑胶质瘤患者，同时使用了GBM12、GBM38、HF2303等多种患者来源异种移植（PDX）小鼠模型进行验证。

DTF量化脑胶质瘤患者体内代谢通量

研究人员通过整合scRNA-seq和体内¹³C富集数据，建立了一个包含近100万个时间依赖性同位素谱的模拟数据库。数字孪生框架通过flux balance analysis（FBA）和INST-MFA生成数千种患者通量，训练CNN模型预测代谢物来源的相对通量。该框架成功应用于丝氨酸和嘌呤代谢这两个临床相关通路，解决了传统方法难以区分不同代谢来源的难题。

单细胞FBA识别TME来源的丝氨酸为GBM肿瘤细胞的重要来源

通过代谢相互作用分析发现，星形胶质细胞（ACs）具有最高的丝氨酸分泌评分，而神经元和胶质瘤细胞主要表现丝氨酸摄取。修改后的scFEA框架平衡了细胞内和细胞间通量，证实星形胶质细胞具有较高的de novo丝氨酸合成能力，而肿瘤细胞表现出更高的丝氨酸消耗和丝氨酸衍生甘氨酸形成。

DTF预测人脑胶质瘤中丝氨酸来源的相对通量

研究团队开发了通量和MID模拟框架，训练CNN模型预测丝氨酸来源在胶质瘤和皮质中的相对贡献。模型预测显示皮质主要依赖葡萄糖衍生的丝氨酸合成，而胶质瘤的丝氨酸来源存在患者间异质性。通过[U¹³C]-葡萄糖标记实验验证，模型准确预测了不同肿瘤模型对丝氨酸/甘氨酸限制饮食的敏感性差异。

DTF预测患者胶质瘤中GMP来源的相对通量

针对嘌呤代谢，研究团队开发了专门的数字孪生模型解决体内嘌呤标记率低和R5P模式复杂的问题。CNN模型能够准确区分IMPDH依赖的de novo合成和HPRT1依赖的salvage合成途径。通过霉酚酸酯（MMF）治疗实验验证，模型成功预测了IMPDH抑制后的通量变化，并在不同敏感性肿瘤模型中得到证实。

整合scRNA-seq和¹³C示踪揭示TME代谢异质性

通过结合患者scRNA-seq数据和批量¹³C同位素示踪数据，研究团队实现了单细胞水平的通量量化。¹³C-scMFA方法能够区分TME来源和血浆来源的丝氨酸，尽管它们的转运蛋白基因相同。分析显示，在不同患者中，肿瘤细胞丝氨酸来源的贡献存在显著异质性，且肿瘤细胞比星形胶质细胞和神经元更倾向于将丝氨酸用于甘氨酸合成。

丝氨酸13C-scMFA模型的验证

通过小鼠模型验证，¹³C-scMFA准确预测了不同肿瘤模型中丝氨酸代谢的差异。结果显示星形胶质细胞在所有小鼠模型中均表现出最高的de novo丝氨酸合成，而GBM38和HF2303肿瘤的肿瘤细胞比GBM12表现出更高的血浆丝氨酸摄取。这些预测与饮食干预实验结果显示一致，验证了模型的可靠性。

嘌呤代谢的单细胞通量量化

在嘌呤代谢方面，¹³C-scMFA分析显示，大多数患者中IMPDH依赖的GMP合成在肿瘤细胞中更为活跃，而HPRT1依赖的salvage合成在髓系细胞中更活跃。该模型成功区分了MMF敏感和耐药的肿瘤模型，预测了治疗响应性的差异。

本研究开发的数字孪生方法首次实现了在患者组织中量化代谢通路活性，为个性化癌症治疗提供了强大工具。通过精确量化肿瘤代谢依赖性，该方法能够识别最可能从特定代谢疗法中受益的患者群体，特别是针对丝氨酸代谢和嘌呤合成的靶向治疗。虽然研究存在样本量有限、代谢物浓度测量精度等限制，但这一框架为未来代谢治疗的发展奠定了坚实基础，有望推动癌症治疗进入真正的精准医学时代。