编辑推荐：
胶质母细胞瘤（GBM）异质性强、治疗困难。为剖析其异质性，研究人员开发 GBM-cRegMap 工具。经分析大量数据，细化 GBM 分子分类，发现新亚型和关键调控因子。这为 GBM 研究提供新视角，助力探索治疗靶点。
胶质母细胞瘤（Glioblastoma，GBM）是脑部和中枢神经系统中最常见且侵袭性最强的肿瘤，犹如隐藏在人体中的 “定时炸弹”，严重威胁着人类健康。据美国中枢脑肿瘤登记处（CBTRUS）数据显示，GBM 在恶性脑肿瘤中占比 48.6%，在所有胶质瘤中占比 57.7% ，即便采用手术、化疗和放疗（Stupp 方案）的标准治疗手段，多数患者仍会在 15 - 18 个月内离世。
GBM 的组织学和分子特征高度异质，此前众多研究试图对其进行分子亚型分类，却成效各异。早期，Philips 团队定义了前神经（proneural）、间充质（mesenchymal）和增殖性（proliferative）三种主要肿瘤子集；Verhaak 等人随后提出分为前神经（PN）、神经（NEU）、经典（CL）和间充质（MES）四种亚型，不过后来神经亚型被排除 。近年来，单细胞研究揭示了转录程序可塑性和代谢途径主导带来的更多异质性层面。
面对 GBM 研究中的诸多难题，法国斯特拉斯堡大学（UMR7021 CNRS）、里尔大学（Univ. Lille）等机构的研究人员展开了深入研究。他们开发出 GBM-cRegMap 这一在线资源，旨在为 GBM 研究提供全面的共调控影响网络视角。该研究成果发表在《npj Precision Oncology》上，为 GBM 研究开辟了新方向。
研究人员主要运用了以下关键技术方法：通过收集来自 GlioVis、Cancer Dependency Map（DepMap）和 Gene Expression Omnibus（GEO）等数据库的转录组数据，构建包含 1612 个肿瘤样本的元队列；借助 h-LICORN 算法推断基因调控网络（GRN），进而生成肿瘤细胞的共调控网络 GBM-CoRegNet；运用 Uniform Manifold Approximation and Projection（UMAP）对元队列影响数据进行可视化处理，构建统一网络影响图 GBM-CoRegMap；利用 Seurat 聚类分析对 GBM 进行分子分类 。
下面详细介绍研究结果：
- GBM-cRegMap 参考组件的表示学习与评估：研究人员设计 GBM-cRegMap 资源，包含两个协同参考组件。从 42 个 GBM 癌细胞系转录组出发，用 h-LICORN 算法推断 GRN，再经 CoRegNet 包转化为 GBM-CoRegNet，其包含 2171 个合作相互作用 。同时，从 16 个 GBM 肿瘤队列构建元队列，计算样本独立的基因调控影响，用 UMAP 可视化得到 GBM-CoRegMap，相比原始表达空间，它能有效消除批次效应，更好地反映 GBM 异质性，且基于影响的 Verhaak 亚型分类器在跨批次预测性能上提升了 33% 。
- GBM-cRegMap 的参考映射与用户界面（UI）特征：GBM-cRegMap 是一款开源软件包和网络工具，其 UI 包含 “CoRegNet”“CoRegMap” 和 “CoRegQuery” 三个功能组件。“CoRegNet” 可直观展示肿瘤细胞共调控网络，便于研究人员探究表型与网络的共定位关系；“CoRegMap” 整合了 16 项研究中 1612 个肿瘤的统一影响图及下游分析数据；“CoRegQuery” 支持用户上传或检索表达数据集，映射到参考组件上，通过监督机器学习程序预测样本定位，助力研究肿瘤异质性 。
- 1612 个肿瘤的元队列分析，将 GBM 分子分类细化为七个具有生物学和临床相关性的类别：基于 GBM-CoRegMap 的 Seurat 聚类分析，将 GBM 分为七个分子类别，分别为前神经（PN，17%）、低增殖前神经（PN-L，6%）、神经正常样（NL，11%）、经典星形胶质细胞样（CL-A，18%）、经典上皮基底样（CL-B，9%）、经典富纤毛（CL-C，14%）和间充质（MES，25%）。这些类别在转录组、基因组水平存在差异，临床结局也各不相同。例如，PN 和 PN-L 主要与发育过程相关，PN 富含细胞分裂相关通路，PN-L 增殖水平低；NL 包含具有 “正常样” 转录组特征的 GBM；CL-A 具有星形胶质细胞样特征；CL-B 与线粒体亚型相关，富含胆固醇代谢等通路；CL-C 富含纤毛相关过程，增殖较弱；MES 与间充质特征相关，富含上皮 - 间充质转化（EMT）和免疫相关通路 。同时，不同亚型的肿瘤微环境细胞成分和肿瘤细胞纯度也有所差异，如 PN 富含神经祖细胞样细胞，NL 肿瘤细胞纯度较低 。在临床影响方面，PN-L 子类总体生存率最佳，CL-C 子类最差，该分类在生存差异评估上比 Verhaak 分类更具优势 。
- 通过 DepMap 数据库对亚型特异性共调节子网进行功能验证：研究人员通过推断差异影响调节因子（DIRs），利用 DepMap 数据库中 CRISPR - Cas9 介导的基因敲除数据，对各亚型特异性共调节网络进行研究。结果发现，PN 亚型的共调节子网络与细胞增殖相关，依赖 BRCA2、FOXM1 等基因；PN-L 亚型有独特的调节因子，如 GBX2；NL 亚型的调节因子与细胞谱系发育有关；MES 亚型的关键调节因子参与间充质状态维持，还发现 ARHGEF5 等新基因；CL-A、CL-B 和 CL-C 亚型也各自有独特的调节因子和依赖基因 。
- 揭示 PN-MES 轴上参与化疗耐药的中间状态：研究人员运用 GBM-CoRegQuery 分析 U87MG 胶质瘤细胞系及其替莫唑胺（TMZ）耐药变体的转录组数据，发现 U87MG、U87MG-R50 和 U87MG-OFF 分别属于 MES、CL-C 和 PN 子类。这表明 CL-C 子类可能是 PN-MES 轴上的中间状态，且发现 PAX8 和 NKX2.5 等调节因子可能参与 TMZ 耐药过程。其中，NKX2.5 在高级别胶质瘤中高表达，与患者生存负相关，可调节葡萄糖代谢相关基因 。
在研究结论与讨论部分，GBM-cRegMap 的开发意义重大。它利用人工智能技术，基于 GBM 肿瘤来源细胞系转录组构建更可靠的共调控网络，避免了肿瘤样本数据的偏差 。通过构建统一的肿瘤异质性图谱 GBM-CoRegMap，实现了 GBM 的新分子分类，区分出多种新亚型，如 CL-C 和 NL 亚型，为深入理解 GBM 的生物学特性提供了依据。同时，研究还鉴定出各亚型的关键调控因子，这些因子有望成为潜在的亚型特异性治疗靶点 。此外，通过分析化疗耐药过程中的中间状态，揭示了如 NKX2.5 等参与化疗耐药的关键分子，为克服 GBM 治疗耐药提供了新方向。不过，该研究也存在局限性，缺乏体内模型（如患者来源的异种移植模型），未来研究可在此方向深入，以更全面地了解 GBM 的复杂性。总之，GBM-cRegMap 为 GBM 的临床和研究提供了有力工具，有助于推动 GBM 治疗的发展。
