综述:通过计算机方法解读调节性细胞死亡(RCD)亚型的规则

《Journal of Advanced Research》:Deciphering the rules of regulated cell death subroutines by in silico methods

【字体: 大 中 小 】 时间:2025年12月19日 来源:Journal of Advanced Research 17.1

编辑推荐:

  调节性细胞死亡(regulated cell death, RCD)对生物体发育至关重要,其在器官形成、病原体防御及稳态维持中发挥关键作用。然而,尽管RCD亚型(如细胞凋亡、自噬、焦亡、坏死性凋亡和铁死亡)对健康至关重要,其失调可能产生有害影响,潜在地引发或加

  
调节性细胞死亡(regulated cell death, RCD)对生物体发育至关重要,其在器官形成、病原体防御及稳态维持中发挥关键作用。然而,尽管RCD亚型(如细胞凋亡、自噬、焦亡、坏死性凋亡和铁死亡)对健康至关重要,其失调可能产生有害影响,潜在地引发或加剧多种疾病。因此,调节RCD已成为针对多种疾病(包括感染性、神经退行性、自身免疫性、心血管疾病及癌症)的有前景的治疗策略。过去二十年间,创新的实验性调节RCD方法在医学研究中迅速涌现。同时,越来越多的在线资源——如数据库、网络服务器、机器学习(machine learning, ML)/人工智能(artificial intelligence, AI)模型、组学技术及系统生物学网络,统称为“计算机方法(in silico methods)”——已可用于加速研究进展。本综述旨在认识到这些在线资源的潜力,研究人员全面概述了与RCD相关的计算机方法,以促进其在未来治疗干预开发中的有效应用。RCD相关的数据库作为计算机方法的基础数据基础设施,涵盖了从DNA、RNA、蛋白质到小分子和疾病相关数据的广泛生物学信息。这些数据库的持续整理和扩展对于阐明不同细胞死亡模式及在不同病理条件下直观表征目标分子的功能动态至关重要。通过整合AI、ML、多组学技术和系统生物学方法,研究人员可以系统地解码RCD与疾病进展模式的复杂调控网络。这种跨学科融合显著增强了疾病特异性生物标志物和治疗靶点的发现流程。
论文主体部分总结如下:

**1. D数据库资源及其在RCD研究中的应用(Databases for RCD and their modulators)**
在分子生物学时代,与RCD相关的大量数据已被生成。为促进全球研究,多项公开数据库得以建立,显著推动了该领域发展。例如,THANATOS平台收录了超过19万种与自噬和细胞死亡相关的蛋白质及其翻译后修饰,研究人员利用其识别了多组学研究中自噬激活相关的差异表达基因、蛋白质和磷酸化位点。自噬调控网络(Autophagy Regulatory Network, ARN)数据库整合了转录因子和微小RNA(miRNA)的调控信息,为自噬相关蛋白及其相互作用提供了系统级资源。针对经典凋亡途径,DeathBase和Apoptosis Database等数据库汇编了多个模式生物中细胞死亡相关蛋白的信息。在铁死亡研究中,FerrDb及更新版FerrDb V2汇集了铁死亡调控因子、标志物及疾病关联数据,支持特定疾病中铁死亡作用的研究。此外,非编码RNA(ncRNA)数据库ncFO整合了铁死亡相关基因与多种癌症样本中的共表达数据。为理解不同RCD类型间的交叉调控网络,miRDeathDB和ncRDeathDB等数据库综合了miRNA和ncRNA介导的多种RCD途径信息。其他综合资源如Reactome、基因表达综合数据库(Gene Expression Omnibus, GEO)和京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes, KEGG)也提供了丰富的RCD相关数据。尽管这些资源提供了大量数据,但有效整合异质性、多源数据仍是一项重大技术挑战。

**2. 机器学习/人工智能方法在调节RCD中的应用(Machine learning (ML)/artificial intelligence (AI) approaches for modulating RCD)**
AI/ML技术为解读RCD的分子机制、疾病关联及药物开发提供了新范式。在RCD机制研究方面,AI驱动的建模有助于揭示关键调控因子。例如,通过定量氧化脂质组学数据构建铁死亡网络模型,揭示了磷脂代谢的关键调控作用。支持向量机(support vector machine, SVM)模型基于蛋白序列特征预测凋亡相关蛋白的正负调控因子。AlphaFold2-多聚体通过分析典型和非典型LIR/Atg8相互作用基序的三维结构,加速了自噬相关蛋白的功能表征。机器学习算法还揭示了焦亡巨噬细胞通过外泌体调控成纤维细胞重编程的关键作用。在RCD相关疾病中,ML/AI方法广泛用于疾病亚型分类、预后预测及个性化治疗策略制定。常用特征选择算法如LASSO(Least Absolute Shrinkage and Selection Operator)、SVM RFE(Support Vector Machine Recursive Feature Elimination)和XGBoost(Extreme Gradient Boosting)已被应用于基于铁死亡相关基因表达谱的糖尿病骨质疏松性骨折亚型分类。例如,结合LASSO和Stepcox算法开发的线粒体相关程序性细胞死亡特征(mitochondrial-associated programmed cell death signature, MPCDS)在肺腺癌预后预测中表现优异。针对药物发现,AI深刻影响了药物开发全过程。分子对接、分子动力学模拟及从头药物设计等ML/AI技术被用于设计和筛选RCD调节剂。例如,基于条件循环神经网络的生成式深度学习模型用于构建RIPK1抑制剂虚拟库并鉴定高活性化合物。深度学习框架CellDeathPred通过分析细胞形态,能够以95%的准确率区分铁死亡细胞和凋亡细胞,为药物筛选提供了新途径。

**3. 系统生物学方法解析人类疾病中的RCD(Systems biology dissection of RCD in human diseases)**
系统生物学旨在理解生化与交互网络的复杂动态行为,整合定量实验数据与理论建模和计算工具以揭示系统级特性。在疾病应用中,系统生物学方法通过构建生物网络(如蛋白质-蛋白质相互作用网络、代谢网络和调控网络)来揭示因果联系。
- **癌症**:RCD在癌症中具有核心地位。凋亡和自噬被视为非炎症性RCD,在肿瘤发展和治疗反应中发挥重要作用。铁死亡、坏死性凋亡和焦亡等炎症性RCD逐渐受到关注。多组学分析揭示了癌症中铁死亡的异质性,如三阴性乳腺癌的分子亚型对铁死亡诱导剂的敏感性差异。
- **神经退行性疾病**:非炎症性RCD(凋亡和自噬)在早期进行性神经元丧失中起基础作用。炎症性RCD(铁死亡、坏死性凋亡和焦亡)通过连接细胞死亡与慢性神经炎症,加剧疾病进展。例如,铁死亡相关基因表达与肌萎缩侧索硬化症中运动神经元选择性丧失相关联。
- **心血管疾病**:RCD在缺血再灌注损伤和不良心脏重塑中起核心作用。非炎症性RCD(凋亡和自噬)参与心肌细胞损伤和适应性重塑,而炎症性RCD(铁死亡、坏死性凋亡和焦亡)介导免疫原性细胞死亡并加剧组织损伤。代谢组学分析证明铁死亡是再灌注后主要细胞死亡形式。
- **自身免疫性疾病**:RCD的失调在类风湿性关节炎、系统性红斑狼疮等疾病中驱动慢性炎症。非炎症性RCD的清除缺陷可触发自身免疫反应,炎症性RCD则通过释放损伤相关分子模式(damage-associated molecular patterns, DAMPs)和促炎细胞因子放大炎症。
- **感染性疾病**:RCD在宿主防御中发挥双重作用。非炎症性RCD(凋亡和自噬)被病原体操纵以逃避免疫监视;炎症性RCD(焦亡、坏死性凋亡和铁死亡)在控制病原体与免疫病理之间平衡。例如,焦亡在COVID-19中驱动过度炎症反应,坏死性凋亡的过度激活通过Z-RNA/ZBP1/RIPK3/MLKL轴加剧组织损伤。

**4. 结论与展望(Conclusions and perspectives)**
近年来,对RCD的理解取得显著进展,新兴的计算和计算机方法为揭示各种RCD亚型的分子机制提供了前所未有的见解。这些方法加速了潜在生物标志物、治疗靶点及疾病关联的识别,有望推动精准医学发展。未来应优先开发捕捉体内RCD时空动态的模型,并借助单细胞测序、多组学整合及可解释AI框架,弥合计算推断与生物学可解释性之间的差距。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号