这！可能是你读一遍就懂的肿瘤代谢分析

Metabolism，代谢，具备医学背景的我们都已经耳熟能详了，代谢通常被分为两类。

分解代谢：又称异化作用，可以对大的分子进行分解以获得能量，如糖类、脂类、蛋白质等。

合成代谢：是一种储能过程，可以利用能量来合成细胞中的各个组分，如蛋白质和核酸等。

  从宏观上，代谢可以被认为是生物体不断进行物质和能量交换的过程（吃和排），一旦物质和能量的交换停止，生物体的结构就会解体。微观上就是细胞吃喝拉撒睡的过程。同化作用与异化作用的平衡各种生物的新陈代谢，在生长、发育和衰老阶段是不同的，但始终保持平衡（前提是健康）。当患上消耗性疾病时，异化作用将大于同化作用，如：肿瘤、结核、严重创伤、烧伤、大手术后体液引流、慢性化脓性感染、慢性失血等。

  对，肿瘤细胞也是细胞，并且具备了与众不同的代谢过程，业界也称之为“代谢重编程”。对于迫切攻破肿瘤的人类来说，任何可以利用的弱点，那都要物尽其用，2015年，Cancer cell发表了第一个靶向Warburg效应，抑制癌细胞生长的研究^[1]。癌细胞会设法通过一系列代谢分子信号通路来寻找、摄取食物。如果，癌细胞无法获取能量，进展、扩散转移的速度以及抑制机体免疫的一系列手段都会减弱。为我方实施精准药物打击提供基石。

  癌基因激活，抑癌基因失活是发生癌症的基础，而绝大多数癌基因及抑癌基因在细胞代谢中发挥关键作用，促进代谢重编程，使癌细胞从5条主要代谢途径（有氧糖酵解；谷氨酰胺分解；一碳代谢；磷酸无糖通路；脂肪酸从头合成）中摄取能量合成所需元件^[2]。肿瘤代谢是一大热点，当然有综述阐述肿瘤代谢的特点，总共有六个，其中“代谢物驱动的基因表达失控”、“代谢物与微环境相互作用”的两个特点决定了，转录组学在研究肿瘤代谢的重要性^[3]。已发现的与免疫耐药相关的代谢途径有PI3K-Akt-mTOR、HIF、JAK/STAT、Wnt/β-catentin等。另外附上与肿瘤免疫逃逸相关的代谢路径（Navigating metabolic pathways to enhance antitumour immunity and immunotherapy）^[4]。

  谈到基因，来一次生物信息学的分析是很有必要的，基因的突变（AKT、mTOR、MYC、RAS）除了参与了细胞分裂，还参与代谢重编程，从物质上满足癌细胞分裂需求。肿瘤微环境中的非肿瘤细胞再一次被发现叛变，举个例子，胶质母细胞瘤通过摄取周围正常星形胶质细胞所分泌的胆固醇，节省了合成胆固醇的成本^[5]。上文提到靶向癌细胞的Warburg效应，靶向突变的代谢基因同样有效抑制肿瘤生长，已鉴定出的8个突变的代谢基因分别是FH，SDHA，SDHB，SDHC，SDHD，SDHAF2，IDH1和IDH2。这不就是遗传学的经典公式：基因型+环境=表型嘛。

  那么，现在大家是不是对肿瘤代谢性质勃勃呢，接下来就要给大家摆一摆，生信是怎么玩转代谢表型的。

第一个思路：共识聚类分亚型^[6]

  公共数据库选取可切除胰腺癌患者队列（TCGA、ICGC），不可切除的胰腺癌队列（COMPASS、PanGen、POG），共计325人。提取“糖酵解marker（n=29）”，“胆固醇合成marker（n=24）“表达量，通过共识聚类分析，将纳入研究的患者分为4个亚型，分别为：静态、糖酵解、产胆固醇以及混合组。可切除与不可切除队列中，具备糖酵解亚型的患者预后最差，具备胆固醇合成组在可切除/不可切除组中预后优于其他分型（图1）。

  分析共识聚类出的四种亚型患者的其它组学特点发现：基因突变，包括KRAS、MYC拷贝数增加与糖酵解亚型相关（图2）；探讨在四种亚型中基于既往研究鉴定的Collisson，Bailey，Moffitt分型之间的差异，并且分析了四种代谢亚型与四种以往的亚型的marker之间的相关性（图3）。

  选择MPC复合物的marker与四种亚型的marker的共表达及突变分析，发现胰腺癌MPC通路激活影响预后可能与肿瘤细胞糖酵解和胆固醇生成相关（图4）。

  Pan-cancer中同样进行四种亚型的聚类分析，发现，糖酵解和胆固醇生成途径中的基因仅在少数几个癌症中是独特的，证明了不同癌症的代谢进程存在特异性（图5）。

第二个思路：预后建模，找signature^[7]

  公共数据库选择肾癌队列，找出生存时间＞3年与生存时间＜1年患者之间的差异基因，同时下载队列中患者的甲基化数据，从差异基因中鉴定出，既为铁代谢marker，又具备启动子甲基化显著的基因，共25个（TABLE1）。

  对筛选的25个预后相关的发生启动子甲基化的铁代谢基因构建cox模型。同时将TCGA肾癌队列分为验证队列和训练队列，并从GEO中选取一个肾癌队列，根据cox预后模型对以上3个肾癌队列的患者进行风险评分，结果发现高、低分线组之间预后显著差异（图1）。

25个预后相关的发生启动子甲基化的铁代谢基因构建的模型，进行时序性ROC分析，发现模型在1、3、5年的AUC均＞0.7（图2）。

为了确定模型是否为独立预后因素，作者联合患者的临床数据进行多因素cox分析，在TCGA\GEO肾癌队列中，均为可靠的OS决定因素（TABLE2）。

  选取与25个预后相关的发生启动子甲基化的铁代谢基因相关的基因，进行GSEA分析，发现潜在调SANSOM_WNT_PATHWAY_REQUIRE_MYC (NES = 1.8464239, p = 0.001988072), SCIAN_CELL_CYCLE_TARGETS_OF_TP53_AND_TP73_DN (NES =1.7889026, p =0.017408123), and AMUNDSON_GAMMA_RADIATION_RESPONSE (NES= 1.7706424, p =0.036538463)。并且对25个hub基因进行共表达的分析，建立共表达网络（图3）。

第三个思路：别只拿KEGG做富集，代谢本质是蛋白^[8]

  代谢重编程可以通过某些形式的代谢物和蛋白质相互作用（MPI）促进癌症的发展和进展。并且，癌细胞在缺乏某种营养素或调节剂的情况下，替代的 MPI 或途径将被激活。因此，由代谢物、蛋白质和它们之间的相互作用组成的代谢景观在不同癌种，不同亚群是高度可变的（和前两个结论一致哦，代谢景观因病因人而异）。作者从KEGG、Reactome、Human-GEM、BRENDA四个数据库中提取代谢相关蛋白，代谢产物组成Metabolite-protein interactions (MPIs)网络，四个数据库，共取出包含两种物质的交集383个，并进行富集分析。图1。

  主成分分析结果显示，根据383个MPIs,可以将13个肿瘤与正常组分开；并且发现383个基因在肝癌中明显显著表达。通过GSVA分析，得出在13种肿瘤中，383个MPIs参与的通路的激活情况，并且选择GEO肝癌队列进行验证。图2。

  相似的方案又来了，通过聚类分析，以383个MPIs的表达量将肝癌患者分为两个cluster，两个cluster的肝癌患者之间的BMI,年龄，体重，BHS等指标明显有差异。对在两个cluster的肝癌患者进行差异分析，得到与亚型密切相关的差异基因，string进行预测PPI网络分子，并对网络中的基因赋于LogFC值，以及所在通路，构建出PPI网络图。图3。

  通过对基于MPIs分开的两个cluster中，TCGA，GEO以及ICGC肝癌患者表达谱的差异分析，发现差异基因的GSEA结果主要分布在代谢以及肿瘤进展相关的通路。图4。

  作者将383个MPIs构建了一个代谢-蛋白对模型，并与随机组成的代谢产物-蛋白的6个MPI进行比较，发现模型的评分显著高于随机组合。证明了在本研究构建的MPIs的稳健性。作者还通过分析预测MPIs参与的代谢通路与免疫相关蛋白之间的相关性，探索了代谢在肿瘤免疫逃逸中潜在的分子机制。图5

  肿瘤微环境当然少不了免疫浸润，作者对两个cluster进行免疫浸润分析，两个亚组的肝癌患者免疫检查点表达显著差异，预后也存在显著差异，证明了MPIs作为预测不同代谢背景下的肝癌患者预后的潜能。图6

  大数据分析下，作者还加上了湿实验，真是卷的不行，实验证明，通过抑制有氧代谢，验证肝癌细胞系的代谢过程变化，验证了不同供能环境下，肝癌细胞发生了多种代谢通路的变化，提示MPIs在真实情况下发挥了作用。本文，作者提出了一种代谢相关的 HCC 亚型，并探索了代谢物改变与免疫反应和 TME 联系。这些结果阐明了HCC分型的相关分子机制，确定了潜在的药物靶点，突出MPI在HCC中的重要作用，从而可以为HCC分型提供指导，促进HCC的精准诊断和治疗。

  小编有话说：三种思路，由简入繁，影响因子也是逐渐增高，但是不变的是，肿瘤代谢的生信分析更注重于研究者本身对肿瘤代谢的理解，有良好的生物信息学背景，加上临床经验，就能实现很有意义的分析，肿瘤的免疫治疗推进已经遇到了瓶颈，多种因素都在阻碍靶向、免疫制剂的效果。

“行军打仗，粮草先行“是亘古不变的真理，找到癌细胞代谢的弱点，予以攻破，也许，癌症不再是癌症，就是一种代谢疾病，小编对未来抗癌治疗报以万分的期待！

1. Flaveny CA, Griffett K, El-Gendy BE-DM, et al. Broad Anti-tumor Activity of a Small Molecule that Selectively Targets the Warburg Effect and Lipogenesis. Cancer Cell. 2015;281:42-56.

2. Boroughs LK, DeBerardinis RJ. Metabolic pathways promoting cancer cell survival and growth. Nature Cell Biology. 2015;174:351-359.

3. Pavlova Natalya N, Thompson Craig B. The Emerging Hallmarks of Cancer Metabolism. Cell Metabolism. 2016;231:27-47.

4. Li X, Wenes M, Romero P, et al. Navigating metabolic pathways to enhance antitumour immunity and immunotherapy. Nature Reviews Clinical Oncology. 2019;167:425-441.

5. Liu F, Mischel PS. Targeting epidermal growth factor receptor co-dependent signaling pathways in glioblastoma. WIREs Systems Biology and Medicine. 2018;101:e1398.

6. Karasinska J, Topham J, Kalloger S, et al. Altered Gene Expression along the Glycolysis-Cholesterol Synthesis Axis Is Associated with Outcome in Pancreatic Cancer. Clinical Cancer Research. 2019;26:clincanres.1543.2019.

7. Mou Y, Zhang Y, Wu J, et al. The Landscape of Iron Metabolism-Related and Methylated Genes in the Prognosis Prediction of Clear Cell Renal Cell Carcinoma. Front Oncol. 2020;10:788.

8. Chen D, Zhang Y, Wang W, et al. Identification and Characterization of Robust Hepatocellular Carcinoma Prognostic Subtypes Based on an Integrative Metabolite-Protein Interaction Network. Advanced Science. 2021;817:2100311.