[论文解读] Cell fate reprogramming by control of intracellular network dynamics

Jorge Gómez Tejeda Zañudo, Réka Albert|arXiv (Cornell University)|Aug 24, 2014

Gene Regulatory Network Analysis参考文献 65被引用 27

一句话总结

本文提出了一种网络控制框架，整合了细胞内网络的结构与功能信息，以识别最小化、瞬时的干预策略，实现细胞命运重编程。通过在逻辑动态模型中靶向特定节点，该方法在驱动细胞达到目标状态方面实现了100%的有效性——在白血病和辅助性T细胞分化网络中均得到实验支持的靶点验证。

ABSTRACT

Identifying control strategies for biological networks is paramount for practical applications that involve reprogramming a cell's fate, such as disease therapeutics and stem cell reprogramming. Here we develop a novel network control framework that integrates the structural and functional information available for intracellular networks to predict control targets. Formulated in a logical dynamic scheme, our approach drives any initial state to the target state with 100% effectiveness and needs to be applied only transiently for the network to reach and stay in the desired state. We illustrate our method's potential to find intervention targets for cancer treatment and cell differentiation by applying it to a leukemia signaling network and to the network controlling the differentiation of helper T cells. We find that the predicted control targets are effective in a broad dynamic framework. Moreover, several of the predicted interventions are supported by experiments.

研究动机与目标

• 解决在复杂生物网络中识别最小、有效控制靶点以实现细胞命运重编程的挑战。
• 克服传统控制理论在大规模、非线性、具有开关式动力学的生物系统中的局限性。
• 整合网络结构拓扑与定性调控功能信息，以提高控制策略的精确性。
• 开发一种方法，确保通过瞬时、非永久性干预实现100%有效驱动细胞到达目标状态。
• 在真实生物网络（T-LGL白血病和辅助性T细胞分化网络）上验证该方法，展示其在不同动力学模型下的鲁棒性。

提出的方法

• 使用类似布尔逻辑的调控函数与Hill动力学，将细胞命运重编程建模为逻辑动态网络模型。
• 通过分析有向相互作用网络中的稳定基序与反馈顶点集，识别控制靶点。
• 通过将选定节点的表达或活性固定为期望值（如开启/关闭）实现干预，持续时间为瞬时。
• 利用动态模拟测试不同Hill系数和参数扰动下的干预有效性。
• 使用T-LGL白血病和T细胞信号转导网络的微分方程模型验证预测结果。
• 通过在参数变化（如τi, θi）和接近干预水平的固定节点值下测试干预效果，评估鲁棒性。

实验结果

研究问题

• RQ1 整合网络结构与定性调控功能的控制框架，能否识别出最小化、有效的细胞命运重编程干预靶点？
• RQ2 在不同动力学模型中，瞬时干预在驱动细胞网络达到目标状态方面的有效性如何？
• RQ3 在参数不确定性和不同动力学参数下，预测的控制靶点是否仍保持有效性？
• RQ4 预测的干预是否与真实生物系统中的实验观察一致？
• RQ5 该方法能否在白血病和T细胞分化等复杂网络中识别出既具有生物学合理性又有效的控制靶点？

主要发现

• 该方法仅通过在少数节点上实施瞬时干预，即可实现100%有效驱动网络达到目标状态。
• 在T-LGL白血病网络中，{SPHK1=OFF}等干预在多种Hill系数下均使微分方程模型中的细胞凋亡率达到100%。
• 在T细胞分化网络中，{FOXP3=ON}和{STAT3=OFF}等干预成功以高成功率引导细胞向Treg或Th17命运分化。
• 即使在节点值被固定于接近干预水平时（如0.1/0.9或0.4/0.6），预测干预仍保持有效性，细胞凋亡诱导成功率超过99.9%。
• 多个预测靶点（如SPHK1和FOXP3）获得实验证据支持，增强了生物学可信度。
• 该方法在T-LGL网络中仅识别出5个关键节点，相比全网络控制策略展现出极高的效率。