基于转录组加权网络分析揭示神经母细胞瘤中糖鞘脂代谢的研究
神经母细胞瘤中糖鞘脂代谢的转录组加权网络分析
背景介绍
糖鞘脂（Glycosphingolipids, GSLs）是一类由神经酰胺（ceramide）骨架与糖链（glycan）组成的膜脂质，广泛存在于神经系统中。它们在细胞信号传导、细胞间相互作用以及肿瘤发生中扮演重要角色。神经母细胞瘤（Neuroblastoma, NB）是儿童中最常见的颅外实体肿瘤，其生物学和临床异质性极高。神经母细胞瘤的糖鞘脂代谢异常与肿瘤的进展、预后以及治疗反应密切相关，尤其是GD2（一种特定的糖鞘脂）已成为神经母细胞瘤免疫治疗的靶点。然而，糖鞘脂代谢的复杂性使得其分析变得极为困难，尤其是如何通过转录组数据推断糖鞘脂代谢的活性仍然是一个挑战。
为了应对这一挑战，来自德国美因茨大学医学中心（University Medical Center of the Johannes Gutenberg-University Mainz）的研究团队在2024年发表了一篇题为《Unraveling the glycosphingolipid metabolism by leveraging transcriptome-weighted network analysis on neuroblastic tumors》的研究论文，提出了一种基于转录组数据和代谢网络拓扑信息的新方法，用于区分神经母细胞瘤中糖鞘脂代谢的不同系列。该研究不仅为神经母细胞瘤的糖鞘脂代谢提供了新的分析工具，还为其他肿瘤的代谢研究提供了潜在的应用价值。
论文来源
该论文由Arsenij Ustjanzew、AnneKathrin Silvia Nedwed、Roger Sandhoff、Jörg Faber、Federico Marini和Claudia Paret共同撰写，发表在《Cancer & Metabolism》期刊上。研究团队来自德国美因茨大学医学中心、德国癌症研究中心（German Cancer Research Center）以及美因茨大学儿童血液学/肿瘤学中心。论文于2024年10月11日在线发表，开放获取，遵循Creative Commons Attribution 4.0国际许可协议。
研究流程
1. 数据获取与预处理
研究团队使用了两个公开的RNA测序（RNA-seq）数据集：一个来自GEO数据库（GSE147635），包含6个神经节细胞瘤（Ganglioneuroma, GN）和15个神经母细胞瘤（NB）样本；另一个来自UCSC Xena数据库，包含154个样本，其中25个为神经节母细胞瘤（Ganglioneuroblastoma, GNB），129个为神经母细胞瘤（NB）。数据预处理包括标准化、对数转换以及伪计数处理，以确保数据的可比性。
2. 代谢网络构建
研究团队基于京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）中的四个糖鞘脂代谢途径（hsa00600, hsa00601, hsa00603, hsa00604），构建了一个代谢网络图。该网络图以代谢物为节点，反应为边，并通过基因-蛋白质-反应（Gene-Protein-Reaction, GPR）关联规则将转录组数据与代谢反应活性评分（Reaction Activity Score, RAS）相结合。
3. 反应活性评分（RAS）计算
RAS用于量化每个代谢反应在不同样本中的活性。研究团队根据GPR规则，使用样本的基因表达数据计算每个反应的RAS值。对于涉及多个基因的反应，RAS值通过逻辑运算符（AND或OR）进行计算。最终，每个样本的代谢网络图被赋予了一个加权邻接矩阵，表示每个反应的活性。
4. 过渡概率矩阵（Transition Probability Matrix, TP）调整
为了区分糖鞘脂代谢的四个系列（0-、A-、B-和C-系列），研究团队提出了三种基于过渡概率（Transition Probability, TP）的RAS调整方法： - 简单TP调整：基于局部网络拓扑信息，调整每个反应的RAS值。 - 递归TP调整：通过递归计算前驱节点的TP值，调整当前节点的RAS值。 - 路径TP调整：基于从特定节点（如乳糖神经酰胺）到目标节点的路径，计算路径上的TP值并调整RAS值。
5. 无监督学习与聚类分析
研究团队使用UMAP（Uniform Manifold Approximation and Projection）算法对调整后的RAS值进行降维，并通过HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）算法对样本进行聚类。通过迭代计算1000次UMAP，研究团队评估了聚类的稳定性，并识别了每个簇的特征反应。
6. 差异反应活性分析
研究团队比较了不同肿瘤类型（如NB与GNB、MYCN扩增与未扩增的NB）之间的反应活性差异，使用Kolmogorov-Smirnov（KS）检验计算了每个反应的显著性，并通过Benjamini-Hochberg（BH）方法进行多重检验校正。
主要结果
1. 糖鞘脂代谢系列的区分
通过调整RAS值，研究团队成功区分了糖鞘脂代谢的四个系列。结果显示，GNB倾向于表达A-系列的复杂糖鞘脂，而NB（尤其是MYCN扩增的NB）则倾向于表达B-系列的简单糖鞘脂（如GD2）。这一结果与先前的研究一致，表明MYCN扩增与糖鞘脂代谢的简化相关。
2. MYCN基因表达与糖鞘脂代谢的相关性
研究发现，MYCN基因表达与糖鞘脂代谢相关基因（如B3GALT4和ST8SIA1）存在显著相关性。MYCN扩增的NB样本中，ST8SIA1表达较高，而B3GALT4表达较低，提示MYCN可能通过调控这些基因影响糖鞘脂代谢。
3. 无监督学习揭示NB亚群
通过无监督学习，研究团队在NB样本中识别出两个亚群：一个亚群以岩藻糖基转移酶（Fucosyltransferase, FUT）基因的高表达为特征，另一个亚群则以硫酸脂代谢相关基因的高表达为特征。这些亚群的存在表明，NB的糖鞘脂代谢具有显著的异质性。
4. 差异反应活性分析
差异反应活性分析显示，MYCN扩增的NB样本中，涉及GD2合成的反应（如R05940）活性显著高于GNB样本。此外，GNB样本中涉及A-系列糖鞘脂合成的反应活性较高，进一步支持了GNB的成熟表型。
结论与意义
该研究提出了一种基于转录组数据和代谢网络拓扑信息的新方法，成功区分了神经母细胞瘤中糖鞘脂代谢的不同系列。研究不仅揭示了MYCN扩增与糖鞘脂代谢简化之间的关系，还通过无监督学习识别了NB的亚群，为神经母细胞瘤的个性化治疗提供了新的思路。此外，该方法具有广泛的适用性，可用于其他涉及低特异性酶的代谢途径研究。
研究亮点
- 创新性方法：研究团队首次将转录组数据与代谢网络拓扑信息相结合，提出了三种RAS调整方法，成功解决了糖鞘脂代谢系列难以区分的问题。
- 临床意义：研究揭示了MYCN扩增与糖鞘脂代谢简化之间的关系，为神经母细胞瘤的预后评估和靶向治疗提供了新的生物标志物。
- 广泛适用性：该方法不仅适用于神经母细胞瘤，还可用于其他肿瘤的代谢研究，具有广泛的应用前景。