随着我們對癌症轉移的深入研究，癌症轉移不再被視為線性級聯反應，而是作為一系列并發的，部分重疊的過程，因為成功轉移的細胞在抛棄舊的行為時呈現新的表型。缺乏對這種複雜現象的系統性了解，我們就無法針對癌症轉移開發有效的幹預手段。面對這個問題 ，現在系統級實驗和計算模組化仍然是一個挑戰。這裡總結一下我們對于癌症擴散轉移的系統水準認識[1]。
癌症轉移是一個動态的選擇過程
癌細胞存在漸變的不同表型狀态，其中包括原發病竈定居、局部侵襲、全身循環以及遠端二級位點的最終接種和定居(圖1)。這些狀态的無縫銜接最終實作癌細胞在遠處器官實作“移民”。轉移性病變是一個或幾個細胞獲得繞過一系列分子和生物實體障礙的能力的結果，這會給它們的非轉移性對應物帶來不可逾越的障礙。值得注意的是，這些能力可能依賴于與建立原發惡性良性腫瘤所需的細胞行為互相不相容或不一緻的細胞行為。例如，雖然初始惡性良性腫瘤中的細胞可能是增殖性的，但許多報道表明，經曆上皮 - 間質轉化(EMT)的播散細胞或細胞在很大程度上會暫停增殖。轉移癌細胞表現出所謂的“生長”和“遷移”表型狀态之間存在負相關;然而，一旦轉移細胞在二級位點滞留，即使長時間處于休眠狀态，它也可以恢複增殖。一項針對轉移的患者隊列研究顯示，增殖性癌症與代謝和應激反應增加有關，而具有更多EMT樣表型的患者則更具炎性反應。未來對癌症轉移進行實驗和計算模組化必須充分考慮癌細胞的可塑性，同時整合轉移過程中的許多步驟。這些步驟包括轉移和局部侵襲的開始，遠端轉移部位的移植和定植，以及免疫系統的逃避，通常表現為休眠狀态。
圖1，癌症轉移的複雜路徑
研究轉移的系統政策
了解癌細胞的複雜分子水準行為及其與惡性良性腫瘤微環境的互相作用如何導緻轉移将需要整合生理轉移模型和廣泛的表型和分子表征。需要複雜的資訊學和計算方法來了解這些動态和多變量關系，并産生可檢驗的假設，最終實作更好的患者治療選擇。還顯示了用于研究不同進展階段的癌症轉移的實驗和計算系統方法。這些方法的實施将涉及将轉移中的個體事件的概念轉化為以系統抽象為特征的綜合多尺度過程。
實驗技術
單細胞RNA-seq: 有助于研究異質性，單細胞所處的信号狀态以及發現和特定表型相關的細胞亞群。
細胞譜系追蹤：可以直接驗證轉移過程中的驅動事件。
病人組織來源的移植模型：可以研究特定病人的癌症，實作個體化研究;通常需要人源化小鼠模型以及足夠的時間來觀測轉移。
CRISPR-Cas9篩選：有可能可以發現與生存、生長和轉移直接相關的突變。
計算技術
常微分方程模組化：能夠帶來機制上的新認識，每個參數對系統的影響都可以被預測;通常需要關于反應速率常數、蛋白質濃度及降解速率的定量。
高層次的通路模組化：Petri網絡和布爾網絡，忽略細節上的參數，在更高抽象化水準上對大的系統進行模組化。
遺傳調控網絡的建立：可以整合大規模以及多種類的實驗資料，但僅限于轉錄調控，忽略代謝及蛋白質水準調節。
全細胞代謝網絡模組化：能夠整合代謝和基因組資料，但僅限于分析代謝限制調控的過程。
混合細胞自動化和基于主體的模型實作多細胞空間模拟：能夠對侵襲和生長過程中的空間效應和細胞間互相作用進行模組化，但通常缺乏細胞内生物過程的足夠細節。
計算機視覺和深度學習：不局限于于人類專家的時間，能夠分析、分割和标記大量資料;僅限于用已經學到的模型進行分析或者标記，對于個體存在一定的錯誤率。
可了解的機器學習模型：能夠從原始資料裡産生因果判斷以及可驗證的假說，但通常不容易整合先驗知識。
圖2，研究癌症轉移中不同步驟的系統政策與技術
研究癌症轉移的單細胞政策
最近單細胞技術的成本降低以及随之而來的便攜性和靈活性的增加，将有助于更深入地了解轉移中惡性良性腫瘤細胞的異質性。普遍的一個應用是采用單細胞DNA和RNA測序技術來研究原發性惡性良性腫瘤，轉移性病變，CTC和已擴散的惡性良性腫瘤細胞單線态和簇。對引起轉移細胞的衆多分子特征的更好了解将為患者的治療和結果提供更好的預測模型。但是，當使用這些方法對來自計算系統生物學模型的假設進行參數化或測試時，必須注意的是，單細胞基因組和轉錄組資料具備多項分析挑戰，包括由于低讀長覆寫率導緻的信噪比低以及複雜的歸一化過程。難以處理好歸一化會使比較患者或實驗條件下的多個資料集變得頗具挑戰性。此外，如果在實驗設計過程中未認真考慮所需的種群比較，則對諸如休眠轉移細胞之類的小細胞種群的研究可能會限制統計學上有意義的見解。大量的理論工作為單細胞基因組學，轉錄組學和蛋白質組學提供了大量有用的資料分析技術，而将這些資料整合到預測性計算模型中的工作才剛剛開始。
在單細胞水準上解釋惡性良性腫瘤異質性的一項挑戰是在單個時間點捕獲的“稀有”癌細胞的生物學作用。這樣的細胞可以被視為重要的次要亞群，形成代表癌細胞特征的分布的尾巴，或者被視為穿越動态細胞狀态。在缺乏縱向采樣政策的情況下，将基因組或轉錄組水準的資訊與細胞表型的實驗測量結果結合起來，可以為解釋單個時間點資料所需的粒度水準提供支援。單細胞水準上準确量化實體特性(例如由于藥物治療或環境擾動引起的細胞品質變化或細胞運動調節)的技術，則可以提供區分不同細胞或不同細胞所需的額外資料。當這些資料與單細胞分子資料結合時，研究人員便擁有足夠資料來區分細胞所處的穩定和瞬時的狀态。即使可以獲得縱向資料，也可能需要整合多種資料類型，例如大批量和單細胞全基因組測序以及轉錄譜分析，才能準确預測結果。最後，轉移性病變的單細胞測序結合計算方法以及适合圖像的動物模型(例如秀麗隐杆線蟲或斑馬魚)中轉移竈的譜系追蹤，有可能解決有關轉移的起源和克隆性的突出問題以及耐藥性等新表型的出現。
參考
1.Suhail, Y., et al., Systems Biology of Cancer Metastasis. Cell Syst, 2019. 9(2): p. 109-127