Deep Mechanistic Models reveal pathway-extrinsic drivers of mammary MAPK signalling heterogeneity
本文介绍了深度机制模型（Deep Mechanistic Models, DMMs），这是一个将半监督表示学习与常微分方程模型相结合的框架，旨在揭示乳腺 MAPK 信号传导的异质性主要由通路外因素而非核心通路变化所驱动，同时利用模型差异来识别新的生物学机制。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你的身体就像一座繁忙的城市，每一个细胞都是一个微小的、忙碌的办公室。这些办公室需要相互交流，以决定该做什么：生长、分裂还是休息。它们通过发送信号（即“信号通路”）来进行交流，这些通路就像细胞内部复杂的电线和开关网络。其中最重要的网络之一是 MAPK 通路，这是一个指挥链，当一个生长信号（就像市长的一封信）撞击到细胞的前门时，这个链条就会启动。当门打开时，一系列信使会沿着线路奔跑，传递这张纸条，直到它到达细胞的老板——细胞核，并告诉它开始工作。
但这里有一个谜团：即使你拥有一组基因完全相同的双胞胎细胞，它们对同一条消息的反应也并不相同。有些变得异常兴奋并开始快速生长；而另一些则保持冷静。科学家们一直试图找出原因。传统上，他们使用两种不同的工具来解决这个谜题。一种工具就像是电路布线的详细蓝图（机械模型），它非常擅长理解开关是如何工作的，但不擅长解释为什么一个办公室会比另一个更混乱。另一种工具则像是一个高科技照相机，可以拍摄办公室里一切事物的快照并寻找模式（机器学习），但它不会告诉你这种“混乱”是如何影响工作的。长期以来，科学家们无法轻松地将这两种视角结合起来以获得全貌。
这就是一个名为“深度机械模型”（Deep Mechanistic Models, DMMs）的新型聪明发明介入的地方。你可以把它想象成一个超级聪明的翻译官，它能同时理解“蓝图”和“快照”两种语言。他们构建了一个计算机模型，该模型获取了来自 63 种不同乳腺癌细胞系的庞大数据——就像为 63 个不同的办公室拍摄每一件物品的照片——并利用这些数据来学习 MAPK 通路的隐藏规则。该模型并非仅仅靠猜测，而是通过尝试预测细胞对不同药物和生长信号的反应，不断调整其内部的“旋钮”，直到预测结果与现实相符。
他们发现的大惊喜是，这些细胞之间的差异主要并不是因为 MAPK 通路内部的电线损坏或不同。相反，该模型表明，真正的驱动因素是“通路外在性”（pathway-extrinsic）因素——即发生在主要指挥链之外的事情。这就像是意识到两个办公室的反应不同，并不是因为它们的内部布线不同，而是因为一个有一个非常吵闹、活跃的经理（高基线 ERBB2 激活），而另一个旁边有一支嘈杂的施工队在震动地板（Ca²⁺/p38 信号轴）。模型识别出，正是这些外部影响使得这些细胞的行为如此独特。
研究人员还展示了，当他们的模型出错时，这实际上是一件好事。这些“错误”就像聚光灯一样，直接指向了罕见的突变或隐藏的生物程序，而模型此前并不了解这些内容。例如，模型在预测带有特定突变（称为 BRAFV600E）的细胞行为时遇到了困难，这有助于证实该突变改变了细胞对药物的反应方式。同样，它标记了一组似乎具有独特的“细胞骨架”（与细胞骨架相关）程序以及涉及一种名为 AMPK 的蛋白质的潜在抗性机制的细胞。
简而言之，这篇论文不仅仅提供了一个更好的预测工具，它还提供了一种看待生物学的新方式。通过将化学的硬性规则与人工智能的模式发现能力相结合，作者们指出，我们看到的细胞多样性与其说是核心机制的不同，不如说是每个细胞接收到的独特环境和额外信号的不同。他们还发现，如果你向模型输入关于细胞“前门”（EGFR 水平）的具体信息，模型的内部地图会发生彻底改变，这表明同样的数据既可以被理解为一个分子层面的故事，也可以被理解为一个系统层面的故事，这取决于你如何提问。虽然该模型仍存在一些差距——比如不能完美捕捉细胞对某些药物组合的反应——但它成功地将这些差距转化为了发现新生物学的路线图，证明了有时，了解你“不理解什么”与了解你“理解什么”同样有价值。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。