Cell Rep丨刘雪松组利用人工智能挖掘癌症代谢依赖性靶点并实验验证

代谢状态改变是癌症细胞的典型特征之一，代谢依赖性靶点通过靶向癌症特征性代谢状态变化实现对癌细胞的选择性杀伤抑制。然而系统发掘癌症细胞的代谢依赖性靶点依然是一个未解决的重要科学与应用问题。

近日，上海科技大学生命科学与技术学院刘雪松课题组在国际学术期刊CellReports上发表了题为Precisemetabolic dependencies of cancer through deep learning andvalidations的研究论文，构建了基于图深度学习的癌症代谢依赖性预测模型“DeepMeta”，该模型依据转录组和代谢网络信息，实现癌症样本代谢依赖性靶点的精确预测（图1）。

图 1.癌症代谢依赖性预测模型——DeepMeta

抗代谢药物是一类临床上广泛应用的癌症化疗药物，目前还没有很好的标志物用于其临床治疗效果预测。该研究应用DeepMeta预测了TCGA癌症样本的依赖性代谢通路，发现DeepMeta预测的嘧啶代谢通路依赖的癌症患者对抗嘧啶代谢药物（卡培他滨、培美曲塞、吉西他滨、氟尿嘧啶）有着显著的治疗效果，这不仅证明了DeepMeta可靠预测性能，也为抗代谢药物的临床应用提供了新的预测标志物（图2）。

图2.DeepMeta预测的嘧啶代谢通路依赖的癌症对抗嘧啶代谢药物有着显著的治疗效果。

研究人员进一步应用DeepMeta模型预测了常见不可成药的癌症驱动基因（包括TP53、CTNNB1和MYC）变异的代谢依赖性，并进行了湿实验的验证。实验发现CTNNB1激活突变（T41A）导致对嘧啶和嘌呤代谢的依赖，通过药物抑制嘧啶和嘌呤代谢可以选择性地抑制携带CTNNB1 T41A突变细胞的增殖（图3）。该研究为不可成药驱动基因相关癌症的治疗提供了新策略。

图3. CTNNB1激活突变（T41A）导致对嘧啶和嘌呤代谢的依赖。

该研究为系统挖掘癌症代谢依赖性靶点提供了新的工具，为不可成药的癌症驱动变异提供了新的靶向治疗策略，对癌症精准诊断治疗临床实践具有潜在的应用价值。

上海科技大学生命学院2024届博士毕业生吴涛，博士毕业生赵翔宇和硕士毕业生张钰为本文共同第一作者。生命学院刘雪松教授为本文通讯作者。上海科技大学为第一完成单位和通讯单位。

论文链接：https://www.cell.com/cell-reports/fulltext/S2211-1247(25)00716-8

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。