Cell metabolism
数字孪生模型用于体内脑肿瘤患者的代谢通量估计
小赛推荐：
该研究开发了基于机器学习的数字孪生框架和13C-scMFA，实现了在单细胞水平量化肿瘤微环境中的代谢通量，为个性化代谢治疗提供潜在生物标志物。
文献概述
本文《Digital twins for in vivo metabolic flux estimations in patients with brain cancer》，发表于《Cell metabolism》杂志，回顾并总结了利用稳定同位素追踪与单细胞RNA测序结合机器学习模型，以量化胶质瘤患者的代谢通量，同时克服传统代谢通量分析（MFA）在临床样本中的局限性。该研究为个性化代谢疗法提供新思路，并验证了针对IMP脱氢酶（IMPDH）和丝氨酸/甘氨酸限制饮食的潜在治疗策略。
背景知识
癌症代谢研究近年来迅速发展，尤其在胶质瘤领域，已有研究显示肿瘤细胞依赖丝氨酸和嘌呤合成途径支持其增殖和治疗抗性。然而，体内代谢通量分析受限于组织取样难度、微环境异质性及非稳态条件。本研究通过数字孪生模型整合稳态和非稳态同位素数据，结合单细胞测序，突破该限制，为临床转化提供基础。
研究方法与实验
研究团队整合了胶质瘤患者的稳定同位素[13C]-葡萄糖追踪数据与单细胞RNA测序（scRNA-seq）数据，开发了两个机器学习模型：数字孪生框架与13C-scMFA。数字孪生模型结合第一原理代谢通量模拟与卷积神经网络（CNN），以预测丝氨酸和GMP来源的相对通量。13C-scMFA模型则利用scRNA-seq数据推断单细胞级通量，解析肿瘤微环境（TME）中不同细胞类型的代谢交互。
实验中，团队使用患者来源的异种移植物（PDX）和TRP肿瘤模型进行验证，通过喂养不同丝氨酸/甘氨酸限制饮食及MMF（霉酚酸酯）治疗，评估肿瘤生长与通量变化。此外，通过多平台质谱数据验证同位素分布一致性，减少技术偏差。
关键结论与观点
研究意义与展望
该研究首次在体内胶质瘤患者中实现代谢通量的高精度建模，为个性化治疗提供潜在生物标志物和策略。未来研究可扩展至更多代谢通路和更大患者队列，以验证模型在不同癌症类型中的普适性。此外，该框架可结合饮食、药物及基因治疗，进一步优化癌症代谢治疗策略，推动转化医学应用。
结语
本研究通过数字孪生与13C-scMFA模型，成功解析了胶质瘤患者体内丝氨酸和嘌呤代谢通路的异质性。研究不仅揭示了胶质瘤细胞的代谢特征，还建立了可预测患者对IMP脱氢酶抑制剂或丝氨酸限制饮食响应的计算框架。该方法克服了传统代谢通量分析在临床样本中的局限，为精准医学提供了新工具。未来，该模型可应用于更多癌症类型，促进个体化代谢疗法的临床转化，并指导代谢抑制剂与营养干预的联合应用。
