Cancer as robust intrinsic state shaped by evolution: a key issues review

癌，可能是進化給我們設下的“陷阱”

https://iopscience.iop.org/article/10.1088/1361-6633/aa538e

摘要

癌癥是一種復雜的疾病：其病理機制無法通過獨立的因子——如基因、蛋白質、分子通路，或它們的簡單組合來正確理解。這類似于凝聚態的多體物理現象，其中許多重要性質并非由單個原子或分子決定。快速積累的大規模“組學”數據也要求一種新的、具有機制性和全局性的解釋框架，以系統地理解癌癥的復雜性。

本研究的部分作者此前提出了一種統一且定量的理論：癌癥是由內源性分子-細胞網絡形成的穩健狀態，而該網絡是進化過程中為發育過程和生理功能所構建的。癌癥狀態并不符合整個有機體的最佳利益。

在癌癥中關鍵因子的發現，以及它們在發育與生理中的作用，反過來又揭示了分子生物系統內部存在一種層級結構。這種結構使得我們可以從實驗知識出發構建一個決策網絡。

通過對該網絡的非線性隨機動力學進行分析，自然地涌現出對應于正常生理狀態和異常病理表型（包括癌癥）的穩健狀態。

該網絡的非線性動力學模型，比當前癌癥研究中流行的線性疊加思維提供了更為全面的理解。

截至目前，這一理論已初步成功應用于前列腺癌、肝細胞癌、胃癌及急性早幼粒細胞白血病的研究中。

它可能成為將物理學探究精神延伸至傳統領域之外的一個范例：雖然定量方法可以處理個別病例，但在生物學與醫學中也必然存在需要被發現的一般規律/法則。

關鍵詞 ：癌癥，內源性分子-細胞網絡，系統生物學，隨機微分方程，勢能景觀，非平衡過程，達爾文動力學
（部分圖示可能僅在在線期刊中以彩色形式呈現）

1引言

癌癥是一種嚴重且常常致命的疾病，其特征是惡性腫瘤的侵襲和轉移。它一直是醫學界和科學界的重大挑戰 [1–4]。

盡管人類壽命不斷延長，但癌癥發病率持續上升，而相關死亡率的下降卻不令人滿意，這引發了人們對當前對癌癥機制的理解以及臨床治療手段的嚴重質疑 [5]。

在癌癥研究的發展過程中，提出了眾多假說。其中最早的一個被稱為“種子與土壤”假說 [6]，形成于19世紀下半葉。這一假說簡潔地概括了重要的臨床觀察事實：癌癥在組織中的發生高度不均勻，癌細胞的遷移或轉移也不是隨意發生的。

所有人類都起源于一個受精卵，體內細胞的基因組在統計上是相同的。因此，從現代觀點來看，這一假說表明除了隨機突變之外，還有其他因素參與了癌癥的發生與發展。

另一方面，在DNA被發現并提出中心法則之后，癌癥被視為一種基因組疾病，這一觀點至今仍占主導地位 [7]。

同時，越來越多的證據，例如一些沒有基因突變的癌癥患者 [8, 9]、攜帶致癌突變卻長期處于緩解狀態的患者 [10]、以及癌癥的自發性消退現象 [11]，都表明有必要跳出“突變盒子”的思維框架 [9, 12]。

從“二次打擊假說”[13, 14] 到“癌基因協同作用”[7, 15]，從“遺傳性疾病”[7, 16] 到將微環境納入考慮 [17, 18]，癌癥研究的范式正在向系統性思考的方向演變。

隨著人類基因組計劃的完成 [19, 20] 和大量“組學”數據的出現，這種趨勢變得更加明顯。現在人們已經認識到，僅憑少數孤立的基因不足以理解癌癥。

這一認識使癌癥研究走向了另一個極端——線性擴展的方向，即追求更大、更完整的統計模型。這些模型是從高通量數據中推斷得出的，可能在實際應用（如預測新抗癌藥物）方面并不實用 [21]。

此外，人們總是不得不面對由于模型規模龐大導致的數據不足問題 [22]，以及高通量數據本身的準確性問題 [23]，這些問題在可預見的未來都無法得到根本改善。

相反，我們證明，通過尋找分子相互作用背后的動態組織原理，仍可能存在一種概念上簡單、且具有實用價值的理解癌癥的方法。

我們在2007年提出 [3]，癌癥對應的是內源性分子之間相互作用所形成的穩健狀態。這個內源性分子-細胞網絡是在進化過程中逐步建立起來的，用于發育過程（如分化、血管生成等）和生理功能（如細胞周期、凋亡、免疫反應、代謝、細胞粘附等）。

癌變可以被理解為在一個勢能景觀中，從正常狀態向癌癥狀態的躍遷，如圖1所示。

因此，癌癥被假定為由進化形成的狀態，但它并不符合整個有機體的最佳利益。

這個勢能景觀是對早期思想的一種定量實現：賴特（Wright）提出的適應度景觀 [24] 和瓦丁頓（Waddington）提出的發育景觀 [25]。

多年來，研究者一直在努力將這些吸引人的概念數學化 [26–34]。

在我們的理論框架中，勢能景觀是通過對內源性分子-細胞網絡達爾文演化動力學的分解獲得的 [28]，而穩健狀態則對應景觀中的山谷。

以前，癌癥曾被認為是一種穩健的病理性穩態 [35]，并從不同機制角度被假設為穩健狀態，這些觀點與我們的理論是一致的 [3, 31, 36–41]。

癌癥的內源性網絡假說最近已在前列腺癌 [42]、肝細胞癌 [43]、胃癌 [44] 和急性早幼粒細胞白血病 [45] 中得到檢驗。癌癥研究中遇到的一些主要難題，例如癌癥異質性 [4, 44]、藥物耐受 [46, 47]、無突變患者 [8, 9] 以及攜帶致癌突變卻長期處于緩解狀態的患者 [10]、癌癥的自發消退 [11] 等問題，都可以（至少在概念上）自然地被解釋。這些模型還提出了新的預測，如新的生物標志物和藥物靶點，未來可通過新實驗加以驗證 [42–44]。

以往對模式生物（如噬菌體λ [48]）的研究表明，相對較少的關鍵內源性因子（例如 CI 和 Cro）就足以描述一個生物系統的主要行為 [49–51]。我們認為，決策的最高層次——核心內源性分子-細胞網絡——由幾個具有相對自主功能的模塊組成 [50, 52, 53]。通過對必要模塊的仔細研究，我們評估、篩選并整合了每個模塊及其相互作用中的關鍵因子，并基于扎實的生物化學和分子生物學實驗來確定這些因子之間的關系 [3, 42–44, 54]。

我們發現，如果底層生物網絡具有某種拓撲結構，使得存在少量代表生理功能或病理狀態的集體模式（或狀態），那么該生物系統的魯棒性就可以獲得，這與多體物理中所遇到的情況類似。從“景觀”（landscape）的觀點來看，這種魯棒性表現為少數幾個大的吸引盆地（basins）以及從一個盆地到另一個盆地之間的躍遷勢壘 [55]。在對急性早幼粒細胞白血病（APL）[45] 的詳細研究中，如圖13所示，我們展示了網絡的“集體性”是通過大量有效節點之間的正反饋以及對其他正向強化簇的共同抑制來實現的。

在建模生物網絡時面臨的一個主要障礙是缺乏關于網絡節點之間相互作用的細節信息。例如，在使用化學速率方程構建代謝網絡的動力學模型時，存在大量未知的體內參數 [56, 57]。為了克服這一困難，我們采用了粗粒化的方法來描述網絡動力學，將一個因子對另一個因子的相互作用簡單視為“激活”或“抑制”。我們使用布爾動力學以及非線性和耦合的隨機微分方程（SDE）來模擬網絡動力學。正如我們的假設一致，計算出的穩定狀態在核心網絡層面上對相互作用細節不敏感，這一點通過隨機參數測試（見圖10）和對動力學結構的擾動得到了驗證 [42–44]。這些具有較大吸引域的穩定狀態被稱為魯棒狀態。整個建模過程的流程圖總結在圖2中。

在本綜述中，我們以前列腺癌 [42] 為主要例子討論內源性網絡建模。核心內源性網絡由7個模塊、38個因子和115個相互作用組成，如圖3所示。通過求解微分方程，我們發現了10個動態魯棒狀態，以及16個過渡態（即具有一個不穩定特征值的固定點，即其雅可比矩陣的實部為正值）和13個超過渡態（即具有多個不穩定特征值的固定點）。其中一種魯棒狀態表現出增殖和免疫活性升高、生長因子濃度高、凋亡受到抑制，以及特定的代謝和粘附行為，被識別為前列腺癌狀態。該狀態的歸屬通過與高通量數據的比較得到了驗證。由魯棒狀態和連接它們的不穩定狀態構成的潛在“景觀”，能夠解釋癌變過程，并預測導致表型異質性的多種惡性轉變路徑 [4, 44]。

本文綜述的結構如下：在第2節中，我們首先論證由進化形成的內源性分子-細胞網絡的存在性。這一想法來源于我們之前對噬菌體λ基因開關的研究。在第2節的后續部分，我們重點介紹用非線性隨機微分方程（SDE）對內源性網絡進行建模，并輔以布爾動力學作為參考——癌癥和正常生理狀態是涌現出來的魯棒狀態。我們強調在使用SDE時涉及的隨機與確定性動力學之間的一個關鍵對應關系，即所獲得的“景觀”對“溫度”（即噪聲強度）不敏感 [58]。前列腺癌的內源性網絡建模將在第3節中詳細展示。對于肝細胞癌、胃癌以及急性早幼粒細胞白血病的建模結果也進行了簡要回顧。第4節討論了癌癥的系統觀點及我們框架在藥物研發中的應用。第5節列出了一些尚未解決的問題。

2. 內源性分子–細胞網絡：存在、構建與量化 2.1 內源性分子–細胞網絡假說

我們首先總結內源性分子–細胞網絡假說。那些在進化過程中建立起來、用于維持正常生理功能和發育過程的分子–細胞因子及其相互作用，同樣也是癌癥發生的基礎。通過利用生物系統中固有的層次結構，可以選擇并整合一組“決策”因子，構成內源性網絡。

為了使網絡具有閉環結構，需要反饋回路：沒有絕對的上游或下游因子。網絡的狀態可以通過這些內源性因子的表達水平或活性來表征。網絡狀態的時間演化構成了一個高維的、隨機且非線性的動力系統。這種動力學是自主的，可以產生許多局部穩定的、具有明顯或不明顯生物學功能的狀態。

那些具有足夠大的吸引域，并對結構擾動不敏感的穩定狀態被識別為魯棒狀態。癌癥和正常生理功能分別對應于不同的內在魯棒狀態。癌變可以理解為從正常狀態的吸引盆地向癌癥狀態吸引盆地的躍遷。

圖4總結了“封閉”的內源性網絡如何響應輸入、做出決策并生成輸出。我們將在后續章節中進一步討論建模的更多細節。

2.2 關鍵分子：來自噬菌體λ基因開關及其他系統的啟示

噬菌體λ是一種感染大腸桿菌（E. coli）的病毒。作為最簡單的生命形式之一，噬菌體的基因組包含約40個基因。它已被廣泛研究，從物理、化學到基因組學、蛋白質組學等多個層面都有詳盡的實驗知識。幾乎每一個組成部分都被非常詳細地了解。

噬菌體λ最引人注目的現象是其生活方式的切換能力：在一個宿主細菌內部，它可以在兩種生長模式之間進行選擇——裂解（lytic）或溶菌（lysogenic）。在溶菌狀態下，噬菌體可以以潛伏狀態與宿主細胞共存；而在裂解狀態下，它則利用宿主細胞的分子遺傳機制執行自身的發育程序，產生新的噬菌體顆粒并裂解宿主細胞。

觀察發現，這兩種狀態之間的“開關”既高度穩定又高效。噬菌體可以在溶菌狀態下存活數百萬代，但在受到特定環境信號刺激時，又能以接近100%的效率切換到裂解狀態。在這兩種狀態下，不同的噬菌體基因通過復雜的相互作用被表達出來，但僅由兩個關鍵因子CI和Cro組成的自主內源性網絡就足以定量解釋實驗數據 [49–51, 59]。

簡而言之，如果CI占據操作子（operator），它會阻斷Cro的合成，同時激活自身表達；反之亦然。這兩個“主調控因子”控制著各種下游基因，從而分別導致裂解或溶菌狀態。類似的關鍵因子也在其他生物體中被發現，例如決定枯草芽孢桿菌（Bacillus subtilis ）定居多細胞或游動單細胞生活方式的SinR、SlrR和SinI蛋白，以及控制藍藻晝夜節律振蕩的kaiABC基因簇 [60, 61]。

這些研究表明生物系統中存在固有的層次結構，我們將在下一節中更詳細地探討這一問題。

2.3 層次組織：分子、模塊與網絡

在20世紀末已有觀點認為，生物研究的范式正在從單一分子轉向功能模塊 [52]。我們進一步提出，功能模塊之間的交叉對話形成了內源性分子–細胞網絡 [50]。

根據定義，功能模塊是一個可分離且相對自主的生物系統組成部分。例如，細胞周期可以被視為一個功能模塊，它不僅在進化上保守，而且其自我復制的功能是生命的基本特征之一。凋亡是多細胞生物中另一個關鍵模塊，用于清除受損細胞并維持穩態。一些抑癌基因，如p53 [62, 63]，就是細胞周期與凋亡模塊之間交叉對話中的主要參與者 [64, 65]。

我們在癌癥建模中納入了多個功能模塊，包括細胞周期、凋亡、免疫反應、代謝、生長因子、組織特異性模塊等，用于描述細胞內調控；還包括細胞外基質模塊，以整合微環境因素 [66]。

隨后，我們在每個模塊中識別出類似于噬菌體λ基因開關中的CI和Cro那樣的關鍵因子。這些分子之間的相互作用逐一從文獻中檢索，并基于有說服力的分子生物學實驗加以確認。我們還考慮了涉及細胞粘附和激素等調節分子的微環境反饋，以構建一個動態自主的網絡。

總體而言，癌癥的內源性分子–細胞網絡是通過利用生物體固有的層次組織結構構建而成的。

2.4 基于內源性分子–細胞網絡的數學方程

內源性分子–細胞網絡被認為是在長期進化過程中形成的 [3]。我們曾提出一種通過隨機微分方程框架對這一進化過程進行定量描述的方法 [28]。

這種隨機達爾文動力學被認為可以普遍適用于描述生物過程，并被用于對內源性分子–細胞網絡的動力學建模。另一個難題是，在建模復雜的生物網絡時不可避免地會遇到不確定性 [23]，例如缺乏網絡節點之間的相互作用細節（如體內參數）。

一個可行的方法是采用一種粗粒化的網絡動力學描述方式，將每個因子對另一個因子的相互作用抽象為“激活”或“抑制”。更復雜的邏輯可以通過引入輔助節點以及進一步精細化的描述來解決。在此基礎上，我們通過非線性隨機微分方程和布爾動力學兩種方法對網絡動力學進行了定量模擬。

2.4.1 隨機微分方程

與簡化的布爾動力學 [67] 或計算代價高昂的化學主方程（CMEs）[68] 相比，SDE（隨機微分方程）建模處于一個“介觀”層次，無論是在模型規模（如變量和參數的數量）還是所描述的生物學現象層面——我們并不期望重現詳細的生物行為，而是希望從有限的生物學知識出發，揭示整體涌現的特性。

對于網絡中 n 個因子的表達水平或活性水平，每個 xi的一般形式的隨機微分方程可寫為（其中 i=1,...,n）：

其中， n 是希爾系數（Hill coefficient）， a 是表觀解離常數的倒數，分別表示對所有激活因子 i 和抑制因子 i 的集合進行求和。圖5展示了為因子Myc構建布爾動力學和微分方程的一個示例。

2.4.2 布爾動力學

布爾動力學是一種有用的工具 [67, 70–72]，用于獲取網絡結構信息，而非細節的動力學行為。一系列研究顯示，該方法的建模結果能夠與實驗中觀察到的調控模式相吻合 [67, 71, 72]。我們將這種最簡化的網絡動力學建模方式作為隨機微分方程（SDE）建模的參考。圖5以Myc為例展示了其定義：

其中，每個狀態變量如 Myc、pRb 等，都具有一個離散值 0 或 1，分別表示低表達或高表達；t表示變量的當前狀態，t+1表示下一狀態；NOT、AND 和 OR 是常用的邏輯運算符。也可以使用閾值函數給出一個等效的表達形式：

布爾動力學可以直接推廣為允許因子狀態具有多個取值，或推廣為連續時間模型，但其離散性使得它難以模擬生物系統中固有的微小內部波動 [67]。正如我們將在后文中展示的那樣，由微小內部噪聲積累引起的隨機躍遷在癌癥的發生和發展過程中至關重要。出于這一目的，在我們的框架中更傾向于使用隨機微分方程（SDE）。通過SDE可以明確地獲得一些關鍵的附加信息，例如過渡態（鞍點）。與化學主方程（CME）相比，SDE在計算上更為高效，并且在分子數量不是極小的情況下已被證明與CME一致 [74]，而內源性因子通常就屬于這種情況。

2.5 常微分方程（ODE）與隨機微分方程（SDE）：A型隨機積分導致對噪聲具有魯棒性的“景觀”

從物理學的觀點來看，諸如癌癥等復雜疾病的發生與發展是典型的非平衡過程 [75]。我們已經發展出一個通用框架，用于研究利用非線性隨機微分方程（物理學中Langevin方程的一種廣義形式）描述的非平衡過程 [27, 28, 76]。該方法通過對原始的隨機動力學方程（1）進行分解，將其拆解為三個組成部分：一個摩擦矩陣 S(x)、一個反對稱橫向矩陣 A(x)，以及一個勢函數（即“景觀”）φ(α)(x)。

另一方面，若采用傳統的伊藤（Ito）或斯特拉托諾維奇（Stratonovich）解釋，我們發現即使在加性噪聲（即常數擴散矩陣 D）的情況下，隨機動力學與確定性動力學之間也可能存在不一致 [78, 79]。例如，在文獻 [78] 的第一個例子中，非細致平衡項中的參數函數會導致穩定不動點位置出現偏差，從而給建模帶來額外的復雜性。

而在我們的框架內，建立了隨機與確定性動力學之間的橋梁：我們可以直接將從確定性部分微分方程中獲得的穩定狀態解釋為穩態分布的局部最大值，局部最可能狀態之間的隨機躍遷可以被視為相應穩定狀態之間的躍遷。

因此，在A型解釋下的勢能“景觀”對噪聲具有魯棒性。請注意，這種魯棒性在許多以往使用傳統伊藤或斯特拉托諾維奇積分的研究中也被假定存在，例如通過路徑積分計算給定穩定狀態與由確定性方程得到的過渡態之間的勢能差時，并未考慮位置偏差的影響，這在噪聲強度不夠小時會導致復雜性和錯誤的結果。

在接下來的闡述中，我們在A型隨機積分框架下討論隨機微分方程（1），并使用式（8）中的 fi，省略噪聲的顯式依賴關系：

在討論隨機躍遷時，我們可以使用從數據中推導出的擴散矩陣 D(x)[80]，也可以使用標準的化學主方程推導得到，或者在初步階段簡單地采用一個常數矩陣。方程（8）的一個守恒性質是，所有的 xi值都將保持在區間 [0, 1] 內。

請注意，方程（8）允許為因子之間每一種相互作用設定不同的協同性參數 n和解離常數倒數 a，從而實現基于生物學動機的動力學結構擾動。

2.6 對內源性網絡的擾動

一般來說，對一個動力系統可以施加兩種類型的擾動。

第一種是結構擾動 ，它可以通過改變描述系統動力學的方程來體現。對內源性網絡進行結構擾動通常有幾種典型方式：

• （a）

  改變微分方程中的參數，例如方程（8）中的 n 和 a ；

• （b）

  阻斷因子之間的相互作用；

• （c）

  通過突變使某些因子發生 功能喪失或獲得 （loss/gain of function）。

第二種是狀態空間中系統狀態的擾動 ，此時方程本身保持不變，我們可將其稱為位置擾動 （positional perturbation）。其主要來源包括內部波動和外部誘導。

內部波動的積累可能通過連接兩個穩定狀態的過渡態，引發從一個穩定狀態到另一個穩定狀態的隨機躍遷；而由環境變化或藥物治療引起的外部誘導則可以直接將系統的狀態從一個吸引盆地“拖拽”到另一個吸引盆地，從而導致狀態轉變。這些外部擾動可以是脈沖式的、連續的，也可以具有特定模式，以反映藥物治療的過程。

勢能景觀 （Potential landscape）是一個理解各類擾動如何影響系統動力學的有用工具。它將穩定狀態表示為山谷，將過渡態表示為山口，并在面對結構擾動時改變勢壘的高度（見圖1）。在此框架下，可以討論引起正常狀態與癌癥狀態之間隨機躍遷的風險因素 [3]。

此外，吸引子的吸引域也可以借助勢能景觀進行可視化或計算。第2.5節中提到的數學框架提供了一種為一般隨機動力學構建勢能景觀的方法 [27, 76]。

2.7 癌癥作為魯棒的內在狀態

基于前文的論述，我們提出假設：癌癥是內源性網絡動力學在狀態空間中的一個狀態。癌癥狀態下因子的表達或活性模式應具有明確的生物學意義，并與實驗數據一致。

一個癌癥狀態要被視為具有魯棒性，還需滿足以下三個附加條件：

• （a） 它是確定性微分方程的一個動態穩定狀態或吸引子。在A型隨機積分框架下，它也是相應隨機動力學穩態分布的局部最大值。網絡將在該狀態附近停留相當長的時間。

• （b） 它具有相對較大的吸引域，因為來自相同類型癌癥患者的生物數據（例如基因表達譜）可能表現出顯著的個體間差異。吸引域定義了表型，而不論吸引子的類型是固定點、極限環甚至混沌狀態——它包括了所有可能的分子水平上的表達狀態。

• （c） 癌癥狀態甚至應具有結構穩定性，這與我們在核心網絡層次建模時所作的假設一致：即系統對因子之間相互作用細節的變化不敏感。

在接下來的章節中，我們將展示在前列腺癌的內源性網絡建模中確實存在一個滿足上述所有條件的狀態。類似地，在肝細胞癌、胃癌以及急性早幼粒細胞白血病中也發現了類似的魯棒狀態 [43–45]。

隨著生物學知識的不斷積累，我們的模型可以持續改進，這可能表現為從當前獲得的吸引盆地中涌現出新的魯棒狀態。

3. 前列腺癌作為案例研究

前列腺癌是男性中最常被診斷出的癌癥之一，也是導致男性癌癥死亡的主要原因之一。它是被研究最為深入的癌癥之一，具有大量來自臨床、病理和分子層面的相關研究資料。基于這些可用資源，我們首先在前列腺癌中檢驗了內源性分子–細胞網絡理論。

3.1 核心網絡構建

目前尚無法建立一個涵蓋全基因組尺度的癌癥機制模型：許多關鍵因子未知，且大多數因子之間的相互作用細節也缺乏，例如體內參數 [23, 56, 57]。另一方面，通過以往對癌癥及正常生理功能的研究所識別出的“主控”基因或關鍵通路 [81–83]，暗示了生物系統中存在層次結構。單基因敲除實驗也表明，大多數基因敲除對表型幾乎沒有影響，而在多個生物體中已有約19%的基因被證明是必需的 [84]。

利用生物系統固有的層次結構，在有限的生物學知識基礎上可以構建癌癥的核心網絡。隨著知識的積累，核心網絡可以逐步擴展或精細化，最終達到全基因組水平。我們在下文中簡要展示前列腺癌核心網絡的構建過程。

3.1.1 細胞周期

細胞周期的承諾階段由視網膜母細胞瘤蛋白 pRb 的磷酸化來表示 [82]。當進入細胞周期時，編碼 D 型周期蛋白（Cyclin D）的基因在促有絲分裂信號的刺激下被誘導表達 [85]。在細胞進入 G1 期過程中，Cyclin D 與催化伙伴 Cdk4 和 Cdk6 形成復合物。

pRb 磷酸化受到兩個即時正反饋調節：一是 Cyclin D/Cdk4,6 復合物，二是 Cyclin E/Cdk2 復合物。這兩種復合物的作用是疊加的。只有當 Cyclin D/Cdk4,6 和 Cyclin E/Cdk2 都被激活后，才能完全磷酸化 pRb。其中，Cyclin D 依賴的激酶在 G1 中期開始啟動 pRb 磷酸化，隨后 Cyclin E/Cdk2 被激活，并通過在其他位點進一步磷酸化 pRb 來完成這一過程。

pRb 的磷酸化釋放了 E2F 蛋白，從而允許其靶基因轉錄，其中包括 DNA 復制所需的基因，如 E2F 自身和 Cyclin E。Myc [65, 86] 是細胞周期進程的一個正調控因子，其激活依賴于促有絲分裂活性。pRb 家族成員 p107 可能是其調控因素之一。

活化的 Myc 通過刺激 Cyclin E/Cdk2 和 Cyclin D/Cdk4,6 復合物的活性、抑制 p27 功能、下調 p21 水平以及上調 E2F 表達等途徑，對細胞周期產生廣泛影響。Myc 還可通過阻斷 p21 的誘導以及通過 p53 上調 p53 水平來影響凋亡活動。

在靜止細胞中，p27 的水平相對較高，而 p21 的水平較低；但在 G1 期進展過程中通常會上升。p53 是 p21 轉錄的主要激活因子。在眾多 Cdk 抑制劑 [87] 中，僅明確包括 p21 和 p27，因為它們在模型中與其他蛋白質有直接的相互作用。

3.1.2 凋亡

凋亡由效應器（如 caspase 3、6 和 7）執行 [88]。其中，caspase 3 是主要的效應器，這里用于代表整個 caspase 級聯反應（通路）。假設只要 caspase 3 被激活，就足以激活其他效應器。

在體外激活 caspase 3 至少需要三種蛋白：細胞色素 c（Cytochrome c）、Apaf-1 和 caspase 9。在凋亡抑制蛋白（IAP）家族中，普遍表達的 X 連鎖凋亡抑制蛋白（XIAP）也被納入模型。XIAP 是一種內源性細胞死亡抑制因子，它通過抑制 caspase 3、7 和 9 發揮作用。

XIAP [89] 抑制 Apaf-1，后者介導 procaspase-9 的激活和成熟后的 caspase 9 的活性。在模型中，細胞色素 c、Apaf-1 和 caspase 9 被視為一個整體單元（以細胞色素 c 表示）。因此，實際上包含了由 caspase 9 觸發的化學誘導凋亡的整個 caspase 通路。

XIAP 還通過被 caspases 切割和失活的方式參與凋亡激活的正反饋環 [89]。另一個促進凋亡的正反饋是線粒體在凋亡過程中釋放的 Smac，它可以中和 IAP 的功能 [89]。XIAP 通過 Ras 經由 Akt 激活而上調 [90]。

位于質膜上的“死亡受體”，如 Fas 受體 TNFR1 和 TNFR2，招募 procaspase 8 并導致 caspase 8 分子聚集，進而觸發其自激活。激活的 caspase 8 可直接加工 caspase 3，從而引發凋亡 [91]。

Bcl-2 家族蛋白調控線粒體釋放的細胞色素 c 以及 caspase 的激活 [92, 93]。一些促凋亡蛋白具有多個 Bcl-2 同源域，如 BH1-3 蛋白（例如 Bax 和 Bak）；另一些則只含有一個 BH 結構域，如 BH-3-only 蛋白（包括 Bid、Bim、Bad）。

BH1-3 蛋白可能是細胞死亡的主要效應器，而 BH-3-only 蛋白通常與 Bax 或 Bak 協同作用。例如，Bid 激活 Bax 以形成膜孔道。該過程需要 cardiolipin，而 cardiolipin 可被 Bcl-xL 抑制。抗凋亡蛋白 Bcl-2 可捕獲已激活的 Bax [94]。Bcl-xL 蛋白還通過抑制細胞色素 c 的釋放來阻止凋亡 [95]。

凋亡與細胞周期調控也通過 Myc 誘導的凋亡（通過 Bax）耦合在一起 [96]。

3.1.3 生長因子

生長因子和細胞因子同時調控細胞周期和凋亡。胰島素樣生長因子-1（IGF-1）[97] 促進細胞增殖并抑制凋亡。激活的 IGF-1 受體通過 MAP 激酶（MAPK）傳導信號。IGF 對凋亡的抑制與其上調 Bcl-xL 相關 [98]。

p53 通過下調其受體水平來調控胰島素樣生長因子-I 的作用 [99]。前列腺素類物質可通過刺激血管內皮生長因子（VEGF）誘導血管生成 [100]。整合素（integrins）既作為輔助因子，又可直接與 VEGF 和 EGF 等生長因子相互作用 [101, 102]。

白細胞介素 6（IL-6）與 VEGF 之間也存在交叉對話 [103]。

3.1.4 代謝與應激反應

生長因子通過 PI3-激酶/Akt 通路激活 Akt [104]。PI3-激酶的 Akt 激活能力被脂質磷酸酶 PTEN 所抑制 [105]。除了 PI3 激酶/Akt 通路外，促分裂原活化激酶（MAPK）通路也是 PTEN 調控的重要增殖通路。

PTEN 還通過上調 p27 來抑制細胞周期 [106]。PTEN 的表達受 p53 的調控 [107]，至少部分通過 p53 對 PTEN 穩定性的調節實現 [108]。NF-κB 下調 PTEN 的表達 [109]。

Ras 可作用于多條 MAP 激酶級聯反應 [110]。此外，Ras 還可下調 Fas 的表達 [111]，而 TNF-α 可使 Fas 敏感性增強 [112]。Akt 通路的激活對細胞具有多種影響 [113, 114]。

它介導代謝變化，上調 GLUT1 和糖酵解基因的表達，降低細胞對凋亡的敏感性，并提高細胞的生長速率。低氧誘導因子（HIF）的激活可通過高糖酵解速率介導 [115]。

3.1.5 免疫響應

前列腺細胞中 NF-κB 通路的長期激活最終會對這些細胞產生有害影響。轉錄因子 NF-κB 在調控許多免疫和炎癥反應中起核心作用 [116]。NF-κB 可被與應激和損傷相關的信號激活，包括腫瘤壞死因子（TNFs）和氧自由基等細胞因子。

激活 NF-κB 需要其抑制蛋白 IκB 的磷酸化。這種激活通常是短暫的，至少部分原因是 NF-κB 的抑制因子 IκB 本身就是 NF-κB 的下游靶標之一。

NF-κB 在大量可誘導基因的表達中發揮重要作用，這些基因參與了應激和炎癥反應，包括白細胞介素 IL-6。NF-κB 的激活導致 MAPK 通路和 Akt 對 NF-κB 的進一步激活。NF-κB 上調環氧化酶-2（COX-2）的表達 [116]。COX-2 酶的過度表達會導致腫瘤中前列腺素類物質增加，從而影響廣泛的下游靶點。COX-2 的上調也受到 MAPK 的介導 [100]。

HIF-1 可通過生長因子經由 PI3-激酶/Akt 通路被上調 [117]。HIF-1 的激活進一步上調表皮生長因子（EGF）受體通路 [118]。

整合素（Integrins）可引發廣泛的細胞內信號事件，包括 Ras 和 MAP 激酶的激活。整合素信號通過增加 Bcl-2 的表達來維持細胞存活。

為了包含反饋效應，模型中還納入了進入癌癥生長區域的免疫細胞，如巨噬細胞和 T 細胞 [120]。IL-6 和腫瘤壞死因子 α（TNF-α）主要由免疫細胞分泌。IL-10 則是由 TNF-α 直接刺激免疫細胞分泌的，用于調節免疫反應。這類激活–抑制機制在內源性網絡中非常常見。

另一個例子是 MAP 激酶磷酸酶，它對 MAPK 的激活起到限制作用 [121]。

3.1.6 細胞外基質

E-鈣粘蛋白（E-Cadherin）以及整合素在癌癥侵襲中具有重要作用 [122]。TNF-α 可能在 E-Cadherin 表達中發揮作用 [123]。E-Cadherin 抑制腫瘤生長，并通過上調 p27 的表達來實現這一功能 [124]。

細胞因子轉化生長因子 β（TGF-β）也對細胞生長具有調節作用 [125]。除了抗增殖作用外，TGF-β 還會抑制 E-Cadherin 的表達。潛伏態的 TGF-β 可由整合素激活，而整合素又對炎癥做出響應 [126]。

3.1.7 前列腺特異性因子

在前列腺癌的層次建模中 [42]，前列腺特異性模塊由一個包含 60 個節點的子網絡所代表。而在核心網絡中，雄激素受體作為代表性因子。雄激素受體是一種轉錄因子，在激活后可靶向前列腺細胞中的多種基因。

雄激素受體可以與生長因子和細胞因子相互作用 [127]。在血清中，IGF-I 主要與 IGFBP-3 結合，后者會抑制 IGF-I 的活性。而雄激素受體的目標基因——前列腺特異性抗原（PSA），能夠通過蛋白水解切割 IGFBP-3，從而釋放出 IGF-I [128]。

3.2 建模結果

為前列腺癌構建的核心內源性分子–細胞網絡如圖3所示。它包含來自7個模塊的38個因子，共115個相互作用，其中71個為激活作用，44個為抑制作用。

我們依據圖5中展示的規則，將該網絡轉換為布爾動力學和微分方程模型。

首要任務是識別狀態空間中的魯棒狀態（吸引子）。對布爾動力學吸引子進行窮舉搜索的計算復雜度呈指數增長。當變量數 n較大時，完整搜索不可行。

微分方程的穩定狀態在計算上也可能更難尋找。然而，癌癥狀態以及其他正常功能狀態所具有的魯棒性為我們提供了解決這一問題的方法。

正如第2.7節所討論的那樣，由于從數據中觀察到個體間的差異，癌癥狀態具有相對較大的吸引域。因此，我們的任務簡化為尋找具有非小吸引域的穩定狀態。這可以通過大量隨機初始條件下的模擬來實現。

我們分別對布爾動力學和微分方程進行了模擬，直到在三個數量級的隨機初始條件下未再發現新的穩定狀態為止。兩種動力學方法都產生了10個具有非小吸引域的穩定狀態，見圖6。

此外，我們還使用牛頓迭代法從微分方程中求取固定點，同樣以大量初始點運行，并設定在連續三個數量級未發現新固定點時停止。最終我們準確獲得了10個穩定固定點（穩定狀態），并進一步獲取了16個過渡態（其雅可比矩陣具有一個不穩定特征值，即實部為正），以及13個超過渡態（其雅可比矩陣具有多個不穩定特征值）。

圖8給出了連接前五個穩定狀態的五個過渡態。

勢能景觀（Potential landscape）可以直接使用我們在之前工作中提出的方法 [27, 42] 計算得到，如圖7所示。

勢能景觀在由三個高維穩定狀態決定的表面上的投影圖如圖7(b)所示。

如果動力系統具有某種結構，例如當前前列腺網絡中發現的吸引不變表面（如圖7(a) 所示）[42]，則可以在該不變表面上直接可視化勢能景觀。

該不變表面的四個角分別為穩定狀態 D、P、C 和 I。只要初始點位于該不變表面內，微分方程的軌跡將始終保持在該表面內；附近的軌跡也會被該表面吸引，從而在鄰近的狀態空間中產生更高的勢能值。

因此，該圖展示了生物上有意義的狀態 D、P、C 和 I 之間隨機躍遷的最可能路徑，這是網絡動力學的一個關鍵結構。

我們還可以進一步證明：即使不存在特定結構，對于一般系統也可以獲得勢能景觀的大致圖像。

通過對初始處于過渡態或超過渡態的動力系統施加小的隨機擾動，我們可以追蹤微分方程的軌跡，觀察系統最終進入哪個狀態。

由此可以得到一個過渡態與超過渡態之間的連接圖，見圖8。它展示了從一個魯棒狀態到另一個魯棒狀態的可能隨機躍遷路徑，并提供了狀態空間中全局動力學結構的概覽。

3.3 對應于前列腺癌狀態的魯棒性

本節我們將檢驗建模結果是否滿足第2.7節提出的魯棒性條件。

首先，我們將識別出的癌癥狀態和正常功能狀態下各因子的表達或活性模式與圖9中的臨床知識進行比較。結果顯示了清晰的對應關系，體現了所得穩定狀態的生物學意義。

更詳細的與數據的比較可見于文獻 [42]。

關于魯棒性條件：

• (a) 所有狀態均為動態穩定狀態，該條件自動滿足。

• (b) 穩定狀態是通過大量均勻分布的隨機初始條件模擬微分方程軌跡而獲得的。以一百萬個初始條件為例，落入每個狀態的數量與其吸引域大小成比例：

  癌癥狀態 C 具有相對較大的吸引域，這與從癌癥患者數據中觀察到的個體間差異一致。

• • D: 10048

  • P: 65814

  • A1: 3508

  • C: 281502

  • I: 193365

  • A2: 2400

  • A3: 9100

  • A4: 153277

  • A5: 125477

  • A6: 155509

• (c) 結構穩定性通過圖10中的隨機參數測試加以驗證。我們對115個相互作用中的每一個都使用隨機實數 Hill 系數 nij，范圍為 [1, 30]，以代表從強協同到無協同的各種情況。

  在五萬次測試中，超過98%的情況下都能重新獲得全部10個穩定狀態。不同形式的微分方程也進行了測試，均不影響這些穩定狀態。

  這一結果進一步表明我們的建模對因子之間相互作用細節的變化不敏感。

需要注意的是，此處展示的魯棒性不僅基于底層生物網絡的“集體性”拓撲結構（隨機網絡僅產生極少數穩定狀態），也依賴于我們所采用的具體方程形式（與布爾動力學的結果一致）。

因此，我們可以得出結論：我們的內源性分子–細胞網絡建模成功地生成了一個魯棒的癌癥狀態和若干正常的生理狀態。

值得注意的是，該內源性分子–細胞網絡是在正常生理條件下構建的。正常和癌癥的魯棒狀態均由同一網絡生成。

從這一觀點出發，促癌基因、癌基因和抑癌基因可能都在正常功能中發揮作用。

相反，負責發育過程和生理功能的基因或通路也可能支撐癌癥狀態。

此外，這些基因和通路之間的相互作用受到反饋環的調控，并整合為一個非線性動力系統，而非線性疊加的關系。

因此，目前廣泛使用的術語體系可能是誤導性的。

3.4 肝細胞癌、胃癌及急性早幼粒細胞白血病的建模

在我們近期發表的另外三篇論文 [43–45] 中，我們分別構建了肝細胞癌、胃癌以及急性早幼粒細胞白血病（APL）的內源性網絡模型。這些研究從不同角度對前列腺癌部分所介紹的框架進行了補充和拓展。

通過比較這三種不同癌癥的網絡模型，我們發現它們共享一個相同的核心網絡 ，而區別在于不同的組織特異性模塊 。這一觀察表明：可能存在一個唯一且統一的內源性網絡 。

3.4.1 肝細胞癌

肝細胞癌模型 [43] 包含7個模塊、42個因子和123個相互作用。在該論文 [43] 中，我們進一步通過探索網絡結構，展示了癌癥作為內源性網絡動力學的一個魯棒狀態：

癌癥狀態由一組激活的因子構成，這些因子形成了一個具有正反饋回路的子網絡，如圖11左側面板所示。這種結構決定了癌癥狀態在擾動下仍然穩定。

正常生理狀態則由不同的子網絡維持，這些子網絡與癌癥狀態的子網絡相互抑制，如圖11右側面板所示。結果清楚地說明：一個單一的內源性網絡負責多個魯棒的表型子網絡。

3.4.2 胃癌

胃癌的研究論文 [44] 構建了一個包含8個模塊、48個因子、215個相互作用的網絡，并聚焦于癌癥異質性的討論。

癌癥發生過程中的異質性可能是由于存在多條可能的轉變路徑（見圖12和圖7(a)），以及多個癌癥狀態的存在所致。一個癌癥狀態具有較大的吸引域，允許分子–細胞因子的不同表達或活性水平，這也是導致癌癥異質性的另一個因素。

3.4.3 急性早幼粒細胞白血病

急性早幼粒細胞白血病（APL）被認為是“最簡單”的癌癥之一，原因如下：

它通常具有唯一的、統一的表型 、定義明確的突變 ，并且對于超過90%的病例，可以通過一種簡單的藥物組合——全反式維甲酸（ATRA）和三氧化二砷（ATO）實現“治愈”。

我們也為其構建了一個內源性網絡模型 [45]，該模型包含8個模塊、81個節點和416個相互作用，數據來自357篇文獻。我們的計算機模擬揭示了藥物組合的分子靶點。

在圖13中，我們展示了與 APL 和正常前體狀態相對應的吸引子有效網絡，并識別出了誘導狀態轉換的分子靶點。

此外，建模還顯示 APL 狀態與正常狀態之間存在相互抑制關系 ，不僅體現在“連接方式”上，也體現在動力學合作機制中。

4. 討論 4.1 癌癥的系統性、定量與機制視角

在我們的建模中，我們獲得了動態上魯棒的癌癥狀態和正常功能狀態，并將癌變解釋為勢能景觀上的狀態躍遷。

進化可能在癌癥的發生中起著關鍵作用，因為負責癌癥的內源性網絡是通過進化形成的。癌癥狀態可能在過去進化歷史中曾具有某種功能性，但已不再為當前整個有機體的利益所優化。類似地，也有觀點提出癌癥是一種返祖現象（atavism）[129]。

將癌癥視為由多個因子相互作用產生的魯棒狀態的觀點，將其從一種僅由基因組決定的疾病中區分開來。基因組突變是這些因子之一，但不是唯一的因素。

傳統觀點認為，積累了多個關鍵突變并形成癌癥特征的癌細胞是不可控的，因此似乎唯一可行的治療方式就是殺死或清除所有這類細胞。

然而，我們的觀點提供了不同的角度：隨機躍遷是雙向的，既然存在自發向癌癥狀態轉變的可能性，那么也存在從癌癥狀態回到正常狀態的可能性。這一觀點自然地解釋了癌癥的自發消退 [11]。

急性早幼粒細胞白血病的分化治療提供了另一個范例 [130]：通過全反式維甲酸（ATRA）與三氧化二砷（ATO）聯合用藥，可誘導白血病細胞轉化為外觀正常的分化細胞。

盡管如此，目前主流觀點仍認為 APL 是一種由染色體重排導致的遺傳性疾病，該重排使視黃酸受體 α（RARα）與早幼粒細胞白血病（PML）基因融合。

一些證據被忽視，例如 RARα-PML 融合基因可在長期緩解的患者中檢測到 [10]。最近的一項實驗還表明，攜帶另一關鍵致癌 BCR-ABL1 易位的“重編程”B 細胞急性淋巴細胞白血病（B-ALL）細胞似乎失去了其致癌性 [131]。

也有報道指出一些癌癥患者并不攜帶任何突變 [8, 9]。所有這些都支持我們將癌癥視為一種魯棒狀態的觀點。

4.2 穩定態、亞穩態與臨界態

回顧我們對三種癌癥的內源性網絡建模 [42–44]，我們可以進一步討論內源性網絡理論中的一些定性且自然的預測——圖1中暗示了兩類非常不同的結果：一類接近確定性行為，另一類則屬于統計力學范疇。

在接近確定性極限的情況下，噪聲強度較小（ε?1），圖1所示“景觀”的勢函數 φ（方程（4））可以充分描述正常功能狀態的三種典型情況：穩定態、亞穩態和臨界態或不穩定態。

它們可能分別對應于三種生理狀態：健康、亞健康和疾病（癌癥）。這種狀態之間的過渡可以通過系統參數 α的變化來表示，而這些參數既可以是遺傳性的，也可以是表觀遺傳性的。

在此基礎上，我們可以做出兩個具體的預測：

1. 由于多穩態的存在，在系統參數 α正向和反向調節正常狀態與癌癥狀態時，應該會出現滯后現象。從醫學角度來看，這意味著導致癌癥的因素通常并不是治愈癌癥的方法。

2. 在臨界點附近，至少有兩個狀態（一個穩定狀態和一個過渡態）合并。因此，我們應該預期波動會顯著增加，這可能是即將進入癌癥狀態的一個良好指標。

這兩個特征在內源性網絡建模中已被明確觀察到 [43]。

如果噪聲較大，則其貢獻可以以熵的形式考慮，即統計力學中的自由能 F所編碼的信息 [132]：

在這里，通過對整個狀態空間進行積分，考慮了所有可能的情況。通過改變噪聲強度，例如從較小到較大，又會出現三種典型情況，對應于圖1所描述的情形：

• 一種在熱力學意義上的單一相；

• 混合相；

• 當系統經過一個臨界點時，系統進入另一個完全不同的相。

其中后兩種情形類似于熱力學中的一級相變和連續相變，其他研究者也注意到了這種類比 [37]。

它也可能展現出我們在小噪聲情況下所發現的現象：一級相變中的滯后現象，以及臨界點處的巨大波動。

這對癌癥進展的意義與小噪聲極限下的情況非常不同。對癌癥的治療方式也因此大不相同：

不太可能僅由一個分子或表觀遺傳因子就引起對整個狀態空間的廣泛整合效應。相反，這可能是大規模影響的結果，例如免疫反應和/或應激反應。

這一重要情形尚未得到充分探索。

4.3 魯棒狀態作為“狀態空間”；進一步抽象

內源性網絡理論在其勢能景觀中展示了多個魯棒狀態（見圖1、圖7、圖8），這些狀態可以被單獨地定量描述（見圖6、圖9；[42–45]）。

實驗結果，如噬菌體λ基因開關的研究 [49] 和干細胞的研究 [133]，也支持這種可能性。

即使對于處于正常狀態的組織，所有這些狀態也應該存在。這一特性意味著建模上更高層次的抽象：

我們可以直接將這些魯棒狀態作為“狀態空間”，并建立一個動力學方程來描述其馬爾可夫過程：

4.4 臨床與藥物應用：生物標志物與藥物靶點的探索

受到急性早幼粒細胞白血病（APL）分化治療在臨床上的成功以及實驗室中如 B-ALL 細胞重編程等方法的啟發，我們在本節中討論內源性分子–細胞網絡建模可能的臨床或藥物應用。

癌癥的魯棒性在其對癌癥治療的響應中得到了體現。總體而言，目前尚未找到對大多數癌癥有效的藥物治療方法。

全反式維甲酸（ATRA）和三氧化二砷（ATO）聯合治療 APL 的效果在其他髓系白血病中并不顯著。而耐藥性的產生更使情況雪上加霜。

由于藥物組合的篩選工作量呈指數增長，實際操作中幾乎不可行，因此迫切需要發展一種能夠整合已有生物學知識的計算方法，以縮小可能組合的巨大空間。

內源性網絡方法可能是這一問題的候選解決方案之一。

癌癥的藥物治療可以被看作是一種對癌癥狀態施加的誘導性位置擾動 。如果這種擾動能成功地將系統的狀態從癌癥吸引域中“拖出”，那么該藥物組合就可能是有效的。

耐藥性的產生可以理解為處于多種癌癥狀態下的細胞對治療的不同反應：一些細胞被“拖”向正常狀態，而另一些在治療擾動下仍保持穩定，繼續表現為癌細胞。

內源性網絡方法直接提供了一個用于計算機模擬搜索關鍵因子 的平臺，這些因子一旦被激活，即可觸發狀態躍遷。

耐藥性問題或許可以通過連續使用不同藥物組合 的方式來解決。

我們已窮盡搜索了所有可能的四個或更少因子的組合，以尋找能逃離圖14所示癌癥狀態的有效干預方案。

所發現的關鍵因子可作為選擇合適藥物組合的潛在靶點。

此外，生物標志物可以識別為差異表達的因子或其下游基因（見圖6）。

由此也可以提出一種個性化醫療的可能方式：

通過測量某位患者的因子或其下游基因的表達水平或活性，作為微分方程的初始條件，進行軌跡模擬并觀察其演化方向。

在一個具有多種穩定狀態、且預后不同的模型中，我們可以為特定患者生成個性化的治療建議。

4.5 與其他網絡建模方法的比較

癌癥的內源性網絡建模旨在揭示其發生與發展的核心調控機制。已有大量基于高通量數據的統計方法 [135–138] 提出了類似的目標。由于癌癥的復雜性和數據中的噪聲，尚未建立令人滿意的建模體系。

盡管如此，這些研究的結果可作為對內源性網絡建模的驗證手段之一。一些研究方法 [135] 同時利用了積累的低通量知識和高通量數據，也為我們的當前方法提供了啟發。

此外，布爾動力學也被用于分析癌癥 [72] 和其他生物系統的網絡動力學 [139]，但它們的建模結果中并未包含過渡態和超過渡態。正如我們所展示的那樣，這些狀態在癌變過程以及生物功能狀態之間的轉換中起著關鍵作用。

因此，一個全面的建模框架可能應包括在 A 型積分下的隨機微分方程。

另外有觀點認為，刻畫細胞行為最基本特征的核心網絡可能需要超過20個節點 [3]，而更小規模的網絡建模則缺乏關鍵的魯棒狀態 [139, 140]。

5. 展望未來

內源性分子–細胞網絡理論為從系統生物學視角出發研究癌癥提供了一個起點 [141]，它通過相空間中的隨機非線性網絡動力學整合現有的生物學知識。

我們已基于個體生化和分子生物學實驗積累的知識，建立了四種不同類型癌癥的模型。建模結果通過腫瘤的芯片表達譜得到了驗證。

在模塊層面，所有模型的理論與實驗一致性達到100%；在分子因子層面，一致性通常在70%或以上，接近實驗誤差范圍（見圖2）。

這一結果可能表明，內源性網絡理論正走在正確的道路上。然而，來自實驗、理論和計算方面的眾多挑戰仍擺在面前。

我們列出以下若干當前亟需解決的重要問題：

(i) 首要問題是：一個進化保守的內源性分子–細胞網絡是否可以被唯一地確定，并像代謝網絡一樣進行系統驗證？

我們已經構建了前列腺癌、肝細胞癌、胃癌以及急性早幼粒細胞白血病的核心網絡模型，并通過腫瘤芯片和其他實驗進行了驗證。我們發現這些網絡之間具有很強的重疊性。因此，這個問題的答案似乎是肯定的。

此外，由于個體是由一個受精卵發育而來，該受精卵擁有后來所有細胞共享的基因組，這暗示存在一個統一的內源性網絡。

(ii) 內源性網絡理論產生了與體細胞突變理論截然不同的定性預測，例如：沒有遺傳缺陷的癌樣細胞（或腫瘤）也可能出現；未經治療的癌癥患者也可能自發緩解/回歸。

盡管已有個別案例報道 [8, 10, 11]，但仍有必要對相關實驗和臨床觀察進行系統性的記錄與研究。

(iii) 將一般隨機動力學分解以獲得勢能景觀的框架 [27] 已被證明在諸如噬菌體λ基因開關的定量建模等應用中有用 [49]。

對于一般的固定點 [142]、極限環 [58] 乃至混沌吸引子 [143]，勢函數也已被明確構造出來。然而，該框架的嚴格數學表述仍有待完善。

(iv) 我們已能夠計算多種正常細胞類型。一個自然的問題是：內源性分子–細胞網絡模型能否生成發育過程中出現的所有正常細胞類型？

即使僅針對少數幾個廣為人知的情況，例如造血分化 [144]，若能給出明確的演示也將極具價值。

(v) 在組織中納入細胞群體的空間效應 [145] 是擴展內源性網絡建模的一個重要方向：

不同類型的細胞可能是內源性網絡的不同狀態，它們之間的相互作用無疑會引發彼此之間的狀態轉換及其他效應。

(vi) 內源性網絡應被用來預測某些突變對魯棒狀態穩定性的影響。

這種能力已在最簡單的內源性網絡之一中得到體現 [49, 146]，并在預測肝細胞癌中遺傳突變的功能獲得或喪失方面有所應用 [147]。

有了這種能力，突變的影響就可以作為網絡的真實預測加以整合。具有挑戰性的任務是：基于個體的基因組信息，量化此類影響，從而實現更好的預后判斷。

(vii) 到目前為止，大多數研究集中在勢能景觀及相關現象上。而對于如方程（4）中的摩擦矩陣 S和橫向矩陣 A等動力學量所直接關聯的其他動力學后果，尚無實質性探索。

例如，已知橫向矩陣可能產生有限的穩態電流，并使得軌跡不沿勢能景觀的最陡下降路徑演化 [27]。

我們甚至可以問：是否可以在此基礎上建立類似于物理學中（線性）響應理論的類比？這樣的努力又能為理解癌癥的發生與發展帶來哪些新的見解？

另一個自然的問題也隨之產生：是否可以將關于因子之間相互作用的更具體知識（如體內動力學參數）重新還原到方程（8）中的那些歸一化量中，以便更好地與實驗數據對接？盡管我們可能無法期望達到噬菌體λ基因開關那樣的細節與現實程度 [49, 51]。

(viii) 基于進化的證據 [53]，一個全面且進化保守的內源性網絡可能包含數百個節點。

首先，目前的核心網絡應擴展為約200個節點的更全面網絡。很可能還需要更多的濕實驗來發現這類完整網絡。

此外，在如此大規模下分析網絡動力學也需要更好的理論和計算工具。

(ix) 我們如何將已構建的模型擴展到全基因組尺度和整個細胞/組織？

例如，代謝在其中非常重要，代謝網絡動力學也在不斷發展 [57]。我們目前構建的網絡是最簡核心網絡，僅有數十個節點，未來應納入更多新發現因子參與的新功能模塊。

隨著生物通路及其相互作用的數據與知識的不斷積累，許多其他類型的癌癥和復雜疾病（如骨質疏松癥 [148]）也可在內源性分子–細胞網絡框架下展開研究。

最終目標將是構建一個唯一的、全基因組尺度的內源性分子–細胞網絡模型，該模型能夠生成多種魯棒狀態，包括已知的細胞類型、功能狀態以及疾病狀態——即一種“統一理論”。

在追求這一理論的過程中，進化顯然扮演著主導角色：首先是作為歷史事實和約束條件幫助我們識別出內源性網絡，其次是作為分析與預測的動力學框架。

一旦實現這一目標，“干實驗”（dry experiments），如尋找生物標志物和藥物靶點、在計算機上測試藥物效果，將能與實驗室中的“濕實驗”處于同等地位，并為醫院中的診斷、風險因素識別、治療和預后提供深刻洞見。

這一研究計劃或許將為物理學家提供一個機會，讓他們證明自己不僅是一流的工具制造者，也能在應對生物復雜性方面做出基礎性貢獻。

正如馬克斯·德爾布呂克（Max Delbrück）、弗朗西斯·克里克（Francis Crick）等人早已展示的那樣 [149]，在生物與醫學層面上，同樣存在著普適的規則和規律。

https://iopscience.iop.org/article/10.1088/1361-6633/aa538e