Сетевые эффекты: Джон Квакенбуш о том, как сети проливают свет на биологию за пределами экспрессии генов.

Автор: Эллисон Проффитт

9 июля 2026 г. | Джон Квакенбуш — ветеран как исследований в области биологических наук, так и Всемирной конференции и выставки биоинформатики, обладающий богатым опытом и знаниями, позволяющими ему не поддаваться влиянию блестящих и разрекламированных технологий. Поэтому на встрече, изобилующей модными терминами в области ИИ, когда он начинает говорить об ИИ, он начинает с IBM Watson.

«Десять лет назад Уотсон был великой системой искусственного интеллекта, которая должна была решить все биологические задачи. Мы собирались использовать все знания человечества, и тогда бы появились лекарства от рака. Но этого до сих пор не произошло». Технология неплоха, поспешил добавить Квакенбуш, но она ограничена объемом входных данных.

Квакенбуш, профессор Гарвардской школы общественного здравоохранения им. Т.Х. Чана и Института рака Дана-Фарбер, посвятил свою карьеру изучению связи между генотипом и фенотипом. Человеческий организм содержит более 250 различных типов клеток, каждая из которых имеет практически идентичную ДНК. Нейроны отращивают длинные аксоны и производят нейромедиаторы. Клетки поджелудочной железы остаются компактными и вырабатывают инсулин. Ни одна из них не меняет свою роль. И все же обе играют на основе одного и того же геномного сценария.

«Биология — это гораздо более сложная наука, чем просто изучение списка компонентов», — сказал Квакенбуш.

Таким образом, системам искусственного интеллекта, обученным для медицинских приложений, необходимы детальные и сложные данные. Наиболее важная проблема, которую сейчас видит Квакенбуш, — среди прочих, — это недостаточная спецификация моделей данных.

«Надежной базовой модели нет», — объяснил он. «Мы ищем взаимосвязи, но взаимосвязь — это не причинно-следственная связь». Ставки, сухо заметил он, несколько выше, чем рекомендации Netflix. «Если вы предскажете, какой препарат дать человеку, последствия будут гораздо серьезнее».

Для Квакенбуша важная подсказка содержится в статье по информатике 1997 года.

Бесплатного обеда не бывает

Квакенбуш с явным удовольствием процитировал первую строку статьи Дэвида Вольперта и Уильяма Макреди «Нет теорем о бесплатном обеде для оптимизации» (IEEE Transactions on Evolutionary Computation; DOI: 10.1109/4235.585893): резкую критику «универсальных алгоритмов оптимизации типа «черный ящик», которые используют ограниченные знания об задаче оптимизации, на которой они работают». Перевод: невозможно построить осмысленную модель, не зная ничего о моделируемой системе.

В заключение Вольперт и Макреди подчеркнули «важность включения специфических для данной проблемы знаний в поведение алгоритма». Квакенбуш с этим согласен. Если вы что-то знаете о биологии, учтите это в качестве ограничения или отправной точки.

Квакенбуш рассматривает сети как идеальный способ наложения биологических ограничений на изучаемые им системы. В то время как традиционный анализ может указывать на экспрессию генов в болезненном состоянии, сетевой подход изучает, как изменяются взаимосвязи между генами и какие регуляторы приобретают или теряют влияние с течением времени.

Квакенбуш признает, что не существует единственно правильной сети. Сети меняются в каждой ткани и в процессе развития заболевания. «На самом деле, вопрос в том, влияет ли это на наше понимание биологии системы, которую мы пытаемся изучать? И ответ — да, во многих случаях».

Собирательное существительное для обозначения сетей? Зоопарк.

За прошедшие годы Квакенбуш и его коллеги собрали то, что они называют netZoo — набор вычислительных инструментов с открытым исходным кодом, каждый из которых назван в честь животного, для построения и анализа биологических сетей. Первым таким инструментом является PANDA (Passing Attributes between Networks for Data Assimilation), который объединяет три типа данных — мотивы связывания транскрипционных факторов, белково-белковые взаимодействия и корреляции экспрессии генов — для реконструкции регуляторной сети, активной в данной ткани или состоянии.

Из проекта PANDA появились LIONESS, CONDOR, ALPACA и другие, все они свободно доступны в R и Python, и все сопровождаются документацией в Jupyter Notebook. «Если мы пишем статью, мы также пишем Jupyter Notebook, поэтому наши статьи полностью воспроизводимы и исполняемы», — сказал Квакенбуш.

Одно из самых серьезных расширений едва не закончилось несчастным случаем.

Группа исследователей, в которую входили Марике Куйер, Мэтт Тунг и Кимби Гласс, пыталась оценить степень доверия к регуляторным сетям, когда обнаружила неожиданное математическое следствие. Если построить сеть на основе популяции, а затем перестроить её, удалив одного человека, разница даст представление об уникальной регуляторной сигнатуре этого человека — его личной сети. Повторение процесса для каждого человека в наборе данных даёт не одну сеть, а набор сетей, по одной на каждого человека.

Статья, описывающая эту методику, получившую название LIONESS, находилась на рассмотрении в научном журнале 394 дня, содержала более 30 страниц дополнительных материалов и в конечном итоге была отклонена после того, как анонимный старший рецензент заявил: «Я верю в математические выкладки. Просто я не считаю их правильными».

Команда разместила статью на bioRxiv, собрала 60 цитирований без официальной публикации и в итоге без дальнейших проблем опубликовала ее в iScience (DOI: 10.1016/j.isci.2019.03.021).

Сети сетей

Подход, основанный на анализе отдельных сетей, позволил Квакенбушу начать особенно перспективное направление исследований: систематическое изучение половых различий в регуляции генов и развитии заболеваний.

Анализируя данные из GTEx — портала генотип-тканевая экспрессия, содержащего профили экспрессии генов из 29 тканей примерно 900 человек, — группа Квакенбуша создала более 8000 индивидуальных регуляторных сетей и сравнила их между биологическими мужчинами и женщинами. Обнаруженные ими различия были тканеспецифичными, биологически согласованными и, в некоторых случаях, имели клиническое значение.

Например, в подкожной жировой ткани сети, регулирующие терморегуляцию, заметно различались у мужчин и женщин, что дает объяснение на сетевом уровне спору, знакомому парам во всем мире.

Клинические последствия стали более очевидными, когда те же инструменты были применены к раку толстой кишки. Регуляторные сети у мужчин и женщин различались в двух областях: иммунные процессы (потенциально объясняющие, почему у мужчин выше риск развития рака толстой кишки) и регуляция транспорта и метаболизма лекарственных средств. Это второе различие предсказывало нечто измеримое: мужчины с раком толстой кишки лучше реагируют на химиотерапию, чем женщины.

Решающее испытание состоялось, когда команда разделила пациенток на две группы в зависимости от того, насколько их регуляторные сети больше напоминали типичную мужскую или женскую модель. Группа с более мужскими сетями показала лучшие результаты — что согласуется с преимуществом в ответе на химиотерапию.

Как утверждает Квакенбуш, в каждом случае сети раскрывали нечто такое о биологии, чего нельзя было достичь с помощью одних лишь данных о совместной экспрессии генов или данных об экспрессии.

Время — недостающее измерение.

Сети меняются в зависимости от конкретного человека, ткани и временных рамок, и Квакенбуш в настоящее время с энтузиазмом изучает этот континуум.

Мы часто представляем здоровье и болезнь как дискретные, противоположные состояния, сказал он, но на самом деле здоровье и болезнь взаимодействуют не так. Это континуум, который перекрывается по мере ухудшения здоровья и прогрессирования болезни. И если мы примем континуумный подход, сказал он, «мы можем моделировать, даже используя статичные снимки — а это большая часть собираемых нами данных — процесс регуляции [генов] во времени».

Один из подходов, разработанный совместно с Виолой Фанфани и Йонасом Фишером, использует автокодировщики для обучения «псевдовременному» порядку образцов опухоли и прилегающей нормальной ткани при аденокарциноме легких. Когда тысячи образцов ткани располагаются вдоль этой изученной траектории, экспрессия известных маркеров агрессивности опухоли четко отслеживает прогрессирование, что позволяет предположить, что порядок отражает реальные особенности развития заболевания, даже несмотря на то, что ни один отдельный образец не был собран в несколько временных точек.

Следующим шагом стал метод под названием PHOENIX (NeuralODEs applied to gene regulatory networks), который Квакенбуш описал как первый подход, способный моделировать зависящую от времени регуляцию генов в масштабе всего генома без предварительного отбрасывания генов (Genome Biology, DOI: 10.1186/s13059-024-03264-0). Ключевым моментом стало включение предварительной оценки сети в качестве мягкого ограничения — именно то «специфическое для данной задачи знание», которое требовала теорема «Нет бесплатного обеда».

Но как оценить изменения самих сетей с течением времени? На помощь приходит PARROT (Phase-Altering Regulatory Rewiring Over Time). Разработанный бывшим постдоком Мегхой Пади и ее аспирантом Чен Ченом, PARROT применяет анализ точек изменения из теории управления к последовательностям регуляторных сетей: шаг за шагом во времени задавая вопрос, лучше ли данные объясняются одной или двумя сетевыми моделями. Когда ответ смещается в сторону двух, система претерпела переход состояния, и факторы транскрипции с наибольшими изменениями в регуляторных мишенях, вероятно, являются движущими силами.

«Мы можем найти регуляторы, которые изменили… состояние сети», — объяснил он. «На самом деле, можно сосредоточиться на поиске не мутационных факторов, вызывающих такие заболевания, как рак, а регуляторных факторов».

Аспирантка Лорен Сюй применяет метод PARROT для изучения перехода между стареющими и нестареющими клетками рака молочной железы. Для каждого выявленного с помощью вычислительных методов регуляторного фактора воздействие на него с помощью малой молекулы изменяло предсказанный фенотип. «Каждый из опробованных ею факторов изменял фенотип», — сказала Квакенбуш.

Квакенбуш тщательно сформулировал, что сетевой подход может и чего не может утверждать. «Не существует единственно правильной сети», — повторил он. «Сеть в каждой ткани, в каждом состоянии, в каждом человеке уникальна».

Но снова и снова он обнаруживал, что сети, специфичные для конкретных заболеваний и построенные на основе реальных данных с учетом биологических ограничений, неизменно позволяют получить представление о заболеваниях, которое упускают одни лишь списки генов и профили экспрессии — структуры, которые предсказывают клинические результаты, выявляют биологические различия и, все чаще, определяют терапевтические мишени.

Источник: www.bio-itworld.com