编辑推荐：
本文提出一种混合奥恩斯坦-乌伦贝克-分支（OU-Branching）模型，巧妙地将具有均值回归特性的性状随机演化（OU过程）与基于出生-死亡的克隆分支过程相耦合，为理解低突变负荷的儿科肿瘤如何表现出复杂的进化模式提供了统一的理论框架。该研究通过E. coli长期进化实验（LTEE）数据校准模型参数，揭示了不同DNA修复基因型（WT、priA、recG）所对应的稳定化、高可塑性及易崩溃三种进化模式，并展示了该模型在模拟治疗压力下肿瘤表型振荡与种群动态的潜力，为基于个体纵向数据的、进化感知的精准肿瘤学研究开辟了新途径。
引言
儿科肿瘤通常表现出较低的突变负荷和相对简单的核型，却展现出侵袭性行为和复杂的进化模式，这一悖论提示其进展可能更多由随机克隆选择和约束表型空间内的稳定化力量驱动，而非持续的突变积累。为了捕捉稳定化选择与随机多样化之间的平衡，本研究开发了一种混合奥恩斯坦-乌伦贝克与分支过程模型，该模型将描述性状均值回归的随机动力学与人口统计学的出生-死亡过程相结合。其中，OU分量描述了对数10突变频率尺度上围绕谱系均值（μ）的均值回归表型波动，而分支分量则捕捉了产生演化谱系网络的随机增殖与灭绝事件。两者共同模拟了稳定化选择和随机多样化如何共同塑造克隆进化。
方法
研究利用Escherichia coli长期进化实验（LTEE）中野生型（WT）、priA（复制重启缺陷）和recG（复制叉修复缺陷）谱系的突变频率数据，在每谱系基础上进行对数尺度建模。通过最大化精确的OU转移似然度来估计谱系特异性的OU参数：均衡均值（μ）、均值回归率（θ）和扩散尺度（σ）。使用基于重复分组的自助法进行参数不确定性量化。所有模拟基于OU随机微分方程，并耦合了随表型和药物暴露变化的出生-死亡分支过程，以生成预测包络线、相位平面动态和谱系网络。
结果
拟合模型重现了谱系特异性的突变动态和分支结构。突变频率轨迹显示谱系间存在显著差异。priA突变体表现出更高的均衡突变频率水平和更大的随机离散度，其行为与高可塑性机制一致，类似于复发儿科癌症中的增变亚克隆；而recG则显示出受限的多样化水平和增加的谱系更替，与复制压力下的易崩溃机制一致。似然比检验支持谱系特异性OU参数模型显著优于共享参数模型。
模型验证显示，95%的预测包络线能很好地捕捉观测数据。谱系间轨迹分离的定量指标（如平均绝对分离度Dmean）进一步证实了不同进化机制的存在。二维轮廓似然面分析表明，priA的参数θ和σ存在强耦合及更大的不确定性。
耦合表型与种群动态的相位平面图揭示了不同谱系的独特模式。WT表现出平滑、单调的轨迹，向谱系均值μ回归，并伴有种群规模的逐渐下降，反映了强稳定化选择。priA则表现出大振幅的表型振荡和跨越数个数量级的种群波动，指示了增变驱动下的随机漂变和减弱的表型约束。recG的轨迹被限制在均衡边界附近，显示出有限的恢复能力。
混合OU-分支模拟生成的谱系网络架构直观展示了不同DNA修复背景下的进化模式差异。WT谱系网络连接紧凑，现存亚克隆少，表型离散度窄。priA谱系表现出广泛的分支、更高的节点密度和更广的颜色梯度，反映了增加的表型漂变和突变率。recG谱系则产生稀疏且短命的支系，符合其受损的复制重启能力和降低的适应潜力。
作为概念验证，研究使用从priA谱系拟合的OU参数进行了治疗模拟。模拟显示了在六个21天治疗周期下，表型轨迹随给药间隔振荡并平均向长期最优值μ松弛的动力学。种群动态在治疗组中表现出振荡性抑制和反弹，然后达到一个相对于未处理对照组更低的平台期。谱系网络结构显示在表型耦合的人口统计学下，早期多样化之后外周分支被修剪。此外，一个示例性的结果图表明，在模型内，更高的θ和更低的σ将模拟推向灭绝，而较弱的均值回归或较大的随机扩散则有利于持续存在。
讨论
混合OU-分支框架通过联合模拟（i）由治疗塑造的潜在或测量表型状态Yt的波动，以及（ii）通过出生-死亡人口统计学的随机克隆存续，为思考治疗相关动力学和持续存在提供了量化途径。该框架将微生物与癌症进化统一在一个共享的随机-稳定化范式内，解释了即使低突变的儿科肿瘤也能通过持续的随机表型变异（由稳定化选择不断生成和修剪）来维持进化可塑性，而无需大量的突变输入。
参数推断和模拟分析提供了量化证据，表明随机方差（σ2）和均值回归强度（θ）共同决定了谱系多样化和存续。具有高σ2和低θ的谱系（如priA）表现出广泛的表型离散度和长尾的谱系生存分布。而具有强均值回归的谱系则表现出受限的长期离散度和极端表型偏移存续率的降低。这形式化了一个进化可塑性与稳定性之间的权衡。
该框架的转化应用潜力在于，对于儿科肿瘤，状态变量Yt可被实例化为任何纵向可测量的细胞状态或负荷代理指标，例如来自连续单细胞RNA测序的药物耐受性或应激反应评分、微小残留病（MRD）相关的负荷指标、或来自时间序列测序的克隆分数代理值。通过对这些重复测量值进行参数估计，可以实现患者或队列特异性的校准前向模拟，从而将稳定化与可塑性同谱系存续和治疗敏感性联系起来。
结论
混合OU-分支框架通过将受约束的均值回归表型动力学与随机谱系多样化和灭绝联系起来，为进化生物学与转化肿瘤学之间架起了一座定量桥梁。它将微生物和癌症进化统一在一个共享的随机-稳定化范式内，为解释儿科肿瘤如何在低突变负荷下保持适应灵活性，同时仍受有效稳定化力量约束，提供了一种原则性方法。更广泛地说，这项工作的关键贡献是一个通用的推理形式体系，它将连续性状进化与离散分支耦合在单个基于似然度的框架内。这种统一的视角使得从纵向数据中一致地估计潜在轨迹和谱系架构成为可能，并为未来校准到临床时间序列测量数据以支持儿科肿瘤学中进化感知的假设检验提供了透明的基础。
