《Proceedings of the National Academy of Sciences》：The α-synuclein proteostasis network and its translational applications in Parkinson’s disease
编辑推荐：
为应对帕金森病（PD）缺乏疾病修饰疗法的困境，研究人员针对其关键致病蛋白α-突触核蛋白（α-Syn），系统绘制了人黑质α-Syn蛋白稳态网络（PN）。通过计算α-Syn蛋白稳态活动评分（PAS），该研究实现了对疾病状态、死亡年龄及大脑区域易感性的精准分层。利用该网络模型，研究成功识别出6个潜在治疗靶点，并通过计算筛选出28种可重定位用于抑制α-Syn聚集的已上市药物，为PD的精准医学和药物研发提供了创新的计算框架和可行路径。
想象一下，控制身体运动的精密仪器内部，一些关键零件因错误的折叠和堆积而失去功能，最终导致整个系统瘫痪。这就是帕金森病（Parkinson’s disease, PD）患者大脑中正在发生的事情。在全球，有超过600万人受此神经退行性疾病困扰，其典型症状包括行动迟缓、肌肉僵硬和震颤。然而，目前临床上尚无能够延缓或阻止疾病进展的根本性疗法。PD的神经病理学标志是路易体（Lewy body）的出现，而其核心成分是一种名为α-突触核蛋白（α-synuclein, α-Syn）的蛋白质。当α-Syn因错误折叠而积聚、形成有毒的寡聚体或纤维时，便会引发神经元损伤和死亡。科学家们推测，细胞内部维持蛋白质质量控制的系统——蛋白稳态（proteostasis）网络出现了失衡，可能是导致α-Syn异常累积的元凶。但这一网络在PD患者大脑中具体如何运作、如何量化其失衡状态，并进而将其转化为有效的治疗策略，仍是巨大的挑战。
为了破解这一难题，一项发表在《Proceedings of the National Academy of Sciences》上的研究进行了一次雄心勃勃的“网络测绘”工程。研究人员不再孤立地看待单个基因或蛋白，而是将目光投向了一个更宏观的系统——α-Syn蛋白稳态网络（α-Syn proteostasis network, α-Syn PN）。他们的目标是：在帕金森病的核心病变脑区——人黑质（substantia nigra）中，系统性地绘制出调控α-Syn命运（是保持可溶功能状态，还是走向有害聚集）的整个分子网络图谱。通过整合蛋白质组学和转录组学数据，他们不仅成功构建了这一网络，还创造性地定义了一个可以量化网络活动的“蛋白稳态活动评分”（proteostasis activity score, PAS）。这个分数如同一个指示器，能够揭示网络整体是在促进还是在抑制α-Syn的聚集。令人兴奋的是，这个PAS指标能够清晰地区分PD患者与健康人的大脑，与PD患者的死亡年龄相关，甚至能预测不同大脑区域对病理损害的脆弱性。这为理解PD的发病机制提供了全新的量化视角。
更重要的是，这项研究超越了基础发现，直接迈向了转化应用。研究团队利用构建的网络模型，像操作一个“数字孪生体”一样，在计算机中模拟了扰动不同网络节点（即潜在药物靶点）会产生的影响，从而高效地筛选出对纠正网络失衡最有效的关键靶点。同时，他们还将此网络作为评估工具，对上万种现有药物进行了大规模计算筛选，寻找那些能够将α-Syn PN活动“扳回”抑制聚集方向的药物，为老药新用治疗帕金森病开辟了新途径。这项研究展示了计算生物学如何为破解复杂疾病、加速治疗发现提供强有力的蓝图。
为开展此项研究，作者团队主要运用了以下关键技术与方法：首先，他们从蛋白质相互作用数据库和帕金森病转录组学数据（源自6个不同的黑质微阵列数据集）出发，整合构建了α-Syn蛋白稳态网络（PN）。其次，基于该网络基因的表达数据，定义并计算了α-Syn蛋白稳态活动评分（PAS），用于量化网络在多种生理和病理状态下的功能活动。接着，利用网络影响力分析算法（热扩散和个性化网页排名）来识别网络中的关键调控节点（靶点）。然后，基于人黑质单细胞转录组数据，构建了α-Syn PN的操作性数字孪生模型，用于模拟基因扰动（如敲低或过表达）对网络活动的影响。最后，利用大规模药物筛选数据库（如LINCS），在选定的细胞模型（HEK293和Jurkat）中，通过计算药物处理引起的PAS变化（ΔPAS），来评估和优先筛选具有潜在治疗作用的化合物。
研究结果
构建α-Syn PN。
研究人员首先在蛋白质和转录组水平上勾画了α-Syn PN。他们从收集α-Syn的一级相互作用蛋白开始，并根据文献将其分类为促进或抑制α-Syn聚集的因子。接着，通过分析帕金森病患者与对照黑质样本的微阵列数据，他们鉴定出一批相对于SNCA基因表达发生一致变化的基因，并将其与已有一级相互作用网络整合，最终得到了一个包含分子伴侣和三大降解系统——分子伴侣介导的自噬（CMA）、泛素-蛋白酶体系统（UPS）和自噬-溶酶体途径（ALP）的完整α-Syn PN网络。
α-Syn PN。
所构建的α-Syn PN主要由分子伴侣和降解系统组成，包括CMA、UPS和ALP。这与之前的研究一致，即降解受损或错误折叠α-Syn的能力下降是驱动帕金森病及相关突触核蛋白病中α-Syn聚集的关键因素。CMA是清除帕金森病中潜在细胞毒性过量α-Syn的主要途径之一。在家族性帕金森病中，α-Syn突变体通过CMA的降解效率很低。UPS同样是α-Syn清除的主要降解途径，其功能障碍可能导致帕金森病神经元中α-Syn水平上升。ALP在α-Syn降解中也起着至关重要的作用，抑制自噬会增加α-Syn积累，而激活自噬则促进其清除。
α-Syn PN活性指示PD状态和区域易感性。
为了捕获α-Syn PN的功能性生物活性，研究者定义了PAS。他们发现，PAS能够指示疾病状态，跨越四个独立数据集的PD患者PAS均高于对照组，反映了与对照组相比，促进α-Syn聚集的网络活动增强。此外，PAS较高的PD患者与更年轻的死亡年龄相关。在PD患者中，周围神经系统（PNS）的PAS高于中枢神经系统（CNS），这反映了迷走神经在PD进展中对α-Syn聚集具有更高的易感性。对非神经系统疾病患者的多脑区样本分析发现，易感性更高的脑区具有较低的基线蛋白稳态活动水平，表明其抑制α-Syn聚集的基础能力可能更强或促进聚集的活动更弱。
帕金森病的靶点识别。
为了说明如何利用α-Syn PN来提出潜在的帕金森病蛋白靶点，研究假设对α-Syn PN具有更大影响力的蛋白质更可能是相关靶点。他们采用两种网络影响力评分——热扩散和个性化网页排名（PPR）进行分析。分析发现，α-Syn PN中55%的蛋白质已被Open Targets数据库标注为PD靶点。其中，具有较高热扩散和信号调制能力的信号调制器和必需蛋白，在Open Targets中倾向于获得更高的PD优先评分。值得注意的是，在18个必需蛋白/信号调制器中，有6个尚未被报道为PD靶点：PIK3CD、KIAA0319、HSPA2、TBC1D4、IMP4和VPS37C
。通过在人黑质细胞α-Syn PN的数字孪生模型中进行计算机模拟扰动，研究发现下调已知的α-Syn聚集抑制因子PARK7会导致相对较高的PAS，而聚集促进因子UCHL1的过表达则会增加PN的聚集促进活性。模拟结果显示，基于表达扰动对α-Syn PN影响效应的大小，排名前三的候选靶点是TBC1D4、PIK3CD和VPS37C，抑制这些靶点可能有助于管理α-Syn PN向促进聚集方向的转变。
药物重定位的优先排序。
研究进一步探讨了利用α-Syn PN作为评估指标来帮助识别和优先排序PD候选药物的用途。首先，他们从人类蛋白质图谱的631个细胞系中，根据其相对PAS活性进行排序，筛选出能较好捕捉α-Syn PN向聚集活动转移的细胞模型Jurkat和HEK293。然后，从LINCS数据库中获取这两种细胞系经小分子药物处理后的差异基因表达数据，并量化每种药物处理后PAS的变化（ΔPAS）。通过计算药物浓度增加与ΔPAS的相关性，他们在HEK293和Jurkat细胞中筛选出能一致抑制α-Syn PN活性的药物2), we ranked baseline PN activity by PAS (higher = more aggregation-promoting). Jurkat (rank 11) and HEK293 (rank 18) were selected based on availability in LINCS. For each line, differential expression was obtained for small-molecule treatments vs. DMSO. (B and C) For every compound, we computed the change in PAS (ΔPAS) after 24 h across increasing concentrations and calculated the concentration-ΔPAS correlation in HEK293 (B) and Jurkat (C). (D) Of 968 compounds tested in HEK293 and 1,056 in Jurkat, 813 were common to both; 435 of these showed concordant PAS effects across cell lines. Notably, 28 compounds acted as PN inhibitors (negative concentration-ΔPAS correlation in both), with P-value < 0.05 in at least one line. (E) To facilitate PD repurposing, the 28 inhibitors were prioritized by the mean absolute correlation across HEK293 and Jurkat.">。最终，他们确定了28种能够显著将α-Syn PN活性转向抑制α-Syn聚集的抑制剂药物，并按其平均绝对相关性评分进行了优先排序。值得注意的是，其中约30%的候选药物（如他克莫司、沙格列汀、艾地苯醌等）已在之前的文献中被报道在帕金森病模型中具有益处，这验证了该筛选方法的有效性。
研究结论与意义
该研究成功构建了人黑质中α-Syn蛋白稳态网络（PN），并创建了能够量化其功能状态的蛋白稳态活动评分（PAS）。PAS作为一种新型生物标志物，不仅能有效区分帕金森病与健康状态，还与患者的死亡年龄及大脑不同区域对α-Syn病理的固有易感性密切相关。这些发现支持了帕金森病的“阈值理论”，即不同脑区由于固有的蛋白稳态基线水平（阈值）不同，导致其在疾病进程中表现出不同的脆弱性。
研究的核心意义在于其强大的转化潜力。通过将计算生物学与系统生物学深度结合，本研究发展了一套从网络构建、量化分析到靶点药物筛选的完整框架。利用α-Syn PN及其数字孪生模型，研究实现了对潜在治疗靶点的高通量、智能化优先排序，成功识别出六个全新的、尚未被探索的帕金森病候选靶点（PIK3CD, KIAA0319, HSPA2, TBC1D4, IMP4, VPS37C），其中TBC1D4、PIK3CD和VPS37C在模拟扰动中显示出最强的调控效应。更重要的是，该框架被直接应用于大规模的药物重定位筛选，从上千种已上市化合物中锁定28种能有效逆转α-Syn PN失衡、抑制α-Syn聚集的抑制剂，为快速开发帕金森病新疗法提供了宝贵的候选药物库。
总之，这项概念验证性研究展示了一个可推广的蓝图，即通过解码疾病特异的蛋白稳态景观，来加速蛋白质错误折叠疾病的治疗发现。它不仅在基础层面深化了对帕金森病分子机制的理解，更在应用层面提供了可直接进行实验验证的靶点和药物假设，显著缩短了从基础研究到临床转化的距离，为帕金森病乃至其他神经退行性疾病的精准医疗开辟了新道路。
