PLoS Computational Biology: Fund af Drug Synergier i Gastric Cancer Cells forudsagt af Logical Modeling

Abstrakt

Discovery af effektive kombinationer anti-cancer medicin er en stor udfordring, da eksperimentel afprøvning af alle mulige kombinationer er helt klart umuligt. De seneste bestræbelser på at beregningsmæssigt forudsige narkotika kombination svar bevare denne eksperimentelle søgning plads, som model definitioner typisk afhængige af omfattende narkotika forstyrrelse data. Vi udviklede en dynamisk model, der repræsenterer en celle skæbne beslutning netværk i AGS mavekræft cellelinje, bygger på baggrundsviden udvundet litteratur og databaser. Vi definerede et sæt af logiske ligninger den gentog AGS data observeret i celler i deres baseline proliferative tilstand. Brug af modelleringssoftware GINsim, reduktion model og simulering komprimeringsteknikker blev anvendt til at klare det store tilstandsrum af store logiske modeller og muliggøre simuleringer af parvise anvendelser af specifikke signalering inhiberende kemiske stoffer. Vores simuleringer forudsagde synergistisk væksthæmmende virkning af fem kombinationer fra i alt 21 mulige par. Fire af de forudsagte synergier blev bekræftet i AGS vækst celle realtid analyser, herunder kendte virkninger af kombineret MEK-AKT eller MEK-PI3K hæmninger, sammen med nye synergistiske virkninger af kombineret TAK1-AKT eller TAK1-PI3K hæmninger. Vores strategi mindsker afhængigheden af ​​a priori narkotika forstyrrelse eksperimenter for velkarakteriserede signalering netværk, ved at påvise, at en model prædiktiv af kombinatoriske lægemiddelvirkninger kan udledes baggrundsviden om uforstyrrede og prolifererende cancerceller. Vores modellering tilgang kan således bidrage til præklinisk opdagelse af effektive anticancer lægemiddelkombinationer, og dermed udvikling af strategier for at skræddersy behandlingen til den enkelte kræftpatienter.

Author Summary

Fighting kræft med kombinationer af lægemidler stiger behandlingens succes. på grund af det store antal lægemidler og tumor varianter, det forbliver imidlertid en enorm udfordring at identificere effektive kombinationer. For at illustrere dette, et sæt af 150 lægemidler svarer til mere end 10.000 mulige parvise lægemiddelkombinationer. Eksperimentel afprøvning af alle muligheder er helt klart umuligt. Vi har udviklet en computermodel, der giver os mulighed for at identificere formentlig effektive kombinationer, og som samtidig antyder kombinationer der kan være uden effekt. Modellen er baseret på specifikke kræftceller biomarkører opnået fra uforstyrrede kræftceller, og derefter bruges til at udføre omfattende automatiseret logisk ræsonnement. Laboratorieundersøgelse af lægemiddelrespons forudsigelser bekræftede resultater for 20 af 21 lægemiddelkombinationer, herunder fire af fem drug par forudsagt til synergistisk inhiberer vækst. Vores tilgang er relevant for præklinisk opdagelse af effektive anticancer lægemiddelkombinationer, og dermed for udvikling af strategier for at skræddersy behandlingen til den enkelte kræftpatienter

Henvisning:. Flobak Å, Baudot A, Remy E, Thommesen L, Thieffry D , Kuiper M, et al. (2015) Fund af Drug Synergier i Gastric Cancer Cells forudsagt af Logisk Modeling. PLoS Comput Biol 11 (8): e1004426. doi: 10,1371 /journal.pcbi.1004426

Redaktør: Ioannis Xenarios, Swiss Institute of Bioinformatik, UNITED STATES

Modtaget: Marts 5, 2015; Accepteret: 3 juli 2015; Udgivet: 28 August, 2015

Copyright: © 2015 Flobak et al. Dette er en åben adgang artiklen distribueres under betingelserne i Creative Commons Attribution License, som tillader ubegrænset brug, distribution og reproduktion i ethvert medie, forudsat den oprindelige forfatter og kilde krediteres

Data Tilgængelighed: Alle relevante data er inden for papir og dens støtte Information filer

Finansiering:. Dette arbejde blev støttet af kontaktudvalget mellem det centrale Norge Regional Health Authority (RHA) og Norges teknisk-naturvidenskabelige universitet (NTNU). Et besøg blev finansieret af EMBO Short Stay Fellowship for AB til NTNU, Norge, oktober og november 2013. De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet.

konkurrerende interesser:. forfatterne har erklæret, at der ikke findes konkurrerende interesser

Introduktion

Det har længe været planen, at fremtidig kræftbehandling vil vedtage kombinatoriske tilgange, hvor flere specifikke kræftlægemidler sammen målrette flere robusthed funktioner eller svagheder i en bestemt tumor [1-3]. Effektiviteten af ​​kombinatoriske anti-cancer behandlinger kan yderligere maksimeres ved at udnytte synergistiske narkotikabekæmpelsesaktioner, hvilket betyder, at forskellige lægemidler indgives sammen udviser en forstærket virkning sammenlignet med de individuelle lægemidler. Drug synergi er attraktivt, fordi det giver mulighed for en betydelig reduktion i doseringen af ​​de enkelte lægemidler, og samtidig bevare den ønskede virkning. Synergier hold derfor mulighed for at øge behandlingen effektivitet uden at skubbe enkelt lægemiddel doser til niveauer, hvor de fører til bivirkninger. Derfor synergier identificeret i prækliniske studier repræsenterer interessante kandidater til yderligere karakterisering i kræftmodeller og kliniske forsøg.

Aktuelle bestræbelser på at identificere gavnlige kombinatoriske anti-cancer behandlinger typisk er afhængige af store eksperimentelle forstyrrelse data, enten for at beslutte på specifik patientbehandling [4], eller til prækliniske rørledninger til at foreslå nye lægemiddelkombinationer [5-8]. Dette arbejde er imidlertid står udfordringerne fra den store søgning plads, der skal understøttes af eksperimentelle data, hvilket gør systematiske søgninger for effektive kombinationer udfordrende. Desuden øger antallet af betingelser for at teste dramatisk, når overvejer højere orden kombinationer, flere narkotika doser, tidsmæssig optimering af lægemiddeladministration, og mangfoldigheden af ​​kræft celletyper og patienter. Således skal der søges omgåelser for at reducere den eksperimentelle søgning rum lægemiddelkombinationer og deres anvendelse modes for at opnå kvalificeret repertoire af kombinationsbehandlinger til kliniske forsøg, og i sidste ende for at støtte levering af personlig behandling.

Computational modeller anvendes i stigende grad til at forudsige lægemiddelvirkninger [6,9] med det formål at rationalisere og spare den eksperimentelle flaskehals. For at muliggøre en væsentlig reduktion af antallet af relevante betingelser, der skal afprøves, vil sådanne modeller ideelt konstrueres uden behov for massive eksperimentelle lægemiddel perturbations- data. Tilgange, hvor formuleringen af ​​prædiktive modeller kan baseres på molekylære data fra uforstyrrede kræftceller er derfor attraktiv.

Vi besluttede at fokusere på Boolesk og multilevel logiske modeller, da de muliggør en forholdsvis enkel formalisering af årsagssammenhænge indlejret i molekylære netværk såsom signaltransduktion og gen regulatoriske netværk. Desuden kan logiske modelsimuleringer bruges til at automatisere begrundelse på netværk dynamik, selv med knappe kendskab til kinetiske parametre [10-15], og er blevet brugt til at beskrive og forudsige adfærd af molekylære netværk ramt i human sygdom [13,14] . Sådanne modellering indsats har bidraget til forståelsen af ​​mekanismerne bag vækstfaktor induceret signalering i kræftceller og udvælgelse af kandidat målproteiner for nye anti-cancer behandling [16-23]. Mens tidligere undersøgelser har demonstreret styrken af ​​logiske modeller til at forudsige enkelt lægemiddel aktioner, vi udvide brugen af ​​logisk modellering til at forudsige virkningerne af kombinatorisk inhibering af to eller flere signaltransduktionsveje komponenter.

Vi rapporterer konstruktion af en logisk model omfatter molekylære mekanismer centrale for at kontrollere cellevækst af gastrisk adenocarcinom cellelinie AGS. Efter en indledende samling af en omfattende signalering og regulatorisk netværk fra almen signaltransduktion viden blev de logiske regler, der er forbundet med hver af modelkomponenter 75 raffineret ved hjælp baseline data fra aktivt voksende AGS celler. Den resulterende logiske model blev anvendt til at vurdere narkotika synergipotentiale blandt 21 parvise kombinationer af syv kemiske inhibitorer, hver rettet mod en specifik signalering komponent. Modelsimuleringer foreslog fem kombinationer af inhibitorer til at være synergistisk, hvoraf fire kan efterfølgende bekræftes i eksperimenter cellevækst. Vigtigt er det, at ingen af ​​kombinationerne forudsiges af modellen til at være ikke-synergistisk vises synergistiske væksthæmmende effekter i vore cellulære assays blev dvs. ingen falske negative observeret. Vores resultater viser, at vores logiske model, fremstillet uden anvendelse af indledende store inhibitor perturbations- data, rekapitulerer vigtige molekylære regulatoriske mekanismer bag væksten af ​​AGS-celler på en måde, der tillader vellykket forudsigelse af den synergistiske virkning af inhibitor kombinationer i eksperimentelle cellekulturer. Styret af modellen, vi identificeret to etablerede synergistiske interaktioner og opdagede to synergier ikke tidligere rapporteret.

Resultater

Samlet strategi for forudsigelse og validering af narkotika synergier

I for at opdage kombinatoriske medicinsk behandling synergistisk udøver hæmning af kræft cellevækst, udviklede vi et workflow kombinerer beregningsmæssige og eksperimentelle analyser til at forudsige og validere narkotika synergier (fig 1).

Vores modellering procedure integrerer a priori
biologisk viden om intracellulære signalveje med baseline data fra AGS gastrisk adenocarcinom celler. De principper for udformningen af ​​vores analyse er styret af den forudsætning, at væksten af ​​kræftceller i høj grad er drevet af mekanismer, så disse celler at udnytte en lang række vækstfremmende signaler fra omgivelserne. Dette aspekt af iboende, vedvarende multifaktor-drevet kræft spredning [1] er indkvarteret ved at konstruere den regulatoriske netværk som en selvstændig model: Vi inkluderer kun knuder, der er reguleret af andre knuder i modellen. Det valgte design undgår behovet for at modellere effekter af specifikke vækstfaktorreceptorer, overvejer i stedet de integrerede svar fra et væld af vækstfremmende stimuli, som observeret ved vurderingen af ​​aktiviteten af ​​signalering enheder (proteiner og gener), som indgår i modellen. Det følger heraf, at de facto
vækstfremmende konfiguration af en sådan selvstændig model kan etableres ved at observere baseline biomarkører målt i kræftcellerne.

Efter en reduktion model trin, hvor noder og logikker vedrørende lægemiddelvirkninger og fænotypiske udgange er bevaret, modellen bruges til udtømmende simuleringer af effekten af ​​parvise node hæmninger bruger syv kendte kemiske inhibitorer. Endelig er væksthæmmende virkninger af disse narkotika kombinationer på AGS celler testet eksperimentelt.

Logisk modellering af gastrisk adenocarcinom celle skæbne beslutninger

Opførelse af en regulerende graf omfatter vigtige signalveje.

AGS celler havnen mutationer i mange gener, der koder centrale signalering komponenter vides at være dereguleret i gastrisk adenocarcinom, for eksempel dele af MAPK, PI3K, Wnt /β-catenin og NF-KB veje [24,25]. Baseret på viden indsamlet fra databaser og videnskabelige publikationer, har vi integreret information om MAPK veje (JNK, p38 MAPK og ERK), de PI3K /AKT /mTOR veje, den Wnt /β-catenin vej, og NF-KB-vejen, samt krydstale mellem disse veje (se fig 2, Materialer og fremgangsmåder, og S1 tekst). Den resulterende netværk omfatter 75 signalering og regulatoriske komponenter (proteiner, protein komplekser og gener) og 149 rettet interaktioner. To udlæsning noder (output), opkaldt Prosurvival
Antisurvival
, er medtaget for at repræsentere celle skæbne fænotyper. Den lovgivningsmæssige graf med anmærkninger findes i SBML format (se S1 Dataset og S1 tabel).

Opførelse af en logisk model.

Den regulatoriske netværk blev omdannet til en logisk model, hvor den lokale aktivitet tilstand af hver komponent (node) var repræsenteret ved en boolesk variabel (under værdierne 0 eller 1). Et par knuder var forbundet med multileveled variabler: de to output noder, Prosurvival
Antisurvival
, hver tager fire værdier (0, 1, 2, 3), og deres nærmeste opstrøms knuder, caspase 3/7 og CCND1, og hver modtager tre værdier (0, 1, 2). Disse multilevel variable knudepunkter anvendes kun til knudepunkter for udgangene af modellen, og gjorde det muligt at modellere gradueret vækstfremmende /inhibitoriske virkninger (se Materialer og Metoder og S1 tekst). En logisk formel var forbundet med hver komponent, der definerer, hvordan dens aktivitetsniveau er kontrolleret af de af dens regulatorer. Vores standard fremgangsmåde var at kombinere alle aktiverende regulatorer af et mål med den booleske operator OR
, og hæmmende regulatorer af et mål med operatøren OG IKKE
(som i [21]). Dette indebærer, at enhver aktivator fuldt ud kan aktivere målnoden i fravær af inhiberende aktivitet. Endvidere kan virkningen af ​​enhver inhiberende regulator fuldt inhibere målet, selv i nærvær af aktiverende input fra en eller flere aktivatorer. På grundlag af biologiske viden og litteratur rapporter, blev mere specifikke regler defineret for nogle komponenter af modellen (se S1 tekst). For β-catenin pathway især vi raffineret logiske regler af knuder, der repræsenterer aktiviteten af ​​β-TrCP (den β-catenin ødelæggelse kompleks), TCF (et mål på β-catenin-aktivitet), og det knudepunkt, der repræsenterer aktiviteten af ​​β-catenin selv.

på ethvert tidspunkt er den globale systemets tilstand repræsenteres af en diskret vektor, der indeholder den booleske eller multilevel aktivitet værdier for alle netværkskomponenter [26]. Som alle node stater iterativt opdateret i simuleringer modellen konvergerer til sine attraktorer, repræsenteret ved enkelte globale faste stater i simple attraktorer, eller sæt af stater gentagne gange gennemløbes i komplekse attraktorer. Baseret på de lovgivningsmæssige graf og logiske regler defineret ovenfor, vi brugte en kraftfuld algoritme implementeret i GINsim at beregne alle stabile stater i modellen.

For at kalibrere modellen med hensyn til aktivt voksende AGS celler, vi sammenlignet node tilstand forudsigelser mod AGS baseline biomarkør observationer rapporteret i litteraturen. Vi revideret 72 videnskabelige publikationer og fundet 219 eksperimenter med prolifererende AGS celler med oplysninger om aktiviteten af ​​proteiner, der er repræsenteret i vores model (se S1 Tekst og S2 tabel). Vi har valgt en delmængde af 21 proteiner, som aktivitetsdata blev støttet af flere uafhængige, men konsekvente rapporter. Ved hjælp af disse eksperimentelle observationer som retningslinjer for "gold standard" protein aktiviteter i aktivt voksende AGS celler, sammenlignede vi tilstanden af ​​hver af dem med deres niveau i den beregnede attraktor af modellen. At opnå en enkelt stabil tilstand indeholdende aktivitetsniveauer af alle modelkomponenter, blev de logiske regler komponenter af ERK-vejen (SHC1, SOS, Raf, MEK og ERK) defineret til at afspejle den observation, at ERK er aktiv i prolifererende AGS celler (se S1 Tekst og S2 tabel). Efter disse ændringer, modellen viste sig at være optimeret: Den observerede attraktor af det uforstyrrede model var en stabil tilstand grundigt bekræftet af eksperimentelle observationer i uforstyrrede voksende AGS celler, som værdierne for alle de 21 knudepunkter, som vi var i stand til at kontrollere kampen rapporterede protein aktiviteter (se S1 tekst, S3 og S4 Tables). Hertil kommer, at værdien af ​​de udlæste noder Prosurvival
var på sit maksimum, og Antisurvival på sit minimum, der repræsenterer en stærk spredning ( Prosurvival
= 3, og Antisurvival
= 0). Denne model stabil tilstand er således i overensstemmelse med offentliggjorte viden om molekylære tilstande i aktivt voksende AGS celler. Denne model også opfyldt resultater fra publicerede forstyrrelse eksperimenter af AGS celler (se S1 Tekst og S6 tabel). Den resulterende logiske model, kodet med softwaren GINsim v2.9, er vist i fig 2. Den tilsvarende GINsim fil er tilvejebragt som S2 datasæt.

I silico
simuleringer forudsige fem inhibitor synergier

for at vurdere kombinationer af hæmninger for synergi, fokuserede vi på den systematiske hæmning af syv model knudepunkter og deres 21 parvise kombinationer. Disse syv knudepunkter (mærket med tykke kanter i figur 2) blev valgt, fordi potente og specifikke kemiske inhibitorer var tilgængelige for målretning de tilsvarende proteinkinaser i biologiske eksperimenter (tabel 1).

Brug en asynkron opdatering politik (se Materialer og metoder), vi simulerede virkningen af ​​kemiske hæmninger ved at tvinge tilstanden af ​​specifikt målrettede model knudepunkter til at være 0 (inaktiv), og derefter beregne den resulterende attractor. Hver inhibering af enkelte knudepunkter eller par af knudepunkter førte til en unik attractor. I nogle få tilfælde nåede systemet en kompleks attractor, i hvilken en delmængde af tilstande gennemløbes gentagne gange (se Materialer og Metoder og S1 tekst). Beregningen af ​​potentielle komplekse attraktorer er udfordrende på grund af den kombinatoriske eksplosion af stater til store logiske modeller. For at klare dette problem anvendte vi en fremgangsmåde nedsættelse model til at opnå en komprimeret model bevare de valgte lægemiddelmål, og komprimeres tilstandsovergangsdiagrammet grafer i en hierarkisk måde (se Materialer og Metoder og [14]). Den reducerede logiske model (se fig 3 og S3 datasæt) blev opnået ved iterativt at fjerne komponenter ikke er mål for lægemidler, og var tilstrækkelig lille til at tillade udtømmende asynkrone simuleringer og grundig karakterisering af både stabile tilstande og komplekse attraktorer, hvilket muliggør analyse af alle enkelt og par af hæmninger.

for at lette fortolkningen definerede vi den samlede respons vækst
, ved at trække værdien af ​​ Antisurvival
fra værdien af ​​ Prosurvival
readout knudepunkter (hver multi-værdsat med state i området fra 0 til 3), med en værdi interval fra -3 til +3. Hvis attraktor indeholdt en unik stabil tilstand, beregning af væksten
var ligetil. I tilfælde af komplekse attraktorer brugte vi middelværdierne af forskellen Prosurvival
- Antisurvival
løbet alle stater, der tilhører attraktor. Vi udledte synergi, når kombinationen af ​​to inhibitorer produceret en værdi for vækst
lavere end den mindste værdi af inhibitorerne individuelt:

vækst (perturbation1 & perturbation2) < Min (vækst (perturbation1), vækst (perturbation2)),
hvor perturbationN
er den forstyrrelse af komponent N
.

For eksempel, vækst (perturbationMEK & perturbationAKT)
= 0,5; hvilket er en lavere værdi end observeret med forstyrrelser af enten MEK eller AKT: vækst (perturbationMEK)
= 1,5; vækst (perturbationAKT)
= 2.

Simuleringerne forudsagde fem synergistiske kombinationer (< 25% af de 21 mulige par). Tre af disse kombinationer involvere MEK, sammen med PI3K, AKT eller p38. De to resterende synergier involverer TAK1 med enten PI3K eller AKT (Fig 4).

Eksperimentel validering af modelberegninger

For at vurdere gyldigheden af ​​vores model forudsigelser, en real-time-celle-assay blev anvendt at teste kemiske inhibitorer af de syv proteiner (tabel 1) for deres evne til at begrænse AGS cellevækst i enkelt- og kombinatoriske formuleringer.

virkningen af ​​kemiske inhibitorer blev analyseret under anvendelse af en strategi baseret på Loewe definition af synergi [28 ], hvori det hedder, at en synergistisk vekselvirkning præsterer bedre end den forventede additive virkning observeret, når en inhibitor kombineres med sig selv i en "nul-interaktion 'eksperiment. Til kvantificering synergistiske interaktioner, blev en kombinatorisk indeks (Cl) beregnet [29], baseret på vækst målt 48 timer efter tilsætning af inhibitorer. CI Værdierne går fra nul til uendelig, og værdier under 1 indikerer synergistiske interaktioner.

Fire af de fem synergier forudsagt af vores logiske model blev bekræftet eksperimentelt, med Cl-værdier langt under 0,5, hvilket indikerer stærk synergi. Faktisk blev fundet en dybtgående indvirkning på AGS cellevækst når MEK eller TAK1 hæmmere blev kombineret med PI3K eller AKT-hæmmere. De tilsvarende vækstkurver (Fig 5) indikerer, at cellevækst i nærvær af to inhibitorer kombineret, hver på halv deres GI50 koncentrationer (lilla kurver) er markant lavere end væksten i nærvær af enten inhibitor alene på sit fulde GI50 fusion (grøn og blå kurver). I modsætning hertil kunne kombinationen af ​​MEK og p38 hæmning ikke bekræftes i eksperimenterne cellevækst. Vigtigt er det, vi observerede ingen falsk negative forudsigelser, hvilket betyder, at det resterende inhibitor kombinationer, forudsiges at mangle synergieffekter, ja undladt at vise synergi i vores cellulære assays. Tilsammen vores modelsimuleringer viste sig at være meget nøjagtig, at forudsige effekten af ​​20 af de 21 kombinationer.

Synergier på PI3K-MEK eller Akt-MEK hæmninger er allerede blevet observeret i en række forskellige tumorceller [ ,,,0],6,30-34], hvilket giver yderligere tillid til synergier på TAK1-PI3K og TAK1-AKT hæmninger. Derfor er disse nye kombinatoriske hæmninger lovende kandidater let gøres til genstand for eksperimentel afprøvning i en række cancer celletyper.

Model foreslår en central rolle for FOXO i væksthæmning synergi

Forstå signalering mekanismer bag synergistiske hæmninger er af stor interesse, fordi det kan bidrage til at identificere biomarkører informative af behandlingsrespons, der kan tjene som guider til at vælge fra et arsenal af etablerede narkotika synergier den rigtige behandling for den enkelte patient.

Undersøgelse af simulerede forstyrrelse effekter med vores AGS logisk model viste, at FOXO, der repræsenterer pro-apoptotiske transkriptionsfaktorer inaktiveret ved phosphorylering [35], blev synergistisk aktiveret ved kombineret MEK og PI3K eller MEK og AKT hæmning (se S1 tekst). Interessant, enkelt hæmmende forstyrrelse af MEK, PI3K eller AKT ændrede ikke FOXO aktivitet (se S1 tekst for flere detaljer). Disse observationer matche eksperimentelle resultater i humane umbilical vene endotelceller (HUVEC), hvor inhibitorer rettet mod MEK og AKT indberettes til synergistisk aktivere FOXO [36], hvilket tyder på, at vores model simuleringer kan give grundlag for biologisk relevante hypoteser om molekylære virkninger nedstrøms for specifikke hæmmere.

for yderligere at undersøge de mekanismer, der involverer FOXO vi simulerede de inhibitor forstyrrelser i en FOXO knock-out model, og fundet, at kombinerede hæmning af MEK og PI3K viste ingen øget vækst hæmmende effekt i forhold til deres tilsvarende enkelt hæmning . Dette indikerer, at MEK-PI3K synergi faktisk afhænger FOXO. For den kombinerede MEK og AKT hæmning, viste FOXO knock-out model simuleringer kun en mindre reduktion af den synergistiske effekt af kombineret MEK og AKT hæmning. Synergien mellem MEK og AKT-hæmmere synes således at være mindre afhængig af FOXO. Tilsammen disse simulering resultater tyder potentielt interessante forskelle mellem pro-apoptotiske signalsystemer begivenheder, når man sammenligner MEK-AKT hæmning versus MEK-PI3K hæmning.

Den mekanistiske grundlag af de observerede når hæmme TAK1-AKT, eller TAK1- synergier PI3K, er ukendt. Interessant, AGS modelsimuleringer viser, at FOXO aktiveres, når TAK1 hæmmes i kombination med enten PI3K eller AKT, men ikke ved en enkelt hæmninger. Aktivering af FOXO er således en potentiel mediator også for de synergieffekter, der involverer TAK1. Til støtte for dette, viste simuleringer, at både TAK1-PI3K og TAK1-AKT-synergier blev afskaffet, da FOXO bliver slået ud, på samme måde som konstateringen af ​​MEK-PI3K hæmning (Se S1 tekst). Potentielt kunne ERK være involveret i signalering nedstrøms TAK1. I så fald MAP kinase kaskade kunne udgøre en fælles mekanisme impliceret i de synergier, der involverer MEK-PI3K og MEK-AKT, og dem, der involverer TAK1-PI3K og TAK1-AKT. Men vores AGS modelsimulationer forudser, at ERK er stadig aktiv efter kombineret hæmning af TAK1 og PI3K eller TAK1 og AKT. Dette kan indikere, at MEK /ERK ikke er involveret i de nedstrøms virkninger af de hæmmende forstyrrelser involverer TAK1. En anden kinase kan potentielt fungere som et punkt for krydstale for TAK1 og PI3K /AKT-signalering. I denne henseende NLK (Nemo-lignende kinase) er en interessant kandidat, som det er kendt for at virke nedstrøms for TAK1 [37], der medierer inhiberende phosphorylering af FOXO [38].

modelbaseret forslag om, at FOXO aktivering kan være vigtigt for synergistisk væksthæmning ikke finde eksperimentel støtte i talrige beretninger om FOXO proteiner, der fungerer som formidlere af cytotoksiske kemoterapeutiske lægemidler [39]. Dette antyder, at den dynamiske opførsel af vores logiske model rekapitulerer generiske egenskaber, der kan være relevante for en række forskellige tumortyper.

Diskussion

Udviklingen af ​​nye anti-cancer medicin overvejende fokuserer på narkotika rettet mod specifikke molekylære mål. Imidlertid har kliniske anvendelser ofte været skuffende, hvilket resulterer kun i forbigående reaktioner efterfulgt af resistens, som hindrer terapi fordele. Dette har ført til behandling af behandlinger baseret på kombinationer af lægemidler rettet mod forskellige signalveje eller cellulære processer, med det formål at begrænse udviklingen af ​​resistens over for lægemidler og samtidig give mulighed for en reduktion i dosis narkotika, at sænke lægemiddelinduceret giftige virkninger [2,3,40,41].

Disse stærke incitamenter for kombinatorisk narkotikabehandling bliver udfordret af de mange kombinationer til at overveje og af, at effekten af ​​en given kombination lægemidlet afhænger af arten af den specifikke tumor. , For at opdage apt lægemiddelkombinationer i et tempo kompatibel med det store søgerummet udgøres af de mange lægemidler og forskelligartet cancercellelinie spektrum, er det således obligatorisk at udvikle effektive strategier til at forudsige gavnlig kombinatorisk behandling for individuelle cancere.

Nuværende indsats for at komme til et rationelt valg af lægemiddel kombinationsbehandling ved at bruge primære tumor cellekulturer og xenografundersøgelser står over for høje omkostninger og en variabel rente på succes i tumorvækst celle hæmning, og kæmper for at opnå meget præcise forudsigelser inden for den tidsramme, begrænset af sygdom progression [4,42-44]. Mens cancer cellelinjekulturer sjældent tillade opdagelser, der direkte kan overføres til et klinisk miljø, de giver mulighed for eksperimentel undersøgelse af mekanismer bag den biologiske mangfoldighed og robusthed og kan således anvendes til at undersøge strategier til identifikation potentielt effektivt lægemiddel kombinationsbehandlinger. De kan derfor bidrage til at etablere et stort arsenal af fordelagtige lægemiddelkombinationer ledsaget af prognostiske redskaber, der muliggør valg af den rette kombination for den enkelte tumor. Men selv i disse cellulære modeller, er det ikke muligt at teste alle potentielle lægemiddelkombinationer og anvendelse tilstande i tilstrækkelig spektrum af kræft celletyper. I denne sammenhæng kan datamodellering være til stor hjælp til at reducere den eksperimentelle søgning plads.

Vi har vist, hvordan en logisk model bygget af kendte signaltransduktion netværksoplysninger kan skræddersys til en bestemt kræftcelle system ved hjælp af baseline data , således at den kan bruges til at forudsige synergistiske og ikke-synergistiske kombinatoriske vækstfremmende hindrer behandlinger. Fire af de fem forudsagte synergistiske kombinationer blev bekræftet eksperimentelt med nogen falske negative forudsigelser. Med sådan en succesrate, ville det have været tilstrækkeligt til at teste kun en fjerdedel af de 21 mulige lægemiddelkombinationer undersøgte og stadig ikke gå glip af noget synergistisk par. Vores resultater er opmuntrende i lyset af succesraten rapporteret fra den seneste DREAM udfordring [7], hvor den mest effektive metode til synergi forudsigelse ville have tilladt at halvere størrelsen af ​​screening eksperimenter. Men der er vigtige forskelle mellem vores undersøgelse design og den for DREAM udfordring: DREAM analyserede transkriptom ændringer efter bredt virkende kemoterapeutiske medicinsk behandling, mens vi undersøgte virkningen af ​​inhibitorer med specifikke mål, bygger kun på oplysninger fra uforstyrrede systemet <. br>

i modsætning til netværk-baserede strategier, der ofte bruger korrelationsanalysen af ​​store datasæt fra forskellige sygdomsfænotyper [45,46], eller store cellekultur narkotika forstyrrelse data til at træne modeller for narkotika respons forudsigelser [6 , 7,9,47,48], vores modellering funderede udnytter mekanistisk molekylær pathway viden, findes i databaser, sammen med baseline data fra de uforstyrrede kræftceller i det valgte eksperimentelle system. Det betyder, at vores tilgang giver mulighed for udvælgelse af interessante kandidater til effektive kombinationer narkotika, før du udfører faktiske stof forstyrrelse eksperimenter. Så vidt vi ved dette ikke er blevet demonstreret før.

De fleste af regulatoriske netværk modellering tilgange fokus på signalering begivenheder drevet af specifikke hormonreceptorer. Dette gælder for studier, der undersøger logisk modellering til at forstå konsekvenserne af at forstyrre specifik vækst faktor signal transduktion svar [16,18,49-51], samt at kvantitative og semi-kvantitativ modellering tilgange bruges til at forudsige effekten af ​​synergistisk signal transduktion forstyrrelser [6,31,52]. I modsætning hertil vores tilgang viser, at det er muligt effektivt at anvende en model, der repræsenterer en celle skæbne afgørelse netværk i aktivt voksende celler uden eksplicit overvejer nogen ekstern vækstfremmende stimulus (fx væksthormon). Faktisk vi argumentere for, at bruge attraktor af en selvstændig model af en prolifererende celle som referencepunkt for narkotika synergi analyse giver et godt udtryk for den tilstand af aktivt voksende kræftceller. Cancercellevækst anses for at være drevet af en mangfoldighed af vækstfremmende stimuli. Ikke alene er den potentielle repertoire af disse signaler væsentlig, relativt få detaljer om deres signaling mekanismer er kendt. Vi antager derfor, at vi kan opsummere deres effekt ved at overveje denne mangfoldighed af signaler til at give en kontekst fremmer robust vækst, og at vi derfor kan afvise yderligere detaljer. På dette grundlag rumme vi en vedvarende multifaktor-drevne proliferation [1] ved at ansætte en selvstændig model, hvor alle komponenter der indgår er reguleret af andre knuder i modellen. Konfigurationen af ​​komponent aktiviteter kan derefter udledes baseline biomarkører målt i kræftceller. Tilsammen udgør disse model design principper giver os mulighed for at generere en dynamisk model er skræddersyet til specifikke kræftceller, men ikke afhængig af eksplicit ekstracellulær input fra bestemte vækstfremmende midler ( e
. g
. Væksthormoner

• PLoS ONE: Sammenslutningen af ​​mTOR og AKT Gene Polymorphisms med modtagelighed og Survival of Gastric Cancer
• PLoS ONE: Polymorfi af DNA Methyltransferase 3b og associeringsaftalen med udvikling og Prognose i Gastric Cancer