PLoS Computational Biology: Die Entdeckung des Drug Synergien in Magenkarzinomzellen Prognostizierte durch Logical Modeling

Abstrakt

Entdeckung eines effizienten Anti-Krebs-Medikament Kombinationen ist eine große Herausforderung, da experimentelle Prüfung aller möglichen Kombinationen eindeutig unmöglich ist. Die jüngsten Bemühungen um rechnerisch vorhersagen Arzneimittelkombination Antworten dieses experimentelle Suchraum behalten, als Modelldefinitionen beruhen typischerweise auf umfangreichen Drogenstörungsdaten. Wir entwickelten ein dynamisches Modell einer Zelle Schicksal Entscheidung Netzwerk in der AGS Magenkrebs-Zelllinie darstellt, die sich auf Hintergrundwissen aus der Literatur und Datenbanken extrahiert. Wir definierten eine Reihe von logischen Gleichungen in Zellen AGS Daten beobachtet rekapituliert in ihrer Basis proliferativen Zustand. Mit Hilfe der Modellierungssoftware GINsim, Modellreduktion und Simulation Kompressionstechniken wurden mit der großen Zustandsraum von großen logischen Modelle fertig zu werden angewendet und ermöglichen Simulationen von paarweise Anwendungen spezifischer Signal hemmenden chemischen Substanzen. Unsere Simulationen vorhergesagten synergistische wachstumshemmende Wirkung von fünf Kombinationen von insgesamt 21 möglichen Paare. Vier der prognostizierten Synergien wurden in AGS Zellwachstum Echtzeit-Assays, einschließlich bekannten Wirkungen der kombinierten MEK-AKT oder MEK-PI3K Hemmungen, zusammen mit neuen synergistischen Effekte der kombinierten TAK1-AKT oder TAK1-PI3K Hemmungen bestätigt. Unsere Strategie reduziert die Abhängigkeit von a-priori-Droge Störungsexperimente für gut charakterisierte Signalnetzwerke, durch den Nachweis, dass ein Modell prädiktiv für kombinatorische Arzneimittelwirkungen können von Hintergrundwissen auf ungestörte und wuchernden Krebszellen entnommen werden. Unser Modellierungsansatz kann somit auf die präklinische Entdeckung von effizienten Anti-Krebs-Medikamenten-Kombinationen beitragen und damit zur Entwicklung von Strategien Behandlung zu einzelnen Krebspatienten zuzuschneiden.

Autor Zusammenfassung

Kampf gegen den Krebs mit Kombinationen von Medikamenten steigt Behandlungserfolg. Jedoch kann aufgrund der großen Anzahl von Medikamenten und Tumorvarianten, es bleibt eine große Herausforderung für eine effiziente Kombinationen identifizieren. Um dies zu verdeutlichen, entspricht einem Satz von 150 Medikamente auf mehr als 10.000 mögliche paarweise Arzneimittelkombinationen. Experimentelle Prüfung aller Möglichkeiten ist offensichtlich unmöglich. Wir haben ein Rechenmodell entwickelt, das uns vermutlich wirksame Kombinationen identifizieren können, und das schlägt gleichzeitig Kombinationen wahrscheinlich ohne Wirkung. Das Modell basiert auf spezifischen Krebszelle von Biomarkern aus ungestörte Krebszellen erhalten und wird dann weitgehend automatisierte führen logische Argumentation verwendet. Laboruntersuchungen von Arzneimittelreaktion Prognosen bestätigt Ergebnisse für 20 von 21 Arzneimittelkombinationen, darunter vier von fünf Medikamentenpaare vorhergesagt synergistisch das Wachstum hemmen. Unser Ansatz ist relevant für die präklinische Entdeckung eines effizienten Anti-Krebs-Medikamenten-Kombinationen, und damit für die Entwicklung von Strategien Behandlung zu einzelnen Krebspatienten zuzuschneiden

Citation. Flobak Å, Baudot A, Remy E, Thommesen L, Thieffry D , Kuiper M, et al. (2015) Entdeckung von Drogen Synergien in Magenkrebszellen durch logische Modellierung vorhergesagt. PLoS Comput Biol 11 (8): e1004426. doi: 10.1371 /journal.pcbi.1004426

Editor: Ioannis Xenarios, Schweizerische Institut für Bioinformatik, UNITED STATES

Empfangen: 5. März 2015; Akzeptiert: 3. Juli 2015; Veröffentlicht: 28. August 2015

Copyright: © 2015 Flobak et al. Dies ist ein offener Zugang Artikel unter den Bedingungen der Lizenz Creative Commons Attribution verteilt, die uneingeschränkte Nutzung erlaubt, die Verteilung und Vervielfältigung in jedem Medium, vorgesehen sind der ursprüngliche Autor und Quelle genannt

Datenverfügbarkeit: Alle relevanten Daten sind innerhalb des Papiers und seiner Hintergrundinformationen Dateien

Finanzierung:. Diese Arbeit wurde vom Verbindungsausschuss zwischen der Mittel-Norwegen Regional Health Authority (RHA) und der norwegischen Universität für Wissenschaft und Technologie (NTNU) unterstützt wurde. Es wurde ein Besuch des EMBO Short Stay Fellowship für AB NTNU, Norwegen, Oktober-November 2013. Die Geldgeber hatten keine Rolle in Studiendesign, Datenerfassung und Analyse, Entscheidung zu veröffentlichen oder um die Herstellung des Manuskripts finanziert.

konkurrierende Interessen:. Die Autoren haben erklärt, dass keine Interessenkonflikte bestehen

Einführung

Es ist seit langem ins Auge gefasst, dass künftige Anti-Krebs-Behandlung kombinatorische Ansätze annehmen wird, in denen mehrere spezifische Anti-Krebs-Medikamente mehrere Robustheit Funktionen oder Schwächen eines bestimmten Tumors zusammen Ziel [1-3]. Die Wirksamkeit der kombinatorischen anti-Krebsbehandlungen können durch Ausnutzung synergistischer Arzneimittelwirkungen maximiert werden, was bedeutet, dass verschiedene Medikamente aufweisen, verabreicht zusammen eine potenzierte Wirkung im Vergleich zu den einzelnen Drogen. Drug Synergie ist attraktiv, weil es für eine deutliche Verringerung der Dosierung der einzelnen Wirkstoffe ermöglicht, während die gewünschte Wirkung erhalten bleibt. Synergien halten daher das Potenzial, die Wirksamkeit der Behandlung zu erhöhen, ohne einzelne Arzneimitteldosen auf ein Niveau drücken, wo sie zu unerwünschten Reaktionen führen. Daher wird in präklinischen Studien identifizierten Synergien stellen interessante Kandidaten für die weitere Charakterisierung in Krebsmodellen und klinischen Studien.

Die derzeitigen Bemühungen vorteilhaft kombinatorische Anti-Krebs-Therapien beruhen typischerweise auf groß angelegte experimentelle Störungsdaten zu identifizieren, entweder für die Entscheidung über spezifische Behandlung des Patienten [4], oder für die präklinische Pipeline neue Arzneimittelkombinationen vorzuschlagen [5-8]. Diese Arbeit ist jedoch vor Herausforderungen durch den großen Suchraum gestellt, die durch experimentelle Daten gestützt werden muss, so dass eine systematische Suche nach effizienten Kombinationen herausfordernd. Darüber hinaus erhöht die Anzahl der Bedingungen zum Testen dramatisch, wenn man bedenkt höherer Ordnung Kombinationen, multiple Medikamentendosierungen, zeitlichen Optimierung der Arzneimittelverabreichung und der Vielfalt von Krebszelltypen und Patienten. So Abhilfen gesucht werden muss, die experimentelle Suchraum von Medikamentenkombinationen und deren Anwendung Modi zu reduzieren, um eine qualifizierte Repertoire von Kombinationstherapien für klinische Studien zu erhalten, und schließlich die Lieferung von individuell zugeschnittene Behandlung zu unterstützen.

Computational Modelle werden in zunehmendem Maße zur Vorhersage Arzneimittelwirkungen [6,9], mit dem Ziel, zu rationalisieren und zu wirtschaften die experimentelle Engpass verwendet. Um wesentliche Verringerung der Anzahl der relevanten Bedingungen zu ermöglichen, die getestet werden müssen, solche Modelle würde im Idealfall ohne die Notwendigkeit für massive experimentelle Droge Störungsdaten aufgebaut werden. Anflüge, bei denen die Formulierung von prädiktiven Modellen auf molekularen Daten von ungestörte Krebszellen sind deshalb attraktiv basieren.

Wir entschieden uns für Boolesche und Multi-Level-logische Modelle zu konzentrieren, da sie eine relativ einfache Formalisierung der Kausalitäten ermöglichen eingebettet in molekulare Netzwerke, wie Signaltransduktion und genregulatorischen Netzwerken. Darüber hinaus können logische Modellsimulationen verwendet werden Argumentation auf Netzwerk-Dynamik zu automatisieren, auch mit knappen Kenntnis der kinetischen Parameter [10-15], und wurden verwendet, zu beschreiben und das Verhalten von molekularen Netzwerken betroffen in der menschlichen Krankheit vorhersagen [13,14] . Eine solche Modellierung Bemühungen für neue Anti-Krebs-Behandlung [16-23], um das Verständnis der zugrunde liegenden Mechanismen Wachstumsfaktor induzierten Signal in Krebszellen und die Auswahl der Kandidatenzielproteinen beigetragen. Während frühere Studien die Kraft der logischen Modelle unter Beweis gestellt haben einzelne Arzneimittelwirkungen vorherzusagen, erweitern wir die Verwendung von logischen Modellierung Effekte der kombinatorischen Hemmung von zwei oder mehr Signaltransduktionskomponenten zu prognostizieren.

Wir berichten über den Aufbau einer logischen Modell umfasst molekulare Mechanismen von zentraler Bedeutung für das Zellwachstum der Magen-Adenokarzinom-Zelllinie AGS zu steuern. Nach einer anfänglichen Montage eines umfassenden Signal- und Regulationsnetzwerk von allgemeinen Signaltransduktion Wissen, verbunden sind die logischen Regeln mit jedem der 75 Modellkomponenten wurden unter Verwendung von Basisdaten aus aktiv wachsenden AGS-Zellen erhalten verfeinert. Das resultierende logische Modell wurde verwendet, Drogensynergiepotenzial unter 21 paarweise Kombinationen von sieben chemischen Inhibitoren zu bewerten, die jeweils eine spezifische Signalkomponente Targeting. Modellsimulationen vorgeschlagen fünf Kombinationen von Inhibitoren synergistisch zu sein, von denen vier nachfolgend in Zellwachstumsexperimente bestätigt werden. Wichtig ist, dass keine der durch das Modell vorhergesagten Kombinationen nicht-synergistische angezeigt synergistische wachstumshemmenden Wirkungen in unseren zellulären Assays zu sein, das heißt keine falsche Negative wurden beobachtet. Unsere Ergebnisse zeigen, dass unsere logische Modell konstruiert, ohne die Verwendung von anfänglichen großen Inhibitor Störungsdaten, Schlüssel molekularen Regulationsmechanismen rekapituliert Wachstum von AGS-Zellen in einer Weise verbunden sind, die erfolgreiche Vorhersage der synergistische Effekt der Inhibitorkombinationen in den experimentellen Zellkulturen ermöglicht. Geleitet von dem Modell identifizierten wir zwei etablierte synergistische Wechselwirkungen mit anderen Arzneimitteln und entdeckte zwei Synergien bisher nicht berichtet.

Ergebnisse |

Gesamtstrategie für die Vorhersage und Validierung von Arzneimittel Synergien

um Ausüben der kombinatorischen medikamentöse Behandlungen synergistisch Hemmung des Krebszellenwachstums zu entdecken, entwickelten wir einen Workflow theoretische und experimentelle Analysen kombiniert Arzneimittel Synergien (Bild 1).

Unser Modellierungsverfahren integriert a priori vorherzusagen und zu validieren
biologisches Wissen über intrazelluläre Signalwege mit Ausgangsdaten von AGS Adenokarzinom des Magens Zellen. Die Design-Prinzipien unserer Analyse werden durch die Annahme geführt, dass das Wachstum von Krebszellen weitgehend durch Mechanismen angetrieben wird, die diese Zellen ermöglichen, ein breites Spektrum von wachstumsfördernde Signale aus der Umgebung zu nutzen. Dieser Aspekt der Eigen, nachhaltige Multi-Faktor-driven Krebs Proliferation [1] wird durch den Aufbau des regulatorischen Netzwerkes als ein in sich geschlossenes Modell gebracht: Wir sind nur Knoten, die von anderen Knoten im Modell geregelt werden. Die gewählte Konstruktion vermeidet die Notwendigkeit Wirkungen bestimmter Wachstumsfaktorrezeptoren zu modellieren, anstatt die integrierten Antworten von einer Vielzahl von wachstumsfördernden Stimuli Betrachtung beobachtet, als wenn die Aktivität von Signalentitäten (Proteine ​​und Gene) Bewertung der in das Modell aufgenommen. Daraus folgt, dass die de facto
Förderung des Wachstums Aufbau eines solchen in sich geschlossenes Modell kann in den Krebszellen gemessen durch Beobachtung Basis Biomarker etabliert werden.

Nach einem Modellreduktionsschritt, in dem unter Verwendung von sieben bekannten chemischen Inhibitoren in Bezug Knoten und Logiken zu drug targets und phänotypische Ausgaben beibehalten werden, wird das Modell für umfassende Simulationen der Wirkung von paarweise Knoten Hemmungen verwendet. Schließlich werden die wachstumshemmende Wirkung dieser Arzneimittelkombinationen auf AGS-Zellen experimentell getestet.

Logische Modellierung von Adenokarzinom des Magens Zellschicksal Entscheidungen

Bau eines regulatorischen Graph Schlüsselsignalwege umfasst.

AGS-Zellen beherbergen Mutationen in zahlreichen Genen, die Schlüssel-Signalkomponenten bekannt in Adenokarzinom des Magens dereguliert werden, zum Beispiel Komponenten von MAPK, PI3K, Wnt /β-Catenin und NF-kappaB Bahnen [24,25]. Basierend auf dem Wissen gesammelt aus Datenbanken und wissenschaftlichen Publikationen, wir Informationen über die MAPK integriert haben (JNK, p38 MAPK und ERK), den PI3K /AKT /mTOR-Bahnen, die Wnt /β-Catenin-Signalweg und der NF-kappaB Signalweg, sowie das Übersprechen zwischen diesen Bahnen (siehe Abbildung 2, Materialien und Methoden, und S1 Text). Das resultierende Netzwerk umfasst 75 Signal- und regulatorischen Komponenten (Proteine, Protein-Komplexe und Gene) und 149 gerichtet Wechselwirkungen. Zwei Ausleseknoten (Ausgänge), mit dem Namen prosurvival
und Antisurvival
, sind eingeschlossen, um das Zellschicksal Phänotypen darstellen. Das regulatorische Graph mit Anmerkungen ist in SBML Format (siehe S1 Dataset und S1 Tabelle) zur Verfügung.

Aufbau eines logischen Modells.

Das regulatorische Netzwerk wurde in ein logisches Modell umgewandelt, wo die lokale Aktivitätszustand der einzelnen Komponenten (Knoten) durch eine Boolesche Variable dargestellt wurde (unter die Werte 0 oder 1). Einige Knoten sind, die mit mehreren Ebenen Variablen: die beiden Ausgangsknoten prosurvival Karten und Antisurvival
, die jeweils vier Werte unter (0, 1, 2, 3) und ihrer unmittelbaren stromaufwärtigen Knoten, Caspase 3/7 und CCND1, die jeweils unter drei Werte (0, 1, 2). Diese Multilevel-Variablenknoten werden nur für Knoten regeln die Ausgänge des Modells verwendet werden, und ermöglichte es uns abgestuft wachstumsfördernde /inhibitorischen Wirkungen zu modellieren (siehe Materialien und Methoden und S1 Text). Eine logische Formel wurde für jede Komponente, die definiert, wie seine Aktivitätsniveau von denen ihrer Regler gesteuert wird. Unser Standard-Ansatz war es, alle aktivierenden Regler eines Ziels mit dem Booleschen Operator zu kombinieren in oder und hemmende Regula eines Ziels mit dem Operator AND NOT
(wie in [21]). Dies bedeutet, daß jeder Aktivator vollständig den Zielknoten in der Abwesenheit der inhibitorischen Aktivität aktivieren kann. Darüber hinaus kann die Wirkung jeder inhibitorische Regulator vollständig das Ziel hemmen, auch in Gegenwart von aktivierenden Eingang von einem oder mehreren Aktivatoren. Auf der Grundlage der biologischen Wissens und der Literatur berichtet, mehr spezifische Regeln für einige Komponenten des Modells definiert wurden (siehe S1 Text). Für die β-Catenin-Weg insbesondere raffiniertem wir logische Regeln der Knoten, die Aktivität von β-TrCP (die β-Catenin Zerstörung complex), TCF (ein Ziel von β-Catenin-Aktivität), und der Knoten darstellt Aktivität von β-Catenin selbst.

zu jeder Zeit wird der globale Zustand des Systems durch einen diskreten Vektor dargestellt die Boolesche oder Multi-Level-Aktivitätswerte für alle Netzwerkkomponenten [26] enthalten. Da alle Knotenzustände iterativ in Simulationen aktualisiert werden konvergiert das Modell auf seine Attraktoren, durch einzelne globale feste Zustände in einfachen Attraktoren dargestellt oder Gruppen von Staaten immer wieder in komplexen Attraktoren verfahren. Basierend auf dem regulatorischen Graph und logischen Regeln oben definiert sind, haben wir einen leistungsfähigen Algorithmus in GINsim implementiert alle stabilen Zustände des Modells zu berechnen.

das Modell in Bezug auf kalibrieren AGS-Zellen aktiv zu wachsen, verglichen wir Knotenzustand Vorhersagen gegen AGS Basis biomarker Beobachtungen in der Literatur berichtet. Wir überprüften 72 wissenschaftliche Publikationen und gefunden 219 Experimente mit AGS-Zellen vermehren Informationen über die Aktivität von Proteinen in unserem Modell dargestellt (siehe S1 Text und S2 Tabelle) bereitstellt. Wir entschieden uns für eine Untergruppe von 21 Proteinen, für die die Aktivitätsdaten durch mehrere unabhängige, aber konsequente Berichte unterstützt wurde. Mit diesen experimentellen Beobachtungen als Richtlinien für "Goldstandard" Proteinaktivitäten in AGS-Zellen aktiv wachsenden, verglichen wir den Zustand eines jeden von ihnen mit ihrem Niveau in der berechneten Attraktor des Modells. Um einen einzigen stabilen Zustand enthält Aktivitätsniveaus aller Modellkomponenten, die logischen Regeln der Komponenten des ERK-Weg (SHC1, SOS, Raf, MEK und ERK) erhalten wurden definiert, um die Beobachtung zu reflektieren, die ERK in wuchernden AGS-Zellen aktiv ist (siehe S1 und S2 Text Tabelle). Nach diesen Änderungen erwies sich das Modell optimiert werden: die beobachtete Attraktor des ungestörten Modell gründlich ein stabiler Zustand war durch experimentelle Beobachtungen in ungestörte wachsenden AGS Zellen bestätigt, wie die Werte der alle 21 Knoten, die wir in der Lage waren Match Protein berichtet überprüfen Aktivitäten (siehe S1 Text, S3 und S4 Tabellen). Darüber hinaus wird der Wert der Ausleseknoten prosurvival
an seinem Maximum war, und Antisurvival auf seinem Minimum, was starke Proliferation ( prosurvival
= 3 und Antisurvival
= 0). Dieses Modell stabilen Zustand ist somit im Einklang mit den veröffentlichten Wissen über molekulare Zustände in aktiv wachsenden AGS-Zellen. Dieses Modell ist ebenfalls mit den Ergebnissen aus den veröffentlichten Störungsversuche von AGS-Zellen (siehe S1 Text und S6 Tabelle) eingehalten werden. Das resultierende logische Modell, mit der Software GINsim v2.9 codiert, wird in Bild 2. Die entsprechende GINsim Datei angezeigt wird als S2 Datensatz zur Verfügung gestellt.

In silico
Simulationen vorhersagen fünf Inhibitor Synergien

um Kombinationen von Hemmungen Synergie beurteilen zu können, haben wir uns auf die systematische Hemmung von sieben Modellknoten und ihre 21 paarweise Kombinationen. Diese sieben Knoten (beschriftet mit dicken Grenzen in Bild 2) wurden ausgewählt, weil potente und spezifische chemische Inhibitoren für die Ausrichtung der entsprechenden Proteinkinasen in biologischen Experimenten vorhanden waren (Tabelle 1).

können mit einem asynchronen Update-Richtlinie (siehe Materialien und Methoden), simuliert wir die Wirkung von chemischen Hemmungen durch den Zustand gezielt Modellknoten gezwungen zu sein, 0 (inaktiv), und dann Berechnen des resultierenden Attraktor. Jede Hemmung der einzelnen Knoten oder Knotenpaaren führte zu einem einzigartigen Attraktor. In einigen Fällen erreicht das System eine komplexe Attraktor, in dem eine Teilmenge von Zuständen durchlaufen wird wiederholt (siehe Materialien und Methoden und S1 Text). Die Berechnung der möglichen komplexen Attraktoren ist schwierig, weil der kombinatorischen Explosion von Staaten für große logische Modelle. Um mit diesem Problem fertig zu werden, haben wir ein Modell-Reduktionsverfahren verwendet, um ein komprimiertes Modell erhalten die ausgewählten Wirkstoff-Targets zu erhalten und verdichtet die Zustandsübergangsgraphen in einer hierarchischen Weise (siehe Materialien und Methoden und [14]). Das reduzierte logisches Modell (siehe Abbildung 3 und S3 Dataset) durch iteratives Entfernen von Komponenten erhalten wurde, nicht durch Medikamente gezielt und war ausreichend klein erschöpfend asynchrone Simulationen und gründliche Charakterisierung der beiden stabilen Zustände und komplexe Attraktoren zu ermöglichen, wodurch die Analyse aller Einzel und Paare von Hemmungen.

Um die Interpretation zu erleichtern, definiert man die Gesamt-Ansprechrate Wachstum
, indem der Wert von Subtrahieren Antisurvival
aus dem Wert von prosurvival
Ausleseknoten (je-Multi bewertet mit Zustand von 0 bis 3), mit einem Wertebereich von -3 bis +3. Wenn der Attraktor einen einzigartigen stabilen Zustand enthalten sind, die Berechnung von Wachstum
war einfach. Im Falle von komplexen Attraktoren haben wir die Mittelwerte der Differenz prosurvival
- Antisurvival
über alle Zustände zum Attraktor gehören. Wir gefolgert Synergie, wenn die Kombination von zwei Inhibitoren für einen Wert erzeugt Wachstum
niedriger als der kleinste Wert der Inhibitoren einzeln:

Wachstum (perturbation1 & perturbation2) < Min (Wachstum (perturbation1), Wachstum (perturbation2)), Frankreich, wo perturbationN
die Störung der Komponente ist N
.

Zum Beispiel: Wachstum (perturbationMEK & perturbationAKT)
= 0,5; das ist ein Wert, der niedriger als bei Störungen beobachtet entweder MEK oder AKT: Wachstum (perturbationMEK)
= 1,5; Wachstum (perturbationAKT)
= 2.

Die Simulationen vorhergesagt fünf synergistischer Kombinationen (< 25% der 21 möglichen Paare). Drei dieser Kombinationen beinhalten MEK, zusammen mit PI3K, AKT oder p38. Die beiden übrigen Synergien beinhalten TAK1 entweder mit PI3K oder AKT (Bild 4).

Experimentelle Validierung von Modellvorhersagen

die Gültigkeit unserer Modellvorhersagen zu bewerten, eine Echtzeit-Zell-Assay verwendet wurde, chemischen Inhibitoren der sieben Proteine ​​(Tabelle 1) für ihre Fähigkeit, AGS Zellwachstum in Einzel- und kombinatorische Formulierungen.

zu begrenzen Die Wirkung von chemischen Inhibitoren zu testen, wurde eine Strategie analysiert auf Basis von Loewe Definition von Synergie [28 ], die, dass eine synergistische Wechselwirkung heißt es zu besseren Ergebnissen führt als die beobachtete additive Wirkung erwartet, wenn ein Inhibitor mit sich selbst in einer "Null-Interaktion" Experiment kombiniert wird. Um synergistische Interaktionen zu quantifizieren, ein kombinatorischer Index (CI) berechnet [29], bezogen auf das Wachstum, gemessen 48 Stunden nach Inhibitoren Zugabe. CI-Werte reichen von null bis unendlich, und Werte unter 1 zeigen synergistische Interaktionen.

Vier der fünf Synergien durch unser logisches Modell vorhergesagt wurden experimentell bestätigt, mit CI-Werte deutlich unter 0,5, was starke Synergie anzeigt. Tatsächlich wurde eine tiefe Wirkung auf AGS Zellwachstum gefunden, wenn MEK oder TAK1-Inhibitoren mit PI3K oder AKT-Hemmer kombiniert wurden. Die entsprechenden Wachstumskurven (Abbildung 5) zeigen, dass das Zellwachstum in Gegenwart von zwei Inhibitoren kombiniert, die jeweils mit der Hälfte ihrer GI50 Konzentrationen (lila Kurven) deutlich geringer ist als das Wachstum in der Anwesenheit von entweder allein GI50 Konzentration (grün bei voller Inhibitor und blaue Kurven). Im Gegensatz dazu könnte die Kombination von MEK und p38-Hemmung nicht in den Zellwachstumsexperimente bestätigt werden. Wichtig ist, beobachteten wir keine falsch-negativen Prognosen, was bedeutet, dass Inhibitor Kombinationen der verbleibenden, prognostizierte Synergieeffekte zu fehlen, in der Tat Synergien in unseren zellulären Assays anzuzeigen fehlgeschlagen. Zusammengenommen beweisen unsere Modellsimulationen sehr genau, richtig, die Auswirkungen von 20 der 21 Kombinationen der Vorhersage.

Synergien von PI3K-MEK oder AKT-MEK Hemmungen haben bereits in einer Vielzahl von Tumorzellen beobachtet [ ,,,0],6,30-34] und bietet damit weiteres Vertrauen zu den Synergien des TAK1-PI3K und TAK1-AKT Hemmungen. Daher diese neuen kombinatorischen Hemmungen sind vielversprechende Kandidaten leicht zugänglich zu experimentellen Tests in einer Reihe von Krebszelltypen.

Modell schlägt vor, eine Schlüsselrolle für FOXO in Wachstumshemmung Synergie

Das Verständnis der Signalmechanismen zugrunde liegen synergistische Hemmungen von großem Interesse ist, weil es auf die Identifizierung von Biomarkern informative Behandlungs Reaktion beitragen können, die als Führer aus einem Arsenal von etablierten Drogen Synergien die richtige Behandlung für den einzelnen Patienten.

die Prüfung der Auswahl dienen können simulierte Störungseffekte mit unserem AGS logisches Modell ergab, dass FOXO, was pro-apoptotischen Transkriptionsfaktoren inaktiviert durch Phosphorylierung [35], in synergistischer Weise durch kombinierte MEK und PI3K oder MEK und AKT Hemmung (siehe S1 Text) aktiviert wurde. Interessanterweise haben einzelne hemmende Störung der MEK, PI3K oder AKT nicht FOXO Aktivität ändern (siehe S1 Text für weitere Details). Diese Beobachtungen entsprechen experimentellen Befunde in menschlichen Nabelvenen-Endothelzellen (HUVEC), wobei Inhibitoren Targeting MEK und AKT gemeldet werden, zu aktivieren synergistisch FOXO [36], was darauf hindeutet, dass unsere Modellsimulationen eine Grundlage für biologisch relevante Hypothesen zur molekularen Effekte zur Verfügung stellen kann nachgeschaltet spezifische Inhibitoren.

um die Mechanismen untersuchen FOXO denen wir simuliert die Inhibitor Störungen in einem FOXO Knock-out-Modell, und fand, dass die kombinierte Hemmung von MEK und PI3K zeigte keine erhöhte wachstumshemmende Wirkung im Vergleich zu ihren entsprechenden einzelnen Hemmung . Dies zeigt an, dass die MEK-PI3K Synergie in der Tat auf FOXO abhängt. Für den kombinierten MEK und AKT-Hemmung, die FOXO Knock-out-Modell-Simulationen zeigten nur eine geringe Reduzierung der synergistische Effekt der Kombination MEK und AKT-Hemmung. Die Synergie zwischen MEK und AKT-Hemmer scheint also weniger auf FOXO abhängig zu sein. Zusammengenommen deuten diese Simulationsergebnisse potenziell interessante Unterschiede zwischen pro-apoptotische Signalereignisse, wenn MEK-AKT Inhibierung gegen MEK-PI3K Hemmung verglichen wird.

Die mechanistische Grundlage der beobachteten Synergien bei TAK1-AKT Hemmung oder TAK1- PI3K, ist unbekannt. Interessanterweise zeigen AGS Modellsimulationen, dass FOXO aktiviert wird, wenn TAK1 in Kombination mit entweder PI3K oder AKT gehemmt wird, aber nicht durch einzelne Hemmungen. Die Aktivierung von FOXO ist somit ein potenzieller Vermittler auch für die Synergien, denen TAK1. Zur Unterstützung dieser zeigten Simulationen, dass sowohl TAK1-PI3K und TAK1-AKT Synergien aufgehoben wurden, als FOXO ausgeknockt geführt wird, ähnlich wie bei der Feststellung der MEK-PI3K Inhibition (siehe S1 Text). Potentiell könnte ERK in Signalgebung stromabwärts von TAK1 beteiligt sein. In diesem Fall könnte die MAP-Kinase-Kaskade einen gemeinsamen Mechanismus in den Synergien verwickelt repräsentieren Beteiligung MEK-PI3K und MEK-AKT, und diejenigen, die TAK1-PI3K und TAK1-AKT. Aber unsere AGS Modellsimulationen sagen voraus, dass ERK nach der kombinierten Hemmung der TAK1 noch aktiv ist und PI3K oder von TAK1 und AKT. Dies kann darauf hindeuten, dass MEK /ERK nicht in den nachgeschalteten Wirkungen der inhibitorischen Störungen beteiligt TAK1 beteiligt ist. Eine weitere Kinase könnte möglicherweise funktionieren als ein Punkt des Übersprechens für TAK1 und PI3K /AKT-Signalisierung. In dieser Hinsicht NLK (Nemo-like kinase) ist ein interessanter Kandidat, wie es hinter TAK1 zu handeln ist bekannt, [37], der Vermittlung hemmenden Phosphorylierung von FOXO [38].

Die modellbasierte Vorschlag, dass FOXO Aktivierung kann für synergistische Wachstumshemmung wichtig sein, findet experimentelle Unterstützung in zahlreichen Konten von FOXO-Proteine ​​als Vermittler von zytotoxischen Chemotherapeutika wirken [39]. Dies deutet darauf hin, dass das dynamische Verhalten unserer logischen Modell generischen Eigenschaften rekapituliert, die für eine Reihe von verschiedenen Tumorarten von Bedeutung sein können.

Diskussion

Die Entwicklung neuer Anti-Krebs-Medikamente konzentriert sich überwiegend auf Drogen gegen spezifische molekulare Ziele gerichtet. Allerdings haben klinische Anwendungen oft enttäuschend, was nur in Einschwingverhalten von Medikamentenresistenz gefolgt, die Therapie Vorteile behindert. Dies hat zur Berücksichtigung von Therapien geführt basierend auf Kombinationen von Medikamenten Targeting verschiedene Signalwege oder zelluläre Prozesse mit dem Ziel, die Entwicklung der Arzneimittelresistenz zu beschränken und zugleich ermöglichen eine Verringerung der Medikamentendosierung, arzneimittelinduzierte toxische abzusenken Effekte [2,3,40,41].

Diese starke Anreize für die kombinatorischen Drogentherapie werden durch die zahlreichen Kombinationen in Frage zu betrachten und durch die Tatsache, dass die Wirksamkeit eines bestimmten Wirkstoffkombination von der Art abhängig ist von der spezifische Tumor. So kann man apt Arzneimittelkombinationen in einem Tempo, mit der großen Suchraum durch die vielen Drogen und verschiedene Krebszell Spektrum gestellt kompatibel zu entdecken, ist es zwingend notwendig, effiziente Strategien zu entwickeln, vorteilhaft kombinatorische Behandlung für einzelne Krebserkrankungen vorhersagen.

Aktuelle Bemühungen um eine rationale Auswahl des Arzneimittels Kombinationstherapie kommen durch primäre Tumorzellkulturen und Xenograft Studien verwenden, werden durch hohe Kosten und eine variable Erfolgsquote bei der Tumorzellwachstumshemmung konfrontiert und kämpfen sehr genaue Vorhersagen innerhalb des Zeitrahmens von Krankheit beschränkt zu erhalten Progression [4,42-44]. Während Krebszelllinienkulturen selten für Entdeckungen ermöglichen, die direkt an einer klinischen Umgebung übertragen werden können, sie für die experimentelle Untersuchung von Mechanismen erlauben die biologische Vielfalt und Robustheit zugrunde liegenden und damit verwendet werden können, Strategien zu erforschen potenziell wirksame medikamentöse Kombinationstherapien zu identifizieren. Sie können daher dazu beitragen, ein großes Arsenal von vorteilhaften Arzneimittelkombinationen durch prognostische Tools ermöglicht die Wahl der richtigen Kombination für den einzelnen Tumor begleitet zu etablieren. Aber auch in diesen zellulären Modellen, ist es nicht möglich, alle potentiellen Arzneimittelkombinationen und Anwendungsarten für eine ausreichende Spektrum von Krebszelltypen zu testen. In diesem Zusammenhang kann rechnerische Modellierung von großer Hilfe sein, um die experimentellen Suchraum zu reduzieren.

Wir haben gezeigt, wie ein logisches Modell von bekannten Signalübertragungsnetzinformationen aufgebaut kann auf eine bestimmte Krebszellsystem angepasst werden unter Verwendung von Basisdaten so, daß sie verwendet werden kann synergistische und nicht-kombinatorische synergistische wachstums behindern Behandlungen vorherzusagen. Vier der fünf vorhergesagten synergistischen Kombinationen wurden experimentell ohne falsch negative Prognosen bestätigt. Mit einer solchen Erfolgsquote wäre es ausreichend zu testen, haben nur ein Viertel der 21 möglichen Arzneimittelkombinationen untersucht und noch keine synergistischen Paar verpassen. Unsere Ergebnisse sind ermutigend angesichts der Erfolgsquote aus der jüngsten DREAM Herausforderung berichtete [7], wobei das beste Ergebnis erzielt Methode der Synergie Vorhersage ermöglicht hätte, die Größe von Screening-Experimenten zu halbieren. Allerdings gibt es wichtige Unterschiede zwischen unseren Studiendesign und der DREAM Herausforderung: DREAM Transkriptom Veränderungen nach breit wirkenden Chemotherapeutikum Behandlungen analysiert, während wir die Wirkung von Inhibitoren mit spezifischen Zielen untersucht, nur auf Informationen der ungestörte System verlassen <. br>

Im Gegensatz zu netzwerkbasierte Strategien, die allgemein eine Korrelationsanalyse von großen Datenmengen aus verschiedenen Krankheitsphänotypen verwenden [45,46] oder groß angelegte Zellkultur Medikament Störungsdatenmodelle für die Medikamentenantwort Prognosen zu trainieren [6 , 7,9,47,48], unsere Modellierung basierende Strategie nutzt mechanistischen molekularen Signalweg Wissen in Datenbanken sowie Basisdaten aus den ungestörte Krebszellen des gewählten Versuchssystem. Das bedeutet, dass unser Ansatz für die Auswahl von interessanten Kandidaten für eine effiziente Wirkstoffkombinationen können vor dem eigentlichen Medikament Störungsexperimente durchgeführt werden. Unseres Wissens hat dies vor erfolgreich nicht nachgewiesen wurde.

Die Mehrheit der regulatorischen Netzwerks Modellierungsansätze konzentrieren sich auf Ereignisse getrieben durch spezifische Hormonrezeptoren signalisiert. Dies gilt für Studien logische Modellierung untersuchen Folgen von störenden mit spezifischen Wachstumsfaktor Signaltransduktion Antworten zu verstehen [16,18,49-51], sowie auf quantitative und semi-quantitative Modellierung Ansätze, um die Wirkung der synergistischen Signaltransduktion Störungen vorherzusagen [6,31,52]. Im Gegensatz dazu zeigt unser Ansatz, dass es möglich ist, effektiv, ein Modell zu verwenden, um eine Zelle Schicksal Entscheidung Netz in aktiv wachsenden Zellen ohne Berücksichtigung ausdrücklich jegliche externe wachstumsfördernde Stimulus (z.B. Wachstumshormon) darstellt. Tatsächlich argumentieren wir, dass die Attraktor eines in sich geschlossenen Verwendung Modell eines wuchernden Zellen als Referenzpunkt für die Arzneimittel Synergie-Analyse für den Zustand der aktiv wachsenden Krebszellen einen guten Proxy zur Verfügung stellt. Krebszellwachstum wird als durch eine Vielzahl von wachstumsfördernde Impulse angetrieben werden. Nicht nur ist das Potential Repertoire dieser Signale erheblich, relativ wenig Details über ihre Signalisierungsmechanismen bekannt ist. Wir gehen daher davon aus, dass wir ihre Wirkung durch die Berücksichtigung dieser Vielzahl von Signalen einen Kontext ein robustes Wachstum fördern zu schaffen, zusammenfassen kann und dass wir keine weiteren Einzelheiten deshalb entlassen kann. Auf dieser Grundlage unterbringen wir eine nachhaltige Multi-Faktor-driven Proliferation [1] durch ein in sich geschlossenes Modell verwendet wird, in dem alle enthaltenen Komponenten von anderen Knoten im Modell geregelt werden. Die Konfiguration der Komponente Aktivitäten können dann von der Basislinie in Krebszellen gemessen Biomarker abgeleitet werden. Gemeinsam ermöglichen diese Modell Design-Prinzipien uns ein dynamisches Modell für bestimmte Krebszellen, aber nicht abhängig von expliziten extrazellulären Eingabe von spezifischen Wachstumsfördernde Mittel ( e
. g
. Wachstumshormone zugeschnitten zu erzeugen

• PLoS ONE: Verband der MTOR und AKT-Gen-Polymorphismen mit Empfänglichkeit und das Überleben von Magenkrebs
• PLoS ONE: Polymorphie von DNA-Methyltransferase 3b und Vereinigung mit Entwicklung und Prognose in Magenkrebs