PLOS Computational Biology: Découverte de Synergies médicaments dans les cellules du cancer gastrique prédites par Logical Modeling

Résumé

Découverte des combinaisons de médicaments anti-cancer efficaces est un défi majeur, car les essais expérimentaux de toutes les combinaisons possibles est évidemment impossible. Les efforts récents pour informatiquement prédire les réponses de combinaison de médicaments conservent cet espace de recherche expérimentale, que les définitions du modèle reposent généralement sur des données exhaustives médicament de perturbation. Nous avons développé un modèle dynamique représentant un réseau de décision du destin cellulaire dans la lignée cellulaire de cancer gastrique AGS, en se fondant sur les connaissances de base extraites de la littérature et des bases de données. Nous avons défini un ensemble d'équations logiques récapitulant les données AGS observées dans les cellules dans leur état de base proliférante. En utilisant le GINsim logiciel de modélisation, de la réduction du modèle et des techniques de compression de simulation ont été appliquées pour faire face à la vaste espace d'état de grands modèles logiques et permettre des simulations d'applications de signalisation par paires des substances chimiques spécifiques inhibiteurs. Nos simulations ont prédit synergique l'action inhibitrice de croissance de cinq combinaisons sur un total de 21 paires possibles. Quatre des synergies prévues ont été confirmés dans des essais en temps réel de croissance des cellules AGS, y compris les effets connus de combinés MEK-AKT ou inhibitions MEK-PI3K, ainsi que de nouveaux effets synergiques de combinés TAK1-AKT ou inhibitions TAK1-PI3K. Notre stratégie réduit la dépendance à l'égard d'une expérimentation drogue de perturbation a priori pour les réseaux de signalisation bien caractérisés, en démontrant qu'un modèle prédictif des effets combinatoires de drogues peut être déduite des connaissances de base sur les cellules cancéreuses non perturbées et proliférantes. Notre approche de modélisation peut donc contribuer à la découverte préclinique de l'efficacité des combinaisons de médicaments anticancéreux, et ainsi au développement de stratégies pour adapter le traitement aux patients atteints de cancer individuels.

Auteur Résumé

Lutte contre le cancer avec des combinaisons de médicaments augmente le succès du traitement. Cependant, en raison du grand nombre de médicaments et de variantes tumorales, il reste un énorme défi d'identifier des combinaisons efficaces. Pour illustrer cela, un ensemble de 150 médicaments correspond à plus de 10.000 combinaisons possibles de paires de médicaments. Expérimentation de toutes les possibilités est évidemment impossible. Nous avons développé un modèle de calcul qui nous permet d'identifier des combinaisons vraisemblablement efficaces, et que suggère simultanément des combinaisons susceptibles d'être sans effet. Le modèle est basé sur les marqueurs biologiques de cellules cancéreuses spécifiques obtenues à partir de cellules cancéreuses non perturbé, et est ensuite utilisé pour effectuer une vaste raisonnement logique automatisé. Les essais en laboratoire des prévisions de réponse de la drogue a confirmé les résultats pour 20 des 21 combinaisons de médicaments, y compris quatre des cinq paires de médicaments prévus pour inhiber la croissance synergique. Notre approche est pertinente à la découverte préclinique de l'efficacité des combinaisons de médicaments anticancéreux, et donc pour le développement de stratégies pour adapter le traitement aux patients atteints de cancer individuels

Citation:. Flobak Å, Baudot A, Remy E, Thommesen L, Thieffry D , Kuiper M, et al. (2015) Découverte de Synergies médicaments dans les cellules cancéreuses gastriques prédites par modélisation logique. PLoS Comput Biol 11 (8): e1004426. doi: 10.1371 /journal.pcbi.1004426

Editeur: Ioannis Xenarios, Institut Suisse de Bioinformatique, ÉTATS-UNIS

reçues: 5 Mars 2015; Accepté 3 Juillet 2015; Publié: 28 Août 2015

Droit d'auteur: © 2015 Flobak et al. Ceci est un article en accès libre distribué sous les termes de la licence Creative Commons Attribution, qui permet une utilisation sans restriction, la distribution et la reproduction sur tout support, pourvu que l'auteur et la source originelle sont crédités

Disponibilité des données: Toutes les données pertinentes sont dans le ses fichiers de renseignements à l'appui du papier et

financement:. Ce travail a été soutenu par le Comité de liaison entre l'Autorité centrale de la Norvège régionale de la santé (ORS) et l'Université norvégienne des sciences et de la technologie (NTNU). Une visite a été financée par le Stay EMBO court Fellowship pour AB à NTNU, Norvège, Octobre-Novembre 2013. Les bailleurs de fonds ont joué aucun rôle dans la conception de l'étude, la collecte et l'analyse des données, la décision de publier, ou de la préparation du manuscrit.

intérêts concurrents:. Les auteurs ont déclaré qu'il n'y a pas des intérêts divergents existent

introduction

Il a longtemps été envisagé que le futur traitement anticancéreux adoptera des approches combinatoires, dans lequel plusieurs médicaments spécifiques anti-cancer ainsi cibler de multiples caractéristiques ou les faiblesses d'une tumeur spécifique [1-3] robustesse. L'efficacité des traitements anti-cancéreux combinatoires peut encore être optimisé en exploitant les actions synergiques du médicament, ce qui signifie que les différents médicaments administrés en même temps présentent un effet potentialisé par rapport aux médicaments. La synergie des médicaments est intéressante, car elle permet une réduction significative de la posologie des médicaments individuels, tout en conservant l'effet désiré. Synergies tiennent donc le potentiel d'augmenter l'efficacité du traitement sans pousser des doses uniques de médicaments à des niveaux où ils conduisent à des réactions indésirables. Par conséquent, les synergies identifiées dans les études précliniques représentent des candidats intéressants pour une caractérisation plus poussée dans des modèles de cancer et les essais cliniques.

Les efforts actuels pour identifier les thérapies anti-cancéreuses combinatoires bénéfiques compter généralement sur des données de perturbation expérimentales à grande échelle, que ce soit pour décider traitement spécifique du patient [4], ou de conduites pré-cliniques suggèrent de nouvelles combinaisons de médicaments [5-8]. Ce travail, cependant, face à des défis posés par le grand espace de recherche qui doit être étayée par des données expérimentales, ce qui rend les recherches systématiques pour des combinaisons efficaces difficiles. En outre, le nombre de conditions pour tester augmente considérablement lorsque l'on considère des combinaisons d'ordre supérieur, de multiples doses de médicaments, l'optimisation temporelle de l'administration du médicament, et la diversité des types de cellules cancéreuses et les patients. Ainsi, les solutions de contournement doivent être recherchées pour réduire l'espace de recherche expérimentale des combinaisons de médicaments et de leurs modes d'application afin d'obtenir un répertoire qualifié de thérapies combinées pour les essais cliniques, et, finalement, pour soutenir la prestation d'un traitement personnalisé.

Les modèles informatiques sont de plus en plus utilisé pour prédire les effets des médicaments [6,9], dans le but de rationaliser et d'économiser le goulot d'étranglement expérimental. Afin de permettre une réduction substantielle du nombre de conditions pertinentes qui doivent être testés, ces modèles devraient idéalement être construits sans avoir besoin de données massives médicament de perturbation expérimentale. Approches où la formulation de modèles prédictifs peuvent être basés sur des données moléculaires de cellules cancéreuses non perturbés sont donc attrayants.

Nous avons décidé de mettre l'accent sur booléenne et les modèles logiques à plusieurs niveaux, car ils permettent une formalisation relativement simple des causalités intégrés dans les réseaux moléculaires, tels que la transduction du signal et des réseaux de régulation des gènes. En outre, des simulations de modèles logiques peuvent être utilisés pour automatiser le raisonnement sur la dynamique de réseau, même avec des connaissances limitées des paramètres cinétiques [10-15], et ont été utilisés pour décrire et prédire le comportement des réseaux moléculaires affectés dans la maladie humaine [13,14] . De tels efforts de modélisation ont contribué à la compréhension des mécanismes sous-jacents du facteur de croissance signalisation induite dans des cellules cancéreuses et la sélection de protéines cibles candidates pour un traitement anti-cancer [16-23]. Alors que les études précédentes ont démontré la puissance des modèles logiques pour prédire les actions individuelles de drogue, nous étendons l'utilisation de la modélisation logique pour prédire les effets d'inhibition combinatoire de deux ou plusieurs composants de transduction du signal.

Nous rapportons la construction d'une logique modèle englobant des mécanismes moléculaires centraux pour contrôler la croissance cellulaire de la lignée cellulaire d'adénocarcinome gastrique AGS. Après un assemblage initial d'une signalisation complète et réseau de régulation à partir du signal de transduction de la connaissance générale, les règles logiques associées à chacun des composants 75 modèles ont été affinés à l'aide des données de référence obtenues à partir de cellules AGS en croissance active. Le modèle logique résultant a été utilisé pour évaluer la synergie potentielle des médicaments parmi les 21 combinaisons par paires de sept inhibiteurs chimiques, chacune destinée à un composant spécifique de signalisation. Les simulations ont suggéré cinq combinaisons d'inhibiteurs d'être synergiques, dont quatre pourraient ensuite être confirmé dans des expériences de croissance cellulaire. Surtout, aucune des combinaisons prédites par le modèle à être non-synergique affiché des effets inhibiteurs synergiques de la croissance dans nos dosages cellulaires, i.e. sans faux négatifs ont été observés. Nos résultats démontrent que notre modèle logique construit sans l'utilisation des données initiales inhibiteur de perturbation à grande échelle, récapitule les mécanismes moléculaires de régulation clés sur lesquelles reposent la croissance des cellules AGS d'une manière qui permet de prédire avec succès de l'effet synergique de l'inhibiteur de combinaisons dans des cultures de cellules expérimentales. Guidé par le modèle, nous avons identifié deux interactions médicamenteuses synergiques établies et découvert deux synergies non signalé auparavant.

Stratégie globale de

Résultats pour la prédiction et la validation des synergies

Dans la drogue afin de découvrir les traitements médicamenteux combinatoires exerçant en synergie inhibition de la croissance des cellules cancéreuses, nous avons développé un flux de travail combinant des analyses informatiques et expérimentales pour prévoir et valider les synergies de drogues (figure 1).

Nos procédures de modélisation intègre a priori
connaissances biologiques sur les voies de signalisation intracellulaires avec des données de référence à partir de cellules d'adénocarcinome gastrique AGS. Les principes de conception de notre analyse sont guidés par l'hypothèse selon laquelle la croissance des cellules cancéreuses est largement déterminée par des mécanismes qui permettent à ces cellules d'exploiter une large gamme de signaux de l'environnement favorisant la croissance. Cet aspect de intrinsèque, soutenue cancer prolifération entraînée multifactorielle-[1] est hébergé par la construction du réseau de réglementation comme un modèle autonome: nous incluons uniquement les nœuds qui sont réglementés par d'autres nœuds dans le modèle. La conception choisie évite la nécessité de modéliser les effets des récepteurs spécifiques de facteurs de croissance, compte tenu de la place des réponses intégrées à partir d'une multitude de stimuli favorisant la croissance, comme observé lors de l'évaluation de l'activité de signalisation des entités (protéines et gènes) inclus dans le modèle. Il en résulte que l'élément de facto
favorisant la croissance configuration d'un tel modèle autonome peut être établie par l'observation de marqueurs biologiques de référence mesurées dans les cellules cancéreuses.

Après une étape de réduction du modèle, où nœuds et logiques relatives aux cibles médicamenteuses et sorties phénotypiques sont retenues, le modèle est utilisé pour des simulations exhaustives de l'effet des inhibitions de nœud appariées en utilisant sept inhibiteurs chimiques connus. Enfin, les effets inhibiteurs de croissance de ces combinaisons de médicaments sur les cellules AGS sont testées expérimentalement.

Modélisation logique de de gastrique adénocarcinome cellulaire destin décisions Construction d'un graphique réglementaire englobant les voies de signalisation clés.

cellules AGS hébergent des mutations dans de nombreux gènes codant pour des composants de signalisation clés connus pour être déréglementé adénocarcinome gastrique, pour les composants d'instance de MAPK, PI3K, Wnt /β-caténine et voies NF-kB [24,25]. Sur la base des connaissances acquises à partir des bases de données et publications scientifiques, nous avons intégré des informations sur les voies de MAPK (JNK, p38 MAPK et ERK), les voies PI3K /AKT /mTOR, la voie /β-caténine, et la voie NF-kB, ainsi que la diaphonie entre ces voies (voir la figure 2, Matériaux et méthodes, et S1 texte). Le réseau résultant comprend 75 signalisation et composants de régulation (protéines, des complexes de protéines et de gènes) et 149 interactions dirigées. Deux noeuds de lecture (sorties), nommé prosurvival
et Antisurvival
, sont inclus pour représenter phénotypes du destin cellulaire. Le graphique de réglementation avec annotations est disponible en format SBML (voir S1 Dataset et S1 Table).

Construction d'un modèle logique.

Le réseau de régulation a été converti en un modèle logique, où la section locale état d'activité de chaque composant (noeud) est représentée par une variable booléenne (en prenant les valeurs 0 ou 1). Quelques noeuds ont été associés à des variables niveaux multiples: les deux noeuds de sortie, prosurvival
et Antisurvival
, chacun prenant quatre valeurs (0, 1, 2, 3), et leurs noeuds amont immédiats, caspase 3/7 et CCND1, chacun prenant trois valeurs (0, 1, 2). Ces nœuds variables multiniveaux ne sont utilisés que pour les noeuds régissant les sorties du modèle, et nous ont permis de modéliser la croissance graduelle des effets favorisant /inhibiteurs (voir Matériels et Méthodes et S1 texte). Une formule logique a été associée à chaque composant, définissant la façon dont son niveau d'activité est contrôlée par ceux de ses régulateurs. Notre approche par défaut était de combiner tous les régulateurs d'activation d'une cible avec l'opérateur booléen OR
et régulateurs inhibiteurs d'une cible avec l'opérateur ET NON
(comme dans [21]). Ceci implique que n'importe quel activateur peut activer complètement le noeud cible en l'absence d'activité inhibitrice. Par ailleurs, l'action d'un régulateur inhibiteur peut inhiber complètement la cible, même en présence d'activer l'entrée d'un ou plusieurs activateurs. Sur la base des rapports de la connaissance et de la littérature biologiques, des règles plus spécifiques ont été définies pour certaines composantes du modèle (voir S1 texte). Pour la voie de β-caténine en particulier, nous avons affiné les règles logiques de noeuds représentant l'activité de β-TrCP (le complexe de destruction β-caténine), (TCF une cible de l'activité β-caténine), et le noeud qui représente l'activité de la β-caténine lui-même.

a tout moment, l'état global du système est représenté par un vecteur distinct contenant le booléenne ou les valeurs d'activité à plusieurs niveaux pour tous les composants du réseau [26]. Comme tous les états noeud sont itérativement mis à jour dans les simulations du modèle converge vers ses attracteurs, représentés par les Etats individuels globaux fixes dans attracteurs simples, ou des ensembles d'états traversés à plusieurs reprises dans des attracteurs complexes. Basé sur le graphique réglementaire et des règles logiques définis ci-dessus, nous avons utilisé un puissant algorithme implémenté dans GINsim de calculer tous les états stables du modèle.

Pour calibrer le modèle par rapport à la croissance active des cellules AGS, nous avons comparé l'état de noeud prédictions contre les observations des marqueurs biologiques de référence AGS rapportées dans la littérature. Nous avons examiné 72 publications scientifiques et trouvé 219 expériences avec la prolifération des cellules AGS fournissant des informations sur l'activité des protéines représentées dans notre modèle (voir S1 et S2 texte Table). Nous avons choisi un sous-ensemble de 21 protéines pour lesquelles les données de l'activité a été soutenue par plusieurs rapports indépendants mais cohérents. L'utilisation de ces observations expérimentales comme des lignes directrices pour "gold standard" activités de protéines dans les cellules AGS de plus en plus activement, nous avons comparé l'état de chacun d'eux à leur niveau dans l'attracteur calculée du modèle. Pour obtenir un seul stables niveaux de tous les composants du modèle d'activité de l'État contenant, les règles logiques de composants de la voie ERK (SHC1, SOS, Raf, MEK et ERK) ont été définis pour refléter l'observation que ERK est actif dans la prolifération des cellules AGS (voir S1 texte et le tableau S2). Après ces modifications, le modèle a prouvé être optimisé: l'attracteur observée du modèle non perturbé était un état stable bien corroboré par les observations expérimentales dans les cellules AGS de plus en plus perturbés, comme les valeurs de tous les 21 nœuds que nous avons pu vérifier correspondance signalé protéines activités (voir S1 texte, S3 et S4 Tables). En outre, la valeur des noeuds de lecture prosurvival
était à son maximum, et Antisurvival à son minimum, ce qui représente une forte prolifération ( prosurvival
= 3, et Antisurvival
= 0). Cet état stable du modèle est donc compatible avec les connaissances publiées sur les états moléculaires dans les cellules AGS en croissance active. Ce modèle a également respecté les résultats des expériences de perturbation publiées de cellules AGS (voir S1 Texte et S6 Table). Le modèle logique résultant, codé avec le v2.9 de GINsim logiciel, est représenté sur la figure 2. Le fichier GINsim correspondant est fourni S2 Dataset.

Dans les simulations silico de prévoir cinq synergies d'inhibiteur

afin d'évaluer les combinaisons de inhibitions de synergie, nous nous sommes concentrés sur l'inhibition systématique de sept noeuds de modèle et leurs 21 combinaisons de paires. Ces sept noeuds (marqués avec des bordures épaisses sur la figure 2) ont été choisis parce que des inhibiteurs chimiques puissants et spécifiques sont disponibles pour le ciblage des protéines kinases correspondantes dans des essais biologiques (tableau 1).

Utilisation d'une stratégie de mise à jour asynchrone (voir Matériaux et Méthodes), on a simulé l'effet de l'inhibition chimique en forçant l'état de noeuds de modèle spécifiquement ciblés à 0 (inactifs), puis le calcul de l'attracteur résultant. Chaque inhibition de noeuds ou des paires de nœuds simples conduit à un attracteur unique. Dans quelques cas, le système a atteint un attracteur complexe, dans lequel un sous-ensemble d'états est traversé à plusieurs reprises (voir Matériels et Méthodes et S1 texte). Le calcul des attracteurs complexes potentiels est difficile en raison de l'explosion combinatoire des états pour les grands modèles logiques. Pour faire face à ce problème, nous avons utilisé une méthode de réduction de modèle pour obtenir un modèle comprimé préservant les cibles de médicaments sélectionnés, et compacté les graphes de transition d'état d'une manière hiérarchique (voir Matériels et Méthodes et [14]). Le modèle logique réduite (voir la figure 3 et S3 Dataset) a été obtenue en éliminant itérativement composants non ciblés par les médicaments, et était suffisamment faible pour permettre des simulations asynchrones exhaustives et caractérisation approfondie des deux états stables et attracteurs complexes, permettant ainsi à l'analyse de l'ensemble unique et des paires de inhibitions.

Pour faciliter l'interprétation, nous avons défini la réponse globale la croissance
, en soustrayant la valeur de Antisurvival
de la valeur de prosurvival
noeuds de lecture (chaque multi-valeurs avec l'état allant de 0 à 3), avec une plage de valeurs de -3 à +3. Si l'attracteur contenait un état stable unique, le calcul de la croissance
était simple. Dans le cas des attracteurs complexes, nous avons utilisé les valeurs moyennes de la différence prosurvival
- Antisurvival
sur tous les états appartenant à l'attracteur. Nous en avons déduit synergie chaque fois que la combinaison de deux inhibiteurs produit une valeur pour la croissance
inférieure à la valeur la plus petite des inhibiteurs individuellement: la croissance

(perturbation1 & perturbation2) < Min (croissance (perturbation1), la croissance (perturbation2)),
où perturbationN
est la perturbation du composant N
.

Par exemple, la croissance (perturbationMEK & perturbationAKT)
= 0,5; qui est une valeur inférieure à celle observée avec des perturbations soit MEK ou AKT: la croissance (perturbationMEK)
= 1,5; la croissance (perturbationAKT)
= 2.

Les simulations prédit cinq combinaisons synergiques (< 25% des 21 paires possibles). Trois de ces combinaisons impliquent MEK, avec PI3K, AKT ou p38. Les deux autres synergies impliquent TAK1 soit avec PI3K ou AKT (figure 4).

Validation expérimentale des prédictions du modèle

Afin d'évaluer la validité de nos prévisions du modèle, un dosage cellulaire en temps réel a été utilisé pour tester les inhibiteurs chimiques des sept protéines (tableau 1) pour leur capacité à limiter la croissance des cellules AGS dans des formulations simples et combinatoires
.

L'effet des inhibiteurs chimiques a été analysé à l'aide d'une stratégie basée sur la définition de Loewe de synergie [28 ], ce qui indique qu'une interaction synergique fonctionne mieux que l'effet additif attendu observé quand un inhibiteur est combiné avec elle-même dans une expérience «zéro-interaction». Pour quantifier les interactions synergiques, un indice combinatoire (CI) a été calculé [29], sur la base de la croissance mesurée 48 heures après l'ajout d'inhibiteurs. Les valeurs de CI vont de zéro à l'infini, et des valeurs inférieures à 1 indiquent les interactions synergiques.

Quatre des cinq synergies prévues par notre modèle logique ont été confirmés expérimentalement, avec des valeurs de CI bien en dessous de 0,5, ce qui indique une forte synergie. En effet, un effet profond sur la croissance des cellules AGS a été trouvée lorsque les inhibiteurs de MEK ou Tak1 ont été combinés avec des inhibiteurs de PI3K ou AKT. Les courbes de croissance correspondant (figure 5) indiquent que la croissance des cellules en présence de deux inhibiteurs combinés, chacun à la moitié de leurs concentrations de GI50 (courbes violet) est nettement inférieure à la croissance en présence d'une ou l'autre inhibiteur seul à sa concentration de GI50 complète (vert et les courbes bleues). En revanche, la combinaison de la MEK et de l'inhibition de p38 n'a pas pu être confirmée dans les expériences de croissance cellulaire. Fait important, nous avons observé aucune prédiction faux négatifs, ce qui signifie que le reste de l'inhibiteur combinaisons, a prédit manquer des effets synergétiques, en effet n'a pas réussi à afficher une synergie dans les dosages cellulaires. Pris ensemble, les simulations de modèle se sont avérés être très précis, de prédire correctement les effets des 20 des combinaisons 21.

Les synergies de PI3K-MEK ou inhibitions AKT-MEK ont déjà été observés dans une variété de cellules tumorales [ ,,,0],6,30-34], fournissant ainsi davantage confiance aux synergies de TAK1-PI3K et inhibitions TAK1-AKT. Par conséquent, ces nouveaux inhibitions combinatoires sont des candidats prometteurs facilement se prêtant à des essais expérimentaux dans une gamme de types de cellules cancéreuses.

Modèle suggère un rôle clé pour FOXO dans l'inhibition de la croissance synergie

Comprendre les mécanismes de signalisation sous-jacents inhibitions synergiques est d'un grand intérêt, car il peut contribuer à l'identification de biomarqueurs d'information de la réponse au traitement, qui peut servir de guides pour sélectionner à partir d'un arsenal de créer des synergies de drogue le droit de traitement pour le patient individuel
.

examen des effets de perturbation simulés avec notre modèle logique AGS a révélé que FOXO, ce qui représente des facteurs de transcription pro-apoptotiques inactivées par phosphorylation [35], a été activé par synergétique combiné MEK et PI3K ou MEK et de l'inhibition de l'AKT (voir S1 texte). Fait intéressant, seule perturbation inhibiteur de MEK, PI3K ou AKT n'a pas changé l'activité FOXO (voir S1 texte pour plus de détails). Ces observations correspondent à des résultats expérimentaux dans les cellules humaines ombilicales veine endothéliales (HUVEC), où les inhibiteurs ciblant MEK et AKT sont signalées pour activer synergétique FOXO [36], ce qui suggère que nos simulations de modèles peuvent servir de base à des hypothèses biologiquement pertinentes sur les effets moléculaires en aval de inhibiteurs spécifiques.

pour étudier davantage les mécanismes impliquant FOXO nous avons simulé les perturbations de l'inhibiteur dans un FOXO modèle knock-out, et a constaté que l'inhibition combinée de MEK et PI3K affiché aucun effet inhibiteur de croissance améliorée par rapport à leur inhibition unique correspondant . Cela indique que la synergie MEK-PI3K dépend en effet de FOXO. Pour le MEK et AKT inhibition combinée, les FOXO knock-out simulations du modèle ont montré qu'une réduction mineure de l'effet synergique du combiné MEK et AKT inhibition. La synergie entre les inhibiteurs de MEK et AKT semble donc être moins dépendante des FOXO. Pris ensemble, ces résultats de simulation suggèrent des différences potentiellement intéressantes entre les événements de signalisation pro-apoptotiques lorsque l'on compare l'inhibition MEK-AKT par rapport à l'inhibition de MEK-PI3K
.

La base mécaniste des synergies observées lorsque l'inhibition de TAK1-AKT, ou TAK1- PI3K, est inconnue. Fait intéressant, les simulations montrent que le modèle AGS FOXO est activé lorsque la TAK1 est inhibée en combinaison soit avec la PI3K ou AKT, mais pas par les inhibitions simples. L'activation de FOXO est donc un médiateur potentiel aussi pour les synergies impliquant TAK1. À l'appui de cela, des simulations ont montré que les deux TAK1-PI3K et les synergies TAK1-AKT ont été supprimés lorsque FOXO est assommé-out, de façon similaire à la constatation de l'inhibition MEK-PI3K (Voir S1 texte). Potentiellement, ERK pourrait être impliqué dans la signalisation en aval de TAK1. Dans ce cas, la cascade de MAP kinases pourrait représenter un mécanisme commun impliqué dans les synergies impliquant MEK-PI3K et MEK-AKT, et ceux impliquant TAK1-PI3K et TAK1-AKT. Cependant, nos simulations de modèles AGS prédisent que ERK est toujours actif après l'inhibition combinée de TAK1 et PI3K ou de TAK1 et AKT. Cela peut indiquer que MEK /ERK est pas impliqué dans les effets en aval des perturbations inhibitrices impliquant TAK1. Une autre kinase pourrait fonctionner comme un point de diaphonie pour TAK1 et PI3K signalisation /AKT. À cet égard, NLK (kinase Nemo-like) est un candidat intéressant, car il est connu pour agir en aval de TAK1 [37], la médiation de la phosphorylation inhibitrice de FOXO [38].

La suggestion basée sur un modèle que FOXO l'activation peut être important pour l'inhibition de la croissance synergique ne trouve un support expérimental dans de nombreux comptes de protéines FOXO agissant comme médiateurs de médicaments chimiothérapeutiques cytotoxiques [39]. Ceci suggère que le comportement dynamique de notre modèle logique récapitule les propriétés génériques qui peuvent être pertinents pour une gamme de différents types de tumeurs.

Discussion

Le développement de médicaments anti-cancer se concentre principalement sur les médicaments dirigé contre des cibles moléculaires spécifiques. Cependant, les applications cliniques ont souvent été décevants, ce qui entraîne que dans des réponses transitoires suivies par la résistance aux médicaments qui entrave les avantages de la thérapie. Cela a conduit à l'examen des thérapies basées sur des combinaisons de médicaments ciblant différentes voies de signalisation ou les processus cellulaires, dans le but de freiner l'évolution de la résistance aux médicaments et en même temps permettre une réduction de la dose de médicament, pour abaisser toxique induite par le médicament effets [2,3,40,41].

Ces fortes incitations pour le traitement médicamenteux combinatoires sont contestées par les nombreuses combinaisons à considérer et par le fait que l'efficacité d'une combinaison de médicament donné dépend de la nature de la tumeur spécifique. Ainsi, pour découvrir des combinaisons apt de drogue à un rythme compatible avec le vaste espace de recherche posé par les nombreux médicaments et diversifié spectre de cellules cancéreuses, il est obligatoire d'élaborer des stratégies efficaces pour prédire le traitement combinatoire bénéfique pour les cancers individuels
.

Current efforts pour parvenir à un choix rationnel de la thérapie de combinaison de médicaments en utilisant des cultures de cellules de la tumeur primaire et les études de xénogreffes sont confrontés à des coûts élevés et un taux variable de réussite dans l'inhibition de la croissance des cellules tumorales, et luttent pour obtenir des prédictions très précises dans les délais limités par la maladie la progression [4,42-44]. Alors que les cultures de lignées cellulaires de cancer permettent rarement de découvertes qui peuvent être directement transférés à un cadre clinique, ils ne permettent d'investigation expérimentale des mécanismes sous-jacents de la diversité biologique et de la robustesse et peuvent donc être utilisés pour explorer des stratégies pour identifier les thérapies potentiellement efficaces de combinaison de médicaments. Ils peuvent donc contribuer à établir un vaste arsenal de combinaisons de médicaments avantageuses accompagnées d'outils pronostiques permettant le choix de la bonne combinaison pour la tumeur individuelle. Cependant, même dans ces modèles cellulaires, il est impossible de tester toutes les combinaisons de médicaments potentiels et les modes d'application d'une quantité suffisante de spectre de types de cellules cancéreuses. Dans ce contexte, la modélisation informatique peut être d'une grande aide pour réduire l'espace de recherche expérimentale.

Nous avons démontré comment un modèle logique construit à partir de l'information connue du réseau de transduction du signal peut être adapté à un système de cellules de cancer spécifique à l'aide des données de référence , de sorte qu'il peut être utilisé pour prédire les traitements empêchant la croissance combinatoires synergiques et non synergiques. Quatre des cinq combinaisons synergiques prédites ont été confirmés expérimentalement avec aucune prévision de faux négatifs. Avec un tel taux de réussite, il aurait été suffisant pour tester seulement un quart des 21 combinaisons médicamenteuses possibles étudiés et toujours pas manquer une paire synergique. Nos résultats sont encourageants à la lumière du taux signalé le défi DREAM récente [7], où la méthode la plus performante de la prédiction de synergie aurait permis de réduire de moitié la taille des expériences de criblage succès. Cependant, il existe des différences importantes entre notre conception de l'étude et que le défi DREAM: RÊVE analysé les modifications du transcriptome après une large action des traitements médicamenteux chimiothérapeutiques, alors que nous avons étudié l'action des inhibiteurs avec des objectifs précis, en se fondant uniquement sur des informations provenant du système non perturbé <. br>

Contrairement au réseau à base de stratégies, qui utilisent couramment l'analyse de corrélation des ensembles de données à grande échelle de différents phénotypes de la maladie [45,46], ou des données culture cellulaire drogues perturbation à grande échelle pour former des modèles de prédictions de la réponse aux médicaments [6 , 7,9,47,48], notre stratégie basée sur la modélisation mécaniste exploite les connaissances moléculaires de la voie, disponible dans les bases de données, ainsi que les données de base des cellules cancéreuses non perturbées du système expérimental choisi. Cela signifie que notre approche permet la sélection des candidats intéressants pour des combinaisons efficaces de médicaments avant d'effectuer des expériences réelles drogues de perturbation. À notre connaissance, cela n'a pas été démontré avec succès auparavant.

La majorité de la modélisation du réseau réglementaire des approches mettant l'accent sur les événements entraînés par des récepteurs d'hormones spécifiques de signalisation. Cela vaut pour les études portant sur la modélisation logique de comprendre les conséquences de interférant avec signal de facteur transduction des réponses de croissance spécifiques [16,18,49-51], ainsi que quantitatifs et la modélisation semi-quantitative les approches utilisées pour prédire l'effet de signaux de transduction synergique des perturbations [6,31,52]. En revanche, notre approche démontre qu'il est possible d'utiliser efficacement un modèle représentant un réseau de décision du destin cellulaire dans les cellules en croissance active, sans tenir compte explicitement tout stimulus favorisant la croissance externe (hormone de croissance par exemple). En effet, nous pensons que l'utilisation de l'attracteur d'un modèle autonome d'une cellule proliférant comme point pour l'analyse de la drogue synergie de référence fournit un bon indicateur de l'état des cellules cancéreuses en croissance active. la croissance de la cellule cancéreuse est considéré comme entraîné par une multitude de stimuli favorisant la croissance. Non seulement le répertoire potentiel de ces signaux importants, relativement peu de détails sur leurs mécanismes de signalisation est connue. Nous supposons donc que nous pouvons résumer leur effet en considérant cette multitude de signaux pour fournir un contexte à promouvoir la croissance robuste et que nous pouvons donc rejeter plus en détail. Sur cette base, nous accueillons un conduit multifactorielle-prolifération soutenue [1] en utilisant un modèle autonome, où tous les composants inclus sont régis par d'autres nœuds dans le modèle. La configuration des activités composant peut alors être déduite de biomarqueurs de référence mesurées dans les cellules cancéreuses. Ensemble, ces principes de conception de modèle nous permettent de générer un modèle dynamique adaptée aux cellules cancéreuses spécifiques, mais pas dépendant d'un apport extracellulaire explicite des agents favorisant la croissance spécifiques ( e
. hormones g de croissance
.

• PLOS ONE: Association de mTOR et AKT Gene polymorphismes avec Susceptibilité et la survie du cancer gastrique
• PLOS ONE: polymorphisme de l'ADN méthyltransférase 3b et d'association avec le développement et le pronostic dans le cancer gastrique