PLoS Computational Biology: Otkriće Drug sinergije u želudac stanica raka predvidio Logical Modeling

Sažetak pregled

Discovery učinkovitih kombinacija lijek protiv raka je veliki izazov, jer eksperimentalno ispitivanje svih mogućih kombinacija je očito nemoguće. Nedavni napori u računski predvidjeti reakcije kombinacija lijekova zadržati ovaj eksperimentalni prostor pretraživanje, kao i modela definicije obično oslanjaju na opsežne podatke perturbacija droga. Razvili smo dinamičku modela koji predstavljaju stanične sudbina mrežu odluke u AGS želučanog raka stanične linije, oslanjajući se na predznanja izvađen iz literature i baza podataka. smo definirali skup logičkih jednadžbi rekapitulira AGS podataka uočene u stanicama u osnovnim proliferativni države. Korištenje softvera za modeliranje GINsim, smanjenje modela i prešanja simulacija primjenjuju se nositi s ogromnom prostoru stanja velikih logičkih modela i omogućiti simulacije parovima primjene pojedinih signalnih inhibitornih kemijskih tvari. Simulacije predvidio sinergistički inhibitorni djelovanje pet kombinacija od ukupno 21 mogućih parova. Četiri od predviđenih sinergije su potvrđena u AGS rast stanica testovima u realnom vremenu, uključujući i poznate učinke u kombinaciji MEK-AKT ili MEK-PI3K inhibicije, zajedno s novim sinergijskih učinaka u kombinaciji TAK1-AKT ili TAK1-PI3K inhibicija. Naša strategija smanjuje ovisnost o a priori perturbacijskoj lijek eksperimentiranja za dobro karakterizira signalne mreže, pokazujući da je model koji kombiniranih učinaka lijekova se može zaključiti iz predznanja o neuznemiren i proliferacijom stanica raka. Naš modeliranje pristup na taj način može doprinijeti pretkliničkim otkrića učinkovitih kombinacija antitumorskih lijekova, a time i na razvoj strategija za prilagodbu liječenja za pojedine pacijenata oboljelih od raka.

Autor Sažetak pregled

rak borbe sa kombinacijama lijekova povećava uspjeh liječenja. Međutim, zbog velikog broja lijekova i tumorskih varijanti, ostaje ogroman izazov za prepoznavanje učinkovite kombinacije. Da bi to ilustrirao, set 150 lijekova odgovara više od 10.000 mogućih kombinacija u parovima droga. Eksperimentalna ispitivanja svih mogućnosti je očito nemoguće. Mi smo razvili računalni model koji nam omogućuje da identificiraju vjerojatno učinkovite kombinacije, a da istovremeno predlaže kombinacije vjerojatno da će biti bez učinka. Model se temelji na određenim regijama stanice raka biomarkera dobivenih iz neuznemiren kancerogenih stanica, a zatim se koristi za obavljanje opsežnog automatizirano logično rasuđivanje. Laboratorijsko ispitivanje predviđanja odgovora na lijek potvrdio rezultate za 20 od 21 kombinacije lijekova, uključujući i četiri od pet parova droga predviđa da će sinergijski inhibira rast. Naš pristup je relevantan za pretkliničkih otkrića učinkovitih kombinacija antitumorskih lijekova, a time i za razvoj strategija za prilagodbu liječenja za pojedine pacijente s karcinomom pregled

Izvor:. Flobak A, Baudot A, Remy E, Thommesen L, Thieffry D , Kuiper M, et al. (2015) Otkriće Drug sinergije u rak želuca stanicama predvidio Logical modeliranje. PLoS Comput Biol 11 (8): e1004426. doi: 10,1371 /journal.pcbi.1004426 pregled

Urednik: Ioannis Xenarios, švicarski institut za bioinformatiku, Sjedinjene Američke Države pregled

Primljeno: 5. ožujka 2015.; Prihvaćeno: 3. srpnja 2015; Objavljeno: 28. kolovoz 2015 pregled

Copyright: © 2015 Flobak et al. Ovo je otvoreno pristupa članak distribuirati pod uvjetima Creative Commons Imenovanje License, koja omogućuje neograničeno korištenje, distribuciju i reprodukciju u bilo kojem mediju, pod uvjetom da je izvorni autor i izvor su zaslužan pregled

Podaci Dostupnost: sve relevantne podatke su u radu i njegove popratne podatke datoteka pregled

Financiranje:. Ovaj rad je podržan od strane odbora za vezu između Središnjeg Norveškoj regionalne zdravstvene ustanove (RHA) i Sveučilišta u norveškom znanosti i tehnologije (NTNU). Posjet je bio financiran od strane EMBO kratkog boravka stipendije za AB na NTNU, Norveškoj, listopad-studeni 2013. donatori imali nikakvu ulogu u studiju dizajna, prikupljanja i analize podataka, Odluka o objavi, ili pripremu rukopisa. Pregled

suprotstavljenih interesa. autori su izjavili da ne postoje suprotstavljeni interesi pregled

Uvod pregled

to je odavno predviđeno je da će daljnji tretman protiv raka usvojiti kombiniranih pristupa, u kojem je nekoliko specifičnih lijekova protiv raka zajedno ciljati višestruke otpornosti osobine ili slabosti određenog tumora [1-3]. Učinkovitost kombiniranih tretmanima protiv karcinoma mogu se dalje maksimalno iskorištava sinergističko djelovanje lijekova, što znači da različite droge daju zajedno pokazuju potencirati učinak u usporedbi s pojedinačnim lijekovima. sinergija lijek je atraktivna jer omogućuje značajno smanjenje u dozi od pojedinih lijekova, uz zadržavanje željeni učinak. Sinergija stoga držite potencijal za povećanje učinkovitosti liječenja bez guranja jednostruke doze lijekova na razine gdje su dovesti do nuspojava. Dakle, sinergije su identificirani u pretkliničkim studijama predstavlja zanimljive kandidate za daljnju karakterizaciju u modelima raka i kliničkim ispitivanjima. Pregled

Trenutni nastojanja u cilju utvrđivanja korisne kombinatorni terapije protiv raka obično oslanjaju na velike eksperimentalnih podataka perturbacija, bilo za odlučivanje o specifičan tretman pacijent [4], ili pre-kliničke cjevovodi predložiti nove kombinacije lijekova [5-8]. Ovo djelo, međutim, suočava s izazovima koje predstavlja veliki pretraživanja prostora koji treba biti podržan od eksperimentalnih podataka, čineći sustavne pretraživanja za učinkovite kombinacije izazovan. Osim toga, broj uvjeta za dramatično testiranje povećava kada je u pitanju kombinacije višeg reda, više droge doza, vremenski optimizaciju primjene lijeka, i raznolikost vrsta kancerogenih stanica i pacijenata. Dakle, zaobilaznice treba tražiti da se smanji eksperimentalni prostor pretragu kombinacija lijekova i njihovih načina rada kako bi se dobila kvalificiranog repertoar kombiniranim terapijama za klinička ispitivanja, te u konačnici podržati isporuku personalizirane terapije. Pregled

računalnih modela se sve više koriste za predviđanje učinaka lijekova [6,9], s ciljem da se racionalizira i štedjeti eksperimentalnog usko grlo. Kako bi se omogućilo znatno smanjenje broja relevantnih uvjeta koji trebaju biti ispitani, takvi modeli idealno bi biti izgrađena bez potrebe za masovnim eksperimentalnih podataka perturbacija droga. Pristupi gdje je formulacija prediktivnih modela može se na temelju molekularnih podataka iz neuznemiren stanice raka su, dakle, atraktivne. Pregled

Odlučili smo se fokusirati na boolean i višerazinski logičkih modela, jer omogućuju relativno jednostavan formalizacije uzročnosti ugrađen u molekularne mreže, kao što je pretvaranje signala i genskih regulatornih mreža. Štoviše, logički model simulacije mogu se koristiti za automatizaciju razmišljanja o mrežnim dinamici, čak i sa oskudnom znanju kinetičkih parametara [10-15], te su korišteni za opisivanje i predvidjeti ponašanje molekularne mreže pogođena u ljudskoj bolesti [13,14] , Takvi napori modeliranje su pridonijeli razumijevanju mehanizama u podlozi inducirane signalizaciju čimbenika rasta u stanicama raka i odabir ciljnih kandidat proteina za novi tretman protiv raka [16-23]. Dok su prethodne studije pokazale moć logičkih modela predviđanja pojedinačnih djelovanja lijekova, možemo proširiti korištenje logičkog modela za predviđanje učinaka kombinatorne inhibicije dvije ili više prijenosa komponenti signala. Pregled

prijaviti gradnju logičan Model obuhvaća molekularne mehanizme ključna za kontrolu staničnog rasta želučanog adenokarcinoma stanične linije AGS. Nakon početnog okupljanja sveobuhvatnog signalizacije i regulatorne mreže iz opće prijenosa signala znanja, logičke pravila povezane sa svakom od komponenata 75 modela su rafiniran koristeći osnovne podatke dobivene od aktivnog rasta AGS stanica. Dobivena logički model je korišten za procjenu sinergiju lijeka potencijal između 21 kombinacija u parovima sedam kemijskih inhibitora, svaki ciljanje određenog signalnu komponentu. Model simulacije predložio pet kombinacije inhibitora biti sinergističko, četvorica koji bi se naknadno potvrditi u pokusima rast stanica. Važno je da niti jedna od kombinacija predviđenih po modelu da se ne sinergistički prikazan sinergijske učinke inhibicije rasta u našim staničnim testovima, tj nema lažni negativi su primijećeni. Naši rezultati pokazuju da je naš logički model, izgrađen bez upotrebe početnih velikih inhibitor perturbacija podataka ponavlja ključne molekularni regulatorni mehanizam u pozadini rast AGS stanica na način koji omogućava uspješno predviđanje sinergistički učinak inhibitora kombinacija u eksperimentalnim stanične kulture. Vođeni model, identificirali smo dvije utvrđene sinergijske interakcije lijekova i otkrio dva sinergija nije prethodno prijavljen. Pregled

Rezultati

Cjelokupna strategija za predviđanje i validaciju sinergije droga

kako bi se otkriti kombinatorni droge tretmani sinergistički vrši inhibiciju rasta stanica raka, razvili smo tijek rada kombiniranjem računalne i eksperimentalne analize predvidjeti i provjeriti sinergija lijek (slika 1).

Naš postupak modeliranje integrira a priori
biološka znanja o unutarstaničnih signalnih puteva, s osnovnim podacima iz AGS želučanih stanica adenokarcinoma. Načela oblikovanja naše analize su vođeni pretpostavkom da rast stanica raka u velikoj mjeri pokreću mehanizmi koji omogućuju te stanice iskoristiti širok raspon rasta promicanje signala iz okoline. Ovaj aspekt intrinzična, zadobio proliferacije raka Višeparametarska-driven [1] je smještena izgradnjom regulatornog mrežu kao samostalni model: uključimo samo čvorovi koji su propisani drugim čvorovima u modelu. Odabrani dizajn izbjegava potreba za modeliranje učinaka specifičnih receptora faktora rasta, s obzirom umjesto integrirane odgovore od mnoštva podražaja koji potiču rast, kao što je primijetio pri ocjenjivanju aktivnosti signalizacije subjekata (proteine ​​i gene) uključene u model. Iz toga slijedi da je de facto pregled poticanje rasta konfiguraciju takvih self-sadržane modela može se utvrditi promatranjem osnovne biomarkera izmjerene u stanicama raka. Pregled

Nakon što je smanjenje Model korak, gdje čvorovi i logike koji se odnose na ciljeve droga i fenotipskih izlaza zadržavaju, model se koristi za iscrpnih simulacije učinka parovima čvorova inhibicija pomoću sedam poznatih kemijskih inhibitora. Konačno, inhibitorne učinke rasta tih kombinacija lijekova na AGS stanica ispituju se eksperimentalno. Pregled

Logički modeliranje želučane stanice adenokarcinoma sudbina odluke

Izgradnja regulatornog graf koji obuhvaća ključne signalne putove. Pregled

AGS stanice luka mutacije u brojnim genima koji kodiraju ključne signalne komponente koje se zna da deregulirano u želučanom adenokarcinoma, primjerice komponenti MAPK, PI3K, Wnt /beta-katenina i NF-kB puteva [24,25]. Na temelju znanja prikupljenih iz baze podataka i znanstvenih publikacija smo integrirani informacije o MAPK putanja (JNK, p38 MAPK i ERK), u PI3K /Akt /mTOR putova, na Wnt /β-katenina puta, i NF-kB puta, kao i preslušavanja između tih puteva (vidi sliku 2, Materijal i metode, te S1 tekst). Nastala mreža obuhvaća 75 signalizaciju i regulatorne komponenti (proteini, proteinski kompleksi i gene) i 149 usmjerene interakcije. Dva očitavanje čvorova (izlazi), pod nazivom Prosurvival pregled i Antisurvival pregled, uključene su da predstavljaju stanice sudbine fenotipova. Regulatorni graf s primjedbama je dostupan u SBML formatu (vidi S1 ​​skup podataka i S1 tablicu). Pregled

Izgradnja logičkog modela. Pregled

Regulatorna mreža je pretvoren u logički model, gdje je lokalna aktivnost stanje svake komponente (čvor) zastupao logičku vrijednost (uzimajući vrijednosti 0 ili 1). Nekoliko čvorovi su povezani s višeslojnoj varijabli: dvije izlazne čvorove, Prosurvival pregled i Antisurvival pregled, svaki uzimajući četiri vrijednosti (0, 1, 2, 3), i njihove neposredne uzvodno čvorova, kaspaze 3/7 i CCND1, svaki uzimajući tri vrijednosti (0, 1, 2). Ove višerazinski varijabilne čvorovi koriste se samo za čvorove koji uređuju izlaze modela, i omogućio nam da se model ocjenjuju rast promicanjem /inhibitorni učinak (vidjeti Materijali i Metode i S1 tekst). Logično formula bila je povezana sa svakom komponentom, definiranje kako se njezina razina aktivnosti je pod kontrolom onih njenih regulatora. Naš zadani pristup je kombinirati sve aktiviranje regulatora metu s Boolean operator ili Netlogu i inhibitornih regulatori mete s operatorom , a ne
(kao u [21]). To znači da je bilo koji aktivator potpunosti može aktivirati ciljnu čvor u odsustvu inhibitornog djelovanja. Osim toga, djelovanje bilo inhibitorni regulatora može u potpunosti spriječiti cilj, čak iu prisutnosti aktiviranja ulaz iz jednog ili više aktivatora. Na temelju bioloških znanja iz stručne literature i izvješća, konkretnija pravila su definirana za neke komponente modela (vidi S1 ​​tekst). Za β-katenina puta posebno, pročistio se logičkih pravila čvorova predstavljaju aktivnost P-TrCP (u β-katenina uništenje kompleksa), TCF (meta β-katenina aktivnosti), a čvor predstavlja aktivnost beta-katenina sama. pregled

u bilo kojem trenutku, globalno stanje sustava predstavlja diskretnu vektor koji sadrži Boolean ili više razina vrijednosti aktivnostima za sve mrežne komponente [26]. Kao što svi čvor države iterativno se ažuriraju u simulacijama model konvergira svojim atraktora, koju zastupa jedan globalni stalnih članica u jednostavnim atraktora, ili skupa država više puta prolazio u složenim atraktora. Na temelju regulatornog grafu i gore definirano logičkih pravila, koristili smo snažan algoritam implementiran u GINsim izračunati sve stabilnih stanja modela. Pregled

Za kalibraciju modela s obzirom da aktivno raste AGS stanice, usporedili smo čvora stanje predviđanja protiv AGS osnovne biomarkera opažanja u literaturi. Pregledali smo 72 znanstvenih publikacija i pronašao 219 eksperimente s proliferacijom AGS stanice pružaju informacije o djelovanju proteina zastupljenih u našem modelu (vidi S1 ​​Tekst i S2 tablicu). Odabrali smo podskup 21 proteina za koje se podaci o aktivnostima podržava nekoliko neovisnih, ali u skladu izvješća. Korištenjem ovih eksperimentalnih zapažanja kao smjernice za "zlatni standard" protein aktivnosti u aktivno raste AGS stanice, usporedili smo stanje svakog od njih sa svojim razini u kompjutorske atraktor modela. Da se dobije jedan stabilne državne sadrži razine aktivnosti svih komponenti modela, logični pravila komponenti ERK staze (SHC1, SOS, Raf, MEK i ERK) su definirani na način da odražava opažanje da je aktivan u množe AGS stanice ERK (vidi S1 Tekst i S2 Tablica). Nakon tih izmjena, model pokazao se optimirati: promatrana atraktor od Netaknuta model bio je stabilna država temeljito potkrijepljena eksperimentalnim opažanjima u neuznemiren rastućih AGS stanica, kao što su vrijednosti svih 21 čvorova da smo bili u mogućnosti da provjerite utakmicu izvijestio proteina aktivnosti (vidi S1 ​​Tekst, S3 i S4 tablicama). Osim toga, vrijednost očitanja čvorova Prosurvival pregled je bio na svom maksimumu, a Antisurvival na minimum, što predstavlja snažnu proliferaciju ( Prosurvival pregled = 3, i Antisurvival pregled = 0). Ovaj model stabilna država je na taj način u skladu s objavljenim znanja o molekularnim stanja u aktivno rastućih AGS stanica. Ovaj model također u skladu s rezultatima objavljenim perturbacija eksperimentima AGS stanica (vidi S1 ​​Tekst i S6 tablicu). Nastala logički model, kodiran s softver GINsim v2.9, prikazan je na slici 2. Odgovarajuća GINsim datoteku daje kao S2 podataka. Pregled

kompjutora pregled simulacije predviđaju pet sinergija inhibitora

kako bi se procijenio kombinacije inhibicija za sinergiju, usredotočili smo se na sustavnom inhibicije sedam modela čvorova i njihovih 21 kombinacija u parovima. Ovih sedam čvorova (označene s debelim granicama na slici 2) odabrane su zbog snažni i specifični kemijski inhibitori su bili dostupni za ciljanje odgovarajuće proteinske kinaze u biološkim pokusima (Tablica 1). Pregled

Korištenje asinkroni ažuriranja politiku (vidjeti Materijali i metode), simulirao je učinak kemijskih inhibicija prisiljavajući stanje specifično ciljanih modela čvorova biti 0 (neaktivan), a zatim računanje nastalu atraktor. Svaki inhibicija pojedinačnih čvorova ili para čvorova dovela je do jedinstvenog atraktor. U nekoliko slučajeva sustav dosegao složen atraktor, u kojem je podskup država je prešao više puta (vidi Materijali i metode i S1 tekst). Proračun potencijalnih složenih atraktora je izazov zbog kombinatorne eksplozije država za velike logičkih modela. Kako se nositi s ovim problemom, koristili smo metodu smanjenja model koji je komprimirani modela očuvanja odabrane ciljeve droge i zbijen tranzicijskih grafova država u hijerarhijski način (vidjeti Materijali i metode i [14]). Smanjena logički model (vidi sliku 3 i S3 skup) dobiven je iterativno uklanjanjem komponenti nisu ciljane od droge, a bio je dovoljno malen da bi iscrpna asinkroni simulacije i detaljnu karakterizaciju oba stabilna stanja i kompleksnih atraktora, čime se omogućuje analizu svih singl i pari inhibicija. pregled

Kako bi se olakšala interpretaciju, definirali smo ukupnu reakciju rast pregled, oduzimanjem vrijednosti Antisurvival pregled od vrijednosti Prosurvival
očitavanje čvorova (svaki s više vrijednosti sa stanjem u rasponu od 0 do 3), s rasponom vrijednosti od -3 do +3. Ako je atraktor sadržane jedinstvenu stabilnom stanju, računanje i Rast pregled bio je jasan. U slučaju složenih atraktora koristili smo srednje vrijednosti razlike Prosurvival pregled - Antisurvival pregled nad svim državama koje pripadaju atraktor. zaključiti Mi sinergiju kad god je kombinacija dva inhibitora proizveo vrijednost za Rast pregled manji od najmanjeg vrijednosti inhibitora pojedinačno:

rastu (perturbation1 & perturbation2) < Min (rast (perturbation1), rast (perturbation2)), pregled, gdje je perturbationN pregled je perturbacija komponente N pregled. Pregled

Na primjer, rast (perturbationMEK & perturbationAKT) pregled = 0,5; koja je vrijednost manja od promatrane s perturbacije ili MEK ili AKT: rasta (perturbationMEK) pregled = 1,5; rasta (perturbationAKT) pregled = 2. pregled

Simulacije predvidio pet sinergijske kombinacije (< 25% od 21 mogućih parova). Tri od tih kombinacija uključuju MEK, zajedno s PI3K, AKT ili p38. Dva preostala sinergije uključiti TAK1 s bilo PI3K ili AKT (Slika 4). Pregled

Eksperimentalna validacija modela predviđanja

Kako procijeniti valjanost naših modela predviđanja, u udjelu u realnom vremenu stanice su korištene za testiranje kemijske inhibitore za sedam proteina (Tablica 1) njihove sposobnosti da ograniči rast AGS stanica u pojedinačnim i kombiniranih pripravaka. pregled

učinak kemijskih inhibitora je analiziran pomoću strategiju na temelju Loewe definicije sinergije [28 ], u kojem se navodi da je sinergističko interakcija obavlja bolje nego očekivani dodatni efekt promatrane kada inhibitor je u kombinaciji sa sobom u 'zero-interakcija eksperimenta. Kvantificirati sinergijske interakcije, Kombinatorna indeks (CI) je izračunata [29], s obzirom na rast izmjeren 48 sati nakon dodavanja inhibitora. Cl vrijednosti u rasponu od nula do beskonačno, a vrijednosti ispod 1 pokazuju sinergističko interakcije. Pregled

Četiri od pet sinergija predviđenim našeg logičkog modela potvrđena su eksperimentalno, s CI vrijednosti daleko ispod 0,5, što upućuje snažnu sinergiju. Doista, dubok utjecaj na rast AGS stanica je pronađena kada MEK ili TAK1 inhibitori su kombinirane s PI3K ili Akt inhibitora. Odgovarajuće krivulje rasta (Slika 5) pokazuju da je rast stanica u prisustvu dva inhibitora u kombinaciji, svaki na pola njihove koncentracije GI50 (ljubičasto krivulje) je znatno niže od rasta u prisutnosti ili inhibitor sam u svom punom koncentracijom GI50 (zeleno i plave krivulje). Suprotno tome, kombinacija MEK i inhibiciju p38 ne mogu se potvrditi u eksperimentima rast stanica. Važno je, primijetili smo bez lažne negativne prognoze, što znači da je preostalo kombinacije inhibitora, predviđa se da nedostaje sinergijske učinke, doista nije uspio prikazati sinergiju u našim staničnim testovima. Uzete zajedno, naš model simulacije pokazale su se vrlo precizno, točno predviđanje učinaka 20 od 21 kombinacija. Pregled

sinergije PI3K-MEK ili AKT-MEK inhibicije već primijećeno u različitim tumorskim stanicama [ ,,,0],6,30-34], čime se osigurava daljnje povjerenje sinergije TAK1-PI3K i TAK1-Akt inhibicija. Dakle, ti novi kombinatorni inhibicije su obećavajući kandidati lako dostupne za eksperimentalno ispitivanje u rasponu od tipova raka stanica. Pregled

Model pokazuje ključnu ulogu FOXO u inhibiciji rasta sinergije pregled

Razumijevanje signalnih mehanizama u podlozi sinergijske inhibicije je od velikog interesa, jer to može pridonijeti identifikaciji biomarkera informativnih od odgovora na liječenje, koja može poslužiti kao vodič za odabir iz arsenala utvrđenih sinergija droga pravo liječenja za pojedinog pacijenta. pregled

Ispitivanje simulirani perturbacija efekte s našim AGS logičkog modela pokazala je da FOXO, što predstavlja pro-apoptoze faktore transkripcije inaktivira fosforilacije [35], je sinergijski aktivira u kombinaciji MEK i PI3K ili MEK i inhibicije AKT (vidi S1 ​​tekst). Zanimljivo, jedan inhibitorni ometanje MEK, PI3K ili AKT nije promijenio FOXO aktivnost (vidi S1 ​​teksta za više detalja). Ova opažanja slagala su eksperimentalne nalaze u ljudskim endotelne stanice umbilikalne vene (HUVEC), gdje se prijavili inhibitori ciljaju MEK i Akt na sinergistički aktivirati FOXO [36], što upućuje da je naš model simulacije mogu biti temelj za biološki relevantne hipoteze o molekularnim učincima nizvodno od specifični inhibitori. pregled

kako bi se dodatno istražiti mehanizme koji uključuju FOXO smo simulirali perturbacije inhibitor u FOXO knock-out model, i utvrdili da kombinirani inhibicija MEK i PI3K nije prikazana pojačan učinak inhibicije rasta u odnosu na njihov odgovarajući jednom inhibicije , To znači da je MEK PI3K sinergija doista ovisi FOXO. Za kombiniranu MEK i AKT inhibicije, FOXO knock out modela simulacije pokazivala je samo manje smanjenje sinergističkog učinka kombinirane MEK i AKT inhibicije. Sinergija između MEK i Akt inhibitora tako čini se manje ovisna o FOXO. Uzeti zajedno, ovi rezultati simulacije ukazuju potencijalno zanimljive razlike između pro apoptoze signalnih događaja kada se uspoređuju MEK-AKT inhibicije u odnosu MEK-PI3K inhibicije. Pregled

mehaničko temelj sinergija promatranih pri inhibiciji TAK1-Akt, ili TAK1- PI3K, nije poznato. Zanimljivo, AGS modela simulacije pokazuju da se aktivira kada FOXO TAK1 inhibira u kombinaciji s bilo PI3K ili AKT, a ne jednog inhibicija. Aktivacija FOXO je, dakle, potencijalni posrednik i za sinergiju uključuju TAK1. U prilog tome, simulacija je pokazala da i TAK1-PI3K i TAK1-AKT sinergije ukinute su kada FOXO je isključena iz, slično kao i nalaz MEK-PI3K inhibicije (vidi S1 ​​teksta). Potencijalno, ERK mogao biti uključen u signalizaciju nizvodno od TAK1. U tom slučaju kinaza kaskada MAP mogao predstavljati zajednički mehanizam upleteni u sinergije koje uključuju MEK-PI3K i MEK-Akt, a oni uključuju TAK1-PI3K i TAK1-Akt. Međutim, naši AGS modela simulacije predviđaju da ERK je još uvijek aktivan nakon kombiniranog inhibicije TAK1 i PI3K ili TAK1 i AKT. To može značiti da MEK /ERK nije uključen u nizvodnom učincima inhibitorno perturbacije koje uključuju TAK1. Još kinaze potencijalno može djelovati kao točka preslušavanja na TAK1 i PI3K /Akt signalizacije. U tom pogledu, NLK (Nemo nalik kinaza) je interesantan kandidat kao što je poznato da djeluje iza TAK1 [37], posredovanje inhibicijski fosforilaciju FOXO [38]. Pregled

Model se temelji sugestija da FOXO aktiviranje može biti važan za sinergijski inhibicije rasta ne nalaze eksperimentalnu podršku u brojnim računima FOXO proteina koji djeluju kao posrednici citotoksičnih kemoterapijskih lijekova [39]. To sugerira da je dinamičko ponašanje našeg logičkog modela rekapitulira generičke osobine koje mogu biti relevantne za niz različitih tipova tumora. Pregled

Rasprava pregled

razvoj novih lijekova protiv raka uglavnom fokusira na droge usmjereno protiv određenih molekularnih ciljeva. Međutim, kliničke aplikacije su često bili razočaravajući, što je rezultiralo samo u prijelaznim odgovora slijede otpornost na lijek koji sprječava terapijske prednosti. To je dovelo do razmatranja terapije temelji na kombinacije lijekova koje ciljaju različite signalne putove ili celularne procese, s ciljem da se ograniči razvoj rezistencije na lijekove i istovremeno omogućuju smanjenje doziranja lijeka, smanjuju induciran lijekovima toksični učinci [2,3,40,41]. pregled

Ove snažne poticaje za kombinatorne droga tretman izazvao brojne kombinacije za razmatranje i činjenicom da je djelotvornost zadanu kombinaciju lijekova ovisi o prirodi specifična tumor. Dakle, otkriti apt kombinacije lijekova tempom kompatibilan s velikim prostorom za pretraživanje koju predstavlja mnogih lijekova i raznolik stanice raka spektra, ona je obvezna za razvoj učinkovitih strategija za predviđanje blagotvorno kombinacijske tretman za pojedine vrste raka. Pregled

Trenutni napori da dođe na racionalan izbor kombinacije lijeka terapije pomoću primarnih kultura stanica tumora i stranim tijelom studije su suočeni s visokim troškovima i promjenjivu kamatnu stopu uspjeha u inhibicije rasta stanica tumora, a borba za dobivanje vrlo točna predviđanja u vremenskim okvirima ograničenog bolesti napredovanje [4,42-44]. A stanična linija karcinoma kulture rijetko dopuštaju otkrića koje se mogu izravno prenijeti na kliničkom okruženju, oni omogućuju eksperimentalnih ispitivanja mehanizme biološke raznolikosti i robusnost i na taj način može se koristiti za otkrivanje strategije za identifikaciju potencijalno učinkovite terapije s kombinacijom lijekova. Oni dakle mogu doprinijeti uspostavi veliki arsenal korisnih kombinacije lijekova u pratnji prognostičkim alatima koji omogućuju izbor pravu kombinaciju za pojedini tumor. Međutim, čak iu tim staničnim modelima, to nije moguće testirati sve potencijalne kombinacije lijekova i načina primjene za dovoljan spektar tipova stanica karcinoma. U tom kontekstu, računalna modeliranja mogu biti od velike pomoći da se smanji eksperimentalni prostor pretragu. Pregled

Mi smo pokazali kako se logički model izgrađen od poznatih podataka Prijenos signala mreže mogu se prilagoditi na određeni sustav stanica raka koristeći osnovne podatke tako da se može koristiti za predviđanje sinergističko i ne-sinergistički kombiniranih tretmana rasta ometanja. Četiri od pet predviđenih sinergijskih kombinacija su potvrđene eksperimentalno bez lažno negativnih predviđanja. S takvom stopom uspješnosti, to bi bilo dovoljno da se testirati samo četvrtinu od 21 mogućih kombinacija lijeka istraženih i još uvijek ne propustite bilo sinergistički par. Naši rezultati su ohrabrujući, s obzirom na uspjeh stopa iskazana sa posljednjim izazovom DREAM [7], gdje je najuspješniji metoda predviđanja sinergijskog bi omogućilo da se prepolovi veličinu eksperimenata probira. Međutim, postoje značajne razlike između našeg studija dizajna i da san izazov: DREAM analiziraju promjene transcriptome slijedi široko djeluje kemoterapijskih tretmana lijekovima, dok smo istraživali djelovanje inhibitora sa specifičnim ciljevima, oslanjajući se samo na podatke iz Netaknuta sustava <. br>

za razliku mrežne strategije, koji se obično koriste korelacijsku analizu velikih skupova podataka iz različitih fenotipova bolesti [45,46], ili velikih perturbacija stanična kultura droge podataka za treniranje modela za predviđanje odgovora na lijek [6 , 7,9,47,48], naša strategija modeliranje na bazi iskorištava mehanicističko molekularnu slijeda znanja, dostupan u bazama podataka, zajedno s osnovnim podacima iz neuznemiren stanice raka odabranog eksperimentalnog sustava. To znači da je naš pristup omogućuje odabir zanimljivih kandidata za učinkovite kombinacije lijekova prije izvođenja stvarne eksperimente perturbacija droga. Prema našem saznanju to nije uspješno pokazao prije. Pregled

Većina regulatorne mreže modeliranje pristupa fokus na signaliziranje događaja upravljan od strane određenih hormonskih receptora. To se odnosi na istraživanja o logičko modeliranje razumjeti posljedice uplitanja sa specifičnim rasta odgovora prijenosa faktor signala [16,18,49-51], kao i za kvantitativne i polu-kvantitativnom modeliranju pristupima koji se koriste za predviđanje učinak sinergistički prijenosa signala perturbacije [6,31,52]. Nasuprot tome, naš pristup pokazuje da je moguće uspješno koristiti modela koji predstavljaju stanične sudbina mreže donošenju u aktivno uzgoj stanica bez uzimanja u obzir izričito vanjski podražaj stimulatori rasta (primjerice hormon rasta). Doista, mi tvrde da koristite privlači self-sadržane modelu razmnožavanje stanica kao referentna točka za sinergiju lijek analiza daje dobar proxy za stanje aktivnog rasta stanica raka. rast stanica raka smatra se pokreće mnoštvo stimulansa potpomažu rast. Ne samo da je potencijal repertoar tih signala bitan, relativno malo pojedinosti o svojim signalnih mehanizama poznati. Stoga pretpostavljamo da možemo sažeti svoje djelovanje s obzirom na ovu mnoštvo signala pružiti kontekst koji potiče snažan rast i da se prema tome može odbaciti bilo kakve daljnje pojedinosti. Na temelju toga možemo smjestiti trajni proliferaciju u Višeparametarska-driven [1] korištenjem samostojeći model, gdje su sve komponente uključene su propisani drugim čvorovima u modelu. Konfiguracija sastavne aktivnosti onda se može zaključiti iz osnovne biomarkera izmjerenih u stanicama raka. Zajedno, ovi principi modela dizajn omogućuju nam da generiraju dinamički model prilagođen specifičnim stanicama raka, ali ne ovisi o eksplicitnom izvanstaničnog ulaz iz posebnih sredstava za poticanje rasta ( e pregled. hormone g pregled. Rasta

• PLoS ONE: Udruga mTOR i Akt polimorfizama gena s osjetljivošću i opstanak želučani Cancer
• PLoS ONE: Polimorfizam DNA mctiltransfcrazu 3b i pridruživanju s razvojem i prognoza u rak želuca