Stomach Health > magen Helse >  > Gastric Cancer > magekreft

PLoS Computational Biology: Discovery of Drug Synergier i magekreft Cells spådd av Logical Modeling

Abstract

Funn av effektive anti-kreft narkotika kombinasjoner er en stor utfordring, ettersom eksperimentell testing av alle mulige kombinasjoner er klart umulig. Siste innsats til beregnings forutsi legemiddelkombinasjonen svar beholde denne eksperimentelle søke plass, som modell definisjoner vanligvis stole på omfattende narkotika perturbasjonsteknikker data. Vi utviklet en dynamisk modell som representerer en celle skjebne avgjørelse nettverk i AGS magekreft cellelinje, avhengig av bakgrunnskunnskap hentet fra litteratur og databaser. Vi har definert et sett av logiske ligninger recapitulating AGS data observert i celler i sin baseline proliferative tilstand. Bruk av modellering programvare GINsim, modell reduksjon og simulering komprimeringsteknikker ble benyttet til å takle den enorme stats plass av store logiske modeller og gjør simuleringer av parvise anvendelser av bestemte signal hemmende kjemiske stoffer. Våre simuleringer spådd synergistisk vekst hemmende virkning av fem kombinasjoner fra totalt 21 mulige par. Fire av de antatte synergier ble bekreftet i AGS cellevekst sanntidsanalyser, inkludert kjente effekter av kombinert MEK-AKT eller MEK-PI3K hemninger, sammen med nye synergieffekter av kombinert TAK1-AKT eller TAK1-PI3K hemninger. Vår strategi reduserer avhengigheten av a priori narkotika forstyrrelse eksperimentering for godt karakterisert signalnettverk, ved å vise at en modell prediktiv av kombinatoriske virkninger av rusmidler kan utledes fra bakgrunnskunnskap på uaffisert og prolifererende kreftceller. Vår modellering tilnærming kan dermed bidra til preklinisk oppdagelsen av effektive antikreftmedikamentkombinasjoner, og dermed til utvikling av strategier for å skreddersy behandlingen til den enkelte kreftpasienter.

Forfatter Oppsummering

Fighting kreft med kombinasjoner av legemidler øker suksess av behandlingen. Men på grunn av det store antall medikamenter og tumor varianter, er det fortsatt en enorm utfordring for å identifisere effektive kombinasjoner. For å illustrere dette, et sett med 150 medikamenter tilsvarer mer enn 10.000 mulige parvise legemiddelkombinasjoner. Eksperimentell testing av alle muligheter er klart umulig. Vi har utviklet en datamodell som gjør det mulig for oss å identifisere antagelig effektive kombinasjoner, og som samtidig antyder kombinasjoner sannsynlig å være uten effekt. Modellen er basert på spesifikke kreftcelle biomarkører hentet fra uaffisert kreftceller, og deretter brukes til å utføre omfattende automatisert logiske resonnementer. Laboratorieundersøkelser av narkotika respons spådommer bekreftet resultater for 20 av 21 legemiddelkombinasjoner, inkludert fire av fem narkotika par spådd å synergi hemme veksten. Vår tilnærming er relevant for preklinisk oppdagelsen av effektive antikreftmedikamentkombinasjoner, og dermed for utvikling av strategier for å skreddersy behandlingen til den enkelte kreftpasienter

Citation. Flobak Å, Baudot A, Remy E, Thommesen L, Thieffry D , Kuiper M, et al. (2015) Funn av Legemiddel Synergier i magekreft Cells spådd av logisk modellering. PLoS Comput Biol 11 (8): e1004426. doi: 10,1371 /journal.pcbi.1004426

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

mottatt: 5 mars 2015; Godkjent: 03.07.2015; Publisert: 28 august 2015

Copyright: © 2015 Flobak et al. Dette er en åpen tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres

Data Tilgjengelighet: All relevant data er i avisen og dens saksdokumenter filer

Finansiering:. Dette arbeidet ble støttet av Kontaktutvalget mellom Helse Midt-Norge (RHF) og norsk teknisk-naturvitenskapelige universitet (NTNU). Et besøk ble finansiert av EMBO Short Stay Fellowship for AB til NTNU, Norge, oktober-november 2013. finansiører hadde noen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet.

konkurrerende interesser:. forfatterne har erklært at ingen konkurrerende interesser eksisterer

Innledning

Det har lenge vært antatt at fremtidig kreft behandling vil vedta kombinatoriske tilnærminger, der flere spesifikke anti-kreft narkotika sammen målrette flere robusthet funksjoner eller svakheter ved en bestemt tumor [1-3]. Effektiviteten av kombinatoriske anti-kreftbehandling kan videre maksimeres ved å utnytte synergistisk medikament handlinger, hvilket betyr at forskjellige medikamenter administrert sammen oppviser en forsterket effekt i forhold til de individuelle narkotika. Drug synergi er attraktiv fordi den muliggjør en betydelig reduksjon i doseringen av de individuelle narkotika, og samtidig beholde den ønskede effekt. Synergier holder derfor potensial til å øke behandlingseffekten uten å skyve enkeltlegemiddeldoser til nivåer hvor de fører til bivirkninger. Derfor synergier identifisert i prekliniske studier representerer interessante kandidater for videre karakterisering i kreftmodeller og kliniske studier.

Dagens innsats for å identifisere gunstige kombinatoriske anti-kreft terapi vanligvis stole på storskala eksperimentell perturbasjonsteknikker data, enten for å avgjøre om spesifikk pasientbehandling [4], eller for pre-kliniske rørledninger for å foreslå nye medikamentkombinasjoner [5-8]. Dette arbeidet er imidlertid overfor utfordringer som store leteområdet som må støttes av eksperimentelle data, noe som gjør systematiske søk etter effektive kombinasjoner utfordrende. Dessuten øker antall forutsetninger for å teste dramatisk når de vurderer høyere orden kombinasjoner, flere legemiddeldoser, tidsmessig optimalisering av legemiddeladministrasjon, og mangfoldet av kreft celletyper og pasienter. Dermed må løsninger søkes å redusere den eksperimentelle søk løpet av medikamentkombinasjoner og deres ulike programmer for å få en kvalifisert repertoar av kombinasjonsterapier for kliniske studier, og til slutt å støtte levering av personlig behandling.

beregningsmodeller er i økende grad brukes til å forutsi virkninger av rusmidler [6,9], med sikte på å effektivisere og økonom den eksperimentelle flaskehals. For å muliggjøre en betydelig reduksjon av antall relevante betingelser som må testes, ville slike modeller ideelt sett være konstruert uten behov for store eksperimentelle medikament perturbasjonsteknikker data. Tilnærminger hvor utformingen av prediktive modeller kan være basert på molekylære data fra uaffisert kreftceller er derfor attraktive.

Vi bestemte oss for å fokusere på boolsk og multilevel logiske modeller ved at de gjør en relativt grei formalisering av årsaksforhold er innebygd i molekylære nettverk, for eksempel signaloverføring og gennettverk. Videre kan logiske modellsimuleringer anvendes for å automatisere resonnement på nettverksdynamikk, selv med knappe kunnskap om kinetiske parametre [10-15], og har blitt brukt for å beskrive og forutsi oppførselen til molekylære nettverk som påvirkes i human sykdom [13,14] . Slike modellering innsats har bidratt til forståelsen av mekanismene bak vekstfaktor indusert signalering i kreftceller og valg av kandidat target proteiner for romanen anti-kreft-behandling [16-23]. Mens tidligere studier har vist effekt av logiske modeller for å forutsi enkelt narkotika handlinger, utvider vi bruken av logiske modellering for å forutsi effekten av kombi hemming av to eller flere signaloverføringskomponenter.

Vi rapporterer bygging av en logisk modellen omfatter molekylære mekanismer som er sentrale for å kontrollere cellevekst av mage adenokarsinom cellelinje AGS. Etter en innledende sammenstilling av en omfattende signalerings og regulatoriske nettverk fra generell signaltransduksjon kunnskap, ble de logiske regler knyttet til hver av de 75 modellkomponenter raffinert ved hjelp av utgangsdata oppnådd fra aktivt voksende celler AGS. Den resulterende logiske modellen ble brukt for å vurdere stoffet synergipotensiale blant 21 parvise kombinasjoner av syv kjemiske hemmere, hver rettet mot en bestemt signalkomponent. Modellberegninger foreslått fem kombinasjoner av hemmere å være synergistisk, hvorav fire kan senere bli bekreftet i cellevekstforsøk. Viktigere, ingen av de kombinasjonene forutsagt av modellen for å være ikke-synergistiske viste synergis vekstinhibitoriske effekter i våre cellulære forsøk, ble det vil si ingen falske negativer observert. Våre resultater viser at vår logisk modell, konstrueres uten bruk av første store inhibitor perturbasjonsteknikker data, sammenfatter viktige molekylære regulatoriske mekanismer som ligger til grunn for vekst av AGS-celler på en måte som tillater vellykket forutsigelse av den synergistiske virkning av inhibitor kombinasjoner i eksperimentelle cellekulturer. Guidet av modellen, identifiserte vi to etablerte synergislegemiddelinteraksjoner og oppdaget to synergier ikke tidligere rapportert.

Resultater

Samlet strategi for prediksjon og validering av narkotika synergier

I for å oppdage kombinatoriske medikamentelle behandlinger synergi øve hemming av kreftcellevekst, har vi utviklet en arbeidsflyt som kombinerer beregnings og eksperimentelle analyser for å forutsi og validere narkotika synergier (fig 1).

Våre modellering prosedyre integrerer a priori
biologisk kunnskap om intracellulære signalveier med baseline data fra AGS adenokarsinom celler. De konstruksjonsprinsipper ved vår analyse styres av den forutsetningen at veksten av kreftceller er i stor grad drives av mekanismer som gjør det mulig for disse cellene til å utnytte et bredt spekter av vekstfremmende signaler fra omgivelsene. Dette aspektet av egenverdi, vedvarende multifaktor-drevet kreft spredning [1] er innkvartert ved å konstruere de regulatoriske nettverk som en selvstendig modell: vi har bare noder som er regulert av andre noder i modellen. Vinnerforslaget unngår behovet for å modellere effekten av spesifikke vekstfaktorreseptorer, vurderer i stedet den integrerte svar fra en rekke vekstfremmende stimuli, som observert ved vurdering av aktiviteten til signalering enheter (proteiner og gener) inkludert i modellen. Det følger av dette at de facto
vekstfremmende konfigurasjon av en slik selvstendig modell kan etableres ved å observere baseline biomarkører målt i kreftcellene.

Etter en modell reduksjon trinnet, der noder og logikk knyttet til narkotika mål og fenotypiske utganger er beholdt, den modellen brukes til uttømmende simuleringer av effekten av parvise node hemninger bruker syv kjente kjemiske hemmere. Endelig er de veksthemmende effekten av disse medikamentkombinasjoner på AGS celler testet eksperimentelt.

Logisk modellering av gastrisk adenokarsinom celle skjebne beslutninger

Bygging av et regulatorisk graf som omfatter viktige signalveier.

AGS celler havnen mutasjoner i mange gener som koder for viktige signal komponenter som er kjent for å bli deregulert i adenokarsinom i ventrikkel, for eksempel komponenter av MAPK, PI3K, Wnt /β-catenin og NF-kB trasé [24,25]. Basert på kunnskap samlet fra databaser og vitenskapelige publikasjoner, har vi integrert informasjon om MAPK baner (JNK, p38 MAPK og ERK), den PI3K /AKT /mTOR veier, Wnt /β-catenin veien, og NF-kB vei, samt crosstalk mellom disse banene (se figur 2, materialer og metoder, og S1 tekst). Den resulterende nettverket består av 75 signalisering og regulatoriske komponenter (proteiner, proteinkomplekser og gener) og 149 rettet interaksjoner. To avlesning noder (utganger), som heter Prosurvival Hotell og Antisurvival
, er inkludert for å representere celle skjebne fenotyper. Det regulatoriske graf med merknader er tilgjengelig i SBML format (se S1 Datasett og S1 tabell).

Bygging av en logisk modell.

Det regulatoriske nettverk ble omgjort til en logisk modell, der den lokale aktivitet tilstand av hver komponent (node) var representert ved en boolsk variabel (tar verdiene 0 eller 1). Noen noder var assosiert med multileveled variabler: de to utgangsnoder, Prosurvival Hotell og Antisurvival
, hver tar fire verdier (0, 1, 2, 3), og deres nærmeste oppstrøms noder, caspase 3/7 og CCND1, hver tar tre verdier (0, 1, 2). Disse multilevel variable noder brukes kun for noder som styrer utgangene av modellen, og gjorde oss i stand til å modellere gradert vekstfremmende /hemmende effekter (se Materialer og Metoder og S1 tekst). En logisk formel var forbundet med hver av komponentene som definerer hvor dets aktivitetsnivået kontrolleres ved de av sine regulatorer. Vår standard tilnærming var å kombinere alle aktive regulatorer av et mål med boolsk operator ELLER
, og hemmende regulatorer av et mål med operatøren , og ikke
(som i [21]). Dette innebærer at en hvilken som helst aktivator kan aktivere målnoden i fravær av inhiberende aktivitet. Videre kan virkningen av enhver hemmende regulator fullstendig hemme målet, selv i nærvær av aktiverende inngang fra en eller flere aktivatorer. På basis av biologisk kunnskap og litteratur-rapporter, ble mer spesifikke regler definert for noen komponenter i modellen (se S1 tekst). For β-catenin bane i særdeleshet, raffinert vi logiske regler av noder som representerer aktiviteten av β-TrCP (den β-catenin ødeleggelse kompleks), TCF (et mål for β-catenin aktivitet), og noden som representerer aktiviteten av β-catenin seg selv.

til enhver tid, er den globale tilstanden til systemet representert av en diskret vektor som inneholder boolsk eller multilevel aktivitetsverdier for alle nettverkskomponenter [26]. Som alle node stater er iterativt oppdatert i simuleringer av modellen konvergerer til sine attraktorer, representert ved ett globalt faste landene i enkle attraktorer, eller sett med tilstander gjentatte ganger krysset i komplekse attraktorer. Basert på den regulatoriske grafen og logiske regler definert ovenfor, brukte vi en kraftig algoritme implementert i GINsim å beregne alle stabile tilstander i modellen.

For å kalibrere modellen med hensyn til aktivt voksende AGS celler, sammenlignet vi node tilstand spådommer mot AGS baseline biomarkør observasjoner rapportert i litteraturen. Vi anmeldt 72 vitenskapelige publikasjoner og fant 219 eksperimenter med voksende AGS celler som gir informasjon om aktiviteten til proteiner som er representert i vår modell (se S1 Tekst og S2 tabell). Vi valgte en undergruppe av 21 proteiner for hvilke aktivitetsdataene ble støttet av flere uavhengige, men konsistente rapporter. Ved hjelp av disse eksperimentelle observasjoner som retningslinjer for "gullstandard" protein aktiviteter i aktivt voksende AGS celler sammenlignet vi tilstanden til hver av dem med deres nivå i den beregnede attraktor av modellen. For å oppnå en enkelt stabil tilstand inneholdende aktivitetsnivå i alle modellkomponenter, ble de logiske regler for deler av ERK-reaksjonsveien (SHC1, SOS, RAF, MEK og ERK) definert til å reflektere den observasjon at ERK er aktiv i prolifererende AGS-celler (se S1 Tekst og S2 tabell). Etter disse endringene, modellen viste seg å være optimalisert: den observerte attraktor av uaffisert modellen var en stabil tilstand grundig bekreftet av eksperimentelle observasjonene i uaffisert voksende AGS celler, som verdiene av alle de 21 noder som vi var i stand til å kontrollere kampen rapporterte protein aktiviteter (se S1 Tekst, S3 og S4 tabeller). I tillegg er verdien av avlesnings noder Prosurvival
var på sitt høyeste, og Antisurvival på sitt minimum, som representerer sterk spredning ( Prosurvival
= 3, og Antisurvival
= 0). Denne modellen stabil tilstand er dermed i tråd med publisert kunnskap om molekylære stater i aktivt voksende AGS celler. Denne modellen også holdt med resultater fra publiserte perturbasjonsteknikker eksperimenter av AGS celler (se S1 Tekst og S6 tabell). Den resulterende logiske modell, kodet med programvaren GINsim v2.9, er vist på figur 2. Den tilsvarende GINsim filen er tilgjengelig som S2 datasett.

I silikoaluminofosfater
simuleringer forutsi fem inhibitor synergier

for å vurdere kombinasjoner av hemninger for synergi, vi fokusert på systematisk hemming av sju modell noder og deres 21 parvise kombinasjoner. Disse syv noder (merket med tykke kanter i figur 2) ble valgt fordi potente og spesifikke kjemiske hemmere var tilgjengelige for målretting de tilsvarende protein kinaser i biologiske eksperimenter (tabell 1).

Ved hjelp av en asynkron oppdatering reglene (se Materialer og Metoder), simulert vi effekten av kjemiske hemninger ved å tvinge tilstanden spesielt rettet modellnoder til å være 0 (inaktiv), og deretter beregne den resulterende attraktor. Hver hemming av enkelt noder eller par av noder førte til en unik attraktor. I noen få tilfeller systemet nådde et kompleks attraktor, i hvilken en undergruppe av tilstander gjennomløpes flere ganger (se Materialer og Metoder og S1 tekst). Beregningen av potensielle komplekse attraktorer er utfordrende på grunn av kombinatorisk eksplosjon av stater for store logiske modeller. For å takle dette problemet, brukte vi en modell reduksjon metode for å få en komprimert modell bevare de valgte narkotika mål, og komprimeres staten overgangs grafene i en hierarkisk måte (se Materialer og Metoder og [14]). Den reduserte logiske modell (se figur 3 og S3 Datasett) ble oppnådd ved iterativt å fjerne komponenter som ikke angripes av narkotika, og var tilstrekkelig liten til å tillate uttømmende asynkrone simuleringer og inngående karakterisering av begge stabile tilstander og komplekse tiltrekkere, for derved å muliggjøre analyse av alle enkelt og par av hemninger.

for å lette tolkningen, vi definert den generelle responsen vekst
, ved å trekke verdien av Antisurvival
fra verdien av Prosurvival
avlesning noder (hver flere verdier med topp varierende fra 0 til 3), med en verdi på mellom -3 til +3. Hvis attraktor inneholdt en unik stabil tilstand, beregning av veksten
var grei. I tilfelle av komplekse attraktorer brukte vi middelverdiene av forskjellen Prosurvival Anmeldelser - Antisurvival
løpet alle stater som tilhører attraktor. Vi utledes synergi når kombinasjonen av to hemmere produsert en verdi for vekst
lavere enn den minste verdien av hemmere individuelt:

vekst (perturbation1 & perturbation2) < Min (vekst (perturbation1), vekst (perturbation2)), etter hvor perturbationN
er endringen av komponent N
.

For eksempel vekst (perturbationMEK & perturbationAKT)
= 0,5; som er en verdi lavere enn observert med forstyrrelser av enten MEK eller AKT: vekst (perturbationMEK)
= 1,5; vekst (perturbationAKT)
= 2.

Simuleringene spådde fem synergistiske kombinasjoner (< 25% av de 21 mulige parene). Tre av disse kombinasjonene involverer MEK, sammen med PI3K, AKT eller p38. De to gjenværende synergier involvere TAK1 med enten PI3K eller AKT (fig 4).

Eksperimentell validering av modellprediksjoner

For å vurdere gyldigheten av våre modellprediksjoner, en real-time celleanalyse ble brukt for å teste kjemiske inhibitorer av de syv proteiner (tabell 1) for deres evne til å begrense AGS cellevekst i enkelt- og kombinatoriske formuleringer.

virkningen av kjemiske inhibitorer ble analysert ved hjelp av en strategi basert på Loewe definisjon av synergi [28 ], som sier at en synergistisk interaksjon er bedre enn forventet additiv effekt observeres når en inhibitor er kombinert med seg selv i en "null-samspill" eksperiment. For å kvantifisere synergis interaksjoner, ble en kombinatorisk index (CI) beregnes [29], basert på vekst målt 48 timer etter tilsetting hemmere. CI-verdier varierer fra null til uendelig, og verdier under 1 indikerer synergis interaksjoner.

Fire av de fem synergier spådd av vår logiske modell ble bekreftet eksperimentelt, med CI verdier godt under 0,5, noe som indikerer sterk synergi. Faktisk ble en dyp effekt på AGS cellevekst funnet når MEK eller TAK1 hemmere ble kombinert med PI3K eller AKT-hemmere. De tilsvarende vekstkurver (figur 5) viser at cellevekst i nærvær av to-inhibitorer kombinert, hver på en halv deres konsentrasjoner GI50 (lilla kurvene) er markert lavere enn vekst i nærvær av enten inhibitor alene ved sin fulle GI50 konsentrasjon (grønn og blå kurver). I motsetning til dette, kan en kombinasjon av MEK og p38-hemming ikke bekreftes i cellevekstforsøk. Viktigere, observerte vi ingen falske negative forutsigelser, noe som betyr at den gjenværende inhibitor kombinasjoner, som anslås å mangle synergieffekter, faktisk ikke klart å vise synergi i våre cellulære analyser. Til sammen våre modellberegninger viste seg å være svært nøyaktig, korrekt forutsi effektene av 20 av de 21 kombinasjoner.

Synergier av PI3K-MEK eller AKT-MEK hemninger har allerede blitt observert i en rekke tumorceller [ ,,,0],6,30-34], og dermed gi ytterligere tillit til de synergieffektene av TAK1-PI3K og TAK1-AKT hemninger. Derfor er disse nye kombinatoriske hemninger lovende kandidater lett mottagelig for eksperimentell testing i en rekke kreftcelletyper.

Model antyder en nøkkelrolle for FOXO i veksthemming synergi

Forstå signal mekanismene bak synergis hemninger er av stor interesse fordi det kan bidra til identifisering av biomarkører informative av behandlingsrespons, som kan tjene som guider for å velge fra et arsenal av etablerte narkotika synergier riktig behandling for den enkelte pasient.

Undersøkelse av simulerte perturbasjonsteknikker effekter med vår AGS logisk modell avslørt at FOXO, som representerer pro-apoptotiske transkripsjonsfaktorer inaktivert ved fosforylering [35], ble synergi aktivert ved kombinert MEK og PI3K eller MEK og AKT hemming (se S1 tekst). Interessant, enkelt hemmende endringen av MEK, PI3K eller AKT ikke endre FOXO aktivitet (se S1 tekst for mer informasjon). Disse observasjonene sams eksperimentelle funn i menneske navleveneendotel celler (HUVEC), hvor hemmere rettet mot MEK og AKT er rapportert til synergi aktivere FOXO [36], noe som tyder på at våre modellsimuleringer kan gi grunnlag for biologisk relevante hypoteser om molekylære effekter nedstrøms av spesifikke hemmere.

for ytterligere å undersøke mekanismer som involverer FOXO vi simulert inhibitorpartiklene forstyrrelser i en FOXO knock-out modell, og funnet ut at vises kombinert hemming av MEK og PI3K ingen økt veksthemmende virkning i forhold til deres tilsvarende enkelt hemming . Dette indikerer at MEK-PI3K synergi faktisk avhenger av FOXO. For den kombinerte MEK og AKT-inhibering, den FOXO knock-out modell Simuleringene viste bare en mindre reduksjon av den synergistiske virkning av kombinert MEK og AKT-inhibering. Synergien mellom MEK og AKT-hemmere synes dermed å være mindre avhengig av FOXO. Samlet utgjør disse simuleringsresultatene tyder på potensielt interessante forskjeller mellom pro-apoptotiske signal hendelser når man sammenligner MEK-AKT hemming versus MEK-PI3K hemming.

mekanistisk grunnlag av synergier følges ved å hemme TAK1-AKT, eller TAK1- PI3K, er ukjent. Interessant, AGS modell simuleringer viser at FOXO aktiveres når TAK1 hemmes i kombinasjon med enten PI3K eller AKT, men ikke av enkelt hemninger. Aktivering av FOXO er dermed en potensiell megler også for de synergier som involverer TAK1. Til støtte for dette, simuleringer viste at både TAK1-PI3K og TAK1-AKT synergier ble avskaffet når FOXO blir slått ut, i likhet med funn av MEK-PI3K hemming (Se S1 tekst). Potensielt, ERK kunne være involvert i signale nedstrøms TAK1. I så fall MAP kinase kaskade kunne representere en felles mekanisme innblandet i synergien som involverer MEK-PI3K og MEK-AKT, og de som involverer TAK1-PI3K og TAK1-AKT. Men våre AGS modellsimuleringer spår at ERK er fortsatt aktiv etter kombinert hemming av TAK1 og PI3K eller TAK1 og AKT. Dette kan tyde på at MEK /ERK ikke er involvert i nedstrøms effekten av den hemmende forstyrrelser som involverer TAK1. En annen kinase potensielt kan fungere som et punkt av krysstale for TAK1 og PI3K /AKT signalering. I denne forbindelse, NLK (Nemo-lignende kinase) er en interessant kandidat som den er kjent for å opptre nedstrøms TAK1 [37], formidling hemmende fosforylering av FOXO [38].

Modellen baserte forslag som FOXO aktivisering kan være viktig for synergistisk veksthemming ikke finner eksperimentell støtte i mange beretninger om FOXO proteiner som virker som formidlere av cytotoksiske kjemoterapeutiske legemidler [39]. Dette tyder på at den dynamiske oppførselen til vår logisk modell rekapitulerer generiske egenskaper som kan være relevante for en rekke forskjellige krefttyper.

Diskusjoner

Utviklingen av nye anti-kreft medisiner hovedsakelig fokuserer på narkotika rettet mot spesifikke molekylære mål. Imidlertid har kliniske anvendelser ofte vært skuffende, noe som resulterer bare i transiente responser etterfulgt av medikamentresistens som hindrer terapi fordeler. Dette har ført til behandling av terapier basert på kombinasjoner av stoffer målrettet mot forskjellige signalveier eller cellulære prosesser, med sikte på å begrense utviklingen av medikamentresistens og samtidig gir mulighet for en reduksjon av medikamentdosen, for å redusere medikament-indusert toksisk effekter [2,3,40,41].

Disse sterke insentiver for kombinatorisk behandling blir utfordret av de tallrike kombinasjoner for å vurdere og ved det faktum at effektiviteten av en gitt legemiddelkombinasjon er avhengig av naturen av den spesifikke svulst. Derfor, for å oppdage apt medikamentkombinasjoner i et tempo forenlig med det store leteområdet som utgjøres av de mange narkotika og diverse kreftcelle spekteret, er det obligatorisk å utvikle effektive strategier for å forutsi gunstig kombinatorisk behandling for enkelte kreftformer.

Current innsats for å komme til et rasjonelt valg av legemiddel kombinasjonsbehandling ved hjelp av primærtumorcellekulturer og xenograft studier blir konfrontert med høye kostnader og en variabel hastighet på suksess i tumorcelleveksthemming, og sliter med å få svært nøyaktige spådommer innenfor den tidsrammen begrenset av sykdom progresjon [4,42-44]. Mens kreftcellelinje kulturer sjelden mulighet for funn som kan bli direkte overført til en klinisk setting, har de mulighet for eksperimentell undersøkelse av mekanismene bak biologisk mangfold og robusthet, og kan dermed brukes til å utforske strategier for å identifisere potensielt effektive narkotikakombinasjonsbehandlinger. De kan derfor bidra til å etablere et stort arsenal av fordelaktige medikamentkombinasjoner ledsaget av prognostisk verktøy slik at valget av den rette kombinasjon for den enkelte tumoren. Imidlertid, selv i disse cellemodeller, er det ikke mulig å teste alle potensielle medikamentkombinasjoner og tilpasningsmodi for en tilstrekkelig spektrum av kreftcelletyper. I denne sammenheng kan beregningsorientert modellering være til stor hjelp for å redusere den eksperimentelle søket plass.

Vi har vist hvordan en logisk modell bygget fra kjente signaltransduksjon nettverk informasjon kan skreddersys til en bestemt kreftcelle systemet med baseline data , slik at den kan brukes til å forutsi synergistiske og ikke-synergistiske kombinatoriske veksthindrende behandling. Fire av de fem spådd synergistiske kombinasjoner ble bekreftet eksperimentelt med ingen falske negative spådommer. Med en slik suksessrate, ville det ha vært tilstrekkelig til å teste bare en fjerdedel av de 21 mulige medikamentkombinasjoner undersøkt og fortsatt ikke gå glipp av noen synergis par. Våre resultater er oppløftende i lys av suksessraten rapportert fra den siste DREAM utfordringen [7], hvor den best resultater metoden for synergi prediksjon ville ha tillatt å halvere størrelsen på screening eksperimenter. Men det er viktige forskjeller mellom våre studiedesign og at DREAM utfordring: DREAM analysert transkriptom endringer følgende bred virkende kjemoterapeutiske medikamentelle behandlinger, mens vi undersøkt virkningen av inhibitorer med konkrete mål, å stole kun på informasjon fra uaffisert system <. br>

i motsetning til nettverksbaserte strategier, som vanligvis bruker korrelasjonsanalyse av store datasett fra ulike sykdoms fenotyper [45,46], eller store cellekultur narkotika perturbasjonsteknikker data til å trene modeller for narkotika respons spådommer [6 , 7,9,47,48], vår modellering basert strategi utnytter mekanistisk reaksjonsvei molekyl kunnskap, tilgjengelig i databaser, sammen med utgangsdata fra den uaffisert kreftceller av den valgte eksperimentelle system. Dette betyr at vår tilnærming åpner for valg av interessante kandidater for effektive medikamentkombinasjoner før du utfører selve stoffet perturbasjonsteknikker eksperimenter. Så vidt vi vet dette ikke har blitt vist før.

De fleste av regulatoriske nettverk modellering tilnærminger fokus på signale hendelser drevet av spesifikke hormonreseptorer. Dette gjelder studier som undersøker logisk modellering for å forstå konsekvensene av å forstyrre spesifikk vekstfaktor signaltransduksjon tiltak [16,18,49-51], samt til kvantitativ og semi-kvantitativ modellering tilnærminger som brukes til å forutsi effekten av synergistiske signaloverførings perturbasjoner [6,31,52]. I motsetning til dette, viser vår tilnærming som det er mulig å effektivt benytte en modell som representerer en celle skjebne avgjørelse nettverk i aktivt voksende celler uten å ta hensyn eksplisitt noen ytre vekstfremmende stimulus (for eksempel veksthormon). Faktisk, hevder vi at bruk av attraktor av en selvstendig modell av en prolifererende celle som referansepunkt for narkotika synergi analysen gir en god proxy for staten aktivt voksende kreftceller. Kreft cellevekst er ansett å være drevet av en rekke vekstfremmende stimuli. Ikke bare er den potensielle repertoaret av disse signalene betydelig, forholdsvis liten detalj om sine signaleringsmekanismer er kjent. Vi antar derfor at vi kan oppsummere deres effekt ved å vurdere dette mangfold av signaler for å gi en kontekst fremme robust vekst, og at vi derfor kan avfeie noen ytterligere detaljer. På bakgrunn av dette romme vi en vedvarende multifaktordrevet spredning [1] ved å ansette en selvstendig modell, der alle komponenter som inngår er regulert av andre noder i modellen. Konfigurasjonen av komponent aktiviteter kan da utledes fra utgangs biomarkører målt i kreftceller. Sammen utgjør disse modell designprinsipper gjør oss i stand til å generere en dynamisk modell tilpasset spesifikke kreftceller, men ikke avhengig av eksplisitt ekstracellulært innspill fra spesifikke vekstfremmende midler ( e
. g
. Veksthormoner

Other Languages