PLoS вычислительной биологии: открытие Synergies наркотиков в клетках рака желудка, предсказываемых Logical Modeling

Абстрактный

Открытие эффективных комбинаций лекарственных средств против рака является серьезной проблемой, так как экспериментальное тестирование всех возможных комбинаций, очевидно, невозможно. Недавние усилия по вычислительно предсказать комбинированные реакции наркотиков сохраняют это экспериментальное пространство поиска, определения в качестве модели, как правило, опираются на обширные данные о возмущении наркотиков. Мы разработали динамическую модель, представляющую собой решение сети клеточных судеб в AGS желудка линии раковых клеток, опираясь на фоновые знания, извлеченного из литературы и баз данных. Мы определили набор логических уравнений Резюмируя AGS данные, наблюдаемые в клетках в их базовый уровень пролиферативного состояния. С помощью моделирования программного обеспечения GINsim, снижение модели и методы сжатия моделирования были применены, чтобы справиться с огромным пространством состояний больших логических моделей и позволяют моделирования попарных применения специфических сигнальных ингибирующих химическими веществами. Наши расчеты предсказали синергетическое действие ингибирования роста пяти комбинаций из в общей сложности 21 возможных пар. Четыре из предсказанных синергии были подтверждены в рост AGS клеток в реальном масштабе времени анализов, в том числе известные эффекты комбинированных MEK-AKT или MEK-PI3K торможений, наряду с новыми синергетических эффектов комбинированных TAK1-AKT или TAK1-PI3K торможений. Наша стратегия снижает зависимость от априорного возмущений наркотиков экспериментов для хорошо охарактеризованных сигнальных сетей, продемонстрировав, что модель прогнозирования комбинаторных эффектов препарата может быть выведено из фоновых знаний по невозмущенной и пролиферирующих раковых клеток. Таким образом, наш подход к моделированию может способствовать доклинической открытию эффективных лекарственных комбинаций противоопухолевых и тем самым разработку стратегий адаптировать лечение отдельных больных раком.

Автор Резюме

противораковых с комбинациями препаратов увеличивается успех лечения. Тем не менее, из-за большого количества лекарств и вариантов опухолей, она остается чрезвычайно сложной задачей, чтобы определить эффективные комбинации. Чтобы проиллюстрировать это, набор из 150 препаратов соответствует более чем 10000 возможных комбинаций попарных наркотиков. Экспериментальная проверка всех возможностей, очевидно, невозможно. Мы разработали вычислительную модель, которая позволяет нам идентифицировать предположительно эффективные комбинации, и что одновременно предполагает комбинации, вероятно, без эффекта. Модель основана на специфических биомаркеров раковых клеток, полученных из невозмущенными раковых клеток, а затем используется для выполнения обширной автоматизированного логического мышления. Лабораторные испытания прогнозов реагирования наркотиков подтвердили результаты 20 из 21 комбинаций лекарственных средств, в том числе четыре из пяти пар наркотиков предсказанных для синергического ингибирования роста. Наш подход имеет отношение к доклинической открытию эффективных лекарственных комбинаций противоопухолевых, и, таким образом, для разработки стратегий адаптировать лечение отдельных больных раком
<р> Образец цитирования:. Flobak Å, Baudot A, E Remy, Томмесен L, Тиффри D Кюйпера М., и др. (2015) Открытие Synergies наркотиков в желудочном клеток рака, предсказанные логического моделирования. ПНБ вычи Biol 11 (8): e1004426. DOI: 10.1371 /journal.pcbi.1004426
<р> Редактор: Иоаннис Xenarios, Швейцарский Институт биоинформатики, Соединенные Штаты
<р> Поступило: 5 марта 2015 года; Принято: 3 июля 2015; Опубликовано: 28 августа 2015
<р> Copyright: © 2015 Flobak и др. Это статья открытого доступа распространяется в соответствии с условиями лицензии Creative Commons Attribution, которая позволяет неограниченное использование, распространение и воспроизведение на любом носителе, при условии, что оригинальный автор и источник кредитуются
<р> Доступность данных: Все соответствующие данные находятся в пределах своих подтверждающей информации, файлов бумаги и
<р> Финансирование:. Эта работа была поддержана Комитетом по связи между Центральной Норвегии регионального органа здравоохранения (РГА) и норвежского университета науки и технологии (NTNU) путем. Визит был профинансирован EMBO Short Stay стипендий для AB в NTNU, Норвегия, октябрь-ноябрь 2013 г. Доноры не играет никакой роли в дизайн исследования, сбора и анализа данных, решение о публикации или подготовки рукописи.
<р> конкурирующие интересы:. авторы заявили, что не существует никаких конкурирующих интересов

Введение

уже давно предполагается, что в будущем лечение противораковым будет принимать комбинаторные подходы, в которых несколько специфических противораковых препаратов вместе нацелены несколько функций или слабые надежность конкретного опухоли [1-3]. Эффективность комбинаторных методов лечения противоопухолевыми может быть дополнительно максимизируется путем использования синергического действия наркотиков, а это означает, что различные лекарственные средства вводят вместе демонстрируют потенциируют эффект по сравнению с отдельными препаратами. Synergy наркотиками привлекательна, поскольку она позволяет значительно снижение дозы отдельных лекарственных средств, сохраняя при этом желаемый эффект. Поэтому синергия обладают потенциалом для повышения эффективности лечения, не выдвигая разовых доз препарата до уровней, где они приводят к побочных реакций. Таким образом, синергетический эффект, выявленные в доклинических исследованиях представляют собой интересных кандидатов для дальнейшей характеризации в моделях рака и клинических испытаний.

В настоящее время усилия по выявлению полезных комбинаторной терапии противораковыми обычно полагаются на крупномасштабных экспериментальных данных возмущений, либо для принятия решения о специфического лечения пациента [4], или для доклинических трубопроводов предложить новые комбинации лекарственных средств [5-8]. Эта работа, однако, сталкивается с проблемами, возникающих в связи с большим пространства поиска, которая должна быть поддержана экспериментальными данными, что делает систематические поиски эффективных комбинаций сложной. Кроме того, число условий резко возрастает при тестировании с учетом комбинации более высокого порядка, несколько доз наркотиков, временную оптимизацию введения лекарственных средств, а также разнообразие типов раковых клеток и пациентов. Таким образом, методы обхода следует искать, чтобы уменьшить экспериментальное пространство поиска комбинаций лекарственных препаратов и режимов их применения для того, чтобы получить квалифицированную репертуар комбинированной терапии для клинических испытаний, и в конечном счете поддержать доставку персонализированного лечения.
<Р> Вычислительные модели все чаще используются для прогнозирования эффектов препарата [6,9], с целью рационализации и экономии экспериментального узкое место. Для того, чтобы обеспечить существенное сокращение числа соответствующих условий, которые должны быть проверены, такие модели, в идеале, могут быть отображены без необходимости массивных экспериментальных данных о возмущении лекарственного средства. Подходы, где разработка прогнозирующих моделей может быть на основе молекулярных данных от невозмущенной раковых клеток, следовательно, привлекательными.
<Р> Мы решили сосредоточиться на булевыми и многоуровневыми логических моделей, поскольку они дают возможность относительно простой формализацию случайностей, встроенных в молекулярные сети, такие как передача сигналов и генных регуляторных сетей. Кроме того, логическая модель моделирования могут быть использованы для автоматизации рассуждений на динамику сети, даже при скудных знаний кинетических параметров [10-15], и были использованы для описания и прогнозирования поведения молекулярных сетей, затронутых в болезни человека [13,14] , Такие усилия в области моделирования внесли свой вклад в понимание механизмов, лежащих в основе фактора роста индуцированного сигналов в раковых клетках и отбор кандидатов белков-мишеней для нового лечения противораковым [16-23]. В то время как предыдущие исследования продемонстрировали силу логических моделей для прогнозирования одиночные действия наркотиков, мы расширяем использование логического моделирования для прогнозирования последствий комбинаторной ингибирования двух или более компонентов трансдукции сигнала.
<Р> Мы сообщаем о построении логического модель охватывает молекулярные механизмы, через центральную зону для контроля клеточного роста аденокарциномы желудка клеточной линии AGS. После первоначальной сборки комплексной сигнализации и регулирующей сети от трансдукции знаний вообще сигналов, логические правила, связанные с каждым из компонентов модели 75 были уточнены с использованием исходных данных, полученных из активно растущих клеток AGS. Полученная логическая модель была использована для оценки синергии наркотиков потенциал среди 21 парных комбинаций семи химических ингибиторов, каждый из которых предназначен конкретный компонент сигнализации. Результаты моделирования предложены пять комбинаций ингибиторов синергичным, четыре из которых может быть впоследствии подтверждена в экспериментах роста клеток. Важно отметить, что ни одна из комбинаций, предсказанных моделью, чтобы быть не-синергетический не проявляли синергетический ингибирующие эффекты роста в наших клеточных анализах не было обнаружено никаких ложных т.е. негативы. Наши результаты показывают, что наша логическая модель, построенная без использования исходных крупномасштабных данных Ингибитор возмущений, резюмирует ключевые молекулярные механизмы, регулирующие лежащие в основе роста клеток AGS таким образом, что позволяет успешно прогнозировать синергического эффекта ингибитора комбинаций в экспериментальных клеточных культурах. Руководствуясь моделью, мы определили два установленных синергического взаимодействия наркотиков и обнаружили два синергизм ранее не сообщалось.

Результаты

Общая стратегия для прогнозирования и проверки наркотиков синергизм
<р> В для того чтобы обнаружить комбинаторные лекарственной терапии синергически, оказывающих ингибирование роста раковых клеток, мы разработали технологический процесс, сочетающий расчетные и экспериментальные анализы для прогнозирования и проверки взаимодействия наркотиков (рис.1).

Наша процедура моделирования интегрирует априори <бр> биологических знаний о внутриклеточных сигнальных путей с исходными данными из AGS желудочных клеток аденокарциномы. Конструктивные принципы нашего анализа руководствуются предпосылкой, что рост раковых клеток в значительной степени обусловлен механизмами, которые позволяют этим клеткам использовать широкий спектр стимуляторами роста сигналов от окружающей среды. Этот аспект внутренней, устойчивой многофакторной управляемой пролиферации раковых заболеваний [1] размещается путем построения регуляторной сети в качестве самодостаточной модели: мы включаем только узлы, которые регулируются другими узлами в модели. Выбранная конструкция позволяет избежать необходимости моделировать эффекты специфических рецепторов фактора роста, рассматривая вместо интегрированные ответы от множества стимулов стимуляторами роста, как это наблюдается при оценке активности сигнальных лиц (белки и гены), включенных в модель. Из этого следует, что де-факто
стимуляторами роста конфигурации такого самодостаточного модель может быть установлена ​​путем наблюдения базовых биомаркеров измеренных в раковых клетках.
<Р> После того, как стадия восстановления модели, где узлы и логик, имеющие отношение к целям наркотиков и фенотипических выходов сохраняются, модель используется для исчерпывающего моделирования эффекта попарных узлов торможений с использованием семи известных ингибиторов химических. И, наконец, ингибирующие эффекты роста этих комбинаций препаратов на AGS клеток проверена экспериментально.

Логическое моделирование желудка аденокарциномы судьбы решений,

Построение регуляторной графика, охватывающего ключевые сигнальные пути.
<р> AGS клетки питают мутации в многочисленных генов, кодирующих ключевые компоненты сигнализации как известно, дерегулирование в аденокарциномы желудка, например компонентов МАРК, PI3K, Wnt /бета-катенина и путей NF-kB [24,25]. На основе информации, полученной из баз данных и научных публикаций, мы включили информацию о путях МАРК (JNK, р38 МАРК и ERK), то PI3K /AKT /MTOR путей, в /β-катенина пути Wnt, а также пути NF-kB, а также перекрестных помех между этими путями (см рис 2, материалы и методы, и S1 Text). Полученная сеть включает в себя 75 сигналов и регуляторные компоненты (белки, белковые комплексы и гены) и 149 направленных взаимодействий. Два считывания узлов (выходов), с именем Prosurvival
и Antisurvival
, включены для представления клеток судьбы фенотипы. Регулирующий граф с аннотациями доступен в формате SBML (см S1 Dataset и S1 таблицу).

Построение логической модели.
<Р> Регулирующая сеть была преобразована в логическую модель, где местный активность состояние каждого компонента (узла) был представлен логической переменной (принимающая значения 0 или 1). Несколько узлов были связаны с многоуровневого переменными: два выходных узлов, Prosurvival
и Antisurvival
, каждый из которых принимает четыре значения (0, 1, 2, 3), и их непосредственных вверх по течению узлы, каспазы 3/7 и CCND1, каждый из которых принимает три значения (0, 1, 2). Эти многоуровневые переменные узлы используются только для узлов, регулирующих выходов модели, и позволило нам смоделировать градуированный стимуляторами роста /ингибирующие эффекты (см Материалы и методы и S1 Text). Логическая формула была связана с каждым компонентом, определяющим, как уровень его активности контролируется теми ее регуляторов. Наш подход был по умолчанию, чтобы объединить все активирующие регуляторы мишени с логическим оператором или
и ингибирующих регуляторов мишени с оператором AND NOT
(как и в [21]). Это означает, что любой активатор может полностью активировать целевой узел в отсутствие ингибирующей активности. Кроме того, действие любого ингибирующего регулятора может полностью ингибировать мишень, даже в присутствии активирующих ввод из одного или более активаторов. На основе знаний и литературы докладов биологических, более конкретные правила были определены для некоторых компонентов модели (см S1 Text). Для β-катенина пути, в частности, мы переработали логические правила узлов, представляющих активность бета-TrCP (разрушение комплекса β-катенин), TCF (целевая из β-катенина активности), а узел, представляющий активность бета-катенина сама по себе.
<р> в любое время, глобальное состояние системы представлена ​​дискретным вектором, содержащим булеву или значения многоуровневые активности для всех сетевых компонентов [26]. Поскольку все узловые состояния итеративно обновляются при моделировании модель сходится к ее аттракторов, представляемых одиночными глобальных фиксированных состояний в простых аттракторов, или множества состояний многократно пересекали в сложных аттракторов. На основании нормативно-графа и логические правила, определенные выше, мы использовали мощный алгоритм, реализованный в GINsim вычислить все устойчивые состояния модели.
<Р> Для калибровки модели относительно активно растущих AGS клеток, мы сравнили состояние узла прогнозы в отношении AGS базовых наблюдений биомаркеров в литературе. Мы проанализировали 72 научных публикаций и обнаружили 219 экспериментов с пролиферирующие клетки AGS, содержащие информацию о деятельности белков, представленных в нашей модели (см S1 и S2 Text Table). Мы выбрали подмножество 21 белков, для которых данные активность была поддержана несколькими независимыми, но постоянными сообщениями. С помощью этих экспериментальных наблюдений в качестве руководящих принципов для белковых деятельности "золотым стандартом" в активно растущих клетках AGS, мы сравнили состояние каждого из них с их уровнем в вычисленного аттрактора модели. Для получения одного устойчивого состояния, содержащего уровни активности всех компонентов модели, логические правила компонентов ЭРК пути (SHC1, SOS, Raf, MEK и ERK) были определены, чтобы отразить наблюдение, что ERK активен в пролиферирующих AGS клетки (см S1 Текст и Таблица S2). После этих изменений, модель оказалась оптимизировано: наблюдаемый аттрактор невозмущенной модели было стабильное состояние тщательно подтверждается экспериментальными наблюдениями в невозмущенной растущих AGS клеток, так как значения всех 21 узлов, которые мы были в состоянии проверить матч сообщили белка деятельность (см S1 Text, S3 и S4 таблицы). Кроме того, значение считывающих узлов Prosurvival
был на максимуме, и Antisurvival в своем минимуме, представляя сильную пролиферацию ( Prosurvival
= 3, и Antisurvival
= 0). Эта модель стабильное состояние, таким образом, в соответствии с опубликованной знаний о молекулярных состояний в активно растущих клетках AGS. Эта модель также выполнила с результатами экспериментов, опубликованных возмущений клеток AGS (см S1 текст и S6 таблицу). Полученная логическая модель, кодируются с программным обеспечением GINsim v2.9, показана на рис 2. Соответствующий файл GINsim обеспечивается как S2 Dataset.

В силикомарганца
моделирования предсказывают пять ингибиторов взаимодействия

для того, чтобы оценить комбинации торможений для синергии, мы сосредоточили внимание на систематическое торможение семи модельных узлов и их 21 парных комбинаций. Эти семь узлов (маркированные с толстыми границами на рис 2), были выбраны потому, что мощные и специфические ингибиторы химические были доступны для нацеливания соответствующих протеинкиназ в биологических экспериментах (таблица 1).
<Р> с помощью асинхронного политики обновления (см Материалы и методы), мы моделировали эффект химических торможений, заставляя состояние конкретных целевых модельных узлов быть 0 (неактивный), а затем вычислением полученного аттрактора. Каждое торможение отдельных узлов или пар узлов привело к уникальному аттрактора. В некоторых случаях система достигла сложного аттрактор, в котором подмножество состояний проходимого неоднократно (см Материалы и методы и S1 Text). Вычисление потенциальных сложных аттракторов является сложной задачей из-за комбинаторного взрыва состояний для больших логических моделей. Для того, чтобы справиться с этой проблемой, мы использовали метод редукции модели для получения сжатого модель сохранения выбранных лекарственных целей, и уплотняют графики перехода между состояниями в иерархическом порядке (см Материалы и методы и [14]). Приведенная логическая модель (см 3 и S3 Dataset) получали путем итеративного удаления компонентов не мишенью для лекарств, и был достаточно мал, чтобы позволить исчерпывающие асинхронные моделирования и тщательного характеристику обоих устойчивых состояний и сложных аттракторов, тем самым позволяя анализ все одиночные и пары торможений.
<р> Чтобы облегчить интерпретацию, мы определили общий ответ рост
, путем вычитания значения Antisurvival
от значения Prosurvival <бр> считывания узлов (каждый многозначным с состоянием в диапазоне от 0 до 3), с диапазоном значений от -3 до +3. Если аттрактор содержит единственное устойчивое состояние, вычисление рост
был прост. В случае сложных аттракторов мы использовали средние значения разности Prosurvival
- Antisurvival
по всем состояниям, принадлежащих к аттрактору. Мы пришли к выводу синергии, когда комбинация двух ингибиторов получают значение для роста
ниже, чем наименьшее значение ингибиторов по отдельности:

роста (perturbation1 &Amp; perturbation2) &ЛТ; Min (рост (perturbation1), рост (perturbation2)),
где perturbationN
это возмущение компонента N
.
<Р> Например, рост (perturbationMEK &Amp; perturbationAKT)
= 0,5; которая представляет собой величину ниже, чем наблюдалось с возмущениями либо MEK или АКТ: рост (perturbationMEK)
= 1,5; роста (perturbationAKT)
= 2.
<р> Моделирование предсказал пять синергетических комбинаций (&л; 25% из 21 возможных пар). Три из этих комбинаций включать МЕК, вместе с PI3K, AKT или р38. Два оставшихся синергизм включают TAK1 либо PI3K или АКТ (рис 4).

Экспериментальная проверка предсказаний модели

Для того, чтобы оценить обоснованность наших предсказаний модели, была использована для анализа в режиме реального времени клеток для тестирования химических ингибиторов семи белков (таблица 1) за их способность ограничивать рост клеток AGS в одиночных и комбинаторных композиций
. <р> влияние химических ингибиторов анализировали с использованием стратегии, основанной на определении Loewe в синергии [28 ], в котором говорится, что синергетическое взаимодействие работает лучше, чем ожидаемый аддитивный эффект наблюдается, когда ингибитор сочетается с собой в эксперименте «нулевого взаимодействия». Для количественной оценки синергического, комбинаторный индекс (ДИ) вычисляли [29], основанный на росте измеряется через 48 часов после добавления ингибиторов. Значения CI в диапазоне от нуля до бесконечности, а значения ниже 1 указывают на синергетическое взаимодействие.
<р> Четыре из пяти синергии, предсказанных нашей логической модели были подтверждены экспериментально, со значениями CI значительно ниже 0,5, что свидетельствует о сильной синергии. Действительно, глубокое влияние на рост AGS клеток был обнаружен, когда ингибиторы МЕК или TAK1 были объединены с PI3K или AKT ингибиторов. Соответствующие кривые роста (рис 5) свидетельствуют о том, что рост клеток в присутствии двух ингибиторов вместе взятых, каждый в половине их концентрации GI50 (фиолетовые кривые) заметно ниже, чем рост в присутствии либо ингибитора в одиночку на своей полной концентрации GI50 (зеленый и синие кривые). В противоположность этому, сочетание МЕК и ингибирования р38 не может быть подтверждена в экспериментах роста клеток. Важно отметить, что мы не наблюдали ложно отрицательных прогнозов, а это означает, что остальные комбинации ингибитора, по прогнозам, не хватает синергетические эффекты, на самом деле не проявили согласованности в наших клеточных анализах. Взятые вместе, наши модельные расчеты оказались очень точными, правильно прогнозирования последствий 20 из 21 комбинаций.
<Р> синергия из PI3K-MEK или AKT-MEK сдерживающие уже наблюдались в различных опухолевых клеток [ ,,,0],6,30-34], обеспечивая тем самым дальнейшее доверие к синергии TAK1-PI3K и TAK1-AKT торможений. Следовательно, эти новые комбинаторные сдерживающие факторы являются перспективными кандидатами легко поддающиеся экспериментальной проверке в ряде типов раковых клеток.

Модель предполагает ключевую роль FOXO в торможении роста синергии
<р> Понимание механизмов, лежащих в основе сигнализации синергетические сдерживающие представляет большой интерес, поскольку он может способствовать идентификации биомаркеров информативных ответа на лечение, которое может служить в качестве руководства для выбора из арсенала установленных синергии наркотиков правильное лечение для каждого конкретного пациента.
<р> Исследование моделируемые эффекты возмущения с нашей AGS логической модели показали, что FOXO, представляющий проапоптотического факторы транскрипции инактивированные путем фосфорилирования [35], был синергически активируется комбинированным МЕК и PI3K или MEK и AKT торможения (см S1 текст). Интересно, что одиночный тормозящее возмущение MEK, PI3K или AKT не изменилась FOXO активность (см S1 текст для получения более подробной информации). Эти наблюдения совпадают экспериментальные данные в пупочной клетках человека вены эндотелия (HUVEC), где ингибиторы таргетингом MEK и AKT, по сообщениям, синергетически активировать FOXO [36], что говорит о том, что наши модели моделирования могут служить основой для биологически соответствующих гипотез о молекулярных эффектов ниже по потоку специфические ингибиторы.
<р> для дальнейшего изучения механизмов, связанных с FOXO мы моделировали возмущения ингибитора в нокаут модели FOXO, и обнаружили, что комбинированное ингибирование МЕК и PI3K не проявляли усиленный эффект ингибирования роста по сравнению с их соответствующей одной ингибирования , Это указывает на то, что синергия МЕК-PI3K на самом деле зависит от FOXO. Для комбинированного ингибирования MEK и AKT, то FOXO выбивания модельные эксперименты показали лишь незначительное снижение синергического эффекта комбинированного ингибирования MEK и AKT. Синергизм ингибиторов MEK и AKT, таким образом, по-видимому, менее зависимой от FOXO. Взятые вместе, эти результаты моделирования показывают, потенциально интересные различия между про-апоптотических сигнальных событий, при сравнении MEK-AKT ингибирования по сравнению ингибирования MEK-PI3K.
<Р> Механистическая основа синергии наблюдается при ингибировании TAK1-AKT, или TAK1- PI3K, неизвестно. Интересно отметить, что модельные эксперименты показывают, что AGS FOXO активируется, когда TAK1 тормозится в сочетании либо с PI3K или AKT, но не единичными торможений. Активация FOXO Таким образом, потенциальный посредник для взаимодействия с участием TAK1. В подтверждение этого, моделирование показало, что оба TAK1-PI3K и TAK1-AKT синергизм были отменены, когда FOXO пробит-аут, аналогично нахождению ингибирования MEK-PI3K (См S1 текст). Потенциально, ERK могут быть вовлечены в передаче сигналов на выходе TAK1. В этом случае MAP-киназа каскад может представлять собой общий механизм замешан в синергии с участием MEK-PI3K и MEK-AKT, и те, с участием TAK1-PI3K и TAK1-AKT. Тем не менее, наши AGS модельных расчетов предсказывают, что ERK все еще активен после комбинированного ингибирования TAK1 и PI3K или TAK1 и AKT. Это может свидетельствовать о том, что MEK /ERK не участвует в последующих эффектов тормозящих возмущений, связанных с TAK1. Другой киназа потенциально может функционировать в качестве точки перекрестных помех для TAK1 и PI3K сигнализации /Akt. В связи с этим, НЛК (Nemo-подобные киназы) является интересным кандидатом, как известно, действовать вниз по течению TAK1 [37], опосредовании ингибирующего фосфорилирования FOXO [38].
<Р> Модель на основе предположения, что FOXO активация может иметь важное значение для синергического ингибирования роста действительно находит экспериментальное подтверждение в многочисленных счетах FOXO белков, выступающих в качестве посредников цитотоксических химиотерапевтических препаратов [39]. Это говорит о том, что динамическое поведение нашей логической модели резюмирует общие свойства, которые могут иметь отношение к целому ряду различных типов опухолей.

Обсуждение
<р> разработка новых лекарств против рака в основном фокусируется на наркотики направлены против конкретных молекулярных мишеней. Однако клиническое применение часто вызывает разочарование, в результате чего только в переходных характеристик с последующей лекарственной устойчивости, которая препятствует преимущества терапии. Это привело к рассмотрению терапии, основанные на комбинации препаратов, предназначенных для различных сигнальных путей или клеточных процессов, с целью ограничить развитие лекарственной устойчивости, и в то же время обеспечивают уменьшение дозы препарата, чтобы снизить медикаментозный токсичны эффекты [2,3,40,41].
<р> Эти сильные стимулы для комбинаторной лечения наркомании сталкиваются с проблемой многочисленных комбинаций, чтобы рассмотреть и тот факт, что эффективность данной комбинации лекарственных средств зависит от характера специфическая опухоль. Таким образом, чтобы обнаружить меткие комбинации лекарственных средств в темпе, совместимом с огромным пространства поиска, исходящей от многих лекарств и разнообразного спектра раковых клеток, он является обязательным для разработки эффективных стратегий для прогнозирования благотворное комбинаторной лечения отдельных видов рака
. <Р> Текущая усилия, чтобы прийти к рациональному выбору лекарственной комбинации терапии с использованием первичных культур опухолевых клеток и ксенотрансплантатов исследования сталкиваются с высокими затратами и с переменной скоростью успеха в ингибирования роста опухолевых клеток, и изо всех сил, чтобы получить очень точные прогнозы в течение срока, ограниченного заболевания прогрессирование [4,42-44]. В то время как линии раковых клеток культуры редко допускают открытий, которые могут быть непосредственно переданы в клинических условиях, они позволяют для экспериментального исследования механизмов, лежащих в основе биологического разнообразия и устойчивости, и, таким образом, могут быть использованы для изучения стратегий для выявления потенциально эффективные комбинации лекарственных средств терапии. Таким образом, они могут внести свой вклад в создание большой арсенал выгодных комбинаций лекарственных средств, сопровождаемых прогностические инструментов, позволяющих выбор правильной комбинации для отдельной опухоли. Тем не менее, даже в этих клеточных моделях, это не представляется возможным, чтобы испытать все потенциальные комбинации лекарственных средств и способы применения в течение достаточного спектра типов раковых клеток. В этом контексте, численное моделирование может оказать большую помощь, чтобы уменьшить экспериментальную пространство поиска.
<Р> Мы показали, как логическая модель, построенная из известной информации трансдукции сигнала сети может быть адаптирована к конкретной системе раковых клеток с использованием исходных данных , так что он может быть использован для прогнозирования синергических и не синергетические комбинаторных роста-мешая лечения. Четыре из пяти предсказанных синергетических комбинаций были подтверждены экспериментально без ложных негативных предсказаний. С такой вероятностью успеха, было бы достаточно, чтобы испытать только четверть из 21 возможных комбинаций лекарственных средств исследованных и до сих пор не пропустить ни одного синергетический пары. Наши результаты обнадеживают в свете вероятности успеха сообщили из недавней DREAM вызов [7], где наиболее эффективные метод прогнозирования синергии позволило бы вдвое сократить размер экспериментов скрининга. Тем не менее, существуют важные отличия нашего дизайна исследования и что из DREAM задачи: МЕЧТА проанализированы изменения Транскриптом следующие общие действия химиотерапевтических лекарственной терапии, в то время как мы исследовали действие ингибиторов с конкретными целями, полагаясь только на информации, полученной от невозмущенной системы <. BR>

в отличие от сети на основе стратегий, которые обычно используют корреляционный анализ крупномасштабных наборов данных из различных фенотипов заболевания [45,46], или крупномасштабных данных возмущений клеточной культуры препарат для подготовки моделей для предсказания ответа наркотиков [6 , 7,9,47,48], наша стратегия моделирования на основе механистической эксплуатирует знания молекулярный путь, доступный в базах данных, наряду с исходными данными от невозмущенного раковых клеток выбранной экспериментальной системы. Это означает, что наш подход позволяет для отбора интересных кандидатов эффективных комбинаций лекарственных средств перед выполнением реальных экспериментов возмущающие наркотиков. Насколько нам известно, это не было успешно продемонстрировано ранее.
<Р> Большинство моделирования регуляторной сети приближается внимание на сигнальных событий движимый специфических рецепторов гормонов. Это относится и к исследованиям, расследующих логическое моделирование, чтобы понять последствия вмешательства в конкретных ответов роста трансдукции сигнала фактора [16,18,49-51], а также для количественного и полуколичественного моделирования подходов, используемых для прогнозирования влияния трансдукции возмущений синергетический сигналов [6,31,52]. В отличие от этого, наш подход показывает, что можно эффективно использовать модель, представляющую собой решение ячейки сети судьба в активно растущих клеток без учета явно какого-либо внешнего ростостимулирующая стимул (например, гормон роста). Действительно, мы утверждаем, что использование аттрактор самодостаточной модели пролиферирующих клеток в качестве опорной точки для анализа синергии препарат обеспечивает хороший прокси-сервер для состояния активно растущих раковых клеток. рост раковых клеток, как полагают, обусловлено множеством стимулов, стимуляторами роста. Мало того, что потенциальный репертуар этих сигналов существенным, относительно мало подробностей об их сигнальных механизмов известно. Поэтому мы считаем, что мы можем суммировать их эффект, рассматривая это множество сигналов, чтобы обеспечить контекст способствуя устойчивый рост и что поэтому мы можем отклонить любые дальнейшие подробности. На этой основе мы вмещать устойчивый многофакторную приводом пролиферации [1], используя самодостаточную модель, в которой все компоненты, включенные регулируются другими узлами в модели. Конфигурация компонентов деятельности, то можно сделать вывод из исходных биомаркеров, измеренных в раковых клетках. Вместе эти принципы модели проектирования позволяют генерировать динамическую модель с учетом конкретных раковых клеток, но не зависит от явного внеклеточного входа от конкретных стимуляторами роста агентов ( е
. гормоны г
. Роста

• PLoS ONE: Ассоциация MTOR и AKT Gene полиморфизмов с восприимчивостью и выживание рака желудка
• PLoS ONE: Полиморфизм ДНК метилтрансферазы 3b и ассоциации с развитием и прогнозирования в рака желудка