PLOS Computational Biology: Ontdekking van de Drug Synergies bij maagkanker Cellen voorspeld door Logical Modeling

Abstract

Ontdekking van een efficiënte anti-kanker medicijn combinaties is een grote uitdaging, omdat experimentele testen van alle mogelijke combinaties is duidelijk onmogelijk. Recente pogingen om computationeel voorspellen drugcombinatie reacties behouden deze experimentele zoekruimte, als model definities meestal rekenen op uitgebreide drug verstoring van gegevens. We ontwikkelden een dynamisch model vertegenwoordigt een Celgedrag netwerk in de AGS maagkanker cellijn, met een beroep op de achtergrond kennis gewonnen uit de literatuur en databases. We definieerde een reeks logische vergelijkingen indient AGS data waargenomen in cellen in hun baseline proliferatieve toestand. Met de modelleringssoftware GINsim, modelreductie simulatie en compressietechnieken toegepast moeten omgaan met de enorme toestandsruimte grote logische modellen en maken simulaties paarsgewijze toepassingen specifieke signalering remmende chemicaliën. Onze simulaties voorspelde synergetische groeiremmende werking van vijf combinaties uit een totaal van 21 mogelijke paren. Vier van de voorspelde synergieën werden bevestigd in AGS celgroei real-time analyses, met inbegrip van bekende effecten van gecombineerde MEK-AKT of MEK-PI3K remmingen, samen met nieuwe synergetische effecten van de gecombineerde TAK1-AKT of TAK1-PI3K remmingen. Onze strategie vermindert de afhankelijkheid van a priori drug verstoring experimenteren voor goed gekarakteriseerd signalering netwerken, door aan te tonen dat een model voorspellende van combinatorische effecten van geneesmiddelen kan worden afgeleid uit de achtergrond kennis over onverstoorbaar en woekerende kankercellen. Onze modelmatige benadering kan zo bijdragen aan preklinische ontdekking van een efficiënte anti-drug combinaties, en daarmee tot de ontwikkeling van strategieën om de behandeling af te stemmen op de individuele patiënt kanker.

Auteur Samenvatting

Het vechten kanker met combinaties van geneesmiddelen neemt toe succes van de behandeling. Vanwege het grote aantal middelen en tumor varianten, blijft een geweldige uitdaging om efficiënte combinaties te identificeren. Om dit te illustreren, een set van 150 drugs komt overeen met meer dan 10.000 mogelijke paarsgewijze combinaties van geneesmiddelen. Experimenteel testen van alle mogelijkheden is duidelijk onmogelijk. We hebben een rekenmodel waarmee we vermoedelijk effectieve combinaties te identificeren ontwikkeld, en dat suggereert tegelijkertijd combinaties waarschijnlijk zonder effect. Het model is gebaseerd op specifieke kankercel biomarkers verkregen onverstoorde kankercellen, en wordt vervolgens gebruikt om uitgebreide geautomatiseerde logische redenering voeren. Laboratoriumonderzoek van de drug reactie voorspellingen bevestigde resultaten voor 20 van de 21 combinaties van geneesmiddelen, waaronder vier van de vijf drug paren voorspeld groei synergetisch remmen. Onze aanpak is om preklinische ontdekking van een efficiënte anti-drug combinaties relevant, en dus voor de ontwikkeling van strategieën om de behandeling aan te passen aan de individuele kankerpatiënten

Visum:. Flobak Å, Baudot A, Remy E, Thommesen L, Thieffry D Kuiper M, et al. (2015) Ontdekking van de Drug Synergies bij maagkanker Cellen voorspeld door Logical Modeling. PLoS Comput Biol 11 (8): e1004426. doi: 10.1371 /journal.pcbi.1004426

Editor: Ioannis Xenarios, Zwitsers instituut voor Bio-informatica, VERENIGDE STATEN

Ontvangen: 5 maart 2015; Aanvaard: 3 juli 2015; Gepubliceerd: 28 augustus 2015

Copyright: © 2015 Flobak et al. Dit is een open toegang Artikel gedistribueerd onder de voorwaarden van de Creative Commons Attribution License, die onbeperkt gebruik, distributie en reproductie maakt in elk medium, op voorwaarde dat de oorspronkelijke auteur en de bron worden gecrediteerd

Data Beschikbaarheid: Alle relevante gegevens zijn binnen het papier en de Ondersteunende informatie bestanden

Financiering:. Dit werk werd ondersteund door het Liaison Committee tussen het Centraal Noorwegen Regional Health Authority (RHA) en de Noorse Universiteit voor Wetenschap en Technologie (NTNU). Een bezoek werd gefinancierd door de EMBO Short Stay Fellowship voor AB om NTNU, Noorwegen, oktober-november 2013. De financiers hadden geen rol in de studie design, het verzamelen van gegevens en analyse, besluit te publiceren, of de voorbereiding van het manuscript.

concurrerende belangen. De auteurs hebben verklaard dat er geen tegenstrijdige belangen bestaan ​​

Introductie

Het is al lang de bedoeling dat de toekomstige behandeling tegen kanker combinatorische benaderingen, zal aannemen waarin verschillende specifieke geneesmiddelen tegen kanker samen richten op meerdere robuustheid functies of zwakheden van een bepaalde tumor [1-3]. De effectiviteit van combinatorische anti-kankerbehandelingen kan verder worden geoptimaliseerd door gebruik synergistische geneesmiddel acties, wat betekent dat verschillende geneesmiddelen toegediend tezamen vertonen een gepotentieerde effect in vergelijking met de individuele geneesmiddelen. Drug synergie is aantrekkelijk omdat het zorgt voor een aanzienlijke vermindering van de dosering van de individuele geneesmiddelen, met behoud van het gewenste effect. Synergieën Houd daarom de potentie om werkzaamheid van de behandeling te verhogen, zonder te duwen enkel geneesmiddel doses tot een niveau waar ze leiden tot bijwerkingen. Vandaar dat de synergieën die in preklinische studies vormen interessante kandidaten voor verdere karakterisering in kanker modellen en klinische proeven.

De huidige inspanningen om de gunstige combinatorische anti-kanker therapieën te identificeren meestal rekenen op grootschalige experimentele verstoring van gegevens, hetzij voor de besluitvorming over specifieke behandeling van de patiënt [4], of pre-klinische pijpleidingen te suggereren nieuwe drug combinaties [5-8]. Dit werk is echter geconfronteerd met uitdagingen als gevolg van de grote zoektocht ruimte die moet worden ondersteund door experimentele gegevens, het maken van een systematische zoekopdrachten voor een efficiënte combinaties uitdagend. Bovendien verhoogt het aantal condities voor het testen dramatisch bij het overwegen van hogere orde combinaties meervoudige doses geneesmiddel, tijdelijke optimalisering van geneesmiddeltoediening en diversiteit typen kankercellen en patiënten. Zo mag oplossingen worden gezocht om te verminderen de experimentele zoekruimte van combinaties van geneesmiddelen en hun toepassing modi teneinde een gekwalificeerde repertoire van combinatietherapieën voor klinische proeven te verkrijgen, en uiteindelijk het afleveren van gepersonaliseerde behandeling ondersteunen.

rekenmodellen worden steeds meer gebruikt om geneesmiddeleffecten [6,9] voorspellen, teneinde te rationaliseren en bezuinigen de experimentele bottleneck. Om aanzienlijke vermindering van het aantal relevante voorwaarden die moeten worden getest mogelijk zouden dergelijke modellen idealiter worden geconstrueerd zonder dat grote experimentele drug storing data. Benaderingen welk preparaat voorspellende modellen zijn gebaseerd op moleculaire gegevens van ongestoorde kankercellen dus aantrekkelijk.

We besloten te richten op Booleaanse logische en multilevel modellen omdat ze een relatief eenvoudige formaliseren van de causaliteiten ingebed in inschakelen moleculaire netwerken, zoals signaaltransductie en gen regulerende netwerken. Bovendien kunnen logisch model simulaties worden gebruikt om motivering netwerkdynamiek automatiseren, zelfs met onvoldoende kennis van kinetische parameters [10-15], en werden gebruikt om het gedrag van moleculaire netwerken beïnvloed menselijke ziekte [13,14] beschrijven en voorspellen . De modellering inspanningen hebben bijgedragen aan het begrip van mechanismen verantwoordelijk groeifactor geïnduceerde signalering in kankercellen en de selectie van kandidaat doeleiwitten voor nieuwe anti-kankerbehandeling [16-23]. Hoewel eerdere studies de kracht van logische modellen enkel geneesmiddel acties voorspellen gebleken breiden we het gebruik van logische modellering om de effecten van combinatorische inhibitie van twee of meer signaaltransductiecomponenten voorspellen.

Wij rapporteren de bouw van een logische model omvat moleculaire mechanismen die centraal staat in het beheersen van de cellulaire groei van het adenocarcinoom van de maag-cellijn AGS. Na een eerste samenstel van een uitgebreide signalering en regelgevingsnetwerk van signaaltransductie algemene kennis, zijn de logische regels die zijn gekoppeld met elk van de 75 modelcomponenten verfijnd met behulp van referentiegegevens verkregen uit actief groeiende cellen AGS. De resulterende logisch model werd gebruikt om drugs synergiemogelijkheden tussen de 21 paarsgewijze combinaties van zeven chemische remmers, elk gericht op een specifieke signalering component beoordelen. Simulaties voorgesteld vijf combinaties van inhibitoren synergistisch zijn, waarvan er vier kunnen vervolgens bevestigd celgroei experimenten. Belangrijk, geen van de combinaties voorspeld door het model niet synergistisch is weergegeven synergetische groeiremmende effecten onze cellulaire bepalingen werden d.w.z. zonder valse negatieven waargenomen. Onze resultaten tonen aan dat ons logisch model geconstrueerd zonder het gebruik van aanvankelijke grootschalige remmer storing data, recapituleert belangrijkste moleculaire regulatiemechanismen onderliggende groei van AGS cellen op een wijze die succesvolle voorspelling van het synergetische effect van inhibitor combinaties experimentele celculturen mogelijk maakt. Geleid door het model, identificeerden we twee gevestigde synergetische interacties tussen geneesmiddelen en ontdekte twee synergieën niet eerder gemeld.

Resultaten

Algemene strategie voor het voorspellen en validatie van drugs synergieën

In om combinatorische medicamenteuze behandelingen synergetisch uitoefenen van de remming van de groei van kankercellen te ontdekken, ontwikkelden we een workflow combineren computational en experimentele analyses te voorspellen en te valideren drug synergie (figuur 1).

Onze modeling procedure integreert a priori
biologische kennis op intracellulaire signaalroutes met een uitgangswaarde van de gegevens van AGS adenocarcinoom van de maag cellen. De ontwerpprincipes van onze analyse worden geleid door de veronderstelling dat de groei van kankercellen grote mate door mechanismen die deze cellen in staat om een ​​breed scala van groeibevorderende signalen uit de omgeving te benutten. Dit aspect van intrinsieke, aanhoudende-multifactoriële gedreven proliferatie kanker [1] wordt opgevangen door de aanleg van de regelgeving netwerk als een op zichzelf staand model: nemen we alleen nodes die worden gereguleerd door andere knooppunten in het model. Het gekozen ontwerp voorkomt de noodzaak om effecten van specifieke groeifactorreceptoren, gezien de plaats geïntegreerde antwoorden van een veelheid van groeibevorderende stimuli, zoals waargenomen bij de beoordeling van de activiteit van signalering entiteiten (eiwitten en genen) model in het model opgenomen. Hieruit volgt dat facto
groeibevorderende configuratie van dergelijke zelfstandige model kan worden vastgesteld door het observeren basislijn biomerkers gemeten in de kankercellen.

Na een model reductiestap, waarbij knooppunten en logica met betrekking tot drug targets en fenotypische uitgangen behouden, het model wordt gebruikt voor volledige simulaties van het effect van paarsgewijze knooppunt remmingen middels zeven bekende chemische remmers. Ten slotte worden de groeiremmende effecten van deze drug combinaties op AGS cellen experimenteel getest.

Logische modellering van maagdarmkanker cel beslissingen over het lot

De bouw van een regelgevend grafiek omvat belangrijke signaalwegen.

AGS cellen herbergen mutaties in verschillende genen die coderen sleutel signaleringscomponenten bekend zijn ontregelde maagdarmkanker, bijvoorbeeld componenten van MAPK, PI3K, Wnt /β-catenine en NF-kB pathways [24,25]. Op basis van de opgedane kennis uit databases en wetenschappelijke publicaties, hebben we informatie over de MAPK paden (JNK, p38 MAPK en ERK), de PI3K /AKT /mTOR trajecten, de Wnt /β-catenine route, en de NF-kB route geïntegreerd, alsmede overspraak tussen deze routes (zie figuur 2, Materialen en methoden en S1 tekst). Het resulterende netwerk bestaat uit 75 signalering en regulerende componenten (eiwitten, eiwitcomplexen en genen) en 149 gericht interacties. Twee uitlezing nodes (outputs), genaamd prosurvival Kopen en Antisurvival
, zijn opgenomen om lot van de cel fenotypes vertegenwoordigen. De regelgevende grafiek met annotaties is beschikbaar in SBML formaat (zie S1 dataset en S1 Table).

De bouw van een logisch model.

De regelgevende netwerk werd omgezet in een logisch model, waar de lokale toestand van elke component (knooppunt) activiteit werd vertegenwoordigd door een Booleaanse variabele (waarbij de waarde 0 of 1). Een paar nodes werden geassocieerd met multileveled variabelen: de twee uitgang nodes, prosurvival Kopen en Antisurvival
, waarbij ze elk vier waarden (0, 1, 2, 3), en hun directe upstream knooppunten, caspase 3/7 en CCND1, waarbij ze elk drie waarden (0, 1, 2). Deze multilevel variabele nodes worden alleen gebruikt voor nodes met betrekking tot de resultaten van het model, en stelde ons in staat om gesorteerde groeimodel bevorderen /remmende effecten (zie Materialen en Methoden en S1 tekst). Een logische formule werd geassocieerd met elke component, vast hoe het activiteitsniveau wordt bestuurd door die van de regulatoren. Onze standaard aanpak was om alle activeren van regulators van een doel te combineren met de Booleaanse operator OR
en remmende regulatoren van een doel met de operator EN NIET
(zoals in [21]). Dit houdt in dat de activator volledig doelknooppunt in afwezigheid van remmende activiteit activeert. Bovendien kan de werking van elke remmende regulator volledig het doel remmen, zelfs in aanwezigheid van activerende invoer van één of meer activatoren. Op basis van de biologische kennis en literatuur rapporten, werden er meer specifieke regels vastgelegd voor een aantal onderdelen van het model (zie S1 Tekst). Voor het β-catenine route in het bijzonder, we geraffineerde logische regels knooppunten die activiteit van β-TrCP (de β-catenine vernietiging complex), TCF (een doel van β-catenine activiteit) en de node die activiteit van β-catenine zelf.

op elk moment, is de globale toestand van het systeem voorgesteld door een discrete vector die de Booleaanse of multilevel activiteit waarden voor alle netwerkcomponenten [26]. Aangezien alle knooppunt staten iteratief worden bijgewerkt in simulaties van het model convergeert naar haar attractors, vertegenwoordigd door enkele wereldwijde vaste staten in eenvoudige attractoren of reeksen staten herhaaldelijk doorkruist in complexe attractoren. Op basis van de regelgeving grafiek en logische regels hierboven omschreven, gebruikten we een krachtig algoritme in GINsim geïmplementeerd om alle stabiele toestanden van het model te berekenen.

Om het model met betrekking kalibreren om actief groeiende AGS-cellen, vergeleken we knooppunt staat voorspellingen tegen AGS basislijn biomarker waarnemingen gemeld in de literatuur. We beoordeeld 72 wetenschappelijke publicaties en vond 219 experimenten met prolifererende AGS cellen het verstrekken van informatie over de activiteit van eiwitten die vertegenwoordigd zijn in ons model (zie S1 Tekst en S2 Table). We kozen voor een subset van 21 eiwitten waarvoor de activiteitsgegevens werd ondersteund door verscheidene onafhankelijke maar consistente rapporten. Met deze experimentele waarnemingen als richtlijnen voor "gouden standaard" eiwitactiviteiten in actief groeiende cellen AGS, vergeleken we de toestand van elk met het niveau in de berekende attractor van het model. Om een ​​enkele stabiele toestand met activiteit van alle modelcomponenten te verkrijgen, werden de logische regels van de componenten van de ERK pathway (SHC1, SOS, Raf, MEK en ERK) gedefinieerd om de constatering dat ERK is actief in delende AGS cellen te geven (zie S1 en S2 Text Table). Na deze wijzigingen, het model bleek te optimaliseren: de waargenomen attractor van de ongestoorde model was een stabiele toestand grondig bevestigd door experimentele waarnemingen in onverstoorde groeiende AGS cellen, omdat de waarden van alle 21 nodes dat we in staat waren om match te controleren gemeld eiwit activiteiten (zie S1 tekst, S3 en S4 Tables). Daarnaast is de waarde van de uitlezing knooppunten prosurvival
was op zijn maximum, en Antisurvival op zijn minimum, wat neerkomt op een sterke toename ( prosurvival
= 3, en Antisurvival
= 0). Dit model stabiele toestand is dus in overeenstemming met de gepubliceerde kennis over moleculaire staten in actief groeiende AGS cellen. Dit model ook voldaan met de resultaten uit gepubliceerde experimenten verstoring van AGS-cellen (zie S1 Tekst en S6 Table). De resulterende logisch model, gecodeerd met de software v2.9 GINsim, wordt getoond in figuur 2. De overeenkomstige GINsim bestand wordt verschaft als S2 dataset.

In silico
simulaties voorspellen vijf remmer synergie

om combinaties van remmingen voor synergie te beoordelen, hebben we ons gericht op de systematische remming van zeven model knooppunten en hun 21 paarsgewijze combinaties. Deze zeven knooppunten (gemerkt met dikke randen in figuur 2) werden gekozen omdat krachtige en specifieke chemische inhibitoren beschikbaar voor targeting naar de overeenkomstige proteïne kinasen in biologische experimenten (Tabel 1) waren.

Met behulp van een asynchrone bijwerking beleid (zie Materialen en Werkwijzen), we de gesimuleerde effecten van chemische remmingen door het forceren van de stand van specifiek gericht model nodes 0 (inactief) en berekenen van de resulterende attractor. Elk remming van één of paren knooppunten knooppunten geleid tot een unieke attractor. In enkele gevallen het systeem bereikte een complex attractor, waarbij een deelverzameling van toestanden herhaaldelijk wordt gevoerd (zie Materialen en Werkwijzen en S1 tekst). De berekening van de potentiële complex attractoren is een uitdaging vanwege de combinatorische explosie van staten voor grote logische modellen. Om te gaan met dit probleem, gebruikten we een methode model reductie tot een gecomprimeerd model te verkrijgen met behoud van de geselecteerde drug targets, en verdicht de toestandsovergang grafieken in een hiërarchische manier (zie Materialen en Methoden en [14]). De verminderde logisch model (zie figuur 3 en S3 dataset) werd verkregen door iteratief verwijderen van onderdelen die niet het doelwit van drugs, en het was klein genoeg om volledig asynchrone simulaties en grondige karakterisering van zowel stabiele staten en complexe attractors mogelijk te maken, waardoor de analyse van alle enkel mogelijk en paren van remmingen.

Om de interpretatie te vergemakkelijken, hebben we de totale respons gedefinieerd groei
, door het aftrekken van de waarde van de Antisurvival
van de waarde van de prosurvival
uitlezing knooppunten (elk meerwaardige uitgerust met tussen 0 en 3) met een waarde bereik van -3 tot +3. Als de attractor een unieke stabiele toestand, de berekening van de bevatte groei
was eenvoudig. In het geval van complexe Aantrekkers gebruikten we de gemiddelde waarden van het verschil prosurvival
- Antisurvival
over alle landen die behoren tot de attractor. We afgeleid synergie wanneer de combinatie van beide inhibitoren een waarde voor groei geproduceerd
lager is dan de kleinste waarde van de remmers afzonderlijk:

groei (perturbation1 & perturbation2) < Min (groei (perturbation1), groei (perturbation2)),
waarbij perturbationN
is de verstoring van de component N
.

Bijvoorbeeld, groei (perturbationMEK & perturbationAKT)
= 0,5; dat een waarde lager dan gezien bij verstoringen van zowel MEK en AKT: groei (perturbationMEK)
= 1,5; groei (perturbationAKT)
= 2.

De simulaties voorspelde vijf synergetische combinaties (< 25% van de 21 mogelijke paren). Drie van deze combinaties omvatten MEK, met PI3K, AKT en p38. De twee overige synergieën te betrekken TAK1 met ofwel PI3K of AKT (figuur 4).

Experimentele validatie van modelvoorspellingen

Om de geldigheid van ons model voorspellingen te beoordelen, een real-time cel test werd gebruikt chemische remmers van de zeven eiwitten (Tabel 1) getest op hun vermogen om AGS celgroei bij enkele en combinatorische formuleringen beperken.

de effecten van chemische remmers werd geanalyseerd met een strategie gebaseerd op de definitie Loewe synergie [28 ], waarin staat dat een synergetische interactie beter presteert dan de verwachte additieve effect waargenomen wanneer een remmer wordt gecombineerd met zichzelf in een 'zero-interactie' experiment. Synergetische interacties te kwantificeren, werd een combinatorische index (CI) berekend [29], op basis van de groei gemeten 48 uur na het toevoegen van inhibitoren. CI waarden lopen van nul tot oneindig, en waarden onder 1 geven synergistische interacties.

Vier van de vijf synergie voorspeld door onze logisch model werd experimenteel bevestigd met CI waarden ver beneden 0,5, die een sterke synergie aangeeft. Inderdaad, een grote invloed op AGS celgroei werd gevonden als MEK of TAK1 remmers werden met PI3K of AKT inhibitoren. De overeenkomstige groeicurven (figuur 5) geven aan dat celgroei in de aanwezigheid van twee inhibitoren in combinatie, elk bij de helft van de GI50 concentraties (paars curves) is duidelijk lager dan de groei in de aanwezigheid van één remmer alleen op volle GI50 concentratie (groen en blauwe curves). Daarentegen zou de combinatie van MEK en p38 remmen niet worden bevestigd in de celgroei experimenten. Belangrijk zagen we geen vals negatieve voorspellingen, waardoor de resterende inhibitor combinaties voorspelde synergetische effecten missen, zelfs niet synergie weergeven in onze cellulaire bepalingen. Samengevat onze simulaties bleek zeer nauwkeurig, correct voorspellen van de effecten van 20 van de 21 combinaties worden.

Synergie van PI3K-MEK of AKT-MEK remmingen reeds waargenomen in verschillende tumorcellen [ ,,,0],6,30-34], en zo verder het vertrouwen om de synergie van TAK1-PI3K en TAK1-AKT remmingen. Vandaar dat de nieuwe combinatorische remmingen veelbelovende kandidaten gemakkelijk lenen experimentele testen in diverse typen kankercellen.

Model suggereert een belangrijke rol voor FOXO groeiremming synergie

Inzicht in de signalering mechanismen verantwoordelijk synergetische remmingen is van groot belang, omdat het een bijdrage kan leveren tot de identificatie van biomarkers informatieve van de respons op de behandeling, die als leidraad om te kiezen uit een arsenaal van de gevestigde drug synergieën de juiste behandeling voor de individuele patiënt kan dienen.

Onderzoek van gesimuleerde verstoring effecten met onze AGS logisch model is gebleken dat FOXO, wat neerkomt op pro-apoptotische transcriptiefactoren geïnactiveerd door fosforylering [35], werd synergetisch geactiveerd door gecombineerde MEK en PI3K of MEK en AKT inhibitie (zie S1 tekst). Interessant is dat enkele remmende verstoring van MEK, PI3K of AKT niet veranderen FOXO activiteit (zie S1 tekst voor meer informatie). Deze waarnemingen komen overeen experimentele bevindingen in humane navelstreng endotheelcellen (HUVEC), waarbij inhibitoren MEK en AKT gerapporteerd synergistisch activeren FOXO [36], hetgeen suggereert dat onze simulaties een basis kunnen vormen voor biologisch relevante hypothesen over moleculaire effecten stroomafwaarts van specifieke remmers.

om verder te onderzoeken van de mechanismen die FOXO we gesimuleerd de remmer verstoringen in een FOXO knock-out model, en vond dat de gecombineerde remming van MEK en PI3K weergegeven geen versterkte groei remmend effect in vergelijking met de overeenkomstige enkele remming . Dit betekent dat de MEK-PI3K synergie inderdaad afhankelijk FOXO. Voor de gecombineerde MEK en AKT-remming, de FOXO knockout simulaties toonde slechts een geringe vermindering van het synergetische effect van gecombineerde MEK en AKT-remming. De synergie tussen MEK en AKT inhibitoren lijkt dus minder afhankelijk FOXO te zijn. Tezamen suggereren deze simulatieresultaten potentieel interessante verschillen tussen pro-apoptotische signalering gebeurtenissen bij het vergelijken van MEK-AKT-remming versus MEK-PI3K-remming.

De mechanistische basis van de synergieën waargenomen wanneer remmen TAK1-AKT, of TAK1- PI3K, is niet bekend. Interessant AGS simulaties in FOXO dat wordt geactiveerd wanneer TAK1 geremd in combinatie met PI3K of AKT, maar niet bij één enkele remmingen. Activering van FOXO is dus een potentiële mediator ook de synergie met TAK1. Ter ondersteuning van deze simulaties is gebleken dat zowel TAK1-PI3K en TAK1-AKT synergieën werden afgeschaft wanneer FOXO is knock-out, vergelijkbaar met de vondst van MEK-PI3K-remming (zie S1 Tekst). Potentieel kan ERK betrokken bij signalering stroomafwaarts van TAK1. In dat geval zou de MAP kinase cascade een gemeenschappelijk mechanisme betrokken bij de synergie met MEK-PI3K en MEK-AKT, en die waarbij TAK1-PI3K en TAK1-AKT vertegenwoordigen. Echter, onze AGS modelsimulaties voorspellen dat ERK is nog steeds actief na gecombineerde remming van TAK1 en PI3K of TAK1 en AKT. Dit kan erop wijzen dat MEK /ERK niet betrokken is bij de stroomafwaartse effecten van de remmende verstoringen waarbij TAK1. Een ander kinase zou kunnen fungeren als een punt van overspraak voor TAK1 en PI3K /AKT signalering. In dit verband NLK (Nemo-achtige kinase) een interessante kandidaat zoals bekend voorbij TAK1 [37] gemachtigd bemiddelen remmende fosforylering van FOXO [38].

De modelgebaseerde suggestie dat FOXO activering kan van belang zijn voor de synergetische remming van de groei zijn heeft experimentele ondersteuning in tal van rekeningen van FOXO eiwitten die als bemiddelaars van cytotoxische chemotherapeutische geneesmiddelen [39] te vinden. Dit suggereert dat het dynamisch gedrag van onze logisch model recapituleert generieke kenmerken die relevant zijn voor een aantal verschillende tumortypen zijn.

Discussie

De ontwikkeling van nieuwe anti-kanker geneesmiddelen voornamelijk gericht op drugs gericht tegen specifieke moleculaire doelwitten. Echter, klinische toepassingen vaak teleurstellend, wat resulteert alleen in voorbijgaande reacties gevolgd door resistentie tegen geneesmiddelen welke therapie voordelen belemmert. Dit heeft geleid tot het onderzoek van therapieën op basis van combinaties van geneesmiddelen gericht verschillende signaalwegen en cellulaire processen, met als doel de ontwikkeling van resistentie te beperken en tegelijkertijd een vermindering mogelijk van doseringen van geneesmiddelen, lagere drugs geïnduceerde toxische effecten [2,3,40,41].

Deze sterke prikkels voor combinatoriële behandeling met geneesmiddelen worden uitgedaagd door de vele combinaties te onderzoeken en door het feit dat de werkzaamheid van een bepaalde geneesmiddelcombinatie is afhankelijk van de aard van de specifieke tumor. Zo ontdekken apt drugcombinaties in een tempo verenigbaar met de enorme zoekgebied gesteld door vele geneesmiddelen en diverse kankercellijnen spectrum, is het verplicht om efficiënte strategieën gunstige combinatoriële behandeling van individuele kanker voorspellen.

Current inspanningen om een ​​rationele keuze van het geneesmiddel combinatietherapie te komen door het gebruik van primaire tumor celculturen en xenograft studies worden geconfronteerd met hoge kosten en een variabele mate van succes in tumorcellen groeiremming en moeite hebben om zeer nauwkeurige voorspellingen binnen het tijdsbestek beperkt door de ziekte te krijgen progressie [4,42-44]. Terwijl kanker cellijn kweken zelden mogelijk maken ontdekkingen die direct kan worden overgebracht naar een klinische omgeving, maken zij voor experimenteel onderzoek van de onderliggende mechanismen biodiversiteit en robuustheid en kan dus worden gebruikt om strategieën te ontwikkelen om potentieel effectieve geneesmiddelcombinatie therapieën identificeren. Zij kunnen dus bij tot een groot arsenaal voordelige geneesmiddelcombinaties vergezeld prognostische instrumenten die een keuze van de juiste combinatie van individuele tumor vastgesteld. Zelfs in deze cellulaire modellen, is het niet haalbaar om alle mogelijke combinaties van geneesmiddelen en toepassingsmodi testen voldoende spectrum typen kankercellen. In deze context kan computationele modellering van groot nut zijn voor de experimentele zoekruimte te verkleinen.

We hebben aangetoond hoe een logisch model gebouwd van bekende signaaltransductie netwerkinformatie kan worden afgestemd op een specifieke kankercel systeem met referentiegegevens zodat het gebruikt kan worden om synergistische en niet-synergistische combinatorische groei belemmeren behandelingen voorspellen. Vier van de vijf voorspelde synergetische combinaties werden experimenteel bevestigd zonder vals negatieve voorspellingen. Met een dergelijke kans op succes, zou het voldoende zijn geweest om slechts een kwart van de 21 mogelijke combinaties van geneesmiddelen onderzocht testen en nog steeds geen synergetische paar missen. Onze resultaten zijn bemoedigend in het licht van het slagingspercentage gemeld uit de recente uitdaging DREAM [7], waar de best presterende methode synergie voorspelling zou hebben toegestaan ​​halvering van de grootte van de screening experimenten. Er zijn echter belangrijke verschillen tussen onze onderzoeksopzet en die van de DREAM uitdaging: DREAM geanalyseerd transcriptoom veranderingen na brede waarnemend chemotherapeutische behandelingen met medicijnen, terwijl we de actie van remmers met specifieke doelstellingen onderzocht, enkel op basis van informatie uit het ongestoorde systeem <. br>

In tegenstelling tot het netwerk-gebaseerde strategieën, die vaak correlatie analyse van grootschalige datasets te gebruiken van verschillende ziekte fenotypes [45,46], of grootschalige celkweek drug storing data modellen voor drug reactie voorspellingen [6 trainen , 7,9,47,48], onze-modeling-based strategie maakt gebruik van mechanistische moleculaire route kennis, beschikbaar in databases, samen met de basisgegevens van het onverstoorbaar kankercellen van het gekozen experimenteel systeem. Dit betekent dat onze benadering maakt de selectie van interessante kandidaten voor efficiënte drugscombinaties voordat werkelijke drug verstoring experimenten. Voor zover wij weten is dit niet eerder met succes gedemonstreerd.

De meeste regelgevingsnetwerk modelleerbenaderingen focus op signaleringsgebeurtenissen aangedreven door specifieke hormoonreceptoren. Dit geldt voor studies naar logische modellering gevolgen interferentie met specifieke groeifactor signaaltransductie reacties [16,18,49-51], alsmede kwantitatieve en semi-kwantitatieve modellen begrijpen benaderingen gebruikt om het effect synergetische signaaltransductie verstoringen voorspellen [6,31,52]. Daarentegen onze aanpak toont aan dat het mogelijk is een model vertegenwoordigt een Celgedrag netwerk in actief groeiende cellen effectief zonder van expliciet externe groeibevorderende stimulus (bijvoorbeeld groeihormoon). Inderdaad, stellen we dat het gebruik van de attractor van een zelfstandig model van een prolifererende cel als referentiepunt voor drug synergieanalyses verschaft een goede benadering van de stand van actief groeiende kankercellen. celgroei kanker wordt geacht te zijn aangedreven door een veelheid van groeibevorderende stimuli. Niet alleen is de potentiële repertoire van deze signalen aanzienlijk relatief weinig details over hun signalering mechanismen bekend. Wij zijn dan ook van uitgaan dat we het effect kunnen samenvatten door te kijken naar deze menigte van signalen naar een context bevorderen robuuste groei te bieden en dat we daarom nader kunnen ontslaan. Op deze basis ontvangen wij een voortdurende multifactorieel aangedreven proliferatie [1] door het gebruik van een op zichzelf staand model, waarbij alle componenten die worden gereguleerd door andere knooppunten in het model. De configuratie van componentactiviteiten kan dan worden afgeleid van baseline biomerkers gemeten in kankercellen. Samen vormen deze model ontwerp principes stellen ons in staat om een ​​dynamisch model afgestemd op specifieke cellen kanker te genereren, maar niet afhankelijk van expliciete extracellulaire input van specifieke groeibevorderaar ( e
. g
. Groeihormonen

• PLoS ONE: Vereniging van mTOR en AKT Gene Polymorfismen met Gevoeligheid en overleving van maagkanker
• PLoS ONE: polymorfisme van DNA-methyltransferase 3b en samenhang met de ontwikkeling en prognose bij maagkanker