Extracto
Robustez, un reconocido desde hace tiempo la propiedad de los sistemas vivos, permite función en un contexto de incertidumbre, mientras que la fragilidad, es decir, la sensibilidad extrema, puede conducir potencialmente a un fallo catastrófico siguiente perturbaciones aparentemente inocuos. Carlson y Doyle plantearon la hipótesis de que las redes altamente evolucionados, por ejemplo, los que participan en la regulación del ciclo celular, pueden ser resistentes a algunas perturbaciones si bien es muy sensible a los demás. La dualidad "robusta pero frágil" de las redes se ha denominado Tolerancia altamente optimizado (HOT) y ha sido la base de las nuevas líneas de investigación en biología computacional y experimental. En este estudio, hemos probado la hipótesis de trabajo de que las arquitecturas de control del ciclo celular obedecen al paradigma CALIENTE. Tres modelos del ciclo celular se analizaron mediante análisis de sensibilidad de Monte-Carlo. coeficientes de sensibilidad Estado general, que cuantifican la robustez o fragilidad de un determinado mecanismo, se calcularon utilizando una estrategia de Montecarlo con tres diferentes técnicas numéricas, junto con múltiples estrategias de parámetros de perturbación para el control de posibles artefactos numéricos y de muestreo. Aproximadamente el 65% de los mecanismos en el /S punto de restricción de G1 eran responsables del 95% de la sensibilidad, por el contrario, el punto de control G2 daños en el ADN mostró una dependencia mucho más fuerte en unos pocos mecanismos; ~32% O 13 de 40 mecanismos representaron el 95% de la sensibilidad. Nuestro análisis predijo que CDC25 y mecanismos de ciclina E fueron fuertemente implicados en G1 /S mal funcionamiento, mientras que la fragilidad en el G2 /M puesto de control se predijo que se asocia con la regulación de la ciclina B-complejo CDK1. Análisis de un tercer modelo que contiene tanto G1 /S y G2 lógica puesto de control /M, predijo además de los mecanismos ya mencionados, que la traducción y la proteolisis programado también fueron subsistemas frágiles clave. Comparación de los mecanismos frágiles predichos con la literatura y preclínica actual y los ensayos clínicos sugiere una fuerte correlación entre la eficacia y la fragilidad. Por lo tanto, cuando se toman juntos, estos resultados apoyan la hipótesis de trabajo de que las arquitecturas de control del ciclo celular son redes HOT y establecen la estimación matemática y la explotación posterior terapéutica de los mecanismos frágiles como una nueva estrategia para la generación de plomo contra el cáncer.
cita: Nayak S, S Salim, Luan D, M Zai, Varner JD (2008) Una prueba de tolerancia muy optimizado revela los mecanismos del ciclo celular frágiles son dianas moleculares en los ensayos clínicos de cáncer. PLoS ONE 3 (4): e2016. doi: 10.1371 /journal.pone.0002016
Editor: Gustavo Stolovitzky, IBM Thomas J. Watson Research Center, Estados Unidos de América
Recibido: 9 Enero, 2008; Aceptado: March 4, 2008; Publicado: 23 Abril 2008
Derechos de Autor © 2008 Nayak et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Los autores agradecer el apoyo financiero de gracia del Centro de la Universidad de Cornell para la vida Ciencia Empresa, un centro del estado de Nueva York para la concesión de Tecnología avanzada (a JV para el apoyo de SN) e Ingeniería de iniciativas de aprendizaje de Investigación de Pregrado Premios ELI-650 y ELI-895 a MZ y SS El Centro de la Universidad de Cornell para la Vida Ciencia Empresa y el programa de investigación de Ingeniería de aprendizaje Iniciativas Pregrado no desempeñó ningún papel en el diseño y realización del estudio, en la recopilación, análisis e interpretación de los datos, y en la preparación, revisión o aprobación del manuscrito
Conflicto de intereses:.. los autores han declarado que no existen intereses en competencia
Introducción
la capacidad de reunir proteína-proteína y proteína-ADN interacción de datos , por ejemplo utilizando el sistema [1], [2], la transferencia de energía de resonancia de fluorescencia levadura de dos híbridos (Y2H) (FRET) técnicas [3], cuantitativa Espectrometría de Masas (MS) proteómica o inmunoprecipitación de cromatina (cHIP)-DNA micro técnicas de matriz [4], [5], ha superado con creces nuestra capacidad para entenderlo. La transformación de los datos de interacción a gran escala en una mejor comprensión de las redes subyacentes biomoleculares progresión de la enfermedad y, finalmente, a nuevas terapias requiere herramientas y estrategias de integración. Tal vez una estrategia para aprovechar el conocimiento de las redes de interacción en terapias eficaces sería identificar y explotar los mecanismos débiles o frágiles, evitando la manipulación de sólidos interacciones en la red.
Robustez, un reconocido desde hace tiempo la propiedad de los sistemas vivos y redes , permite la función en un contexto de incertidumbre, mientras que la fragilidad, es decir, la sensibilidad extrema, puede conducir potencialmente a un fallo catastrófico siguiente perturbaciones aparentemente inocuos [6] - [10]. Existen diversos factores que pueden influir en qué elementos de una red son robustos o frágiles. Venkatasubramanian y colaboradores demostraron que la estructura de las redes complejas puede ser el resultado de un compromiso entre la eficiencia y robustez [11] mientras que usted y Yin explorado cómo el medio ambiente ha dado forma a las características robustas de bacteriófago T7 [12]. Leibler computacionalmente predijo y posteriormente verificado experimentalmente robustas características de las redes de control de la quimiotaxis [13] y Stelling
et al.
, Examinó varios ejemplos de redes biológicas sólidas [9]. Quizá no hay mejor ejemplo de robustez se puede encontrar que la división celular. El ciclo celular es uno de los procesos más fundamentales y muy controladas en biología. La decisión de dividir está estrechamente regulada la integración de señales extracelulares, tales como factores de crecimiento y hormonas, con señales intracelulares que coordinan los eventos que conducen a la división. Sin embargo, a pesar de extensas subsistemas de control y vigilancia que guían la progresión de las células a través del ciclo de división, el mal funcionamiento se producen como se evidencia por la proliferación incontrolada subyacente muchos tipos de cáncer [14]. Por lo tanto, mientras que la presión evolutiva puede haber programado las células para ser robusto a los cambios en los entornos nutricionales o variando la disponibilidad del factor de crecimiento, tal vez retos excepcionales podría provocar consecuencias imprevistas. Por ejemplo, la exposición a la radiación, productos químicos exóticos (carcinógenos) o incluso polimorfismos de nucleótido único (SNP) puede causar cambios aparentemente inocuos que se manifiestan en la ruptura de la lógica del ciclo celular. Carlson y Doyle han planteado la hipótesis de que las redes altamente evolucionados pueden ser resistentes a algunas perturbaciones aunque extremadamente sensibles a los demás. El "robusta pero frágil" dualidad de redes y sistemas se ha denominado Tolerancia altamente optimizado (HOT) y ha sido la base de las nuevas líneas de investigación en biología computacional y experimental [10].
Análisis
La sensibilidad es una que permite herramienta para la investigación de la robustez y la fragilidad de las redes pertinentes para la salud humana y más generalmente para el descubrimiento de conocimiento basado en modelos. Cho
et al
, utilizado análisis de sensibilidad para estudiar mediada por TNF-α señalización donde la incertidumbre paramétrica se abordó el uso de un protocolo de muestreo de parámetros Montecarlo NF-kβ.; una familia de conjuntos de parámetros aleatorios, generados a partir de la mejor estimación de parámetros, se utilizó para calcular el perfil de sensibilidad en una región del espacio de parámetros [15]. Bullinger y compañeros de trabajo exploraron la robustez de los modelos de la muerte celular programada o apoptosis [16], mientras que en Stelling
et al.
, Puntos de vista computacional identificados de la robustez y la fragilidad, usando análisis de sensibilidad Montecarlo y del estado en general coeficientes de sensibilidad (OSSCs ), en modelos de ritmo circadiano [17]. Mahdavi
et al.
, Análisis de sensibilidad empleada para comprender mejor la diferenciación de células madre [18], mientras que Luan
et al.
, Que se utiliza un modelo mecanicista incierto de la cascada de la coagulación en combinación con Monte- análisis de sensibilidad carlo, para mostrar que los mecanismos sensibles computacionalmente derivados fueron consistentes con las estrategias de anticoagulación terapéutica [19]. El análisis de sensibilidad se ha utilizado también para integrar de identificación del modelo y la discriminación con el diseño experimental óptimo. Varios estudios de diseño y de identificación modelo experimentales óptimas son residentes en la literatura [20] - [24] junto con muchas técnicas para estimar los coeficientes de sensibilidad para los modelos compuestos de ecuaciones diferenciales ordinarias, diferenciales algebraicas y ecuaciones estocásticos [25] - [28].
En este estudio, empleamos el modelado y la sensibilidad de Monte-Carlo análisis matemático para explorar la hipótesis de trabajo de que las arquitecturas de control del ciclo celular son las redes de agua caliente. Si nuestra hipótesis de trabajo es cierto, los mecanismos del ciclo celular y luego frágiles (pasos de reacción) se deben sobrerrepresentados entre disfunciones observadas experimentalmente subyacentes cánceres sólidos y hematológicos. Por otra parte, la manipulación de los mecanismos frágiles en un contexto terapéutico, que ha sido sugerido por Kitano [29] a ser más propensos a provocar una respuesta eficaz a partir de una red o sistema, también debe ser frecuente en la literatura tratamiento. Probamos nuestra hipótesis de trabajo mediante el cribado de computacionalmente tres modelos cualitativos superpuestas de arquitecturas de control del ciclo celular; empleamos el análisis de sensibilidad de Monte-Carlo y k-means clustering para clasificar en orden los mecanismos del ciclo celular y luego contrastar los mecanismos frágiles y robustos predichos con la literatura. Si arquitecturas de control del ciclo celular obedecen al paradigma CALIENTE, entonces computacional identificación de mecanismos frágiles utilizando modelos de redes de proteínas de ADN de proteína-proteína o podría ser una nueva estrategia para la generación de plomo contra el cáncer, o más ampliamente como una estrategia para identificar y explotar la debilidad de redes arbitrarias relevantes para la salud humana.
resultados
el modelo de ciclo completo de Novak y Tyson (Fig. 1), el modelo G1-S de Qu
et al.
, (Fig. 2A) y el daño modelo G2 /M-DNA de Aguda (Fig. 2B) se llevaron a cabo de la literatura y examinados para mecanismos frágiles utilizando análisis de sensibilidad de Monte-Carlo [30] - [32]. La Novak y Tyson modelo, que emplea una descripción compleja de la transición G1 /S y M puestos de control, la expresión de proteínas G2 /programada y la degradación, se compone de 18 especies dinámicas, 4 limitaciones de especies y 74 parámetros. El G1-acción de masas /modelos de daño S y G2 /M-ADN describe solamente la lógica molecular en sus respectivos puestos de control; el /S modelo G1 se compone de 16 equilibrios dinámicos de proteínas, 2 limitaciones de especies y 44 parámetros, mientras que el modelo de daños G2 /M-ADN consistía en 15 equilibrios dinámicos de proteínas, 1 restricción y 40 parámetros. Los valores de parámetros para cada modelo se tomaron de la literatura. condiciones iniciales no declaradas se ajustaron de manera que las trayectorias simuladas modelo fueron cualitativamente consistente con los valores publicados (Material complementario Figura S1). Los conjuntos de parámetros publicados, con condiciones iniciales fijas, se utilizaron para generar conjuntos de parámetros aleatorios (N = 500, a menos que se indique lo contrario), donde cada parámetro nominal fue perturbada por un máximo de ± 50%, ± 1-orden, o ± 2 órdenes de magnitud. Coeficientes de sensibilidad global del Estado (OSSCs) se calcularon sobre las familias de los parámetros aleatorios para cada modelo del ciclo celular usando tres algoritmos numéricos diferentes. Para cada modelo, los valores medios fueron OSSC-ordenaron clasificado y se representaron. El área bajo la curva (AUC) se utilizó para medir la contribución sensibilidad acumulativa de cada parámetro. Un punto de corte acumulado de 95% de la sensibilidad global se utilizó para establecer la lista de los mecanismos (Material complementario Figura S2), que se agruparon en tres grupos (alta, media y baja sensibilidad) utilizando un algoritmo k-medias.
la Novak y Tyson modelo, compuesto por 18 especies dinámicas, 4 limitaciones de especies y 74 parámetros, se describe tanto el G1 /S y G2 /M y los puestos de control de expresión de proteínas y la degradación programada. Nomenclatura: Cdk1-ciclina quinasa dependiente 1, Cdk2 - ciclina quinasa dependiente 2, Cdk4 /6 - ciclina quinasa dependiente de 4 o 6, CycD - ciclina D, CycB - ciclina B, CycE - ciclina E, CycA - ciclina A, GF - Crecimiento Factor, ERG - genes de respuesta temprana, DRG - Retraso en la respuesta gene, E2F - factor de transcripción E2F, PRB - proteína retinoblastoma, p27 - una ciclina quinasa dependiente de inhibidor (CKI), también llamado Kip1, PPI - proteína fosfatasa tipo 1, el IE - "Intermediario enzima ", PPX-a fosfatasa inactivación de IE, APC - promoción de complejos anafase, una familia de ligasas E3, Cdh1 - un activador de la clase de APC de ligasas, Cdc20 - un activador de la APC, pequeño círculo rojo con P representa un grupo fosfato, un (+) implica regulación positiva mientras que una (-). signo representa la regulación negativa
El modelo G1 /S de Qu
et al
, se compone de 16 equilibrios dinámicos de proteínas. , 2 especies limitaciones y los 44 parámetros [31]. TheG2 modelo de daño en el ADN de Aguda se compone de 15 saldos de proteínas dinámicas 1constraint y 40 parámetros (30). Tanto el G1 /S y G2 /M emplean modelos de cinética de acción de masas y los parámetros son lineales en los balances de masa. Nomenclatura G1 /S: CDC25A - doble especificidad fosfatasa CDC25A, Cdk2 - quinasa dependiente 2, ciclina Cdk4 /6 - ciclina quinasa dependiente de 4 o 6, CycE - ciclina E, CycD - ciclina D, E2F - factor de transcripción E2F, PRB - proteína retinoblastoma , p27 - quinasa dependiente de ciclina A inhibidor (CKI), también llamado Kip1. G2 Nomenclatura /M: PMPF - Factor Promoción de pre-maduración, un complejo de CycB (ciclina B) y Cdk1 (dependiente de ciclina Kinase1) en forma inactiva, MPF - forma activa de MPF, aCDC25 - fosfatasa CDC25 activo, iCDC25 - forma inactiva de CDC25, aCDC25 (P-216) - CDC25 activo, fosforilada en la serina 216 de residuos, iCDC25 (P-216) - inactivo CDC25, fosforilada en serina 216, 14-3-3σ - 14-3-3σ proteína. En tanto los esquemas, los pequeños círculos rojos con P representan el grupo fosfato, un signo (+) implica regulación positiva mientras que una (-). Signo representa la regulación negativa
Aproximadamente el 65% de la G1 /S mecanismos (etapas de reacción) fueron responsables de 95% de la sensibilidad, a la inversa, la red daños G2-ADN mostró una fuerte dependencia de unas pocas interacciones. De los 44 G1 /S reacciones pasos, 29 eran responsables del 95% de la sensibilidad (Material complementario Figura S2). La distribución de la fragilidad no era específica a cualquier clase única de interacción (Tabla 1). La desfosforilación de CDC25, la expresión de la ciclina E, la degradación del complejo de ciclina E-CDK2, y la concentración del factor de transcripción E2F se clasificaron como los pasos más frágiles de reacción en el G1 /S de punto de control (Tabla 1, grupo I) . Un modelo anterior de G1 /S por Aguda
et al.
, [33] encontró que aunque el PRB y ciclina E-CDK2 formó un bucle de retroalimentación positiva, que no forman un conmutador robusta fuerte en el punto de restricción, es decir, el aumento de la concentración activa de ciclina e-CDK2 fue gradual y sensible a los parámetros del modelo. Sin embargo, la adición de CDC25 a la ciclina E-CDK2-PRB bucle de retroalimentación positiva, hizo que el punto de restricción robusto para modelar la variación de parámetros, lo que apoya los hallazgos de la importancia de las interacciones Cdc25. La síntesis, la activación y degradación de CKIs, la expresión y la degradación de CDC25, la concentración de la pRB, la expresión de la ciclina D y los mecanismos de ciclina E-CDK2 dominaron el segundo nivel de G1 /S fragilidad (Tabla 1, grupo II). Nivel de tres de G1 /S fragilidad involucrado varios mecanismos de ciclina D, ciclina E-CDK2 actividad y la expresión de ciclina E mediada E2F (Tabla 1, grupo III). Cuando se toman juntos, el G1 más implicado /S proteína era ciclina E, con 11 de 29 mecanismos, seguido de CKI con seis, CDC25 y ciclina D estaban involucrados en cada cinco mecanismos frágiles y E2F y el PRB se enumeran cada uno dos veces. Por otra parte, 16 de los 29 parámetros frágiles estaban asociados funcionalmente con la ciclina E y la actividad de la ciclina E-CDK2. Como se esperaba, la expresión y la degradación de las ciclinas /S de fase G1 y sus CKIs asociados se predijo a ser importante. Sin embargo, la expresión y la degradación de la ciclina E y otra Es interacciones fueron clasificados más altos que los correspondientes mecanismos de ciclina D con la excepción de la disociación del complejo ciclina E-CDK2-CKI. La red de daños en el ADN G2 mostró una fuerte dependencia de unos pocos mecanismos en comparación con G1 /S; ~32% O 13 de 40 mecanismos representaron el 95% de la sensibilidad (Material complementario Figura S2). En consonancia con G1 /S, hay una sola clase de mecanismo dominó la lista de fragilidad. Los mecanismos más sensibles estaban relacionados con la generación y la degradación del complejo ciclina B-CDK1 también conocido como el factor promotor de maduración (MPF) (Tabla 2). Los cinco mecanismos principales fueron ya sea directamente o estrechamente asociados con la formación y la actividad de MPF mientras que los mecanismos que conducen la desactivación de MPF, por ejemplo, la expresión, la degradación y la actividad de p21, la fosforilación 14-3-3σ y Wee1 dominaron los ocho mecanismos restantes ( Tabla 2, grupo III). La activación del complejo inactivo MPF, cuya expresión está regulada negativamente por p53, fue el mecanismo más sensible G2 (Tabla 2, grupo I), seguido de preMPF generación, la activación y el transporte de CDC25 en el núcleo (Tabla 2, grupo II). El hallazgo de que todos los mecanismos relacionados CDC25 eran más frágiles que Wee1, es coherente con trabajos anteriores de Aguda [34] que mostró que a pesar de que tanto Wee1 y CDC25 forman una fosforilación-desfosforilación (PD) de bucle con MPF, sólo el acoplamiento CDC25 dio lugar a comportamiento cualitativamente diferente. Curiosamente, mientras que la generación de p53 en sí no se predijo a ser sensibles, las interacciones que implican p53 eran frecuentes, por ejemplo, la expresión de p21 inactiva MPF y, ambos de los cuales son regulados por p53, se prevé que ser sensible. Aproximadamente el 77% de los parámetros Novak y Tyson (57 de 74) fueron responsables del 95% de la sensibilidad (Material complementario Figura S2). Ambos componentes globales y locales del modelo se prevé que sea frágil. El mecanismo global más sensible fue la eficacia de la traducción mientras que los mecanismos locales, tales como la activación de IE (hipotética proteína que activa el E3-ligasa CDC20), la expresión de la ciclina B y la degradación CDH1 También se prevé que ser frágil (Tabla 3, grupo I). Los mecanismos de segundo nivel se asociaron con la desregulación de la proteolisis programada (Tabla 3, el grupo II). Curiosamente, mientras que el porcentaje de los mecanismos responsables de 95% de la sensibilidad del modelo Novak y Tyson fue el más grande de los tres modelos, varios mecanismos en clúster III tuvieron valores OSSC pequeñas, incluyendo la mayor parte de la lógica S G1 /puesto de control. Por lo tanto, el muestreo complejo Novak y el modelo Tyson produjo menos información que los modelos G1 /S y G2-ADN de daño basado en la acción de masas mecanicistas.
Las conclusiones extraídas de muestreo cualitativos los modelos del ciclo celular fueron robustos a la elección del método de solución y el tamaño de la perturbación parámetro pero sensible al número de conjuntos de parámetros incluidos en la muestra. Tres técnicas numéricas diferentes fueron utilizadas para resolver las ecuaciones de sensibilidad para controlar los posibles artefactos numéricos. La rutina ODE15s de Matlab (The MathWorks, Natick MA), un tercer orden hacia atrás diferencia método implícito (BDF3; véase Material complementario S1) y hacia adelante en diferencias finitas (FD), generado resultados de sensibilidad cualitativamente similares (Fig. 3). El rango de Spearman más bajo entre dos métodos (ODE15s frente FD para el /S modelo G1) fue de 0,91 lo que indica una correlación peor de los casos de aproximadamente el 91%. Curiosamente, mientras que el rango de Spearman indicó una buena concordancia entre los métodos de solución, hubo cambios estadísticamente significativos en los valores OSSC que indican los métodos de solución sistemática cambiaron mecanismos, es decir, diferentes valores OSSC se calcularon, pero se mantuvo el orden o la clasificación de los mecanismos (ver Material Suplementario Tabla S1). Se realizaron dos controles adicionales de muestreo para verificar la robustez de las conclusiones cualitativas derivadas de nuestro análisis. En primer lugar, el tamaño de perturbación utilizada para generar las familias de parámetros aleatorios se varió para comprobar si se han elaborado diferentes conclusiones con diferentes tamaños de perturbación; OSSC valores calculados sobre las familias de los parámetros aleatorios generados por el uso de ± 50%, ± 1 y ± orden de 2 órdenes de magnitud no mostraron ninguna diferencia cualitativa como se cuantifica por la correlación de Spearman para el G1 /S modelo (Fig. 4). Se observó el peor de correlación de 0,90 entre el ± 50% y ± 2 órdenes de magnitud de casos que indican una media del 90% de las conclusiones extraídas entre los dos casos fueron consistentes (Fig. 4C). Tal una fuerte correlación de Spearman en filas a través de 2 órdenes de magnitud en los valores de los parámetros podrían sugerir que la estructura de red (conectividad) es más importante que los valores de los parámetros. Comparación de mecanismos exactamente similares en los tres modelos apoyó la hipótesis de la dominancia conectividad donde los mecanismos clasifican como frágil o robusto en los modelos de daño G1 /S y G2-ADN también se prevé que ser importante en el modelo de Novak y Tyson, aunque con diferente filas (Tabla 4). Hubo 11 mecanismos que parecían exactamente en cada modelo, de 10 mecanismos se clasificaron de manera similar, mientras que uno se clasificó de manera inconsistente. En segundo lugar, la correlación acumulada de rangos de Spearman entre los resultados de sensibilidad generado utilizando los ODE15s, métodos BDF3 y FD para cada modelo se calculó como una función del número de conjuntos de parámetros incluidos en la muestra. Mientras que el rango de Spearman acumulativo convergió a la media de la población como el número de conjuntos de parámetros aumentó, se observó una dependencia tamaño de la población (Fig. 5). Para cada modelo, los resultados informados se obtuvieron en la región de convergencia; por lo tanto, no hay nueva información se habría ganado si se tomaron muestras al azar conjuntos de parámetros adicionales.
redujo proporcionalmente general del Estado coeficientes de sensibilidad (OSSC) se calcularon para cada modelo del ciclo celular a través de una familia de conjuntos de parámetros aleatorios (N = 500 a no ser que se indique lo contrario) generado por perturbar aleatoriamente la publicadas por las ± 1 orden de magnitud. Tres métodos numéricos diferentes fueron utilizadas para resolver las ecuaciones de sensibilidad para controlar los artefactos numéricos. A-C: resultados de sensibilidad para el modelo de Novak y Tyson [32]. Los resultados de sensibilidad para el /S modelo de punto de control G1 de Qu
et al
, [31]: D-F.. G-I: resultados de la sensibilidad para el modelo de daño G2 /M-DNA de Aguda [30]. Las diferentes técnicas numéricas utilizadas para resolver las ecuaciones de sensibilidad dan resultados cualitativamente similares tal como se cuantifica mediante la correlación de Spearman entre dos métodos (esquina inferior derecha de cada parcela).
Una familia de parámetro al azar conjuntos se construyó (N = 150) del conjunto nominal, donde cada parámetro fue perturbado por hasta ± 50%, ± 1-orden o ± 2 órdenes de magnitud. La rutina ODE15s de Matlab (The Mathworks, Natick MA) se utilizó para resolver las ecuaciones de sensibilidad. R: Acumulativo de Spearman se ubica entre los parámetros establece con el cambio ± 50% y ± cambio 1order. B: Acumulativo de Spearman se ubica entre los conjuntos de parámetros con ± 1 y ± 2 órdenes de magnitud del cambio. C: Acumulativo de Spearman se ubica entre los parámetros establece con ± 50%, y de ± 2 órdenes de magnitud del cambio
La línea roja punteada en todos los casos denota el rango de Spearman acumulada obtenida por muestreo. todos los conjuntos de parámetros para cualquiera de los dos métodos. A-B: rangos de Spearman acumulativa frente al número de conjuntos de parámetros incluidos en la muestra para el modelo G1-S según el BDF3 y métodos ODE15s (A) y diferencias finitas (FD) y métodos ODE15s (B), respectivamente. C-D: rangos de Spearman acumulativa frente al número de conjuntos de parámetros incluidos en la muestra para el modelo G2-M usando el BDF3 y métodos ODE15s (C) y diferencias finitas (FD) y métodos ODE15s (D), respectivamente. E-F: rangos de Spearman acumulativa frente al número de conjuntos de parámetros incluidos en la muestra para el modelo de ciclo completo usando el BDF3 y métodos ODE15s (E) y diferencias finitas (FD) y ODE15s métodos (F), respectivamente. En todos los modelos y métodos numéricos, el rango de Spearman acumulada converge al valor de la población, sin embargo, la tasa de convergencia, es decir, el número de juegos de azar necesarios para tomar muestras, es diferente para cada modelo y método.
Discusión
Literatura evidencia apoya la hipótesis de que computacionalmente identificados interacciones del ciclo celular frágiles representan objetivos eficaces. Tenga en cuenta la fragilidad de los mecanismos Cdc25. Boutros
et al.
, Recientemente revisado el papel de las fosfatasas Cdc25 y Cdc25 inhibidores en la progresión del cáncer humano y el tratamiento [35]. Mientras que la inhibición de la CDC25 como una estrategia de tratamiento para el cáncer se encuentra todavía en la fase de laboratorio, varios inhibidores de Cdc25 en desarrollo han mostrado resultados prometedores. El inhibidor de CDC25 PM20 crecimiento inhibido en hepatoma derivados Hep3B líneas celulares humanas a una concentración inhibitoria (IC) & gt; 700 nM, PM-20 también inhibió el crecimiento de varias otras líneas celulares, aunque a ICs superiores [36]. BN82685, que inhibe CDC 25A, B y C
in vitro
y
in vivo
y se reprime el crecimiento de las células HeLa y del tumor pancreático humano Mia Paca-2 xenoinjertos en ratones desnudos atímicos, también inhibió el crecimiento de líneas celulares humanas resistentes a los fármacos citotóxicos, por ejemplo, la leucemia mieloblástica línea celular humana HL-60 [37]. El antagonista de CDC25, CPD-5, inhibió el crecimiento de la línea celular de hepatoma de rata JM-1
in-vitro
y de la línea celular de cáncer de ratón tsFT210 través de la inhibición selectiva de CDC25 [38]. Así, la inhibición de Cdc25 representa una opción de tratamiento viable que podía estudiarse más en la clínica. La inhibición y la degradación de la ciclina E-CDK2 complejo, el mecanismo segunda clasificados activa en la red G1 /S, también se ha explotado como una estrategia de tratamiento. Bristol-Myers Squibb (BMS) desarrolló BMS-387032, un inhibidor de ciclina E-CDK2, con una IC50 de 95 nM [39]. I estudios preclínicos de cáncer de ovario y de fase demostraron que BMS-387032 poseía mejor eficacia que flavopiridol, un inhibidor de CDK promiscuo [40]. El flavopiridol, la primera ciclina inhibidor de quinasa dependiente en los ensayos clínicos, solos o en combinación con otros fármacos que actualmente se está investigando en 52 fase activa I o II de ensayos clínicos [41]. El flavopiridol ha sido propuesta para el tratamiento de la recurrente, localmente avanzado, o sarcoma de tejido blando metastásico [42], el linfoma y el mieloma múltiple [43], cáncer de mama metastásico (con Trastumuzumab) [44] o en combinación con otros fármacos (cisplatino y carboplatino ) para el tratamiento de tumores sólidos avanzados [45]. la expresión de ciclina E, el cuarto mecanismo clasificado en el G1 /S modelo, también se ha explorado terapéuticamente para el tratamiento de los cánceres de páncreas y de pulmón [46], [47]. También se encontró que la correlación entre la fragilidad y la estrategia de tratamiento para mantener a la red daños G2 /M-ADN. La activación de preMPF (complejo de ciclina B-CDK1), catalizada por CDC25, se prevé que sea el mecanismo más sensible en el modelo de daño G2 /M-ADN, mientras que tres de los mecanismos de cuatro niveles de dos G2 /M-DNA se asociaron con CDC25 actividad. Briostatina-1, una proteína quinasa C (PKC) inhibidor y antagonista del complejo ciclina B-CDK1, se ha explorado en la clínica para el tratamiento de mieloma múltiple [48], en recaída del linfoma y leucemia linfocítica crónica no Hodgkin [49] . En modelos preclínicos, Briostatina-1 ha demostrado actividad como agente único contra el melanoma B16, M5076 sarcoma retículo y L10A linfoma de células B [50] y se ha demostrado que alteran la ciclina B-CDK1 formación y la actividad del complejo por varios mecanismos diferentes [51] , [52]. Cuando se toman juntos, los frágiles mecanismos principales tanto para el G1 /S y G2 /M fases del ciclo celular, estimada por análisis de sensibilidad de Monte-Carlo, se encontró que eran consistentes con en curso ensayos preclínicos y clínicos para el tratamiento de un amplio espectro de cánceres humanos.
la modulación de la eficacia de la traducción y la manipulación de la proteolisis programado, un lugar destacado entre el grupo de mecanismos frágiles a través de todos los modelos, también son áreas activas de desarrollo terapéutico. Iniciación de la traducción en eucariotas se piensa que es limitante de la velocidad [53] y la sobreexpresión de componentes de iniciación, por ejemplo, el factor de iniciación de elF4E, se produce con frecuencia en los cánceres humanos [54]. Arnqvist y compañeros de trabajo exploraron inhibición de la traducción en células MCF-7 de cáncer de mama después de la cicloheximida, puromicina o exposición emetina en presencia y ausencia de crecimiento similar a insulina factor1 (IGF-1) [55]. La adición de puromicina, cicloheximida y emetina en ausencia de IGF-1 produjo un aumento de la apoptosis a las 48 horas con relación al control, sin embargo, cuando estaba presente IGF-1, se observó una reducción dependiente de la concentración en la apoptosis. Bjornsti y Houghton revisados recientemente otro inhibidor de pequeña molécula de traducción, Ramapycin [56], lo que inhibe la proteína objetivo de Ramapycin (TOR), una serina /treonina quinasa implicada en la traducción y otras funciones. Mientras Ramapycin tiene aprobación de la FDA como un inmunosupresor, el desarrollo de terapias contra el cáncer ha sido lento a pesar de la actividad anti-tumor contra modelos de tumores sólidos establecidos [57], [58]. análogos Ramapycin se han evaluado en ensayos clínicos para el tratamiento de diferentes indicaciones incluyendo pacientes pediátricos con leucemia aguda recaída o refractario y el carcinoma de células renales [56], [59]. inhibidores peptídicos también se han utilizado para regular por disminución la traducción, por ejemplo, BL22, una inmunotoxina desarrollado para el tratamiento de la leucemia linfocítica crónica (CLL) [60], se compone del fragmento FV variable del anticuerpo RFB4 conjugado con el péptido anti-PE38 traducción. El segundo grupo de mecanismos frágiles predijo en Novak y Tyson y más generalmente a través de las redes de daños G1 /S y G2 /M-DNA desregulación de la degradación de proteínas implicadas programado. Proteólisis programada a través del sistema ubiquitina proteasoma (UPS), un componente crítico de conducción-progresión del ciclo celular [61], ha sido objeto de varios diferentes desarrollos terapéuticos [62]. El ubiquination de proteínas diana implica la actividad coordinada de la familia de enzimas activadora de ubiquitina (E1), la familia de la ubiquitina-conjugación enzima (E2) y la familia de la ubiquitina ligasa (E3) [63]. Mientras que el mal funcionamiento E1 no se han observado en el cáncer, la desregulación de E3 y en menor medida la actividad E2 ha estado directamente relacionada con la progresión del cáncer [63]. El modelo Novak y Tyson tiene sólo una representación esqueleto de UPS, sin embargo, sí que representa explícitamente la división celular de proteínas ciclo 20 (CDC20), CDH1 y la promoción de complejos anafase /Cyclosome (APC /C), todos los cuales son componentes de E3. APC /C es el núcleo de la subunidad a la que las proteínas adaptadoras Cdc20 y CDH1 bind [64] - [66]. La inhibición de ligasas E3 específicas sigue siendo un desafío técnico [67], sin embargo, los análogos de cis-imidazolina llamados Nutlins se han desarrollado que inhiben MDM2, un E3-ligasa responsable del reconocimiento de p53.