Krooninen sairaus

tiivistelmä

Perustuu vuorovaikutus transkriptiotekijät, onkogeenien, tuumorisuppressorien ja MikroRNA, Boolen malli syövän verkon säätelee miR-17-92 klusteri rakennetaan, ja verkko liittyy valvontaan G1 /S siirtymisen nisäkässolun sykli. Luotettavuutta ominaisuuksia tämän sääntelyverkon tutkitaan nojalla loogisen verkon teoriaa. On todettu, että aikana G1 /S siirtyminen solusyklin prosessi, sääntely verkot nivelyksiköt ja luotettavuutta omaisuus on suurelta osin säilynyt suhteen pienet häiriöt verkkoon. Käyttämällä ainutlaatuista prosessia lähestymistavan, rakenteen tämän verkoston analysoidaan. On osoitettu, että verkko voidaan jakaa pääketjun motiivi, joka tarjoaa tärkeimmät biologiset toiminnot, ja jäljellä oleva aihe, joka tekee sääntelyjärjestelmän vakaampi. Kriittinen rooli miR-17-92 tukahduttamaan G1 /S solusyklin tarkistuspiste ja lisäämällä valvomattoman leviämisen syöpäsolujen kohdentamalla geneettinen verkosto vuorovaikutuksessa proteiinien näytetään mallimme.

Citation: Yang L, Meng Y, Bao C, Liu W, Ma C, Li A, et al. (2013) Kestävyys ja Backbone motiivi on syöpäverkoston säätelemä miR-17-92 Cluster aikana G1 /S Transition. PLoS ONE 8 (3): e57009. doi: 10,1371 /journal.pone.0057009

Editor: Peter Csermely, Semmelweis University, Unkari

vastaanotettu: 31 lokakuu 2012; Hyväksytty: 16 tammikuu 2013; Julkaistu: 01 maaliskuu 2013

Copyright: © 2013 Yang et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tukivat valtion keskeiset kehittämisohjelman Perustutkimus of China (2011CBA01103) GS, National Natural Science Foundation of China alle 11105058 (LJY), 81171074 (GS), 11105059 (ZX), 11175068 (YJ), ja itse -determined tutkimus varat CCNU peräisin korkeakoulujen ”perustutkimuksen ja toiminta Opetusministeriö: No. CCNU12A01011 (ZX). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Paljastava suhde rakenne ja toiminta on keskeinen teema systeemibiologian. Toiminnot Biologisten verkko voidaan tutkia kautta matemaattinen mallintaminen ja laskennallinen simulointi jos biokemialliset tiedot molekulaariverkosto tunnetaan. On myös tärkeää tietää, miten verkon rakenteita edistää biologisia toimintoja. Huolimatta väistämätön olemassaolo ulkoisten ja sisäisten häiriöiden, kuten geenimutaatio, transkriptio /translaatio melu, vuorovaikutus poisto /lisäys, ja ulkoisia ympäristön ärsykkeisiin, biologinen järjestelmä voi yleensä säilyttää sen toimintoja muuttamalla vakaassa tilassa tai ilmaus liittyviä geenejä. Tällainen kestävyys on laajalti havaittu monissa biologisissa järjestelmissä ja tapahtumia, esimerkiksi kemotaksis bakteereissa, immuunijärjestelmän, syöpien ja solusyklin [1] – [4].

On hyvin tunnettua, että proliferaation eukaryoottisolujen on tilattu, tiukasti säänneltyä prosessi, joka käsittää neljä vaihetta: G1, S, G2, ja M (eli G1 → S → G2 → M → G1) [5], [6]. Vaikka solusyklin etenemistä normaalisti nojaa stimulaatiota mitogeenit ja voidaan estää antiproliferatiivisia sytokiinien, syöpäsolut hylätä nämä tarkastukset ja taipumus jäädä solusyklin [7]. Solut, jotka etenevät solukierron valitsematta voi lopulta muodostua pahanlaatuisia kasvaimia.

nojalla Boolean verkon teoria, aikaisempien tutkimusten nivelyksiköt eri solusykliä säätelyverkkojen [8] – [10]. Useimmat alkutilojen tilassa avaruudessa näiden Boolen verkkojen virtaa biologinen tasainen valtioiden solusyklin prosessi orastava hiiva (.) [8], fissio hiiva (.) [9], ja nisäkässolut [10]. Uudempi tutkimus osoitti, että solusyklin verkon rakenteita molemmissa. ja. solut voidaan jakaa runkoverkon motiivi ja jäljellä oleva motiivi käyttämällä ainutlaatuinen prosessi-lähestymistapa [11], jossa selkäranka motiivi suorittaa tärkeimmät biologiset toiminnot solusyklin verkon.

Toisaalta, valtava kasvu käsityksemme MikroRNA (miRNA) esittää, että miRNA osallistuvat säätelyyn solusyklin ohjelman normaalien ja syöpäsolujen [12]. miRNA ovat endogeenisiä pienet ei-koodaava yksijuosteista RNA: ta, 19-23 nukleotidin pituisia. Ne voivat inhiboida geeniekspressiota sitoutumisen kautta sen osittain komplementaarinen sekvenssien transloitumatonta aluetta sen kohde-mRNA: iden [13]. Profiloinnin miRNA ihmisen syövässä yksilöiden ja solulinjoissa on paljastanut yhä useammat onkogeenisten ja kasvaimen tukahduttava miRNA, joista yksi tunnetuimmista miRNA on miR-17-92 cluster [14]. Yli-ilmentyminen miR-17-92 lokus on havaittu monenlaisia ​​syöpiä [15], kuten keuhkosyövässä, krooninen myeloidileukemiat, B-solujen ja vaipan solulymfoomat, ja Maksasolukasvainten. Lisäksi miR-17-92 klusterin näyttää toimivan tuumorisuppressori joissakin rinta- ja munasarjasyövän solulinjoissa [16]. Läheinen suhde miR-17-92 ja syöpiä osoittaa, että miR-17-92 voidaan säännellä biologisia perusprosesseja.

aikana solusyklin prosessi, useita tarkistuspisteitä ovat mukana arvioida solunulkoisia kasvun signaaleja, solukoko, ja DNA eheys [17]. Kaksi keskeistä tarkistuspisteitä olemassa: G1 /S tarkastuspiste ja G2 /M tarkastuspiste. G1 /S siirtyminen on nopeutta rajoittava vaihe, ja tunnetaan myös rajoituksen kohtaan solusykliä. Saavutettuaan sopivan solukoko, varhainen G1 solut peruuttamattomasti ylittää tarkistuspiste osaksi myöhään G1 vaiheeseen ja ovat sitoutuneet parhaillaan DNA: n replikaatiota (S-vaiheessa), jota seuraa mitoosin [18]. Muutoksia komponenttien säännellä tarkistuspiste läpikäynti ja S-vaiheen merkintä näyttävät vaikuttavan tasoon kasvainsoluproliferaation. Nyt kysymys on siitä, onko kestävyys ominaisuuksia syövän sääntelyverkon rakennetta voidaan taata tarkastuspisteiden solukierron prosessi. Onko miR-17-92 klusteri on ratkaiseva merkitys solusyklin prosessi? Onko runkoverkon, joka voi suorittaa biologinen prosessi?

Tässä tutkimuksessa olemme rakentaneet solusyklin verkko tutkia luotettavuutta tämän verkoston ja merkitys miR-17-92 klusteri solukierron käsitellä asiaa. Verkko liittyy valvontaan G1 /S siirtymisen nisäkkään solusyklin [17] – [19]. Looginen verkko teoria levitetään tutkia luotettavuutta ominaisuuksia tämän sääntelyn verkoston. On osoitettu, että vaikka aikana G1 /S siirtyminen solusyklin prosessi, sääntely verkko on edelleen nivelyksiköt. Lopuksi, käyttämällä ainutlaatuinen prosessi lähestymistapa [11], huomasimme, että verkon rakenne voidaan jakaa pääketjun motiivi, joka tarjoaa tärkeimmät biologisten toimintojen ja jäljellä aihe, joka tekee sääntelyjärjestelmän vakaampi.

Model ja tulokset

1. Model of Cancer Regulatory Network

Jotkin keskeiset sääntelyviranomaiset ovat mukana osaksi G1 /S siirtymä, esimerkkejä, transkriptiofaktoreiden E2F ja Myc, onkogeenit Cdk2 /sykliini E, Cdc25A ja Cdk4 /sykliini D, ja tuumorisuppressoreilla pRb ja p27. Nämä sääntelyviranomaiset muodostavat ns syöpä verkkoon [19] – [21]. Tuumorisuppressoreilla toimivat ylläpitämään tarkistuspisteitä, kun taas onkogeenien mahdollistavat tarkastuspaikkoja on voitettava. Transkriptiotekijät E2F ja Myc, kuten onkogeenien tai tuumorisuppressoreilla (riippuen niiden ekspressiotasot), estyvät miR-17-92 klusteri (jotka antavat nousee seitsemään kypsä MikroRNA, kuten miR-17-5p, miR-17-3p , miR-18a, miR-19a, miR-19b, miR-20, ja miR-92-1) [19], [22]. Vastineeksi E2F ja Myc indusoivat transkription miR-17-92, muodostaen negatiivinen kierre vuorovaikutuksessa verkossa. Yhtenä ensimmäinen raportoitu ja hyvin tutkittu oncomiRs, ihmisen miR-17-92 pystyy toimimaan sekä onkogeenin ja kasvaimia estävä eri solujen yhteydessä. Kuitenkin taustalla mekanismi joko olla kasvaimen ehkäisevästä tai kasvaimia aiheuttavia miR-17-92 miRNA edelleen tuntematon.

Perustamalla vuorovaikutuksesta sääntely tekijöiden ja miRNA [19], olemme rakentaneet Boolen mallin nisäkkään G1 /S siirtymisen sääntelyn verkon (MGSTR verkko), joissa onkogeenit, kasvainten synnyssä, ja miR-17-92, kuten on esitetty kuviossa. 1. Tämä rakenne sisältää kahdeksan solmua (jokainen solmu edustaa säätelyelementti) ja seitsemäntoista linjat (kukin rivi edustaa vuorovaikutusta solmut). On usein kynnys toiminnallisen kopion määrä yksittäisiä molekyylin biokemiallisia reaktioita. Kopioluku geenituotteiden suurempi tai pienempi kuin kynnys voidaan esittää kaksi eri tilaa: päällä tai pois päältä. Siksi geenien ilmentymistä voidaan pitää yhteensä tai ei mitään prosessia, eli binaarinen kytkin, joka on vain kaksi tilaa 1 ja 0.

8-solmun verkko on rakennettu perusteella edellinen koetulosten [17] – [22]. Pyöreä solmut edustavat onkogeeni, Octagon solmut edustavat tuumorisuppressorien, ja nelisivuinen solmut edustavat onkogeenien tai tuumorisuppressoreilla. Vihreä nuoli merkitsee aktiivista vuorovaikutusta, ja sininen (tai musta) hammerheads edustavat estävää vuorovaikutusta.

Soveltamalla Boolen teoria meidän MGSTR verkkoon, verkon solmuun on kaksi tilaa: jos ilmentävien ja toisin. Solmut ovat vuorovaikutuksessa ja päivittävät valtioiden seuraavalla Boolen toiminnot: (1) missä tarkoittaa tila solmun () hetkellä. Verkon rakenne parametri on matriisi; Tai edustaa vastaavasti aktivointi, ei ole vuorovaikutusta tai esto biologisten molekyylien. Itsestään esto (tai hajoamisen) vaikutukset näiden solmujen on merkitty mustalla hammerheads kuvassa. 1, ja käytämme tällaista itsensä eston. Kaikki rakenne parametrit MGSTR verkko on esitetty taulukossa 1. Tämä malli on ihannointi real geenin säätelyverkostojen. Yksinkertainen, vaikka se on, se kaappaa kuinka topologia rajoittaa dynamiikka-geenin ilmentymisen tasoa ja leviämistä tietojen geenien välillä.

2. Simulointi Cancer Regulatory Network

iteratiivisesti soveltamalla päivityssääntö Eq. (1), loogisen verkon jälkiä liikeradan läpi tila-avaruuden. Hajoaminen biomolekyylien on yleensä aikaviiveen, jolloin jos. Meidän simulointi, asetamme viive ja aika askel. Koska esto on usein paljon vahvempi kuin aktivaatio luonnollinen biologinen järjestelmä, otamme kuten viitteet [11] ja [23].

Tiedetään, että solun biokemiallisia reaktioita tapahtuu kaukana termodynaaminen tasapaino, ja kopioluku kussakin molekyylissä voi olla suurempi tai pienempi kuin sen kynnysarvo. Siksi jokainen solmu verkossa saattaa satunnaisesti asua yhdessä sen kahdesta tilasta, tai. Verkoston tila on vektori solmujen arvoja. Kaikkiaan 8-solmu MGSTR verkko on tila-avaruus toteaa.

Tiedot käsittelykapasiteetti on monimutkainen dynaaminen järjestelmä heijastuu eristämiseen sen valtion avaruudessa disjoint altaita vetovoima. Otamme malli kustakin yksi 256 mahdollisesta tilasta ja kaikki solmut päivitetään samanaikaisesti. On havaittu, että järjestelmän dynaaminen tulokset viidessä eri attractors. Tila attractors ja altaan koko (B) kunkin attractor annetaan taulukossa 2. Voidaan nähdä, että suurin osa valtioiden virtaavat suurin pysyvä tila attractor tai erittäin stabiili attractor joka houkuttelee tai valtiot. Se tarkoittaa, että vaikka ulkoisen ja sisäisen sattumanvaraisuus ovat väistämättömiä, nisäkkään G1 /S sääntely dynaaminen reitti on suhteellisen vakaa, ja MGSTR verkko on suunniteltu kestäväksi.

tilaesityksen kuvaaja kuvion. 2 tarjoaa visuaalisen esityksen systeemidynamiikan vangiksi tilaesityksen analyysi. Jokainen vihreä solmu tässä kuvaaja Boolen järjestelmän tilasta, ja jokainen oranssi nuoli edustaa siirtyminen yhdestä tilasta sen ajallisesti myöhemmän tilaan. Dynaaminen liikeradat verkon ja miten se suppenee kohti suurin attraktorin on esitetty kuviossa. 2. Siniset nuolet osoittavat mahdollisimman siirtyminen polku, joka johtaa suurin attractor.

Dynaaminen liikeradat sääntely verkon 256 alkutilojen valtion avaruudessa. Kaikki valtiot lähenevät kiintopisteen attractors. Jokainen vihreä ympyrä vastaa yhtä tietyn verkon tilan, ja suurin ympyrä vastaa S-vaiheeseen. Nuolet välinen verkko valtioiden ilmaisevat dynaaminen virtaus yhdestä tilasta sen myöhemmän tilaan, ja koko virtaus on merkitty paksuus nuolia.

On olemassa kaksi eri tulkintoja toiminnan attractors. Yksi seuraa Kauffman n kuvaavat, että yksi attractor pitäisi vastata kennotyypiksi [24], toinen tulkinta on, että ne vastaavat solun valtioiden kasvun, erilaistumisen ja apoptoosin [25]. Koska meidän MGSTR verkon malli, suurin attractor tilassa avaruudessa olisi vastattava tilaan, jossa solut voittaa G1 /S tarkastuspiste ja yöpyä S-vaiheessa. Siinä tapauksessa, vakaus solun tila on taattu.

Edellinen kokeellinen data osoittaa, että ilmentymisen tai aktivoitumisen avaimen säätävät näkyy kytkimen ominaisuudet aikana G1 /S siirtyminen. E2F ja Myc indusoivat transkription miR-17-92 [19], ja tämä miRNA on osoitettu tukahduttaa G1 /S solusyklin Checkpoint säätelemällä ilmaus keskeisten geenien solusyklin verkossa [15]. E2F on korkea ekspressiotasot aikana G2 /M ja G0 /G1 siirtymä ja pieni ekspressiotasot S-vaiheessa [26]. Ilmaisu Myc lisääntyy alussa G1 rajoitus kohta ja palaa sitten alemmalle tasolle [27]. Ilmaus Cdc25A fosfataasin ja Cdk2 /sykliini kinaasi aktivoidaan Myc [28] – [30]. E2F /sykliini kompleksi näkyy lähinnä G1 vaiheessa, ja sitten sen määrä pienenee solut tulevat S-vaiheessa [26], [30] – [35]. Maksimaalinen tasot p27-proteiinin löytyy G1 vaiheessa ja quiescence (G0) [7], [28], [30], [36] – [37]. PRB fosforyloituu puolivälissä ja myöhään G vaihe, ja sen jälkeen pRb /E2F kompleksi laukaisee aktivoituminen Cdc25A [7], [27], [32], [35], [38]. CDK4 /CyclinD tai Cdk6 /CyclinD kinaasi aktivoidaan G1 vaiheessa ennen Cdk2 /sykliini on lisääntynyt [7], [39] – [40]. G1 /S faasimuutos säädellään Cdk2 /sykliini [31], [39] – [40]. Aktivointi Cdc25A tapahtuu myöhään G1 vaihe ja nousu S ja G2-vaiheissa [39]. Siirtymät on yli sääntelyviranomaisten ja OFF välillä on koottu taulukkoon 3. Vertailu taulukot 2 ja 3 osoittaa, että suurin attractor on S-vaiheessa.

Toisaalta, kehitys polku suurin attractor tilassa avaruudessa olisi yhtenevä päälle mahdollinen biologinen kautta. On todellinen tai mahdollinen biologinen väylän dynaamisen reitin siten, toisin sanoen, kuinka selvittää todennäköinen biologinen väylän dynaamisen liikeradat? On mahdollinen biologinen väylän suurin pysyvä tila attractor (ks paksu sininen nuoli kuvassa. 2), ja aika järjestys tämän reitin on lueteltu taulukossa 4. mukaan aikaa järjestyksessä taulukossa 4, on olemassa neljä vaihetta n ilmentämiseen tai aktivointi sääntelyviranomaisten. Ensinnäkin, ilmaus E2F, pRb, ja CyclinD /Cdk4 laukeaa, ja ilmaus E2F voidaan aktivoida itse. Aktivointi E2F estyy pRb puolestaan ​​ilmaus pRb estyy Cdk4 /CyclinD joka on itsestään hajoaminen vaikutus. Toiseksi, ilmaus miR-17-92, Myc, Cdc25A, ja Cdk2 /sykliini aktivoituu E2F. Samaan aikaan, aktivointi pRb estyy Cdk2 /CylinE. Kolmanneksi, ilmaus miR-17-92 aktivoidaan Myc; ilmaus Cdc25A aktivoidaan sekä Myc ja Cdk2 /sykliini, ja ilmaus Cdk2 /CylinE aktivoidaan sekä Myc ja Cdc25A. Myc on itsestään eston vaikutus. Lopuksi, ilmaus Cdc25A ja Cdk2 /sykliini voidaan aktivoida toisiinsa, ja miR-17-92 on hajoamisen vaikutuksen. Edellä saadut tulokset matemaattinen malli (taulukko 4) ovat yhdenmukaisia ​​aiempien kokeelliset tulokset (taulukko 3).

3. Vertailu Random Network: Robustness Test

tutkia tarkemmin, ovatko arkkitehtuurista MGSTR verkko on muita erityisiä ominaisuuksia, analysoimme verkostoamme ja 1000 satunnaista verkostoja samalla määrä solmuja ja sama määrä rivejä kuin MGSTR verkkoon. On havaittu, että (i) vastaava satunnainen verkoissa on tyypillisesti enemmän attractors joiden keskimääräinen attractor määrä. Altaan koko suurin attraktori useimpien satunnainen verkoissa on pienempi kuin MGSTR verkon. Tämä tulos osoittaa, että attraktorin altaan koko syöpäsolun sääntelyverkon on optimoitu antamaan biologisen toiminnan. (Ii) jakelu attractor altaan koko näistä satunnainen verkkojen seuraa teho laki (Fig. 3). Vain attractors ovat yhtä suuri tai suurempi kuin suurin attraktorin (B = 184), ja MGSTR verkon.

Laskettu 1000 satunnaisesti verkon, jolla on sama määrä solmuja ja sama määrä rivejä kuin meidän MGSTR verkkoon.

koko altaan attractors (B) järjestelmässä on elintärkeä määrä kannalta ymmärryksen verkon käyttäytymistä ja voivat koskea muut verkon ominaisuuksia, kuten vakautta. Siksi suhteellinen muutos B suurin attractor voidaan toiminut mittaus meidän kestävyys testissä. MGSTR verkko ja satunnainen verkot levoton poistamalla vuorovaikutusta nuolen (Fig. 4), lisäämällä vihreä tai sininen nuoli solmujen välillä, jotka ovat nolla-sidottu (Fig. 5), tai kytkemällä vuorovaikutus yhden nuolen eston aktivointi ja päinvastoin (Fig. 6) [8]. On osoitettu, että suurin osa häiriöistä ei muuta kokoa suurin attractor merkittävästi (on pieni) in MGSTR verkkoon, mikä viittaa meidän MGSTR verkko on korkea

homeostatic vakautta

[8]. Tällainen korkea

homeostatic vakautta

ei hyvässä kunnossa ensemble satunnaisten verkkojen kanssa samankokoinen (Fig. 4-6). Korkea kestävyys on MGSTR verkko voi johtua rakenteeseen ja vuorovaikutukset sisällä sääntelyjärjestelmän.

Jakelu suhteelliset muutokset () alle häiriön poistaminen 21 vuorovaikutuksen nuolia MGSTR verkkoon ja satunnainen verkkoja. Suurin osa arvot ovat pieniä, mikä osoittaa, että suurin osa häiriöistä ei muuta kokoa suurin attraktori merkittävästi.

jakauma suhteellinen muutos () mukaisesti häiriön lisäämällä 86 vuorovaikutuksen nuolet osaksi MGSTR verkkoon. Suurin osa arvot ovat pieniä, mikä osoittaa, että suurin osa häiriöistä ei muuta kokoa suurin attraktori merkittävästi.

jakauma suhteellinen muutos () mukaisesti häiriön siirtyminen 16 vuorovaikutuksen nuolet MGSTR verkkoon. Useimmat arvot ovat pieniä, kun taas noin 25 arvojen sijaitsevat välein 0.91.0.

4. Selkäranka motiivi Syövän Regulatory Network

Koska MGSTR verkon rakenteesta ja aika sekvenssi reitti, jonka tiedetään olevan biologisesti tärkeä, on olemassa selkäranka motiivi, jolla voidaan saavuttaa merkittävä biologinen toiminnallisuus? Jos on selkäranka motiivi, mikä on dynaaminen käyttäytyminen jäljellä motiivin? Näiden ongelmien ratkaisemiseksi, hyväksymme menetelmä prosessin-pohjaisen verkon hajoaminen [11].

Jotta dynaaminen funktio antamien taulukko 4, kukin solmu verkon on kolme looginen yhtälöt, kuten on esitetty menetelmät ja ratkaisut kaavaan. (2) – (12) ovat minimaaliset linjat, jotka olisi pidettävä rakentamisen selkäranka motiivin (taulukko 5). Perustamalla Taulukko 5, oletamme selkäranka motiivi koko verkon, kuten on esitetty kuviossa. 7.

Koko MGSTR verkko hajotetaan runkoverkon motiivi (a), joka tarjoaa suuret biologisten toimintojen ja jäljellä oleva motiivi (b) mikä tekee järjestelmästä vakaamman.

roolin tutkimiseksi selkäranka motiivin nisäkkään G1 /S sääntelyverkon laskemme dynaamisten ominaisuuksien selkäranka motiivin käyttämällä Boolen sääntöä Eq. (1). Vastaava tila attractors ja altaan koko tältä laskenta esitetään taulukossa 6. On osoitettu, että on olemassa 12 attractors, joista suurin attractor (ensimmäinen rivi taulukossa 6) vastaa super vakaa attractor koko verkon . Siksi päätehtävä MGSTR verkko on edelleen jatkunut. Selkäranka aihe on perustavanlaatuinen rakennuspalikka verkon. Kuitenkin altaan koko suurin attractor selkäranka aihe on vain 120 tai alkutilojen, joka on paljon pienempi kuin koko verkon (). Se merkitsee sitä, että jäljelle jäävä osa verkosta näyttelee tärkeä rooli todellinen biologinen sääntelyprosesseille, ja dynaamiset ominaisuudet selkäranka motiivin muuttuu epävakaaksi ilman jäljellä motiivi.

Kaikki vuorovaikutukset miR-17-92 ja muiden sääntelyyn tekijät säilyvät selkäranka motiivi (Fig. 7). Tämä havainto, ja kokeelliset tulokset ref. [15], [16], [19], korostetaan mir-17-92 voittamisessa G1 /S solusyklin tarkistuspiste ja lisäämällä leviämisen nopeus syöpäsolujen kohdentamalla verkosto eri tekijöistä.

Päätelmät ja keskustelu

Modeling molekyyli sääntelyverkon joka ohjaa nisäkkäiden solusyklin on haastava ja pitkäjänteisyyttä. Keskittyminen ydinverkkoon, joka ohjaa syöpäsolun sykli, olemme rakentaneet Boolen verkon vuorovaikutukset onkogeenien ja tuumorisuppressorigeeneille (Fig. 1). Vaikka MGSTR verkon että luomme on yksinkertaistaa solunsisäisen prosessi, tutkimus välisten suhteiden rakenne ja dynaaminen käyttäytyminen Tämän Boolean verkko on tuottanut tärkeitä oivalluksia yleistä käyttäytymistä syöpäsolun solusyklisäätelyn verkkoon. Dynaaminen verkon on ominaista hallitseva attractor tilassa kaikkien mahdollisten alkutilojen (Fig. 2). Se houkuttelee 184 tai alkutilaan Boolen verkon (taulukko 2). Lisäksi, joka perustuu ainoastaan ​​yhteys solmujen kesken, ja unohtamatta muita biokemiallisia yksityiskohtia, tämä verkko toistetaan kerran sekvenssi geenin toiminnan pitkin biologinen syöpäsolun kierron (biologinen reitti). Dynamiikka meidän solukierron verkko on melko vakaa ja vankka sen toiminta suhteen pienet häiriöt (Fig. 4, 5, 6).

On muitakin solusyklin verkkomalleissa, joihin liittyy enemmän geeni muuttujia kuin yksi olemme täällä. Koska astetta monimutkaisuus kasvaa eksponentiaalisesti koko järjestelmän, on yleensä vaikeaa tutkia suuret järjestelmät. Viime aikoina erilaisia ​​menetelmiä on kehitetty ja otettu käyttöön tutkimaan omaisuuden ja tiedon siirtyminen suurissa Boolen verkoissa. Akutsu et ai. esittänyt useita algoritmeja tunnistaa määräajoin attractors ja Singleton attractors Boolen verkkojen [41], [42]. Käyttämällä geeni tilaaminen ja palaute Vertex setit algoritmit, Zhang ja työtovereiden tunnistaa Singleton attractors ja pienet attractors Boolen verkkojen [43]. Krawitz et ai. totesi, että tiedot kapasiteetti satunnainen Boolen verkko on maksimaalinen kriittisessä rajan tilattu ja huonokuntoinen vaiheiden kautta käyttöön uusi verkko parametri, altaan entropia [44].

yleensä olemassa joitakin kriittisiä vuorovaikutusta, solmut, tai selkäranka motiiveja, jotka täyttävät pääasiallinen tehtävä säätelyverkkojen. Mukaan mahdollisista biologisista väylän tila-avaruuden, me edelleen hajoavat mallimme osaksi selkäranka motiivi, joka tarjoaa suuret biologisten toimintojen ja jäljellä aihe mikä tekee järjestelmästä vakaamman (taulukko 6). On muitakin julkaisuja, jotka koskevat erilaisia ​​menetelmiä tunnistaa tärkeitä väyliä, kriittinen verkko rakenteet, verkko motiiveja, ja palaute silmukoita säätelyverkkojen. Esimerkiksi Choi et al. rakennettava Boolen malli P53 sääntelyverkon [45]. Tilaesityksen analyysi attractor maisema käytettiin tunnistamaan erityistä vuorovaikutusta, jotka olivat kriittisiä muuntaa syklisen attractors huomauttaa attractors vastauksena DNA-vaurioita. Työ Schlatter et al. keskusteltiin löytö asiaa keskuksia verkosto signalointipolkujen apoptoosin [25]. Verdicchio et ai. paljasti hiljattain keskeisten toimijoiden verkosto hiivan solukierron ja verkosto WNT5A melanooman analysoimalla logiikka minimointi kokoelmista valtioiden Boolen verkossa altaissa vetovoima [46].

kriittinen rooli asennuspalveli- 17-92 varmistamisessa tarkistuspiste ylitti syövän solukierron näkyy selkäranka motiivi MGSTR verkon (Fig. 7). MikroRNA, ja laajemmin, ei-koodaavaa RNA: t ovat yhä useammin keskeinen sääntelyviranomaisten ratkaisevan biologisten tapahtumien [47] – [51], vaikka roolit suurin ei-koodaavaa RNA: iden edelleen epäselvää. Työmme osoittaa, että laskennallisen simuloinnin biologisten prosessien voi auttaa tulevia paljastettiin sääntelyn rooleja ei-koodaavaa RNA: iden.

Meidän simulointi MGSTR verkon, käytämme usein käytetty oletus synkroninen päivityksen. Kuitenkin, tämä oletus voi olla epärealistista joissakin molekyyli järjestelmissä, joissa erilaisia ​​aikatauluja, jakeista yksi sekunti tuntia, tarvitaan oikein edustettuna. Joissakin tutkimuksissa mallinnettu ja analysoitu asynkronisen päivityssääntö yhteydessä satunnainen Boolen verkkojen [52], [53]. Esimerkiksi synkronoitu ja erilaisia ​​asynkronisen päivitystavoista Assieh et al. järjestelmällisesti verrattuna dynaaminen käyttäytymistä näytetään Boolen verkosto signaalitransduktion [53]. Heidän työnsä huomautti, että häiriöttömät järjestelmä hallussaan päivityksen riippumaton kiintopisteen, kun häirityn järjestelmät johtavat laajennettu attractor alla häiritseviä tietyn solmun. Prosessit ohjaavat geenin säätelyverkkojen tapahtuu molekyylitasolla, ja vaihtelut molekyylien määrä kriittisten tekijöiden vaikutus lopputuotoksesta säätelyverkostojen. Näin ollen on erittäin tarpeen soveltaa stokastisia simulaatioita realistisempi kuvaus reaktion kinetiikkaa. Braunewell et ai. tutkittiin stabiilisuus solusyklin verkon lisättäessä stokastisen viiveen melu [54]. He havaitsivat, että järjestelmä esittelee vankka käyttäytymisen häiritseekin lähetysajan melua. Olisi syytä kehittää nykyisen mallin realistisempi yksi lisäämällä asynkronisen päivityssääntö ja stokastiset melua.

julkaisemisen jälkeen uraauurtava tutkimus Kauffman, Boolen verkko on ollut eräs intensiivisesti tutkittu malleja järjestelmien biology [24]. Verrattuna tavallinen differentiaaliyhtälö (ODE) malleja, Boolen verkot ovat rajalliset lähentämällä kokeellisia tuloksia ja tekemään asiayhteyskohtaisia ​​määrällisiä ennusteita solujen dynamiikan. Kuitenkin hakemukset Boolen verkon mallintamisessa todellinen biologinen piirit ovat osoittaneet, että he voivat ennustaa seurauksia proteiinin ja geenin toiminnan kanssa paljon vähemmän parametreja kuin klassisen differentiaaliyhtälöt. Tuloksemme analyysin MGSTR verkon osoittaa, että Boolen mallia voidaan käyttää simuloimaan syöpään G1 /S solusyklin prosessi.

Materiaalit ja menetelmät

Hajoaminen Regulatory Network

Anna ja edustavat vastaavasti aktivoitu rivi ja estävä linja. Arvot ja ovat, tai joka edustaa olemassa tai ei ole olemassa, vastaavasti. Sitten voidaan saada looginen yhtälö kullekin solmulle yhtälöstä. (1):

(2), jossa toiminnalliset symbolit ovat logiikka symboleja: lisäys edustaa operaattori OR, kerto edustaa operaattori AND, ja pylväs edustaa EI.

neljästä mahdollisesta siirtymiä valtion, eq. (2) voidaan korvata (3), jossa. Ensimmäinen ja kolmas yhtälöt Eq. (3) voidaan muuntaa suorittamalla EI molemmin puolin, mikä

(4) Kunkin solmun, on siirtymiä, ja siten on olemassa yhtälöt lähtien. Ajan kanssa, joka on esitetty taulukossa 4, yhtälöstä. (4), meillä on (5) solmulle 1 (solmun nimi: miR-17-92), (6) solmulle 2 (solmun nimi: Myc), (7) solmuun 3 (solmun nimi: E2F); ( 8) solmulle 4 (solmun nimi: p27), (9) solmulle 5 (solmun nimi: pRb), (10) solmulle 6 (solmun nimi: Cdk4 /CyclinD), (11) solmulle 7 (solmun nimi: cdk2 /sykliini), (12) solmulle 8 (solmun nimi: Cdc25A).

verkkoja tässä asiakirjassa piirrettiin Cytoscape [55], [56] ja dynaaminen tila-avaruus kuvaajan piirtämisen kanssa Pajek [57].

Kiitokset

Kiitämme jäseniä laboratorioissa Ya Jia ja Ge Shan innostavia keskusteluja ja hyödyllisiä kommentteja aiempien versioiden käsikirjoituksen.