Krooninen sairaus

tiivistelmä

Syöpä ja terveitä soluja on erilaiset jakaumat molekyylirakennetta ja siten reagoivat eri lääkkeitä. Syöpälääkkeet mieluiten tappaa syöpäsoluja samalla rajoittaa vahinkoa terveitä soluja. Kuitenkin luontainen vaihtelu solujen välille sekä syövän ja terve solupopulaatioiden vaikeutat selektiivinen lääkeaineen toimintaa. Täällä virallistaa luokitus kehys perustuu ajatukseen, että ihanteellinen syöpälääkkeen pitäisi maksimaalisesti syrjiä syövän ja terveitä soluja. Tarkemmin sanottuna tämä syrjintä olisi suoritettava perusteella mitattavan solun markkereita. Me jakaa ongelma kolmeen osaan, jotka tutkimme esimerkkejä. Ensinnäkin molekyylimarkkerit pitäisi syrjiä syöpäsolujen terveitä soluja klo yksisoluisia tason. Toiseksi, lääkkeiden vaikutuksia olisi tilastollisesti ennustaa näiden molekyylimarkkereina. Kolmanneksi lääkkeet tulisi optimoida luokitusta suorituskykyä. Huomaamme, että ekspressiotasot kourallinen geenien riittää erottamaan hyvin yksittäisten solujen syöpä ja tervettä kudosta. Lisäksi havaitaan, että geenien ilmentyminen ennustaa tehoa joidenkin syöpälääkkeiden, mikä viittaa siihen, että nämä syöpälääkkeet toimivat optimaalisella luokittelijoiden geenien profiileja. Lopuksi me muotoilla kehys, joka määrittelee optimaalisen huume, ja ennustaa huumeiden cocktaileja, jotka voivat kohdistaa syöpä tarkemmin kuin sellaisia ​​lääkkeitä yksin. Käsitteellistää syöpälääkkeet kuten ratkaista syrjinnän ongelma korkea-ulotteinen avaruus molekyylimarkkereiden lupaa ilmoittaa suunnitella uusia syövän huumausaineiden ja cocktaileja.

Citation: Lawlor PN, Kalisky T, Rosner R, Rosner MR, Kording KP (2014) konseptointi Cancer Drugs kuin luokittelijat. PLoS ONE 9 (9): e106444. doi: 10,1371 /journal.pone.0106444

Editor: Sui Huang, Järjestelmä- Biology, Yhdysvallat

vastaanotettu: 06 tammikuu 2014; Hyväksytty: 04 elokuu 2014; Julkaistu 23 syyskuuta 2014

Copyright: © 2014 Lawlor 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: PL oli tukee National Institutes of Health 5P01NS044393. KK tukivat National Institutes of Health R01NS063399. RR ja MR tukivat Chicagon yliopistossa Naisten Board. TK rahoitti Machiah Foundation. 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

keskeisenä tavoitteena syövän hoitoon on tappaa syöpäkudokseen jättäen tervettä kudosta ennallaan. Tehokas syöpälääkkeet on siis erotettava syöpäsoluja ja terveitä soluja. Lisäksi optimaalinen syövän hoitoon olisi myös vankka biologisille vaihtelevuutta kuten kasvain ja terveen solun heterogeenisyys [1]. Yhdistämällä nämä ideat, voimme kehystää syövän ongelma tavalla, joka tasapainottaa mahdollinen päällekkäisyys terveen ja syöpäsolun ominaisuudet tarve tappaa aggressiivinen syöpäsolun variantteja (Fig. 1). Vaikka tarve erottaa syövän terveitä soluja taustalla nykyinen syövän hoidossa, meidän tietomme sitä ei ole matemaattisesti virallistettu. Kehittäminen matemaattisen kehyksen avaa mahdollisuuden kääntää oivalluksia laskennallisen tieteen uusia lähestymistapoja syövän hoidossa.

Ihannetapauksessa syöpälääkkeet suorittaa laskennan soluista: tappaa (jos syöpä) tai ei-kill (jos terve).

Syöpä lääkkeitä olisi siis niitä pidetä suorittaa laskennan soluihin. Esimerkiksi myrkyllisiä lääkkeitä, solukohteita johtaa yhden tuloksen (tappaa tai eivät tapa) hoidon aikana. Matemaattisesti, voimme sanoa, että vaikutus lääkkeen on kuvaus joukko ominaisuuksia (tavoitteita cell) päälle stokastinen, binary tulos (solu elämää tai kuolee) – tämä on täsmälleen määritelmä luokittelija aloilla tilastojen ja koneoppimisen [2]. Tässä mielessä mitä tahansa syöpälääke on todella luokittelija (Fig. 2). Kuitenkin sovellettaessa sana ”luokittelija” tähän selektiivinen tappaminen ei ole vain semanttinen. Sen sijaan se liittyy muodollinen matemaattinen lähestymistapa ja työkalupakin johdettu koneoppimisen, joka voi edistää lääkekehityksessä.

Tämä osoittaa, miten voidaan yhdistää tietoja kahdesta solun markkereita rakentaa luokitin joka erottaa kaksi väestön (syöpä ja terveitä soluja) parempi kuin kumpikaan merkki yksinään.

Monet tietokoneen algoritmeja on kehitetty ratkaisemaan luokittelun ongelmia, ja rikas kirjallisuuden olemassa aloilla tilastoja ja koneoppimisen tehokkaista menetelmistä luokittelu [2 ]. Nämä laskennallinen kentät tarjoavat laajan valikoiman lähestymistapoja lukien määrälliset suorituskyvyn mittarit, tehokkaita algoritmeja suurten aineistoja, ja menetelmiä parantaa luokittelijoiden. Esimerkiksi paljon tutkimusta on osoitettu, miten yhdistää heikko luokittelijoiden rakentamiseksi paremmin luokittelijoiden, mikä viittaa siihen, että nämä menetelmät voidaan sovittaa lääkeyhdistelmää (Fig. 2). Machine oppiminen, määrittelyssä etsittäessä luokittelijoiden kuin optimoijien, tarjoaa puhdas tapa kuvata tavoitteellinen suunnattu haku. Tämä paperi on tarkoitus selkeyttää vastaavuus etsinnän luokittelijoiden ja etsiä syöpälääkkeet.

Tiedot äskettäin kehitetty OMICS lähestyy mahdollistaa soveltamisen luokittelija teorian huumeiden optimointiin. Microarray ja sekvensointitekniikan, esimerkiksi antaa meille mahdollisuuden samanaikaisesti kerätä tietoja tuhansista cellular

markkereita

– mittauksissa, jotka luonnehtivat valtion tai solun fenotyypin tutkimisen kuten geenien ilmentyminen. Jotkut näistä merkkiaineiden pitäisi erottaa syöpäsolujen terveitä soluja, avustaisivat Tarkka luokitus ja syöpä kohdistaminen. On kuitenkin tärkeää, etteivät kaikki markkereita ovat molekyyli- lääkekohteita. Molecular

tavoitteet

ovat molekyylejä, jotka syöpälääkkeet todellisuudessa käytettiin muuttamaan soluihin. Mutta haudattu tuhansia mitattavissa markkereita on osajoukko merkkiaineiden

heijastavat tai korreloivat

molekyyli tavoitteita huumeita. Esimerkiksi geenien ilmentymisen, jotka ovat alavirtaan huumeiden tavoite voi korreloivat hyvin, että lääkkeen tehoa. Kehittyvät biotekniikan avulla voimme mitata näitä solujen markkereita ja analysoida niitä tilastollisia työkaluja kuten koneoppimisen täydemmin ymmärtää syöpä.

Vaikka syöpälääkkeet ei ole muodollisesti luonnehdittu luokittelijoiden, koneoppimisen on laajasti sovellettu monia näkökohtia syövän biologian. Yksi ryhmä on arvioinut, rintasyöpä tulos käyttämällä koneoppimisen luoda 70 geeniä ennustusalgoritmi [3], kun me ja muut ovat käyttäneet koneoppimisen, yhdistettynä diskreetti signalointireittejä, ennustaa etäpesäkkeiden elinaika [4]. Toiset ovat yrittäneet erottaa eri syöpätyyppien käyttävät monenlaisia ​​algoritmeja kuten Tukivektorikoneet (SVM) [5], [6], Principal Component Analysis [7], [8] ja Artificial Neural Networks [9]. Toiset ennustavat kemosensitiivisyys perusteella geenien ilmentymisen [10], [11] ja signalointi verkkojen [12]. Vaikka kaikki nämä lähestymistavat ovat vaikuttavia harppauksia ja ovat käyttökelpoisia kliinisessä työssä, nämä ajatukset eivät ole yhdessä tuottaa periaatteisiin perustuva lähestymistapa syövän lääkekehityksessä.

Tässä esitetään perusta suunniteltaessa syöpälääkkeitä joka ulottuu ideoista avulla luokittelija hahmottaminen. Ensin ääriviivat lähestymistapa, ja sitten, kun käytännön esimerkki, analysoida kokeellista tietoa osoittamaan, miten tämä voidaan tehdä periaatteessa. Yleinen lähestymistapa on esitetty alla:

Kehys syövän hoitamiseksi

virallistaminen syöpälääkkeet kuten luokittelijoiden olisi ilmoitettava, miten syövän hoitoon. On kolme keskeistä osaa tämän lähestymistavan että ensin yhteenveto korkealla tasolla, ja sitten osoittaa nykyisin käytössä olevien kokeellisten tietojen: 1) Erityisesti määritellään tavoite voidaan saavuttaa luokitus – eli mitkä solut tappaa, mitkä solut lähteä, ja miten kertoa ero kahden; 2) Ymmärtää hoitovälineiden käytössämme; ja 3) Oikeat käyttää näitä hoitovälineiden täytettäessä määritellyn luokituksen tavoite. Olemme tiivistää määritelmiä ja oletuksia puitteiden taulukossa 1.

Määrittely tavoite (osa I) B

Ensimmäinen askel on syrjiä syöpä- ja terveitä soluja. Koska tämä on tavoite syövän hoitoon, on tärkeää konkreettisesti määrittää tämän tavoitteen. Voit tehdä tämän, käytämme matematiikkaa luokitusta algoritmien yhdessä mittauksia solujen markkereita. Luokitin vastaa seuraaviin kysymyksiin: Kuinka paljon syöpäsolujen poikkeavat terveitä soluja, ja joka biologisia merkkiaineita voivat erottaa ne? Se kysyy tämän kysymyksen, kun nimenomaan huomioon heterogeenisyys molemmissa ryhmissä. Merkit voivat sisältää geenin ilmentymisen, pinta proteiinit jne Koska erottamaan syövän ja terveitä soluja edellyttää ottaen huomioon heterogeenisyys kunkin populaation, olemme keskittyneet markkereita yksittäisten solujen sijaan solupopulaatioiden mahdollisuuksien.

luokittelemalla algoritmit tässä yhteydessä on suunniteltu antamaan maksimaalisen erottamisen syöpäsolujen terveitä soluja kannalta näiden erottavien markkereita. Sellaisenaan, voimme sanoa, että tulokset luokituksen kuvailla mikä hypoteettista ”optimaalinen” lääke toimii kun nämä merkit voivat saavuttaa. I osa Tulokset osoittaa, kuinka yksi voisi määritellä tämän optimality tavoite geenien ilmentymisen yksittäisissä soluissa ja tutkitaan, kuinka monta markkereita ja soluja tarvitaan tämän tavoitteen saavuttamiseksi.

Ymmärtäminen hoitovälineiden käytössämme (osa II)

seuraava askel on ymmärtää, miten käytettävissä oleva hoito työkalujen avulla voimme hyödyntää erottava markkereita syöpäsoluja. Meidän tulee pyrkiä lähentämään optimaalinen lääke suunnittelemalla uusia lääkkeitä tai yhdistämällä olemassa olevia lääkkeitä. Tässä keskitymme toinen.

Lääkkeet olisi mieluiten kohdistaa erottaa ominaisuuksia syövän, mutta useimmat käytetyt lääkkeet klinikalla eivät tee tätä täydellisesti. Lisäksi niiden vaikutusmekanismeja eroavat. Näin ollen, se voi olla mahdollista ennustaa, miten olemassa olevien lääkkeiden tulisi yhdistää tuottamaan enemmän toivottavaa tuloksia. Oikeastaan ​​joten tämä ennustus olisi riippua liittyvistä huumeiden toimia erottava ominaisuuksia syövän. Esimerkiksi, jos syöpäsolut poikkeavat terveitä soluja pääasiassa kautta kolme eri markkereita, kolme lääkettä

tiedetään

erikseen käyttää kunkin yksittäisen markkerin kuin luokitin voidaan teoriassa yhdistää. Osa II Tulokset osoittaa tätä ajatusta tutkimalla suhde huumeiden toimintaa ja molekyylitason ominaisuudet (geenien ilmentyminen).

Oikeat käyttäen hoitovälineiden (osa III) B

Viimeinen vaihe on käyttää matematiikka luokituksen kysyä, miten käytettävissä olevia välineitä (esim huumeet) avulla voimme saavuttaa tavoitteemme. Ensimmäisestä osasta, tiedämme miten erottaa syöpäsolujen terveitä soluja. Toisesta, tiedämme miten huumeet liittyvät molekyylimarkkereina. Nyt voimme käyttää näitä kahta ideoita optimoida hoitoon sovittamalla luokittelemalla kykyjä huumeet määritettyyn luokituksen tavoite.

Täällä me jälleen keskityttävä tehostamaan lääkkeen yhdistelmiä. Yksi tapa olisi ennustaa lääkkeen yhdistelmiä, jotka syrjiä syövän ja terveitä soluja paremmin kuin kumpikaan lääke yksinään. Osa III Tulokset osoittaa yksi lähestymistapa, että ihanteellisissa olosuhteissa, saattaa tämän tavoitteen saavuttamiseksi.

Yksi rajoitus Tämän tutkimuksen että nykyisin käytettävissä tällaiset analyysit ovat rajalliset ja ei ole ihanteellinen. Näin ollen, jotta havainnollistaa kolme osaa luokittelun kehyksen tietojen avulla todellisia biologisia näytteitä, olemme substituoitu tai uudelleen solun fenotyyppejä kun haluttu solu tiedot puuttuvat.

Tulokset

Osa I : määrittely luokitus tavoite molekyylikaavan mittausten

Jos syöpälääkkeet toimivat luokittelijoiden jotka käyttävät mitattavissa markkereita syötteenä, voimme käyttää vakioluokitusta algoritmeja tutkia mahdollisuutta ratkaista syövän versus terveen solun luokittelu ongelma. On teoreettisesti mahdollista, että on olemassa optimaalinen lääke (tai huumeiden yhdistelmä), joka saavuttaa tämän tavoitteen käytännössä. Tämä merkitsisi, että tällainen lääke voisi tappaa syöpäsoluja jättäen terveitä soluja yksin mahdollisimman laajasti. Käytämme tätä käsitettä optimaalinen lääkeaineen ohjeeksi analysointiin hoitoon. Käytännössä todelliset huumeiden tai lääkkeiden yhdistelmien tulisi valita muistuttamaan optimaalinen lääke. Tiedämme, että jokainen kasvain on erilainen, mutta meidän tavoitteemme on havainnollistaa lähestymistapaa erottamiseen syöpä- ei-syöpäkudoksen yhdessä yhteydessä. Tätä lähestymistapaa voidaan soveltaa myös muihin syöpätyyppeihin.

onko se on teoriassa mahdollista ratkaista tätä ongelmaa, tarvitsemme aineisto solujen sekä tunnettuja syöpää valtion ja mitataan markkereita. Käytimme yksisoluiset transkription saatujen tietojen paksusuolessa [13]. Tämä aineisto sisälsi sekä rajoitettu määrä markkereita (45 geenejä), ja rajoitettu määrä paksusuolikudos alatyyppejä ja solujen ( 200 solua). Niinpä keskityimme erottamaan terveet ja syöpäsolujen yhden kudoksen alatyyppi: kantasolujen kaltaisia ​​soluja. Koska nämä solut ovat niin samankaltaisia ​​- kuten on todettu alkuperäisessä julkaisussa – tämä valinta palvelee tehdä luokittelun ongelma haastavampaa. Tämä aineisto siten pystyimme testaamaan valtaa luokituksen lähestymistavan.

Voi tätä luokitusta ongelma ratkaistaan? Toisin sanoen, voiko yksisoluiset transkription data ennustaa solun tila (syöpä- tai ei)? Tähän kysymykseen käytimme vakioluokitusta algoritmin laillistaa GLM [14], [15]. Testaus kuinka hyvin tällainen Luokittelumuuttujille algoritmit ansiosta voimme antaa yläraja, miten hyvin todellinen lääke voisi toimia, jos sitä käytetään geenien ilmentymisen yksin.

Ensinnäkin halusimme potentiaalista tarkkuutta tämän luokituksen. Luokitusta on olemassa erilaisia ​​virheitä, että kukaan voi tehdä. Esimerkiksi se on helppo tuottaa huume, joka tappaa kaikki syöpäsolut vaan myös tappaa kaikki terveitä soluja. Tämä lääke olisi 100% utaretulehdusmallia (tapettu syöpäsoluja), mutta myös 100% vääriä positiivisia (tapettu terveitä soluja). Niinpä täysin luonnehtia luokitus strategiaa meidän pitäisi analysoida suhde kahden tyyppisiä virheitä. Standardi mitta luokitustarkkuudesta on vastaanotin toimii (ROC) juoni. Esityksessä osuus utaretulehdusmallia on funktiona osuuden väärien positiivisten (Fig. 3) määrittää sekä herkkyys ja spesifisyys. Alueella Tämän käyrän (AUC) antaa kokonaiskuvan mitta luokituksen suorituskykyä enimmäisarvo on 1 täydellinen testi. AUC meidän luokitus algoritmi oli ~0.9, mikä osoittaa, että terveet solut syöpäsoluista voidaan hyvin luokitella. Siksi on teoreettisesti mahdollista ratkaista tämä erityisesti syöpä ja terveiden luokitus ongelma yhden soluja suurella tarkkuudella käyttäen ekspressiotasot vain pieni joukko (~45) geenien.

Kun mitataan tarkkuutta solun luokittelua syöpä tai terve, kannattaa miettiä molemmat virheet: vääriä positiivisia ja vääriä negatiivisia (tai enemmän tavanomaisesti, tosi positiivisia). Tätä havainnollistaa vastaanottimen Operating Characteristic (ROC) käyrä. Viivat osoittavat keskiarvot, ja virhepalkkeja osoittavat bootstrapped 95%: n luottamusväli. Tarkkuus mitattiin ristivalidointi; ja mahdollisuus arvo määritettiin käyttäen shufflea ohjaus.

Seuraavaksi kysyimme

kuinka monta

solumarkkerit optimaalinen lääke pitäisi luokitella soluihin tarkasti. Toisin sanoen, mikä on pienin määrä markkereita optimaalinen lääke on harkittava kertoa eroa terveitä ja syöpäsoluja? Olemme havainneet, että suhteellisen pieni määrä geenejä – noin 10 parhaan (paremmuusjärjestykseen suuruus fit parametri) – riitti luokitella soluun kuin syöpä tai terve suurella tarkkuudella (kuviot. 3, 4). Ennustavan voiman luokittimen tyydyttyneiden pian paras 10 geenit olivat mukana. Näin ollen vain pieni määrä solujen markkereita tarjoavat valtaosan käytettävä tiedot luokitella solun syöpä tai terveitä.

Classification suorituskykyä mitattiin käyrän alapuolinen alue (AUC) ROC-käyrän. Täydellinen luokittelija saavutettaisiin AUC 1, kun taas satunnainen luokittelija saavutettaisiin AUC of.5. Jokainen värillinen viiva edustaa eri määrä soluja käytetään kouluttaa luokittelija, joka osoittaa, että suorituskyky paranee enemmän soluja käytetään. Viivat osoittavat keskiarvot, ja tummennetut alueet osoittavat bootstrapped 95%: n luottamusväli. Tarkkuus mitattiin ristivalidointi; ja mahdollisuus arvo määritettiin käyttäen shufflea ohjaus.

Kyky mitata geeniekspressiota yksittäisistä soluista herättää kysymyksen siitä, onko se on tärkeämpää mitata enemmän soluja tai useamman geenin. Voit vastata tähän, me määrällisesti suhteellisen merkityksen määrän lisäämiseksi mitatun solujen lukumäärän suhteen mitattuna geenejä solua kohti. Koulutimme luokitin kanssa solumäärien vaihtelee kahdesta yhteensä (yksi terve, yksi kasvain solu) 180 solua yhteensä (95% soluista). Kuten edellä, mittasimme luokittelija suorituskyky, paitsi että teimme niin kunkin koulutukseen skenaario. Olemme jälleen havaittu, että suorituskyky kyllästetty jälkeen pieni määrä geenejä kussakin koulutukseen skenaario. Mikä tärkeintä, Huomasimme myös, että suorituskyky parani edelleen yhä useammat koulutuksen solujen vasta noin 80 käytettiin (Fig. 4). Siten mittaukset vähintään kymmeniä soluja tarvitaan tilille varianssia yksinkertaistettu populaation kasvain ja terveitä soluja.

Tässä osiossa olemme osoittaneet, kuinka analysoimaan, joka määrittelee mitä optimaalinen hoito – ”ihanteellinen lääke” – voisi tehdä. Yhdellä kokeellisen aineisto olemme osoittaneet, että on mahdollista tarkasti ratkaista syövän luokittelun ongelma. Tämän tyyppinen analyysi voi myös tunnistaa markkereita, jotka erottavat syövän terveitä soluja. Sillä rajallinen aineisto että me valitsimme, vaikutti siltä, ​​että ratkaista luokittelun ongelma oli mahdollista noin 10 merkkiä ja 80 solua. Nämä luvut vaihtelevat tuumorisolupopulaatioon sekä erityisesti markkereita analysoitu.

Osa II: Luokittelu real syöpälääkkeet

Ensimmäisessä osassa Tulokset olemme tutkineet mahdollisuutta optimaalinen syöpälääkkeen tehtyä ero terveitä ja syöpäsoluja. Tässä toisessa osassa Tutkimuksen me osoitamme

onko

ja

miten

välineitä käytössämme (tässä esimerkissä todellinen lääkkeet) voivat luokitella soluja. Tämä auttaa meitä ymmärtämään, miten käyttää todellista huumeita lähestyä suorituskyvyn optimaalinen lääkkeen.

Erityisesti seuraavassa esimerkissä, pyydämme miten syöpälääkkeet

oikeastaan ​​

liity molekyylimarkkereina. Voit vastata tähän kysymykseen, olisimme mieluiten käyttää yksittäisiä soluja. Tämä on vaikea yhden solujen, mutta koska hoito ja merkki mittauksen sekä mahdollisesti solun tuhoamiseksi. Mahdollinen ratkaisu on mahdollistaa rajoitetun replikaation yksittäisen solujen analysoimiseksi merkki aseman yhdet tytär solujen samalla määritettäessä lääkkeen tehokkuus muilla tytär soluja. Vaikka nämä kaksi esittelee epäyhtenäisyys ajan. Koska geenien ilmentyminen tietoja niiden kantojen, joita on hoidettu lääkkeillä ei ole tällä hetkellä käytettävissä, lähin korvike on muodostettu solulinjoja, jotka on kloonialkuperää ja ovat suurelta osin geneettisesti homogeeninen. Siksi käytimme solulinjoja stand-ins yhden solujen kysyä, miten huumeet liittyvät molekyylimarkkereina.

Koska edellisessä tulokset viittaavat siihen, että tarvitsemme kymmeniä soluja ratkaista luokittelun ongelmia, päätimme analysoida tyyppi kudoksen ja monet vakiintuneet solulinjat. Siksi käytetään 45 luminaalisen ja pohjapinta-kuin rintasyövän solulinjoissa ominaista Gray ja työtovereiden [12]. Ne mitattiin noin 19000 geeniä näissä rintasyövän riviä käyttäen mikrosiruja, sekä kemoterapia-vasteita, jotka linjat kullekin 74 huumeita. Nämä linjat ovat hyvä edustus eri solun fenotyyppejä löydetty rintasyöpä ja edustavat siten enemmän vaihtelua kuin todellinen kasvain. Kuitenkin nämä solulinjat pystyimme kysyä, kuinka solumarkkerien huumausainetarjontaa herkkyyttä.

käytetään algoritmia ennustamaan jos syöpälääkkeet tappaa soluja tietyn solulinjan pohjalta sen markkereita. Erityisesti olemme arvioineet lääkeherkkyyksiä näistä solulinjoista. Itse asiassa joitakin huumeiden vastaukset olivat ennustettavissa. Esimerkiksi me ennusti kemoterapeuttisten vastaus lääkkeen Lapatinibin, tyrosiinikinaasi-inhibiittori, joka estää signaloinnin Sekä EGF-reseptorin ja HER2 /neu. Saimme R

2 arvo -0,5. Kuitenkin alhainen R

2 arvo osoittaa, että ennustaminen lääkeaineen käyttäytymistä ei ollut vahva. Tämä voi johtua pienestä koosta aineisto, mutta voi myös merkitä sitä, että kaikki asiaan markkereita mitattiin, tai vaihtoehtoisesti, että suhde on epälineaarinen ja ei mittaa, lineaarinen koneoppimisen menetelmiin. Vaikka molekyylitason markkereita, kuten geenien ilmentyminen eivät kerro kaikista vaihtelevuus, ne eivät näytä olevan osuutta ennustettaessa lääkkeen vaste. Siksi solumarkkerit ennustaa jonkin verran lääkkeen käyttäytymisen kun käsitellään panoksia luokittelija.

Lisäksi halusimme tietää, kuinka monta geenit riittää ennustaa todellista huumeiden käytöstä. Tehdä tämän, mittasimme lääkkeen käyttäytymisen funktiona joukko geenejä. Lapatinib tarvitaan vain pieni määrä geenejä (-5) ja saavuttaa huippunsa tarkkuus (Fig. 5). Täten pieni määrä solujen markkereita ennustaa, onko vai ei todellinen huumeita tappaa solun. Tämä on tärkeää, koska se osoittaa, että meidän ei välttämättä tarvitse harkita monia tuhansia geenejä suunniteltaessa hoitoja.

Drug vaste ennustettiin käyttämällä molekyylimarkkereina (geenien ilmentyminen). Tarkkuus kemosensitiivisyys ennustus mitattuna R

2, joka edustaa määrää vaihtelua selitti. Varjostetut alueet osoittavat bootstrapped 95%: n luottamusväli. Tarkkuus mitattiin ristivalidointi.

Jos lääkkeet toimivat luokittelijoiden muutamien ominaisuuksia, niin lääke voidaan luonnehtia piirtämällä sen vaikutus funktiona ominaisuuksia. Meillä on siis valinnut kaksi geeniä (SLC5A8 ja PERLD1), jotka olivat yhdessä parhaiten ennustamaan Lapatinibin vaikutuksesta poikki solulinjoihin. Käyttämällä yksinkertainen grid interpolointi ja ekstrapolointi rutiineja me piirretään lääkkeen vaikutus kuin lämpökarttana (Fig. 6). Tämäntyyppinen visualisoinnin osoittaa, että jopa kaksi geeniä voi kaapata monimutkainen käyttäytyminen syöpälääkkeen.

Drug toiminta on jossain määrin ennustettavissa käyttäen molekyylimarkkereina.

Analysoimme lääkeaineen kuten se koskee molekyylimarkkereita (eli ilmiasun solun), mutta tällaisia ​​markkereita eivät välttämättä molekyyli

tavoitteita

(eli solun komponentteja, kuten proteiineja, joiden tehtävät muuttaa lääkkeen). Ihannetapauksessa kokeellista tietoa olisivat myös mittaukset merkkiaineiden todennäköisemmin todella olla lääkekohteita kuten tyrosiinikinaasireseptorit jotka on kohdistettu Lapatinibin. Vaikka geenitranskriptien analysoimme eivät ole välittömiä tavoitteita luokittavan lääkkeen, he silti ennustaa lääkevaste ja ovat siksi käyttökelpoisia. Siten tämä lähestymistapa voitaisiin käyttää

minkä tahansa

tyyppisen molekyyli- merkki tai tavoitteita.

Tässä osiossa olemme osoittaneet, miten ymmärtää käyttäytymistä todellinen huumeiden sisällä puitteissa. Tässä esimerkissä olemme liittyvät lääkeaineiden tehoon molekyyli- markkereita teoriassa mahdollistaa yhden kysyä, miten todellinen huumeiden liittyvät erottava merkkiaineiden syöpäsoluja. Tämä on tärkeää, että seuraavaan osaan, jossa pyydämme miten optimaalisesti yhdistää huumeita. Tässä aineisto kuitenkin huomaamme, että mitattu markkereita suboptimally ennustaa lääkkeen vaste. Tulevaisuudessa kerättyjen paljon enemmän solupopulaatioiden ja erilaisia ​​merkki tyyppejä tarvitaan, jotta kliinisesti uskottavia ennusteita.

Osa III: optimointi syövän hoitoon

kahdessa edellisessä jaksossa me ovat osoittaneet, kuinka optimaalinen syöpälääkkeen voitaisiin luokitella solujen syöpä tai ei, ja että solujen markkereita ennustaa jossain määrin siitä, miten todellinen lääke käyttäytyy. Tässä osiossa yhdistää nämä kaksi ideoita esitellään mahdollinen tapa optimoida syövän hoitoon. Etsimme

paria huumeiden

jotka luokittelevat syöpäsoluja paremmin, kun se yhdistetään kuin kumpikaan lääke yksinään.

Osoitamme tätä lähestymistapaa käsitteellisesti geenien ilmentyminen tietojen ja huumeiden herkkyys mittauksia samasta paneelista rintasyövän solulinjat [12]. Valitettavasti emme pystyneet saamaan vastaavia tietoja noncancerous solulinjoja. Siksi teimme kaksi säätöä osoittamaan, että nämä tyypit analyysit ovat mahdollisia periaatteessa: 1) me taas käsitellään kunkin kloonattu solulinja, stand-in yhden solun; ja 2) käytimme mahdollisuuden syrjiä kaksi alaluokkaa kudosta kuin luokittelu tavoitteena sijasta erottamaan terveet syöpäsoluista. Erityisesti käytimme pohjapinta-kuvaus ja luminal alatyyppejä rintasyöpään, joka

karkeasti

vastaavat aggressiivisia (enemmän metastaattinen) ja vähemmän aggressiivisia (vähemmän metastaattinen) syöpä. Olemme tietoisia siitä, että todellinen tilanne on monimutkaisempi kuin tämä yksinkertaistaminen; mutta tämä ero on viime kädessä mielivaltaista ja yksinkertaisesti palvelee osoittaa lähestymistapamme avulla todellista fenotyyppinen ero. Kun otetaan huomioon tämä määritelmä ja nämä tiedot, kysyimme oli mahdollista löytää kaksi lääkkeitä, jotka syrjiä luminaaliselle ja pohjapinta-kuin rintasyövän alatyyppien paremmin kuin kumpikaan lääke yksinään.

Kategoria huumeet eivät täysin syrjiä terve ja syöpäsoluja. Voimme kuitenkin käyttää koneoppimisen kuvaamaan miten yhdistää lääkitystä, jotta paremmin lähentää optimaalinen lääke. Tämä on inspiroinut tunnettu lähestymistapa koneoppimisen kutsutaan lisäämiseen [16], jossa lisäominaisuuksia lisätään luokittelija jotta vähitellen paremman suorituskyvyn. Tarkemmin sanottuna annettava luokitus tavoite (optimaalinen lääke) osasta I ja huumeet ”todellisen käyttäytymisen II osasta, emme voi määrittää, mitkä paria huumeiden parhaiten lähentää optimaalinen lääke. Voit tehdä tämän, voimme jälleen käyttää GLM kehys kehystää haluttuun hoitoon yhdistelmänä huumeita. Sitten kerrata läpi mahdollista kaksi lääkkeen yhdistelmät mitkä pari toimii parhaiten. Tämä ajatus voimme määrittää paras lääke yhdistelmä luokitusta.

Olemme löytäneet useita huumeiden yhdistelmien että arviolta optimaalinen lääke. Yksi erityinen yhdistelmä mukana huumeiden Lestaurtinib ja GSK461364 (Fig. 7; vertailla Fig. 2). Nämä lääkkeet yhdessä tarjoavat parempaa luokittelua kuin kumpikaan lääke yksin (Fig. 8). Siten meidän menetelmä tarjoaa mekanismin valita ylimääräisiä lääkkeitä niin, että meidän pitäisi saada kohdistaa syöpäsolujen tehokkaammin. Näissä tuloksissa oletetaan että lääkkeet vaikuttavat sekä itsenäisesti että ennen adaptiivista vastetta hoitoon. Muita strategioita käsitellä tätä kysymystä on esitetty keskustelussa.

Parempi syrjiä solupopulaatioiden saavutetaan sisällyttämällä ylimääräinen lääke. Luokitusta kynnys viiva näkyy todellisuudessa edustaa kaltevuus liittyy ”todennäköisyys solukuoleman”, joka on merkitty varjostuksella. Katso Tekstin täydellinen kuvaus.

Tarkkuus (AUC) saavuttaa molempien lääkkeiden yhdessä on parempi kuin kumpikaan lääke yksinään.

Tässä osiossa olemme osoittaneet, miten optimoida hoitoon että luokituksen puitteissa. Korostamme jälleen, että käytämme optimaalinen biologisten tietojen esimerkkeinä selventää luonnetta lähestymistapamme, ei tuottaa kliinisesti merkittäviä ennustuksia. Suurempi ja kattavampi aineistoja tarvitaan jotta tämä olisi mahdollista. Lisäksi olemme tehneet yksinkertaistuksia todennäköisesti yleistää kliiniseen käytäntöön. Täten näitä tuloksia ei pitäisi ottaa kliinisenä suositus. Siitä huolimatta tämä analyysi osoittaa, että käyttämällä luokittelun puitteet hoidon optimoimiseksi otetaan huomioon luontainen vaihtelu fenotyypit ja voi vaikuttaa valintaan hoidon erottamaan syöpä- ja terveitä soluja.

Keskustelu

Euroopan lähestymistapa syövän hoitoon

tässä tutkimuksessa olemme väittäneet, että käyttämällä syöpälääkkeet kuten luokittelijoiden tarjoaa käsitteelliset puitteet suunnitella optimaalisen hoidon strategioita syövän. Optimaalinen huumeita käyttävät molekyylikohteista tappaa syöpäsoluja minimoiden haittaa terveitä soluja. Mietimme tätä ongelmaa yhtenä jotka voitaisiin käsitellä kanssa työkaluja koneoppimisen ja osoittavat, kuinka tämä voisi informoida strategia syövän hoitoon. Osoitamme, että yhden luokan molekyylimarkkereiden, geenien ilmentyminen, riitti ratkaisemaan tämän optimoinnin ongelmaa varsin hyvin käyttämällä aineistoja tutkitaan. Osoitimme myös, miten sisällyttää solujen luontainen vaihtelu osaksi analyysi ja tunnistaa todellinen lääkkeitä optimaalinen luokittelijoiden. Lopuksi ehdotetaan tapoja käyttää luokituksen kehyksen johtamiseksi lääkekehityksen strategioita, jotka suorittavat niin tarkkaan kuin mahdollista optimaalinen lääke.

optimoiminen syövän hoitoon yhdistämällä lääkkeet mukaan luokitteluperiaatteita on suhteellisen yksinkertaista, jos yhdistetty huumeet eivät vaikuttavat toisiinsa. Esimerkiksi, se voi olla, että toinen lääke ei merkittävästi häiritse molekyylimekanismi ensimmäisen ja

päinvastoin

, kun niitä annetaan samanaikaisesti. Jos vaikutukset yksittäisten lääkkeiden ovat additiivisia, kyky tietyn lääkkeen luokitella syöpäsolut eivät vaikuta toisen lääkkeen. Siten yhdiste luokittelija – lääkeyhdistelmän – luokittelee syöpäsoluihin tarkemmin kuin kumpikaan lääke yksinään. On myös mahdollista, että heikot epälineaarinen vuorovaikutukset lääkitys saattaa silti tuottaa erinomaisen yhdiste luokittelija kuin kumpikaan lääke yksinään. Olettaen lineaarisuus paikkoja

yläraja

kuinka hyvin huumeiden yhdistelmät voisi toimia.

Mitä jos löydämme toinen lääke, joka pitäisi parantaa luokittelua, mutta ei lisäaineen kanssa ensimmäinen lääke? Tämä epälineaarinen riippuvuus on hyvin todennäköisesti tärkeitä. Yksi ratkaisu olisi iteratiivisesti käyttää seuraavan kaikkein optimaalinen lääke kunnes löydät joka ei merkittävästi vuorovaikutuksessa ensimmäinen lääke. Siten valita paras ylimääräisiä lääkkeen yhdistelmä saattaa vaatia teoreettista ja empiiristä näkökohdat. Tämä menetelmä voi taata, että tietty lääkeaineiden yhdistelmä toimii, mutta sen sijaan ehdotetaan tehokkaampi tapa valita huumeiden cocktaileja testaukseen.