Krooninen sairaus

tiivistelmä

Kasvaimet ovat usein heterogeenisiä, joissa kasvainsolujen eri fenotyyppejä on erilaiset ominaisuudet. Tieteellistä ja kliinistä etuja, se on erittäin tärkeää ymmärtää niiden ominaisuudet ja dynaamiset vaihtelut eri fenotyyppejä, erityisesti alle radio- ja /tai chemo-terapiassa. Tällä hetkellä on kaksi kiistanalaista kuvaavia kasvain heterogeenisyys, syöpä kantasolu (CSC) malli ja satunnaismalli. Selventää kiista, mittasimme todennäköisyydet eri jako tyypit ja siirtymät solujen kautta

in situ

immunofluoresenssimenetelmällä. Perusteella kokeilun tiedot rakensimme malli, jossa yhdistyvät CSC kanssa stokastinen käsitteitä, jotka osoittavat, että molempien erottuva CSC osapopulaatioiden ja stokastiset siirtymät NSCCs ja CSCS. Tulokset osoittivat, että dynaaminen vaihtelut CSCS ja ei-kantasolujen syöpäsolujen (NSCCs) voidaan simuloida mallin. Lisäksi tutkimukset osoittivat myös, että mallia voidaan käyttää kuvaamaan dynamiikan kaksi alapopulaatioiden jälkeen sädehoitoa. Vielä tärkeämpää on, analyysi osoitti, että kokeellinen havaittavissa tasapainon CSC osuutta voidaan saavuttaa vain, kun stokastinen siirtymät NSCCs ja CSCS tapahtua, mikä osoittaa, että kasvain heterogeenisyys voi esiintyä mallin koordinoinnissa sekä CSC ja stokastinen käsitteitä. Matemaattinen malli perustuu kokeellisiin parametrit voivat edistää parempaa ymmärrystä kasvain heterogeenisyys, ja antaa viitteitä siitä dynamiikasta CSC alapopulaation sädehoidon aikana.

Citation: Wang W, Quan Y, Fu Q, Liu Y, Liang Y, Wu J, et al. (2014) Dynamics välillä Cancer solualapopulaatioiden paljastaa mallin Koordinoidaan Sekä Hierarkkinen ja Stokastinen Concepts. PLoS ONE 9 (1): e84654. doi: 10,1371 /journal.pone.0084654

Editor: Toru Hosoda, Tokai University, Japani

vastaanotettu: 29 kesäkuu 2013; Hyväksytty: 18 marraskuu 2013; Julkaistu: 9. tammikuuta 2014

Copyright: © 2014 Wang 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 avustuksia Key Project National Natural Science Foundation of China (10935009), National Science Foundation for Young Scholars of China (31000383) ja National Grand Instrument Program (2012YQ030142). 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

Kasvaimet ovat usein heterogeenisiä jossa yksittäiset kasvainsolujen olemassa eri fenotyyppejä erottuva toiminnalliset ominaisuudet [1]. Kliinisesti, kasvaimet eri potilaista, onko leukeeminen tai kiinteitä, usein osoittavat merkittävää heterogeenisyyttä kannalta morfologian, solun pinnan markkereita, geneettiset vauriot, solujen lisääntymisen kinetiikka, ja hoitovaste [2]. Siksi on olennaisen tärkeää ymmärtää molekyyli- ja solutason perusteella heterogeenisyys. Tällä hetkellä on kaksi kiistanalaista kuvaavia heterogeenisyys kasvain, CSC malli ja satunnaismalli. CSC: n malli, joka tunnetaan myös nimellä hierarkian malli, viittaa siihen, että kasvu ja etenemisen moniin syöpiin ohjaavat pieni, mutta selvästi erottuva alaryhmien CSCS, ja kasvain on karikatyyri normaalin kudoksen kehittäminen, jossa kantasolut ylläpitämään normaalia kudosta hierarkioita [3] . CSCS kärkeen hierarkkinen rakenne voi paitsi ylläpitää itseään itseuudistumisen, mutta myös erilaistuvat NSCCs. Sen sijaan, stokastinen malli, joka tunnetaan myös nimellä klonaalisen evoluutiomalli, ennustaa, että kasvain on biologisesti homogeeninen ja käyttäytymistä syöpäsolujen satunnaisesti vaikuttavat arvaamaton luontaisia ​​ja /tai ulkoisten tekijöiden [3].

kaksi mallia herätti suurta etuja sekä kokeellisia ja teoreettisia opintoja. Kokeellisissa tutkimuksissa, vaikka mekanismi kasvainten heterogeenisuus on vielä epäselvä, on olemassa vahvoja todisteita siitä, että syöpä on solun hierarkian CSCS kärjessä [2], [4] – [7], mikä osoittaa, että syövän hoidossa voi vaatia poistamista CSCS [4], [8]. Nämä tuettiin CSC malli ja herättänyt uusia strategioita kohdistaminen CSCS syövän hoitoon [2], [4] – [7]. Kuitenkin useat muut paperit osoittavat, että fenotyypin plastisuus kasvaimiin voi tuottaa kaksisuuntaisen välisen muunnoksen CSCS ja NSCCs, jolloin dynaaminen vaihtelua suhteellinen runsaus CSCS [1], [9] – [11]. Vesuna

et al

havaittu, että ohimenevää ilmentymistä

Twist

voi aiheuttaa kantasolujen fenotyyppi useilla rinta- solulinjoissa ja että vähentämällä

Twist

ilmaisu osittain kääntää kantasolujen molekyylimerkkiaineet [12]. Morel

et al

raportoitu, että rintojen CSCS voidaan tuottaa kautta EMT Cascade [13]. Liang

et ai

ehdotti, että CSCS ovat indusoituvia lisäämällä perimän epävakaisuuden syöpäsoluissa [14]. Mielenkiintoista, CHAFFER

et al

raportoitu, että normaali ja neoplastisten ei-kantasolut voivat spontaanisti muuntaa varsi kaltainen tila [9]. Vielä tärkeämpää on, Iliopoulos

et ai

todettu, että rintojen CSCS voidaan indusoida NSCCs kautta IL6 eritystä ja kaksi solupopulaatioiden voi saavuttaa dynaaminen tasapaino [1]. Äskettäin Gupta

et al

kuvattu malli, joka fenotyyppisen tasapaino populaatioissa syöpäsolujen toiminta aikaansaadaan stokastisen tilasiirtymät [10]. Aiemmat tutkimukset osoittivat myös

in situ

siirtymiä ja fenotyypin dynaaminen tasapaino CSCS ja NSCCs joko kanssa tai ilman sädehoitoa [11].

teoreettista tutkimuksissa, kuuma keskustelu myös on kannustanut keskuudessa erilaisia ​​papereita. Beretta

et al

analysoitiin asymptotic käyttäytymistä CSC osuus ja silloin, kun ei ole siirtymiä kuin varren kantasolujen [15], joka osoittaa vakautta CSCS prosenttiosuus matemaattisesti. Gupta

et al

kehitti Markovin malli selittää ilmiötä, että puhdistettu fenotyyppi subpopulaatio lopulta palaa tasapainoon fenotyyppisen mittasuhteet edellyttäen, että solut kauttakulku stokastisesti eri valtioiden [10]. Tämä malli ennustaa, että ei-kantasolut kaltainen pohjapinta ja luminal on nollasta todennäköisyys tulla varsi kaltainen tila. Zapperi

et al

analysoitu erilaisia ​​matemaattisia malleja ja ehdotti, että epätäydellinen lajittelu voisi olla vaihtoehto selitys ”puhdistettu” subpopulaatio palaamassa tasapainoon mittasuhteet [16].

CSC malli ja stokastiset malli antaa erilaisia ​​kliinisiä strategioita kasvaimen hoidossa. Tällä hetkellä kiireellistä piilee siinä, miten parantaa sekä malleja ymmärtää paremmin kasvaimen heterogeenisyys ja dynaamisten vaihtelujen eri alapopulaatioiden, erityisesti CSCS ja NSCCs kasvaimen. Olemme rakentaneet matemaattinen malli, joka perustuu mitattiin kokeista, erityisesti tyypit ja hinnat osastojen ja siirtymiä. Tulokset osoittivat, että kokeellisen välistä dynamiikkaa CSC ja NSCC -alapopulaatioiksi voidaan simuloida kautta malli, tai ilman sädehoitoa. Tarkempi analyysi osoitti, että kokeellinen havaittavissa tasapainon CSC osuutta voidaan saavuttaa vain, kun stokastinen siirtymät NSCCs ja CSCS esiintyy, mikä viittaa kasvaimen heterogeenisyys voi esiintyä mallin koordinoinnissa sekä CSC ja stokastinen käsitteitä.

yhtälöt ja oletukset

Aiemmat tutkimukset ehdotti, että CD133-positiiviset solut ovat mahdollisia CSCS alaryhmän SW620 ihmisen paksusuolen solujen [11], [17], [18]. Avulla

in situ

immunofluoresenssilla, jako tyypit CSCS ja NSCCs kautta pintamerkkiaine muutoksia analysoitiin. Sillä CSCS, sekä symmetrinen ja epäsymmetrinen alueet otettiin kiinni. Eli CSC voi jakaa kahteen CSCS (itseuudistumisen), kaksi NSCCs (erilaistuminen) sekä CSC ja NSCC (epäsymmetrinen jako) (Fig. 1A). Sillä NSCCs ainoastaan ​​symmetrinen jako tyyppi (proliferaatio) on kiinni, eli NSCC jakaa kahteen NSCCs. Mikä tärkeintä, on erottuva fenotyyppi siirtymät NSCC CSC riippumaton solun mitoosin (1A).

(A). Tyypillinen jako tyyppisiä CSCS /NSCCs ja siirtyminen NSCC CSC. Mittakaava on sama kuin 50 pm. (A-b) Tyypillinen

in situ

jako tyyppinen NSCC (valkoinen nuoli) ja siirtymän NSCC on CSC (keltainen nuoli); (CD). Tyypillisiä

in situ

symmetrinen jako CSCS: itseuudistumisen (yksi CSC jakautuu kahteen CSCS) ja erilaistumista (One CSC jakaa kahteen NSCCs); NSCC (valkoinen nuoli), CSC (keltainen nuoli). (E-f). Tyypillisiä

in situ

epäsymmetrinen jako CSC (Yksi CSC jakaa yhdeksi CSC ja yksi NSCC); NSCC (valkoinen nuoli), CSC (keltainen nuoli). (I). Kinetic yhtälöitä, jotka vastaavat ilmiöitä ja b. (Ii) Kinetic yhtälöitä, jotka vastaavat ilmiöt c ja d. (Iii) Kinetic yhtälö, joka vastaa ilmiötä e ja f. (B). Scheme mallin perusteella koetulosten.

Major oletuksia:

On CSCS ja NSCCs osajoukkojen SW620 ihmisen paksusuolen syöpäsoluissa [11].

CSC voi jakaa symmetrisesti kahteen CSCS (itseuudistumisen) tai kaksi NSCCs (eriyttäminen) todennäköisyydellä

P

S

tai

P

D

vastaavasti (Fig. 1A) . Lisäksi CSC voi jakaa epäsymmetrisesti osaksi CSC ja NSCC todennäköisyydellä

P

(

P

= 1-

P

S

–

P

D

) (1A). Eri CSC jako on samat mitoosin nopeus merkitään

K

C

.

NSCC voi jakaa kahteen NSCCs (lisääntymistä) ja nopeudella

K

N

(1A).

NSCC voi muuntaa CSC nopeudella

K

T

(Fig. 1A) [11].

NSCC on rajallinen lisääntyvät mahdollisuudet ja voi mennä läpi vanhenemisen kanssa elinikä

M

sukupolven [19], [20].

M

th

sukupolvi kuolee nopeudella

d

(Fig. 1 B). Arvo

d

ja

M

yksinkertaisesti asetetaan 1 ja 50 ehdotetulla aiemmin [21].

kaavamaisen malli esitetään Kuva. 1B. Mukaan oletusten Edellä lueteltujen välistä dynamiikkaa CSCS ja NSCCs voidaan kuvata differentiaaliyhtälöitä (ODES) (yhtälö (1)). Vuonna ODES, huomaamme, että

P

S, P

D

ja

P

esiintyvät tietyt yhdistelmät. Niinpä nämä kolme parametrit voitaisiin sisällyttää yksi parametri. (1) B

C

merkitsee lukumäärää CSCS ja

N

i

ilmi useita NSCCs;

i = 1, 2,

…,

M

.

On hyvin tunnettua, että säteily hoito voi aiheuttaa paljon vahingoista soluissa, joista DNA double katkeamisen (DSB: t) ovat myrkyllisiä [22]. Täällä lisäämme kuolleisuus korreloi DSB dynamiikka osaksi malliin kun solut oli säteilytetty. Sen jälkeen säteily, määrä DSB nopeasti kasvanut ja kyllästetty säteilytettyyn soluissa [23], sen jälkeen laskivat DNA korjaukseen. Siksi perustuu DSB ”dynamiikka [24], [25], kuolleisuus voisi kuvailla

k

merkitsee DSB: n tuotanto keskimäärin yksikköannosta kohti.

D

merkitsee annosta.

r

on korjaus nopeudella DSB,

r

C

ja

r

N

edustavat korjaus nopeudella CSC ja NSCC vastaavasti.

m

sanoista tappava mis-korjaus nopeudella kohti DSB paria. Nykyisessä mallissa,

m

C

ja

m

N

edustavat tappava mis-korjaus hinnat CSC ja NSCC vastaavasti (Yksityiskohdat löytyvät yhtälöiden S1 File S1) .

tulokset

parametrit mitattiin in situ kokeita

todennäköisyyksiä CSCS ”jako tyyppejä ja prosenttiosuus siirtymän NSCCs määritettiin käyttämällä

in situ

immunofluoresenssilla (Fig. 1). Ollakseen yhdenmukainen kokeilun tuloksiin populaatiodynamiikan, arvioimme

K

T

,

K

N

ja

K

C

laskemalla määrä muutos Lajiteltujen CSCS ja NSCCs ja prosenttiosuus NSCCs ”siirtyminen yhdessä päivässä. Koska CSCS ja NSCCs ”solusykleihin ovat molemmat noin yhden päivän, jako vastasyntyneen NSCCs on lajitellun CSCS väestön parantaa vain vähän määrän muutos yhdessä päivässä ja jako uusien CSCS in lajitellun NSCCs eivät ole merkittäviä (yhtälöt käytetään arvioinnissa ovat esitetään yhtälöt S2 File S1). Arvot nämä parametrit on esitetty taulukossa 1.

jälkeen sädehoitoa, keskimäärin DSB: n tuotanto solussa on raportoitu olevan 25-35 /Gy [26]. Ja

r

lasketaan puoliintumisaika DSB tai pesäkkeitä ja sen suuruusluokka on ~ 10 /päivä [23], [27]. Koska CSC on suurempi kyky korjata DNA-vaurioita [28], olettaen, että

r

C

r

N

tehdään. Tässä asetetaan

r

N

= 10 ja

r

C

= 15. hengissäsäilymisosuudet (

S

) of CSCS (

S

C

) ja NSCCs (

S

N

) alle 2 Gy sädehoitoa mitataan kokeista. Siksi tappava mis-korjaus nopeudella CSCS (

m

C

) ja NSCCs (

m

N

) voidaan laskea seuraavalla yhtälöllä (yhtälö (2)) , (2) B

Kuten taulukosta 2, arvo

k

, D,

r

N

,

r

C

,

S

C

,

S

N

,

m

C

ja

m

N

25, 2, 10, 15, 95,0%, 43,0%, 0,0012 ja 0,0092 vastaavasti.

simulointi pitkäaikainen dynaaminen vaihtelut CSC ja NSCC -alapopulaatioiksi

Perustuu parametrit, me analysoitiin dynamiikkaa CSC osuus (määritellä) eri alkuehdot kautta matemaattinen malli (simulaatio solumäärä vaihtelu on esitetty taulukossa S1 File S1 ja Fig. S1).

Teoreettisesti on osoitettu, että CSC osuus lopulta saavuttaa vakaan arvon mitä alkuehtona (Fig. 2A). Vertaamalla simuloinnin tuloksia kokeelliset tiedot raportoitu aiemmin [11], on selvää, että vakaan arvon lasketaan tämä malli on lähellä koetulosten (Fig. 2B), mikä osoittaa parametrit saaminen

in situ

immunofluoresenssimenetelmällä voidaan ennustaa taipumus välistä dynamiikkaa CSCS ja NSCCs alaryhmässä (kokeilun tiedot on esitetty taulukoissa S2-S3 File S1). Lisäksi puhdistettu NSCCs ja CSCS lajitellaan SW620 solulinjassa FACS viljeltiin, ja CSC mittasuhteet päivänä 26 inokulaation testattiin. Kuten on esitetty kuviossa. 2C, CSC osuudet eri alkuperäisen kulttuurien saavuttaa sama vakaan arvon, joka on yhtä suuri kuin CSC osuus lajittelemattomina SW620-soluissa.

(A). Kaavio kokeen menettelyjä; (B). Vertailu simuloinnin tulokset ja kokeilun tulokset; (C). Kokeelliset tulokset pitkän aikavälin tasapainoa CSC osuudet alkuperäisistä puhdistetusta CSCS ja NSCCs.

Parameter herkkyysanalyysissä

vasteet CSC suhteessa muutos parametrien tasapainotilassa analysoidaan (parametrit on esitetty taulukossa 1). Säännöllisesti, kukin parametri lisätään tai vähennetään yhdellä prosentilla ja muutoksesta CSC osuus tasapainotilan lasketaan raportoitu aiemmin [29].

M

on kokonaisluku, niin muutos

M

on plus tai miinus 1. Kuten kuviossa. S2, kun

K

T

,

K

N

,

K

C

ja

e

korotetaan 1 prosenttia, CSC osuus on tasapainossa kasvaisi 0,3%, vähenee 0,5%, kasvaa 0,2% ja kasvaa 1,1%: lla. Parametrien joukkoon,

M

on tunteeton parametri, joka on asetettu olemaan 50 kuten on ehdotettu aiemmin [21]. Laskelman mukainen,

M

on tunteeton parametri laaja valikoima. Joten valinta M: n arvosta antaa vähän vaikutusta simulointi tasapainoon. Muut herkät muuttujat, kuten

e

(

e

=

P

S

–

P

D

),

K

N

,

K

T

ja

K

C

ovat kaikki mitataan kokeissa

Testaa parametrien ja välistä dynamiikkaa CSC ja NSCC osapopulaatioiden kautta soluautomaatti menetelmä

edelleen validoida parametreja ja välistä dynamiikkaa CSCS ja NSCCs, me opiskeli välistä dynamiikkaa CSC ja NSCC -alapopulaatioiksi parametrien kautta soluautomaatti menetelmällä. Soluautomaatti perustuu käyttäytymisen yksittäisen solun ja yksilöiden välistä vuorovaikutusta. Se on yleisesti käytetty mallintamiseen monisoluisten biologisissa järjestelmissä, mukaan lukien kasvain. Se voisi heijastaa erillisiä omaisuutta kasvain, joka on laiminlyöty ODE menetelmässä [30]. Käyttämällä solun automaatin menetelmällä, ymmärtää paremmin, kuinka kasvain kasvaa mikroskooppisessa mittakaavassa voidaan saavuttaa [31]. Koska käsite CSC tulee ulos, soluautomaatti menetelmää käytetään simulointiin CSCS [32] – [36].

Laskenta ohjelma löytyy 3A. Jokaisessa kerta vaiheessa NSCC päättää kuolla vai muuntua CSC. NSCCs ja CSCS edetä yksi askel heidän solunjakautumissykliä vastaavasti. Solu jakaantuvat kaksi solua, kun se päättyy yhden solusyklin. Jos ei ole vapautunut sivusto solun jakaa, se tulisi lepotilassa. Jos on tilaa solun jakaa, ja CSC, se päättäisi jako tyypin sattumalta; varten NSCC, se jakaisi ja molemmat tytär solujen sukupolvet lisääntyvät 1.

(A). Laskelma järjestelmän soluautomaatti menetelmällä. (B). Tyypillinen tulos simuloinnin soluautomaatti menetelmällä (alkuehtona että kaikki solut ovat NSCCs). Red: CSC; Sininen: NSCC; Musta: vapautunut ristikko. (C). Vertailu simuloinnin tuloksia soluautomaatti menetelmällä ja koetulosten.

Kuten kuviossa 3C, jossa parametrit, simulaatio osoittaa yhdenmukaisuus kokeilun tiedot ja CSC osuus kustakin ryhmästä pääsi myös vakaan arvon, osoittaa edelleen, ne parametrit kerätään kokeet ovat luotettavia. Lisäksi tulokset soluautomaatti menetelmä antaa yksityiskohtaisempia tietoja dynamiikasta. Aikana leviämisen, CSCS ja NSCCs olisi ensin muotoon pesäkkeitä, ja laajenna sitten ympärillä (Video S1-2). Lopuksi CSCS ja NSCCs hajallaan tasaisesti koko alueelle. On mahdollista, että kaikki off-jouset on CSC tai NSCC ovat CSCS ja NSCCs useiden sukupolvien ajan. Jos nämä CSCS tai NSCCs yhteyden muihin CSCS tai NSCCs vastaavasti, he tulevat aggregoinnit tietyillä alueilla (3B).

simulointi pitkäaikainen dynaaminen vaihtelut CSC ja NSCC -alapopulaatioiksi jälkeen sädehoitoa

dynaaminen vaihtelut CSCS ja NSCCs jälkeen sädehoitoa simuloidaan useita muita parametreja jälkeen suoritettiin (taulukko 2) (simulointi solumäärä vaihtelu on esitetty taulukossa S4 File S1and Fig. S3). Tulokset osoittivat, että simulointiin antaa hyväksyttävän ennustaa koetuloksiin kuten aiemmin raportoitu [11]. Kuten on esitetty kuviossa. 4B, CSC osuudet kaikista ryhmää eri alkuperäisestä suhteissa voi lopulta saavuttaa sama vakaan arvon kuin tapauksissa ilman säteilyä, mikä osoittaa lyhyen aikavälin säteily voi häiritä pitkällä aikavälillä dynaamisen tasapainon välillä CSCS ja NSCCs. Mielenkiintoista on, että seoksessa on 70% CSCS ja 30% NSCCs ryhmä, simulaatio osoittaa, että CSC osuus nousee alussa nopeasti ja putoaa kahdessa päivässä (Fig. 4C). Tämä on myös sopusoinnussa kokeellisten tulosten kuten olemme raportoitu aiemmin [11].

(A). Kaavio kokeen menettelyjä sädehoitoa; (B). Vertailu simuloinnin ja kokeilun tulokset 0-24 päivää (säteily käytetään, kun t on 0 päivä); (C). Amplified kuva tulosten säteilytetty 70% CSC ryhmä (0-2d) (säteily käytetään, kun t on 0 päivä).

Imperfect lajittelu voi selittää dynaaminen tasapaino NSCCs ja CSCS

dynaaminen tasapaino CSCS ja NSCCs on mielenkiintoinen ilmiö [1], [9] – [11]. Tämä ilmiö, joka on viime aikoina raportoitu useita papereita, voi olla syvällisiä vaikutuksia ymmärtämiseen kasvain heterogeenisyys sekä kliinisessä strategioita [10]. Ilmiön osoitti myös, että vakaa tasapaino CSC osuus välillä 0 ja 1 on helposti saavutettavissa, jos on olemassa siirtymät NSCCs ja CSCS (). Jos

K

T

yhtä kuin 0, ei-nolla tasapaino CSC osuus olemassa vain sillä ehdolla, että se on, netto leviämisen nopeus CSCS on suurempi kuin NSCCs (yksityiskohdat löytyvät keskustelu S1 File S1 ja Fig. S4), joka ei myöskään ole kyse meidän kokeita ja muita raportteja [2], [37].

vaihtoehtoinen selitys dynaamisen tasapainon ehdottamaa Zapperi

et al

on, että tämä ilmiö voi johtua epätäydellisestä lajittelu solujen kautta virtaussytometrillä sijaan siirtymät NSCCs ja CSCS. Epätäydellinen lajittelu on väistämätön kokeissa, jonka vuoksi myös soluissa vääriin ryhmä vähemmistön (Kuvio 5A). Kuten esitetään Keskustelu S1 File S1,

(A). Kaavio lajittelu virhe kokeet; (B). Vertailu simulointi (

K

T

= 0) ja kokeilla tuloksia.

R

on CSC osuus koko väestöstä.

Jos

K

T

on 0,. Tilanteessa epätäydellinen lajittelu,

R

on hyvin alhainen lajiteltu NSCCs alussa. Joten lähes nolla. Joten kasvua

R

on merkityksetön ensimmäisen useita päiviä. Mukaan meidän kokeen tiedot, on suurempi kuin 0,1, että kahden ensimmäisen päivän aikana. Jos

R

on 0,02 alussa, pitäisi olla suurempi kuin 5. Tämä on vastoin koe kirjaa soluproliferaatioon. Kuitenkin, jos

K

T

ei ole 0, on suunnilleen sama kuin

K

T

alussa. Kasvu on

R

on enemmän lähellä meidän kokeilun tiedot.

Paremmin havainnollistamiseksi todennäköisyys, analysoimme teoriassa meidän malli lajittelu virhe CSCS ja NSCCs kuten

θ

prosenttia (tavallisesti

θ

≤2 ohjeiden mukaisesti ja virtaussytometrialla). Jos ei ole siirtymiä NSCCs kohteeseen CSCS (

K

T

= 0), malli ei mahdu kokeelliset tiedot CSC osuus dynamiikka saatu kokeista

θ

. Simuloitu jäähdytys algoritmia käytetään sopimaan meidän kokeilun data jonka ensimmäinen ehto on ”puhdistettu” CSCS, koska tämä prosessi voitaisiin saavuttaa

K

T

= 0. Silloin saamme 50 parametrin yhdistelmiä

K

C

,

K

N

ja

e

. Kuten esitetään Fig.5B, tulokset osoittivat, että vaikka vähemmistö CSCS johtaa väestön stabiili tasapaino CSC osuutta ja näiden parametrien sopivat kokeilun tiedot puhdistetun CSCS tarkasti, mikään näistä parametrien yhdistelmien mahtuisi kokeilun tiedot puhdistettua NSCCs hyvin. Kuten esitetään Fig.5B erot simuloinnin ja kokeilun tulokset sijaitsevat aikajänne saavuttaa tasapainon. Tämä arvo on pitkälti riippuvainen

M

. Siten saada käyrä, joka on samanlainen kokeilun tiedot,

M

olisi noin 5 tai vähemmän. Tämä on tietysti vastoin kokeelliset tiedot [21], [38]. Siksi epätäydellinen lajittelu voi selittää dynaaminen tasapaino CSCS ja NSCCs.

Keskustelu

Kasvain heterogeenisuus tarkoittaa tärkeitä vaikutuksia onnistuneen syöpähoitojen [2]. Tällä hetkellä on kaksi mallia kuvaavat heterogeenisyys kasvain, stokastinen ja CSC malleja. Olennainen ero niiden välillä on se, että jokainen solu tai vain erillinen osajoukko kasvainsolujen on potentiaalia käyttäytyä kuin CSC: n [2]. Selventää kaksi käsitettä, aloitimme CSC käsitteen lajittelu CSC ja NSCC -alapopulaatioiksi ja viljelemällä niitä erikseen. Sitten mitataan todennäköisyyksiä CSCS ”jako tyyppejä ja siirtymät NSCCs kautta

in situ

immunofluoresenssi- kuten aiemmin on kuvattu [11], [39], [40]. Näiden parametrien perusteella mitattuna kokeissa (Fig. 1 ja taulukko 1), rakensimme matemaattinen malli koordinoida sekä CSC ja stokastinen käsitteitä. Tulokset osoittivat, että malli voi simuloida taipumusta kokeellisen dynamiikan NSCC ja CSC -alapopulaatioiksi, tai ilman sädehoitoa (kuva 2 ja kuva. 4).

satunnaismalli ennustaa, että kasvain on biologisesti homogeeninen ja käyttäytymistä syöpäsolujen satunnaisesti vaikuttavat arvaamaton luontaisia ​​ja /tai ulkoisten tekijöiden [3]. Oli kuitenkin yhä todisteita tukivat olemassaolon CSCS viimeisten kahden vuosikymmenen aikana [4]. Perinteisesti stokastisia malleja yleensä määrittää useita mutaatio fenotyyppejä kasvaimen ja siirtyminen työvoiman näiden fenotyyppejä. Nämä siirtymät ovat yleensä yksisuuntainen, mistä hyvänlaatuinen tyypit invasiivisen tyypit [41], [42]. Kuitenkin meidän

in situ

kokeelliset tulokset osoittivat, että siirtymät CSCS ja NSCCs eivät varmasti yksisuuntainen (1A), sen sijaan, NSCCs voi kauttakulku osaksi CSCS riippumaton solun mitoosia ja CSCS voi tuottaa NSCCs kautta erilaistumista sekä epäsymmetrinen jako riippuvainen solun mitoosin (1A). Lisäksi, geneettinen epävakaus on yksi tärkeimmistä sääntöjä satunnaismalli. Kautta kertynyt geneettisiä tai epigeneettiset muutokset, altis fenotyyppi voi tulla vastustuskykyisiä fenotyypin. Näkökulmasta siirtomaa, kasvain kehittyy entistä resistenttejä [42].

Kuitenkin kynnyksellä CSCS paljastaa, että CSCS on moottori kasvaimen kasvua ja vastustuskyky standardin kemo- ja sädehoidon [5] – [7], [43], mikä osoittaa järjestäytyneen hierarkkinen rakenne kuin ilmoittama satunnaismalli. CSC: n malli ehdottaa, että kasvua ja etenemistä kasvaimia ohjaavat pieni mutta erottuva alaryhmien CSCS [3]. Kuitenkin useat viimeaikaiset paperit ja nykyisten kokeilujen selvästi osoitti, että

de novo

sukupolven CSCS peräisin NSCCs (kuva 1) [1], [9] – [11]. Siirtymät NSCCs sen CSCS osoitti, että CSC malli ei riitä selittämään kasvain heterogeenisyys ja olennaisesti tukenut käsite satunnaismalli. Teoriassa jos ei ole siirtymiä NSCCs kohteeseen CSCS (

K

T

= 0), meidän malli on vain tapauksessa CSC malli. Kuitenkin alle alkuehto puhdistetun NSCCs, jos siirtymät eivät olemassa, CSC osuus kulttuuri on aina nolla. Tämä on ilmeistä ole havaittu kokeissa sekä useita muita raportteja (kuvio 2B ja kuvio 3C) [1], [9] – [11]. Siksi CSC malli voisi selittää ilmiöt kokeissa. Kuten esitetään osassa tuloksista (Fig. 5), epätäydellinen lajittelu eivät korjaa tämän virheen CSC mallin.

On mielenkiintoista, että aloitimme CSC mallia, mutta sai tuloksia ominaisuuksia sekä CSC ja stokastiset käsitteet (1A), joka osoittaa olemassaolo sekä erottuva CSC /NSCC osapopulaatioiden ja stokastiset siirtymät NSCCs ja CSCS.

Materiaalit ja menetelmät

Soluviljely

ihmisen paksusuolen syövän SW620-solut ostettiin Cell Resource Center (IBMS, LÄHETYKSET /PUMC, Peking, Kiina) ominaista STR Profilointi. Soluja viljeltiin Dulbeccon modifioidussa Eaglen väliaineessa, jota on täydennetty 10% naudan sikiön seerumia, 100 yksikköä /ml penisilliiniä, ja 100 ug /ml streptomysiiniä, 37 ° C: ssa, 5% CO

2.

Soluvärjäys ja virtaussytometria

Hyväksytty alapopulaatioiden erotettiin kuten aiemmin on kuvattu [39], [40]. Lyhyesti, solut värjättiin pitoisuutena 10

7 solua 100 ui puskuria. Anti-CD133 /1 (AC133) -PE (MiltenyiBiotec) vasta-ainetta on käytetty virtaussytometria-lajittelu /määritys. Kaikissa kokeissa, näytteet lajiteltu BD FACS Aria II ja analysoitiin BD LSR II virtaussytometrillä käyttäen BD FACS Diva Software (BD Bioscience). Sivusironnan ja sirontamittari profiileja käytettiin poistamaan roskia ja solujen dupleteiksi.

In situ

immunofluoresenssilla

Tiedot

in situ

immunofluoresenssi ja sirun muotoilu näkyvät edellisessä paperi [11]. Lyhyesti, puhdistettiin NSCCs ja CSCS värjättiin hiiren monoklonaalisella vasta-aineella ihmisen CD133-antigeeni yhdessä R-fykoerytriini (CD133 /1 (AC133) -PE Miltenyi Biotec) yhdessä DNA: ta sitovan väriainetta Hoechst 33342 vastaavasti. Kaasunpoiston jälkeen siru, 25 ml solu (CSCS tai NSCCs) suspensio pipetoitiin säiliöön. Solususpensio pyrki soluviljelmän huoneissa, koska alipaine. Lataamisen jälkeen näytteen solut säiliö poistettiin ja 35 ml väliainetta lisättiin ja viljeltiin normaalisti. 2 h kuluttua inkuboinnin jälkeen solut valokuvattiin ensimmäistä kertaa, kuten on kuvattu alla. Sillä immunofluroscence solujen värjäys on määritelty ajankohtina, kuten 12 h tai 24 h, media säiliöstä poistettiin ja 20 ml: ssa alustaa, jossa sopivan pitoisuuden CD133 /1 (AC133) -PE (Miltenyi Biotec) lisättiin. Inkuboinnin jälkeen väliaine, jossa CD133 /1 (AC133) -PE säiliöstä poistettiin ja 35 ml: lla tuoretta alustaa lisättiin ja inkuboitiin pimeässä pesemällä solut. Solut pestiin kahdesti ja otettiin heti valokuvattiin.

simuloitu hehkutus algoritmi

simuloitu hehkutus algoritmi on Monte-Carlo-algoritmi, jota käytetään usein optimointiin ongelmia. Alkuparametreja tuotetaan satunnaisesti ja ehdokas parametrit syntyy myös satunnaisesti tiettyjä sääntöjä. Nämä parametrit käytettiin sitten ratkaista yhtälö (1). Vuonna simuloitu jäähdytys, me väliaikaisesti hyväksyä huonompi yhdistelmä muuttujia mahdollisuus pienentää riskiä paikallisen optimoinnin. Koska lämpötila laskee alas, lähellä globaali optimaaliset ratkaisut saataisiin tulokseksi [44]. Vuonna sovitusprosessia, parametri yhdistelmä hyväksytään lopulta jos

Σ (simulaatio-data)

2

on pienempi kuin kynnysarvo.

Simulaatio

merkitsee tulokset lasketaan parametrin yhdistelmä ja

tiedot

merkitsee kokeilun tuloksia. Laskentakoodista löytyy Code File S1.

soluautomaatti menetelmä

soluautomaatti menetelmässä solut määritellään aineina, joiden ominaisuudet kuten jako, siirtyminen ja kuolema. On olemassa kahdenlaisia ​​aineita: CSC ja NSCC. NSCC voi suorittaa käyttäytymistä kuten jako, siirtyminen ja kuolema. CSC voi suorittaa symmetria ja epäsymmetria alueet. Agenttien käyttäytymistä kvantifioidaan parametrejä, joita on käytetty yhtälössä (1). Jokainen solu agentti sijaitsee säännöllinen ristikko kanssa ulottuvuus 10 pm x 10 pm. Tässä mallissa 200 × 200 ristikoita määriteltiin. Ristikkorakenne on asetettu mahtuu yhden solun korkeintaan samaan aikaan. Siksi solu voi jakaa kahteen soluihin ellei ainakin yksi vapaana päällä sen naapurustossa (von Neumann naapuruston) [45].

tukeminen Information

Kuva S1.

laskenta solujen määrä eri alkuehdot (t-log10 (solujen määrä)).

doi: 10,1371 /journal.pone.0084654.s001

(TIF) B Kuva S2.

parametrit herkkyydet CSC suhteessa tasapainotilassa. Siniset palkit edustavat muutoksia CSC osuuden tasapainossa kun vastaava parametrit kasvoivat.