Abstract

Robustez, uma propriedade de longo reconhecida dos sistemas vivos, permite função em face da incerteza, enquanto fragilidade, ou seja, sensibilidade extrema, pode potencialmente levar a uma falha catastrófica seguinte perturbações aparentemente inócuas. Carlson e Doyle a hipótese de que as redes altamente evoluídas, por exemplo, aqueles que estão envolvidos na regulação do ciclo celular, podem ser resistentes a algumas perturbações, enquanto altamente sensível aos outros. A dualidade “robusta ainda frágil” de redes tem sido chamado Tolerância altamente otimizado (HOT) e tem sido a base de novas linhas de investigação em biologia computacional e experimental. Neste estudo, foi testada a hipótese de trabalho de que arquitecturas de controlo do ciclo celular obedecem o paradigma HOT. Três modelos do ciclo celular foram analisados ​​utilizando análise de sensibilidade Monte-Carlo. coeficientes de sensibilidade estado geral, que quantificam a robustez ou fragilidade de um determinado mecanismo, foram calculados utilizando uma estratégia de Monte-Carlo com três técnicas numéricas diferentes, juntamente com múltiplas estratégias parâmetro de perturbação para controlar eventuais artefatos numéricos e amostragem. Aproximadamente 65% dos mecanismos no ponto de restrição G1 /S foram responsáveis ​​por 95% da sensibilidade, por outro lado, o ponto de controlo G2 danos-ADN mostrou uma dependência muito mais forte em alguns mecanismos; ~32% Ou 13 dos 40 mecanismos responsáveis ​​por 95% da sensibilidade. A análise prevê que CDC25 mecanismos e ciclina E foram fortemente implicado no G1 /S avarias, enquanto fragilidade na fase G2 /M do ponto de verificação foi previsto para ser associada com a regulação da ciclina B-CDK1 complexo. Análise de um terceiro modelo contendo tanto G1 /S e G2 /lógica checkpoint M, previsto para além dos mecanismos já mencionados, que a tradução e proteólise programada também foram principais subsistemas frágeis. Comparação dos mecanismos frágeis preditos com a literatura e pré-clínica actual e ensaios clínicos sugeriram uma forte correlação entre a eficácia e a fragilidade. Assim, quando tomados em conjunto, estes resultados suportam a hipótese de trabalho de que arquitecturas de controlo do ciclo celular são redes quente e estabelecer a estimativa matemática e subsequente exploração terapêutica de mecanismos frágeis como uma nova estratégia para geração de leads anti-câncer.

citação: Nayak S, Salim S, Luan D, Zai M, Varner JD (2008) A Test of Tolerance altamente otimizado revela Mecanismos Cell-Cycle frágeis são alvos moleculares no cancro ensaios clínicos. PLoS ONE 3 (4): E2016. doi: 10.1371 /journal.pone.0002016

Edição: Gustavo Stolovitzky, IBM Thomas J. Watson Research Center, Estados Unidos da América

Recebido: 09 de janeiro de 2008; Aceito: 04 de março de 2008; Publicação: 23 de abril de 2008

Direitos de autor: © 2008 Nayak et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados

Financiamento:. Os autores agradecer o apoio financeiro da graça do Centro Cornell University for Life Science Enterprise, um Centro de Estado de Nova York para concessão de Tecnologia avançada (a JV para o apoio da SN) e Engenharia de iniciativas de aprendizagem Iniciação científica Prêmios ELI-650 e ELI-895 a MZ e SS O Centro de Cornell University for Life Science Enterprise eo programa de pesquisa Engenharia de Aprendizagem Iniciativas Graduação não desempenhou qualquer papel na concepção e realização do estudo, na coleta, análise e interpretação dos dados, bem como na elaboração, revisão ou aprovação do manuscrito

Conflito de interesses:.. os autores declararam que não existem interesses conflitantes

Introdução

a capacidade de reunir proteína-proteína e DNA-proteína de dados de interação , por exemplo, utilizando o sistema de [1], [2], transferência de energia de ressonância de fluorescência de dois híbridos de Levedura (Y2H) (FRET) técnicas de [3]; quantitativo espectrometria de massa (MS) proteómica ou imunoprecipitação da cromatina (ChIP) -ADN micro- técnicas de matriz [4], [5] ultrapassou muito a nossa capacidade de compreendê-lo. Transformando os dados de interacção em grande escala para uma melhor compreensão das redes biomoleculares subjacentes a progressão da doença e, eventualmente, a novas terapias requer ferramentas e estratégias integrativos. Talvez uma estratégia para alavancar nosso conhecimento de redes de interação em terapias eficazes seria a de identificar e explorar mecanismos fracos ou frágeis, evitando a manipulação de interações de rede robustos.

Robustez, uma propriedade de longo reconhecida dos sistemas vivos e redes , permite função em face da incerteza, enquanto fragilidade, ou seja, sensibilidade extrema, pode potencialmente levar a uma falha catastrófica seguinte perturbações aparentemente inócuas [6] – [10]. Diferentes fatores podem influenciar por elementos de uma rede são robustos ou frágil. Venkatasubramanian e colaboradores demonstraram que a estrutura de redes complexas pode resultar de um trade-off entre eficiência e robustez [11], enquanto você e Yin explorou como o ambiente moldou as propriedades robustas de bacteriófago T7 [12]. Leibler computacionalmente previsto e depois verificados experimentalmente recursos robustos de redes de controle de quimiotaxia [13] e Stelling

et al.

, Analisou vários exemplos de redes biológicas robustos [9]. Talvez há melhor exemplo de robustez pode ser encontrada do que a divisão celular. O ciclo celular é um dos processos mais fundamentais e altamente controladas em biologia. A decisão de dividir é estreitamente regulada integração de sinais extracelulares, tais como fatores de crescimento e hormônios, com sinais intracelulares que coordenam eventos que levaram à divisão. No entanto, apesar das extensas subsistemas de controlo e de vigilância que orientam a progressão das células através do ciclo de divisão, as avarias ocorrem como evidenciado pela proliferação descontrolada subjacente muitos cancros [14]. Assim, enquanto a pressão evolutiva pode ter células programado para ser robusto à mudança ambientes nutricionais ou disponibilidade diferenciada de fator de crescimento, talvez desafios raros pode resultar em consequências imprevistas. Por exemplo, a exposição à radiação, produtos químicos exóticos (cancerígenas) ou mesmo Polimorfismos de Nucleotídeo Único (SNP) pode causar alterações aparentemente inócuos que se manifestam na quebra da lógica do ciclo celular. Carlson e Doyle têm a hipótese de que as redes altamente evoluídas pode ser resistente a algumas perturbações ao mesmo tempo extremamente sensível aos outros. O “robusta ainda frágil” dualidade de redes e sistemas tem sido chamado Tolerância altamente otimizado (HOT) e tem sido a base de novas linhas de investigação em biologia computacional e experimental [10]

. Análise

A sensibilidade é uma permitindo ferramenta para a investigação de robustez e fragilidade nas redes relevantes para a saúde humana e em geral, para descoberta de conhecimento baseado no modelo. Cho

et al

, utilizada análise de sensibilidade para estudar TNF-α-mediada NF-kβ sinalização onde a incerteza paramétrica foi abordado utilizando um protocolo de parâmetro de amostragem de Monte-Carlo.; uma família de conjuntos de parâmetros aleatórios, gerado a partir da melhor suposição parâmetro, foi usado para calcular o perfil de sensibilidade de uma região de espaço de parâmetros [15]. Bullinger e colegas de trabalho explorou a robustez dos modelos de morte celular programada ou apoptose [16] enquanto Stelling

et al.

, Pontos computacionalmente identificados de robustez e fragilidade, usando análise de sensibilidade Monte-Carlo e em geral do Estado de sensibilidade coeficientes (OSSCs ), em modelos de ritmo circadiano [17]. Mahdavi

et ai.

, Análise de sensibilidade utilizados para compreender melhor [18] haste diferenciação celular, enquanto Luan

et ai.

, Utilizado um modelo mecanicista incerta da cascata de coagulação em combinação com Monte- análise de sensibilidade carlo, para mostrar que os mecanismos sensíveis computacionalmente derivados foram consistentes com as estratégias de anticoagulação terapêutica [19]. análise de sensibilidade também foi usado para integrar a identificação e discriminação modelo com delineamento experimental ideal. Vários estudos de concepção e de identificação modelo experimentais ótimas, são residentes na literatura [20] – [24] juntamente com muitas técnicas para estimar coeficientes de sensibilidade para os modelos compostos por equações diferenciais ordinárias, algébrico equações diferenciais e estocásticos [25] – [28].

neste estudo, que empregam modelagem e sensibilidade Monte-Carlo análise matemática para explorar a hipótese de trabalho de que arquitecturas de controlo do ciclo celular são redes quente. Se a nossa hipótese de trabalho é verdade, os mecanismos do ciclo celular, em seguida, frágeis (passos de reação) devem ser representadas entre avarias observados experimentalmente subjacentes cancros sólidos e hematológicos. Além disso, a manipulação dos mecanismos frágeis num contexto terapêutico, o qual tem sido sugerido por Kitano [29] a ser mais susceptíveis de provocar uma resposta eficaz a partir de uma rede ou sistema, também deve ser predominante na literatura tratamento. Nós testar a nossa hipótese de trabalho pela triagem computacionalmente três modelos qualitativos sobrepostas de arquiteturas de controle do ciclo celular; empregamos análise de sensibilidade Monte-Carlo e k-means clustering para classificar ordem mecanismos do ciclo celular e, em seguida, contrastar os mecanismos frágeis e robustos preditos com a literatura. Se arquiteturas de controle do ciclo celular obedecem o paradigma quente, depois de identificação computacional de mecanismos frágeis, utilizando modelos de rede proteína-ADN proteína-proteína ou poderia ser uma nova estratégia para anti-câncer de geração de leads ou mais amplamente como uma estratégia para identificar e explorar a fraqueza no redes arbitrárias relevantes para a saúde humana.

resultados

o modelo de ciclo inteiro de Novak e Tyson (Fig. 1), o modelo G1-S de Qu

et al.

, (Fig. 2A) e o modelo de dano G2 /M-ADN de Aguda (Fig. 2B) foram aplicados a partir de literatura e rastreados para mecanismos frágeis por meio de análise de sensibilidade de Monte-Carlo [30] – [32]. O modelo Novak e Tyson, que empregava uma descrição complexa do G1 /S e /checkpoints M, a expressão da proteína programada G2 e degradação, foi composta por 18 espécies dinâmicas, 4 espécies constrangimentos e 74 parâmetros. O G1-ação de massa /S e /M-ADN G2 modelos de dano descrita apenas a lógica molecular em seus respectivos pontos de controlo; o modelo G1 /S foi composto por 16 saldos proteína dinâmicos, 2 constrangimentos espécies e 44 parâmetros, enquanto o modelo de dano G2 /M-ADN consistiu em 15 saldos proteína dinâmicas, uma restrição 40 e parâmetros. Os valores dos parâmetros para cada modelo foram retirados de literatura. condições iniciais não declarada foram ajustados de modo a que as trajetórias modelo simulados foram qualitativamente consistentes com os valores publicados (Recurso de materiais Figura S1). Os conjuntos de parâmetros publicados, com as condições iniciais fixos, foram utilizados para gerar conjuntos de parâmetros aleatórias (N = 500, a menos que indicado de outra maneira), onde cada parâmetro nominal foi perturbado por até ± 50%, ± 1-fim, ou ± 2-encomendas magnitude. Estado geral de sensibilidade coeficientes (OSSCs) foram calculados sobre as famílias de parâmetros aleatórios para cada modelo do ciclo celular utilizando três algoritmos numéricos diferentes. Para cada modelo, os valores médios OSSC foram classificados-ordenada e plotados. A área sob a curva (AUC) foi usada para medir a sensibilidade a contribuição de cada parâmetro cumulativo. Um corte cumulativo de 95% da sensibilidade geral foi utilizado para estabelecer a lista de mecanismos (Recurso de materiais Figura S2), que foram agrupadas em três grupos (alta, média e baixa sensibilidade) usando um algoritmo k-means.

o modelo Novak e Tyson, composto por 18 espécies dinâmicas, 4 espécies constrangimentos e 74 parâmetros, descreve tanto o G1 /S e G2 /checkpoints M e expressão da proteína programado e degradação. Nomenclatura: Cdk1-Ciclina Quinase Dependente 1, Cdk2 – Ciclina Quinase Dependente 2, Cdk4 /6 – Ciclina Quinase Dependente 4 ou 6, CycD – ciclina D, CycB – ciclina B, CycE – ciclina E, CycA – Ciclina A, GF – Crescimento factor, ERG – Genes resposta precoce, DRG – Atraso Gene Response, E2F – fator de Transcrição E2F, pRB – proteína do retinoblastoma, p27 – A ciclina dependente Kinase Inhibitor (CKI), também chamado KIP1, PPI – proteína fosfatase tipo 1, IE – “Intermediário enzima “, PPX-a fosfatase inactivação de IE, a APC – Anafase Promover complexo, uma família de E3 ligases, CDH1 – um activador de APC classe de ligases, CDC20 – um activador de APC, círculo vermelho pequeno com P representa um grupo fosfato, um (+) sinal implica regulação positiva enquanto que um (-). signo representa regulação negativa

O modelo G1 /S de Qu

et al

, é composta de 16 saldos proteína dinâmicos. , 2 espécies constrangimentos e 44 parâmetros [31]. modelo de dano de ADN de TheG2-Aguda é composto por 15 saldos proteína dinâmicas 1constraint e 40 parâmetros (30). Tanto o G1 /S e G2 /modelos M empregam cinética de acção de massas e os parâmetros são lineares nos balanços de massa. Nomenclatura G1 /S: Cdc25A – Quinase Dependente 2, ciclina Cdk4 /6 – – Ciclina Quinase Dependente 4 ou 6, CycE – ciclina E, CycD – ciclina D, E2F – Transcription Factor de E2F, pRB – proteína do retinoblastoma especificidade dual Fosfatase Cdc25A, Cdk2 , p27 – A ciclina dependente Kinase Inhibitor (CKI), também chamado KIP1. G2 nomenclatura /M: pMPF – pré-maturação Promoção Factor, um complexo de CycB (ciclina B) e Cdk1 (ciclina dependente Kinase1) em forma inativa, MPF – forma ativa do MPF, aCDC25 – fosfatase CDC25 ativa, iCDC25 – forma inativa CDC25, aCDC25 (P-216) – CDC25 ativa, fosforilada no resíduo de serina 216, iCDC25 (P-216) – inativo CDC25, fosforilada na serina 216, 14-3-3σ – 14-3-3σ proteína. Em ambos os esquemas, pequenos círculos vermelhos com P representam grupo fosfato, um sinal (+) implica regulação positiva enquanto que um (-). Signo representa regulação negativa

Aproximadamente 65% do G1 /mecanismos S (passos reaccionais) eram responsáveis ​​por 95% da sensibilidade, por outro lado, a rede de danos de ADN-G2 mostrou uma forte dependência de algumas interacções. Dos 44 G1 /S reações etapas, 29 foram responsáveis ​​por 95% da sensibilidade (Recurso de materiais Figura S2). A distribuição de fragilidade não era específico para qualquer classe única de interacção (Tabela 1). A desfosforilação de CDC25, a expressão de ciclina E, a degradação da ciclina E-CDK2 complexo, e a concentração do factor de transcrição E2F foram classificados como os passos mais frágeis reacção no G1 /S do checkpoint (Tabela 1, o grupo I) . Um modelo anterior do G1 /S por Aguda

et al.

, [33] descobriu que, embora pRB e ciclina E-CDK2 formado um ciclo de feedback positivo, eles não formam um switch robusto acentuada no ponto de restrição, ou seja, o aumento na concentração de ciclina e-CDK2 activo foi gradual e sensível a parâmetros do modelo. No entanto, a adição de CDC25 à ciclina E-CDK2-PRB ciclo de feedback positivo, fez o ponto de restrição robusta para modelar variação de parâmetros, apoiando assim as nossas conclusões sobre a importância das interações CDC25. A síntese, a activação e a degradação de CKIs, a expressão e a degradação de CDC25, concentração pRB, a expressão de ciclina D e mecanismos de E-CDK2 ciclina dominou a segunda camadas de G1 /S fragilidade (Tabela 1, grupo II). Tier-três G1 /S fragilidade envolvidos vários mecanismos ciclina D, atividade E-CDK2 ciclina e E2F ciclina mediada expressão E (Tabela 1, o grupo III). Quando tomados em conjunto, o G1 mais implicado proteína /S era E ciclina, com 11 de 29 mecanismos, seguido por CKIs com seis, CDC25 e ciclina D foram, cada um envolvido em cinco mecanismos frágeis e E2F e pRB foram, cada um listado duas vezes. Além disso, 16 dos 29 parâmetros frágeis foram funcionalmente associada a ciclina E e atividade E-CDK2 ciclina. Como esperado, a expressão e a degradação das ciclinas /fase S e G1 foram associados suas CKIs previsto para ser importante. No entanto, a expressão e a degradação de ciclina E e outro é interacções foram mais alto do que os correspondentes mecanismos de ciclina D com a excepção de a dissociação da ciclina E-CDK2-CKI complexo. A rede de danos de ADN-G2 mostrou uma forte dependência de alguns mecanismos quando comparado com G1 /S; ~32% Ou 13 dos 40 mecanismos responsáveis ​​por 95% da sensibilidade (Complementar de materiais Figura S2). Consistente com G1 /S, há uma única classe de mecanismo dominaram a lista fragilidade. Os mecanismos mais sensíveis foram relacionados com a produção e degradação do complexo ciclina B-CDK1 também conhecido como o factor de maturação Promoção (MPF) (Tabela 2). Os cinco principais mecanismos foram diretamente ou intimamente associada com a formação e atividade de MPF enquanto mecanismos que conduzem a desativação do MPF, por exemplo, a expressão, a degradação ea atividade da p21, 14-3-3σ e Wee1 fosforilação dominou os oito mecanismos restantes ( tabela 2, o grupo III). A activação do complexo MPF inactiva, cuja expressão é regulada negativamente por p53, foi o mais sensível mecanismo G2 (Tabela 2, o grupo I), seguido por geração preMPF, activação e de transporte para o núcleo CDC25 (Tabela 2, grupo II). A constatação de que todos os mecanismos relacionados CDC25 eram mais frágeis do que Wee1, é consistente com trabalhos anteriores da Aguda [34] que mostrou que apesar de ambos Wee1 e CDC25 formar uma fosforilação-desfosforilação (PD) loop com MPF, associação só CDC25 deu origem a comportamento qualitativamente diferente. Curiosamente, enquanto que a geração da p53 em si não foi previsto para ser sensível, envolvendo interacções p53 foram predominantes, por exemplo, a expressão de MPF e p21 inactiva, ambos os quais são regulados por p53, foram previstos para ser sensível. Cerca de 77% das Novak e Tyson parâmetros (57 de 74) foram responsáveis ​​por 95% da sensibilidade (Recurso de materiais Figura S2). Ambos os componentes globais e locais do modelo foram previsto para ser frágil. O mecanismo global mais sensível foi a eficiência de translação enquanto mecanismos locais como a ativação do IE (proteína hipotética que ativa o E3-ligase CDC20), expressão da ciclina B e degradação CDH1 foram também previsto para ser frágil (Tabela 3, conjunto I). Os mecanismos de segundo nível foram associados com a desregulamentação da proteólise programada (Tabela 3, grupo II). Curiosamente, enquanto que a percentagem de mecanismos responsáveis ​​por 95% da sensibilidade do modelo Novak e Tyson foi o maior dos três modelos, vários mecanismos em que o grupo III teve valores OSSC pequenas, incluindo a maioria da lógica de ponto de controlo G1 /S. Assim, a amostragem do Novak complexa e modelo Tyson produziu menos informações do que os modelos G1 /S e G2-DNA danos mecanicistas de ação em massa baseados.

As conclusões qualitativas extraídas de amostragem os modelos do ciclo celular foram robustos para a escolha do método de solução e o tamanho da perturbação parâmetro, mas sensível ao número de conjuntos de parâmetros amostrados. Três técnicas numéricas diferentes foram usados ​​para resolver as equações de sensibilidade para controlar eventuais artefatos numéricos. A rotina ODE15s de Matlab (The Mathworks, Natick MA), uma terceira ordem para trás-diferença método implícito (BDF3; ver Suplementar material S1) e encaminhar diferença finita (FD), gerado resultados de sensibilidade qualitativamente semelhantes (Fig. 3). A menor Spearman entre quaisquer dois métodos (ODE15s contra FD para o modelo G1 /S) foi de 0,91, indicando uma correlação pior caso de aproximadamente 91%. Curiosamente, enquanto o posto de Spearman indicou boa concordância entre os métodos de solução, houve mudanças estatisticamente significativas nos valores OSSC indicando os métodos de solução sistemática mudou mecanismos, ou seja, diferentes valores OSSC foram calculados, mas a ordem ou a classificação de mecanismos foi mantida (ver Material Suplementar tabela S1). Dois controles de amostragem suplementares foram realizadas para verificar a solidez das conclusões qualitativas extraídas de nossa análise. Em primeiro lugar, o tamanho da perturbação utilizado para gerar famílias de parâmetros aleatórios foi variado para testar se a conclusões diferentes teria sido elaborado com diferentes tamanhos de perturbação; valores OSSC calculado sobre famílias de parâmetros aleatórios gerados usando ± 50%, ± 1-ordem e ± 2-ordens de magnitude, não houve diferença qualitativa quantificada pela correlação de Spearman para o G1 modelo /S (Fig. 4). Observou-se o pior correlação caso de 0,90 entre a ± 50% e ± 2-encomendas de casos de magnitude, indicando, em média, 90% das conclusões tiradas entre os dois casos foram consistentes (Fig. 4C). Tal uma forte correlação de Spearman em fileiras através de 2 ordens de grandeza dos valores dos parâmetros pode sugerir que a estrutura de rede (conectividade) é mais importante do que os valores de parâmetros. Comparação dos mecanismos exactamente semelhantes entre os três modelos suportam a hipótese de o domínio de conectividade onde mecanismos classificados como frágil ou robusto nas /S e G2-DNA modelos de dano G1 foram também previsto para ser importante no modelo Novak e Tyson, embora com diferentes fileiras (Tabela 4). Havia 11 mecanismos que apareceram exatamente em cada modelo, 10 mecanismos foram classificados de forma semelhante, enquanto um foi classificado de forma inconsistente. Em segundo lugar, a correlação de Spearman cumulativa entre os resultados de sensibilidade gerado usando os ODE15s, métodos BDF3 e FD para cada modelo foi calculada como uma função do número de conjuntos de parâmetros amostrados. Embora a classificação acumulada Spearman convergiu para a média da população como o número de conjuntos de parâmetros aumentou, foi observada uma dependência tamanho da população (Fig. 5). Para cada modelo, os resultados apresentados foram obtidos na região de convergência; portanto, nenhuma nova informação teria sido obtida se conjuntos adicionais de parâmetros aleatórios foram amostrados.

Scaled geral do Estado de sensibilidade Coeficientes (OSSC) foram calculados para cada modelo do ciclo celular através de uma família de conjuntos de parâmetros aleatórios (N = 500 a menos que indicado de outra maneira) gerado aleatoriamente através da perturbação do publicadas estabelecidas por ± 1 ordem de magnitude. Três métodos numéricos diferentes foram utilizadas para resolver as equações de sensibilidade para controlar artefactos numéricos. A-C: resultados de sensibilidade para o modelo Novak e Tyson [32]. resultados de sensibilidade para o modelo de ponto de verificação G1 /S de Qu

et al

, [31]: D-F.. G-I: resultados de sensibilidade para o modelo de dano G2 /M-ADN de Aguda [30]. As técnicas numéricas diferentes usados ​​para resolver as equações de sensibilidade produzir resultados qualitativamente semelhantes como quantificada pelo grau de correlação de Spearman entre quaisquer dois métodos (canto inferior direito de cada parcela).

Uma família de parâmetro aleatório conjuntos foi construído (N = 150) a partir do conjunto nominal, onde cada parâmetro foi perturbado por até ± 50%, ± 1-fim ou ± 2-ordens de grandeza. A rotina ODE15s de Matlab (The Mathworks, Natick MA) foi utilizado para resolver as equações de sensibilidade. A: cumulativa Spearman classifica entre os parâmetros define com ± variação de 50% e ± mudança 1order. B: cumulativa Spearman classifica entre os parâmetros conjuntos com ± 1 e ± 2-encomendas da mudança magnitude. C: cumulativa Spearman classifica entre os parâmetros define com ± 50%, e ± 2-encomendas da mudança magnitude

A linha vermelha-frustradas em todos os casos denota o acumulado Spearman obtido por amostragem. tudo parâmetro ajusta para quaisquer dois métodos. A-B: de Spearman cumulativa versus o número de conjuntos de parâmetros amostrados para o modelo G1-S usando o BDF3 e métodos ODE15s (A) e Diferença Finita (FD) e métodos ODE15s (B), respectivamente. C-D: de Spearman cumulativa versus o número de conjuntos de parâmetros amostrados para o modelo G2-M usando o BDF3 e métodos ODE15s (C) e Diferença Finita (FD) e métodos ODE15s (D), respectivamente. E-F: de Spearman cumulativa versus o número de conjuntos de parâmetros amostrados para o modelo de ciclo inteiro usando o BDF3 e métodos ODE15s (E) e de diferenças finitas (DF) e ODE15s métodos (F), respectivamente. Em todos os modelos e métodos numéricos, a classificação acumulada Spearman converge para o valor da população, no entanto, a taxa de convergência, ou seja, o número de conjuntos aleatórios que devem ser amostrados, é diferente para cada modelo e método.

Discussão

evidências da literatura suporta a hipótese de que computacionalmente identificadas interações do ciclo celular frágeis representam alvos eficazes. Considere a fragilidade dos mecanismos de CDC25. Boutros

et al.

, Recentemente revisto o papel da fosfatase Cdc25 e inibidores Cdc25 na progressão do cancro humano e tratamento [35]. Embora a inibição da CDC25 como uma estratégia de tratamento do cancro está ainda em fase de laboratório, CDC25 vários inibidores em desenvolvimento têm mostrado resultados promissores. O inibidor CDC25 PM20 inibiu o crescimento em derivados de hepatoma linhas celulares Hep3B humanas numa concentração inibidora (IC) 700 nM, PM-20 também inibiu o crescimento de várias outras linhas de células, se bem que a CIs mais elevadas [36]. BN82685, que inibiu CDC 25A, B e C

in-vitro

e

in-vivo

e reprimido o crescimento de células HeLa e de tumor pancreático humano Mia PACA-2 xenoenxertos em ratinhos nus atímicos, também inibiu o crescimento das linhas de células humanas resistentes a fármacos citotóxicos, por exemplo, a linha celular de leucemia mieloblástica humana HL-60 [37]. O antagonista CDC25, DPC-5, inibiu o crescimento da linha celular de hepatoma de rato JM-1

In-vitro

e a linha celular de cancro do rato tsFT210 através da inibição selectiva da CDC25 [38]. Assim, a inibição da CDC25 representa uma opção viável de tratamento que poderia ser prosseguida na clínica. A inibição e a degradação da ciclina E-CDK2 complexo, o mecanismo segundo classificados activa na rede G1 /S, também tem sido explorada como uma estratégia de tratamento. A Bristol-Myers Squibb (BMS) BMS-387032 desenvolvido, um inibidor de ciclina E-CDK2, com uma IC50 de 95 nM de [39]. I estudos pré-clínicos de cancro do ovário e fase demonstrou que a BMS-387032 possuía uma melhor eficácia do que flavopiridol, um inibidor de CDK promíscuo [40]. Flavopiridol, o inibidor de quinase dependente da ciclina primeiro em ensaios clínicos, por si só ou em combinação com outras drogas está actualmente a ser investigados em 52 fase activa I ou II de ensaios [41]. O flavopiridol foi proposto para o tratamento de episódios recorrentes, localmente avançado, ou metastático, sarcoma dos tecidos moles [42], linfoma e mieloma múltiplo [43], o cancro da mama metastático (com Trastumuzumab) [44] ou em combinação com outras drogas (cisplatina e carboplatina ) para o tratamento de tumores sólidos avançados [45]. A expressão da ciclina E, o quarto mecanismo classificados no modelo G1 /S, também tem sido explorado terapeuticamente para o tratamento de cancros do pâncreas e pulmão [46], [47]. A correlação entre a fragilidade e estratégia de tratamento também foi encontrada para manter a rede de danos G2 /M-ADN. A activação de preMPF (complexo ciclina B-CDK1), catalisada pela CDC25, foi previsto para ser o mecanismo mais sensível no modelo de dano de G2 /M-ADN durante a três dos mecanismos de quatro camadas de dois G2 /M-DNA foram associadas com atividade CDC25. Briostatina-1, uma proteína quinase C (PKC) inibidor e antagonista da ciclina B-CDK1 complexo, tem sido explorada na prática clínica para o tratamento de mieloma múltiplo [48], uma recaída de linfoma e leucemia linfocítica crónica não-Hodgkin [49] . Em modelos pré-clínicos, Bryostatin-1 demonstrou actividade como agente único contra o melanoma B16, M5076 retículo sarcoma e linfoma de células B L10A [50] e foi mostrado para interromper a ciclina B-CDK1 formação e actividade do complexo através de vários mecanismos diferentes [51] , [52]. Quando tomados em conjunto, os melhores mecanismos frágeis para ambos G1 /S e G2 /M fases do ciclo celular, estimada por análise de sensibilidade de Monte-Carlo, foram encontrados para serem consistentes com em curso ensaios pré-clínicos e clínicos para o tratamento de um amplo espectro de cancros humanos.

a modulação da eficiência de translação e a manipulação de proteólise programada, em lugar de destaque entre o grupo de mecanismos frágeis em todos os modelos, são também áreas activas de desenvolvimento terapêutico. Iniciação da tradução em eucariotas é pensado para ser limitante da velocidade [53] e sobre-expressão de componentes de iniciação, por exemplo, o fator de iniciação elF4E, ocorre com frequência em cancros humanos [54]. Arnqvist e colaboradores explorado inibição de tradução em células MCF-7 de cancro da mama seguinte ciclo-heximida, puromicina ou exposição emetina, na presença e ausência do Insulin-like Growth fator1 (IGF-1) [55]. A adição de puromicina, a ciclo-heximida e emetina na ausência de IGF-1 resultou num aumento da apoptose em 48 horas relativamente ao controlo, no entanto, quando o IGF-1 estava presente, observou-se uma redução dependente da concentração na apoptose. Bjornsti e Houghton recentemente revisto outro inibidor da tradução molécula pequena, Ramapycin [56], que inibe a meta de Ramapycin proteína (TOR), uma serina /treonina quinase envolvidos na tradução e outras funções. Enquanto Ramapycin tem a aprovação da FDA como um imunossupressor, o desenvolvimento de terapias anti-cancro tem sido lento, apesar de actividade anti-tumoral contra estabelecidos modelos de tumor sólido [57], [58]. análogos Ramapycin foram avaliadas em ensaios clínicos para o tratamento de indicações diferentes incluindo doentes pediátricos com leucemia aguda recidiva ou refractário e carcinoma de células renais [56], [59]. inibidores peptídicos, também têm sido utilizados para regular negativamente a tradução, por exemplo, BL22, uma imunotoxina desenvolvido para o tratamento de leucemia linfocítica crónica (CLL) [60], consiste no fragmento Fv variável do anticorpo RFB4 conjugado com o péptido anti-PE38 tradução. O segundo grupo de mecanismos frágeis previsto em Novak e Tyson e mais geralmente entre as redes danos G1 /S e G2 /M-DNA envolvidos desregulação de degradação da proteína programado. Programado proteólise via do proteassoma sistema ubiquitina (UPS), um componente crítico de condução do ciclo celular progressão [61], tem sido alvo de vários desenvolvimentos terapêuticos diferentes [62]. O ubiquination de proteínas alvo envolve a actividade coordenada da ubiquitina activação família de enzimas (E1), a família de conjugação da ubiquitina-enzima (E2) e a família de ubiquitina-ligase (E3) [63]. Enquanto avarias E1 não ter sido observado no cancro, a desregulação da E3 e, em menor medida a actividade E2 foi directamente ligada a progressão do cancro [63]. O modelo Novak e Tyson tem apenas uma representação esqueleto de UPS, no entanto, ele não representa explicitamente proteína celular Division Cycle 20 (CDC20), CDH1 e Anaphase Promoção Complexo /ciclossoma (APC /C), todos os quais são componentes do E3. APC /C é a subunidade núcleo para que as proteínas adaptadoras e CDC20 CDH1 de ligação [64] – [66]. Inibição de ligases E3 específicos continua a ser um desafio técnico [67], no entanto, os análogos de cis-imidazolina chamados Nutlins têm sido desenvolvidos que inibem a MDM2, um E3-ligase responsável pelo reconhecimento da p53.