Agent-Based

Abstract

Muitos cancros são aneuploidia. No entanto, o papel preciso que a instabilidade cromossómica desempenha no desenvolvimento do cancro e na resposta de tumores ao tratamento é ainda muito debatido. Aqui, para explorar esta questão a partir de um ponto de vista teórico, temos desenvolvido um modelo baseado em agentes da homeostase do tecido em que para testar os efeitos prováveis ​​do cromossomo inteiro mis-segregação durante o desenvolvimento do câncer. Nas simulações estocásticos, eventos cromossómicas mis-segregação em chumbo a divisão celular para a geração de uma população diversa de clones aneuploides que ao longo do tempo exibem crescimento hiperplásico. Significativamente, o curso da evolução do cancro depende de ligação genética, como a estrutura de cromossomos perdido ou ganho através de eventos mis-segregação e do nível de função instabilidade genética em conjunto para determinar a trajectória da evolução do câncer. Como resultado, os cancros simuladas diferem no seu nível de estabilidade genética e das suas taxas de crescimento. Nós usamos este sistema para investigar as consequências destas diferenças na heterogeneidade do tumor para as terapias anti-câncer com base em cirurgia e anti-mitóticas drogas que alvejam seletivamente células em proliferação. Como esperado, os tratamentos simulados induzir um atraso no crescimento do tumor transiente, e revelam uma diferença significativa na eficácia de diferentes regimes de terapia no tratamento de tumores geneticamente estáveis ​​e instáveis. Estes dados suportam as observações clínicas em que um prognóstico pobre está correlacionada com um elevado nível de cromossoma mis-segregação. No entanto, simulações estocásticos executado em paralelo também exibem uma vasta gama de comportamentos, e a resposta de simulações individuais (equivalente a tumores individuais) para a terapia anti-cancro ser extremamente variável. Por conseguinte, o modelo destaca a dificuldade de prever o resultado de um dado tratamento anti-cancro, mesmo nos casos em que é possível determinar o genótipo de todo o conjunto de células dentro do tumor em desenvolvimento

citação:. Araujo A, B Baum, Bentley P (2013) o papel do cromossomo segregação errada no desenvolvimento do câncer: uma abordagem teórica Usando Modelagem Agent-Based. PLoS ONE 8 (8): e72206. doi: 10.1371 /journal.pone.0072206

editor: Roeland M H. Merks, Centrum Wiskunde Informatica (CWI) Netherlands Institute for Systems Biology, Holanda

Recebido: 29 de novembro de 2012; Aceito: 08 de julho de 2013; Publicação: 26 de agosto de 2013

Direitos de autor: © 2013 Araujo 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:. AA foi financiado pelo CONACYT e UCL complexa. BB foi financiado pelo Cancer Research UK. Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito

CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes

Introdução

As células com uma ampla gama de defeitos estruturais e numéricas em cromossomos são encontrados em muitos tipos de cânceres. Se essas mudanças contribuem diretamente para a evolução do câncer ou são apenas um subproduto da própria carcinogênese, no entanto, é uma questão que tem intrigado pesquisadores de câncer há mais de um século. Embora existam fortes evidências experimentais para mudanças no número de cópia cromossómica (aneuploidia) e cromossoma mis-segregação que desempenham um papel central nas evolui cancerosas maneira [2], não há princípios organizadores ou vias evolutivas claras foram estabelecidas. Portanto, uma abordagem alternativa consiste em estudar o problema de um ponto de vista teórico, utilizando modelos computacionais de comportamento simples célula e célula-célula para estudar as interacções homeostase, a sua desregulação durante a progressão do cancro e da sua resposta ao tratamento [3].

modelagem computacional tornou-se recentemente uma abordagem prática para o estudo de tais comportamentos emergentes e complexo fenómeno [4]. modelos baseados em agentes têm sido utilizados com sucesso para modelar a complexidade encontrada em ecológica [5], econômica [6] e sistemas de câncer [7], [8]. Em sistemas complexos, comportamento global emerge das interacções dos componentes individuais, e não pode sempre ser inferido a partir de uma análise dos componentes individuais isoladamente [9]. Em vez disso, no entanto, os modelos baseados em agentes pode ser utilizado para determinar os efeitos das interacções entre os componentes individuais sobre o comportamento do sistema como um todo, [10]. Uma das principais vantagens oferecidas pela modelagem baseada em agentes sobre técnicas de modelagem baseada em equação é a capacidade de estudar o comportamento emergente que surge de interacções definidas entre elementos de um sistema complexo [11]. Porque cancros são constituídos por um grande número de células de diversos genótipos que interagem sem controle centralizado, modelagem baseada em agente pode ajudar a capturar a essência do sistema a partir do comportamento de células individuais. Inspirado por este tipo de modelo computacionalmente tratáveis, temos desenvolvido um quadro com o qual se analisar o papel da instabilidade cromossômica na progressão do cancro, e para investigar o impacto do cromossomo mis-segregação em tratamentos de câncer. In silico experimentos foram então realizada para simular a interação entre cromossômicas mis-segregação e tratamentos de câncer; incluindo as captações de cirurgia, a remoção física da massa tumoral, quimioterapia, um tratamento onde o excesso de proliferação de células são alvejados e mortos; e uma combinação destes dois tratamentos. É evidente a partir de simulações que os cancros com um complemento instável de cromossomos têm um prognóstico pior. Além disso, os dois tipos de trabalho de terapia de formas distintas que lhes permitam ser combinados para retardar ainda mais o curso da progressão do cancro. Finalmente, a análise torna claras as dificuldades de prever o curso de qualquer um câncer ou sua resposta à intervenção terapêutica.

Resultados e Discussão

O Modelo

Para abordar se cromossomo segregação errada desempenha um papel importante no desenvolvimento e progressão de um cancro, desenvolvemos um modelo simples da homeostase do tecido em que para estudar a evolução do cancro. Para concentrar a nossa análise sobre esse fenômeno pouco compreendido que escolhemos para ignorar outros tipos de mutações (tais como substituições, inserções, exclusões e translocações cromossómicas). Para isso, células individuais foram modeladas, cada um equipado com um genoma geneticamente definido, como agentes em uma simulação computacional (ver Métodos). Em seguida, representam o tecido como um agrupamento linear de células individuais, em que as células filhas são introduzidas espacialmente adjacente à célula mãe de origem. O tecido simulado inicialmente exibe um comportamento homeostático, como resultado de taxas equilibradas de proliferação celular e morte celular. Estes comportamentos foram modeladas como processos estocásticos que são regulados a nível genético, com base nas propriedades de proto-oncogenes conhecidos e genes supressores de tumor [12]. Enquanto que em sistemas biológicos reais muitas características da biologia celular são poligénica, que feita no pressuposto de simplificação que um único gene domina no regulamento um comportamento específico, e que o impacto de cada gene é proporcional ao número de cópias de um determinado gene encontrado em o genoma de cada célula, tal como sugerido pelos estudos recentes sobre os efeitos das diferenças no número de cromossomas na expressão do gene em sistemas biológicos [13], [14]. Esta simplificação é uma necessidade, enquanto a rede de regulação genética humana permanece desconhecida. Além disso, é fundamental para compreender o efeito de eventos segregação errada que afetam os cromossomas que contêm genes-chave, como p53, Ras e pRb [12]. Assim, enquanto a realidade é muito mais complicado, prevemos que será possível no futuro para aplicar os insights obtidos por abordar este problema fundamental de uma forma abstrata ao câncer humano. Tendo estabelecido este sistema modelo, em seguida, introduziu uma abstração gene que regula a fidelidade durante a divisão celular, o que nos permite testar o papel da evolução instabilidade cromossómica em desenvolvimento e tratamento do câncer. Desta forma, podemos isolar os efeitos da instabilidade cromossômica, supressor de tumor e atividade oncogene e ligação genética na progressão do cancro (ver Figura 1 A).

A. Os diferentes Abstrações Gene foram colocados em cromossomos em três configurações diferentes. Isto levou a diferentes tipos de ligações entre os genes. B. Para a notação de diferentes genótipos, utilizou-se a seguinte chave: (número de genes Divisão, número de genes Morte, número de genes de segregação). O genótipo inicial em cada simulação é um genoma diplóide: (2,2,2). Para entender melhor as proporções dos genes em um determinado fenótipo, temos usado o modelo RGB para representar o número de genes de divisão como o vermelho, o número de genes de morte como verde e o número de genes de segregação como Blue Ver métodos, Genótipo Key) .

Cada célula do sistema tem um genoma simulado composto por três tipos de genes. genes reguladores de apoptose são uma abstracção dos genes supressores de tumor, tais como

p53

[15], que regulam a morte celular, e permitir-nos para modelar o facto de aglomeração de tecidos conduz a um aumento correspondente na taxa de morte celular e delaminação dentro de um epitélio para manter a homeostase [16] [17]. Para equilibrar a morte celular, genes reguladores de divisão celular proporcionar uma captação de proto-oncogenes, tais como Ras [18], Myc [19] e p110 de PI3K [20] e actuam para promover o crescimento celular e na progressão do ciclo celular. Novamente a acção destes genes é sensível à “capacidade homeostática” do tecido, a fim de modelar o processo conhecido como inibição de contacto que restringe a proliferação das células em tecidos aglomerado [17]. Assim, em combinação destes controlos assegurar que, se o número de células excede o limite homeostático, proliferação é inibida e a probabilidade de morte celular aumentada, mantendo-se constante a população de células perto da capacidade homeostática do tecido simulado.

Além disso, o modelo contém uma taxa finita do cromossoma mis-segregação durante a divisão celular, o que gera a variação entre a população de células. Este nível de variação genética depende da ação dos genes de segregação cromossômica reguladoras, que genes modelo que controlam a fidelidade da divisão celular, como BUB1 [21] e MAD2 [22] que reduzem a probabilidade do cromossomo mis-segregação na divisão celular. Na população inicial de células, cada célula tem dois conjuntos de cromossomas idênticos (um genoma diplóide) e 2 cópias do gene cromossoma segregação. Ao dividir, o genoma de cada célula são duplicados e os dois conjuntos de cromossomas são então separadas em duas células filhas. É durante este estágio que os eventos de cromossomos mis-segregação pode ocorrer, resultando na divisão assimétrica celular:. Uma célula filha com um cromossomo extra, e uma falta do mesmo cromossomo

Simulação cromossomo segregação errada

porque o papel exato, localização e ligação dos genes-chave que regulam o crescimento celular, a morte ea segregação cromossômica nos cromossomos humanos reais permanece desconhecida [23], aqui temos também explorou como as diferenças na distribuição dos genes nos cromossomos afeta a evolução do sistema como um todo. Para fazer isso, nós colocamos os genes abstraídos em três configurações cromossômicas diferentes (Figura 1 A). Estes são de distribuição A, onde apoptose genes reguladores e genes reguladores de divisão celular são “ligados” no mesmo cromossomo; distribuição B, onde de divisão celular genes reguladores e genes reguladores de segregação cromossômica mentir no mesmo cromossoma; e Distribuição de C onde os genes que regulam a apoptose e segregação cromossômica estão ligados geneticamente. No início das simulações cada célula foi então modelado como um diplóide, contendo duas cópias de cada cromossoma (Figura 1 A).

A dinâmica evolutivas no nosso modelo são então determinado pela expressão do gene das células individuais e o comportamento global que emerge através de morte celular, proliferação e mis-segregação ao longo do tempo. Focando os genótipos que surgem ao longo da simulação, que indicam o estado inicial, tal como (2, 2, 2): correspondente a 2 cópias funcionais de cada gene (Divisão, a apoptose e a segregação, a, respectivamente, como pode ser visto na Figura 1 B). o crescimento do cancro do tipo resultará se o número de oncogenes aumentos e /ou se todos os supressores de tumores são perdidos. Explorando as três distribuições diferentes genes, 100 foram realizadas simulações para cada configuração (Figura 2 A). Dado que se espera instâncias de divisão celular, nascimento e morte celular ser de natureza estocástica, e foram modelados como tal, o comportamento do sistema é altamente variável. No entanto, as tendências consistentes pode ser observado como ilustrado na Figura 2 B.

. Os três arranjos genéticos, em cromossomos diplóides simulado. medidas-chave de cada configuração são representados em diagramas vassoura. B. Aspectos de cada simulação, a partir do número total de células a diversidade genética são representados como linha de cor diferente, com a mediana como uma linha grossa, preta (calculado até uma das simulações chegou ao fim). O comportamento observado para a configuração do gene A é um uma homeostática. Configurações B e C apresentaram um comportamento over-proliferativa. Isto é devido à regulação genética cima e para baixo reflectida pela alteração no número médio de genes-chave ao longo do tempo. C. O número médio de Genes divisão. D. O número médio de Genes de apoptose. E. O número médio de Genes segregação. F. A diversidade genética, gostava de o número de genes de segregação, teve um efeito profundo sobre a diversidade genética, sendo maior na configuração C. As cores são puramente utilizada para distinguir corre e não denotam distribuição genética.

primeiro, Gene Distribuição a resultou em comportamento homeostático, em que o sistema como um todo reage a variações no número de células para manter o número total de células próximas de que a capacidade de carga do tecido (200 células). Como esperado, o enredo do número total de células através das simulações de Distribuição Um revelado crescente variabilidade na composição genética das células individuais ao longo do tempo como resultado do cromossomo mis-segregação induzida deriva genética; semelhante ao que pode ser visto em um tecido homeostático envelhecimento. Embora esta variação faz com que a análise estatística desafiador, uma invariante comportamento pode ser observada relativamente a cada configuração; melhor visualizado por parcelas vassoura na Figura 2 B. Neste caso, porque os genes captadas que modelam o papel dos oncogenes e genes supressores de tumores foram acoplados por estar situada no mesmo cromossoma, o equilíbrio entre morte e divisão foi mantida apesar da geração de novos genótipos emergiu através de cromossomos eventos mis-segregação. Significativamente, alguns dos genótipos mais bem sucedidos naturalmente adquirida mais resistência contra cromossómicas mis-segregação, através da aquisição de uma cópia extra do gene regulador cromossoma segregação (estado genótipo (2,2,3)), como pode ser visto na Figura 2 E. este tipo de cariótipo aneuplóide estável é encontrada em tecidos homeostáticos normais [24].

para Gene Distribuição B, a acumulação gradual do cromossomo eventos mis-segregação leva a um colapso no comportamento homeostático, dando origem a proliferação descontrolada ( A Figura 2 B). Uma vez que isto ocorreu, o número total de células aumentou exponencialmente, atingindo valores da ordem de milhares de um período muito curto de tempo. Esse tipo de comportamento over-proliferativa foi consistente em todas as simulações. Uma análise dos genótipos emergentes evoluíram da Distribuição do gene B, como pode ser visto na Figura 3 B, revelou que os genótipos aneuploides tais como (3,2,3) e (2,1,2) assumir a população. A partir destes genótipos aneuploides, inicialmente apenas ligeiramente diferente do original, os ramos da população fora para gerar variantes mais malignos geneticamente distintas, tais como (3,1,3) e (2,0,2). Diferentes tipos de genótipos de sucesso (e menos bem sucedidos) são evoluiu gradualmente. genótipos bem sucedidos têm as qualidades de ser resistentes à apoptose (baixo número de genes de apoptose, como visto na Figura 2, D) e sobre-proliferativa (aumento do número de genes de divisão, como pode ser visto na Figura 2 C). Nesta distribuição, no entanto, porque os genes que regulam a divisão são acoplados para aqueles que regulam a fidelidade durante a segregação (Figura 2E), há um freio aplicado para a geração subsequente de genótipos aneuploides com taxas de aumento de divisão. Como resultado, esta população de células aneuplóides manteve-se relativamente homogênea, uma vez células tinham adquirido as anomalias genéticas importantes que impulsionam o crescimento do tumor desregulamentado (Figura 2 F). Este tipo de evolução observada através de experiências sugere uma possível via para a oncogénese que está associado com aneuploidia estável [24]. Doenças como a leucemia, linfomas e alguns tumores mesenquimais que apresentam anormalidades específicas podem seguir um caminho semelhante [25].

A. Os arranjos de dois over-proliferativa genéticos, em cromossomos diplóides simulados, ea chave RGB no meio. Temos utilizado o modelo de cor RGB para descrever visualmente os diferentes genótipos que evoluem no sistema através da normalização da máxima observada Estado Genótipo (Veja Métodos, RGB-chave). Temos atribuída uma cor a cada um dos genes abstraídas: Vermelho para a divisão, verde para a morte e azul para a segregação. Ao comparar através de um sistema de RGB as cores atribuídas a um dado genótipo, que é capaz de dizer visualmente as proporções em que os genes são distribuídos, com valores de intensidade correspondente ao número de genes: (0,0,0) ser preto, o genótipo inicial (2, 2, 2) sendo cinzento escuro e o genótipo observadas máxima (5, 5, 5) estar branco. B. Representante Diagrama de mármore para uma simulação com o modelo. Esses diagramas exibir a porcentagem empilhado da diversidade genética através do tempo para uma simulação representativa de Gene configurações B e C em diferentes cenários. O início de terapias (ao atingir 1000 células) são marcadas com uma linha vertical preta, enquanto vezes recaída (ao atingir novamente 1.000 células) são marcadas com uma linha tracejada. C. Representante Diagrama de mármore para uma simulação de cirurgias. D. Representante Diagrama de mármore em uma simulação de quimioterapia. E. mármore representativas diagrama de uma combinação terapêutica da cirurgia seguida de quimioterapia.

Simulações do gene C Distribuição exibido sobre-proliferativa comportamento, semelhante ao do Gene Distribuição B (Figura 2 B). Em uma inspeção mais próxima, no entanto, diferenças significativas na dinâmica da evolução do câncer foram observados (Figura 3 B). Uma vez que os genes que regulam a morte estão geneticamente ligados a aqueles que regulam a segregação em Gene Distribuição C (Figura 2, D e A Figura 2E), a evolução do cancro foi acompanhada por um aumento na diversidade genética como a unidade perder reguladores da apoptose conduz a uma desregulação concomitante segregação de cromossomas (Figura 2 F), como no genótipo (3,1,1) e, em seguida, genótipo (3,0,0). Isto por sua vez conduz ao aparecimento de clones cada vez mais agressivas (4,0,0), (5,0,0) e (6,0,0), o que corresponde a um aumento de 3 vezes na taxa de proliferação celular (Figura 3 B). Isto serve como um modelo para o aparecimento de tumores heterogéneos, como os observados em situações clínicas, por exemplo, durante a característica progressão de tumores epiteliais neoplásicas [26] [27]. Estas simulações de Distribuição B e C mostram como os eventos do cromossomo mis-segregação pode conduzir a evolução do tumor, quebrando o equilíbrio regulamentar que mantém a homeostase do tecido normal.

Para testar os efeitos de genes que saem desvinculado, uma quarta distribuição genética foi investigada modificando o modelo para acomodar um terceiro cromossoma. Este sistema exibiu todos os três comportamentos obtidos anteriormente em simulações estocásticas: homeostase prolongada (como no Distribution A), o crescimento desregulado impulsionado pela perda de supressores de tumor (Distribuição B) ou pela ativação do oncogene (Distribuição C), também observamos três tipos de segregação cromossômica evento:-regulada (Distribuição B), sub-regulada (Distribuição C) e neutro. Este experimento de controle mostra como ligação entre genes serve para limitar os caminhos evolutivos comuns exibidos pelo sistema.

cromossomo segregação errada em Cancer Therapies

Nos pacientes, os tumores compostos por células que são cromossomicamente instáveis ​​têm sido associado a um mau prognóstico [28]. Nós, portanto, utilizados Gene Distribuições B e C (Figura 3 A) para determinar a eficácia relativa das diferentes estratégias de tratamento para lidar com a evolução do tumor, em condições de baixo e alto nível de instabilidade do genoma. Considerou-se a detecção do tumor iria ocorrer quando a população de células atingiu 1000. Do mesmo modo, considerou-se que o tumor recidivaram novamente quando se atingiu a marca 1000 de células após o tratamento (marcado como linhas verticais na Figura 3). Utilizando estas medidas, nós modelamos o resultado de diferentes tratamentos em tumores individuais (ou pacientes), para que pudéssemos comparar diretamente os resultados em cada caso, apesar da variabilidade esperada no curso do crescimento do tumor entre os diferentes simulações (tumores /pacientes). Os dados para uma experiência representativa para cada simulação são apresentados na Figura 3.

Cenário I: Tratamento Cirúrgico. A simulação da remoção do tumor foi implantado por reter os primeiros 100 células ligadas na lista encadeada e remover o resto do componente ligado de células 900 num único passo de tempo. Uma vez que o tumor surgiu rapidamente a partir de uma população homeostático de 200 células, a grande maioria destes representam células relacionadas com as células no tumor. Cenário II: Quimioterapia: Para simular os efeitos da quimioterapia, foi implementado um algoritmo que matou todas as células que tentaram divisão celular nos nove passos de tempo consecutivos após a detecção do tumor. Cenário III: Terapia combinada. Como em comum na clínica combinamos terapias através da implementação de cirurgia seguida de nove rodadas de quimioterapia.

A cirurgia foi modelado para espelhar a intervenção clínica. Assim, foi implementado quando a população de células rompeu o limite homeostática de 200 células, e cresceu para chegar a 1000 células. Neste ponto, a população é constituída por descendentes de muitas das células presentes na população inicial utilizada para semear a simulação, mas é dominado por um pequeno número de clones de células agressivas relacionadas mas geneticamente heterogéneas, como em cancros humanos [29] . A população de células inclui também posiciona-se para um estado pré-canceroso, que são o produto de um processo análogo ao campo de cancerização [30], que ocorre como células competem para espaço durante o curso de simulações. Estas células pré-cancerosas será provavelmente ser relacionados por linhagem para os sub-clones agressivos que constituem a maior parte do tumor. Nesta altura, 90% da população foi removido (Cenário I). Para implementar isso, células “adjacentes” foram removidos a partir da lista de células para imitar a remoção cirúrgica da massa tumoral. É importante notar que estas células tendem a ser relacionado por linhagem como o resultado da divisão celular, assim como a 10% de células que permanecem.

Quando, em seguida, examinada a recuperação após a terapia, mostrou resultados muito variáveis e dependem da natureza das células que sobreviveram (Figura 3 C e a Figura 4 a). Embora as vias evolutivas reais exibem um alto grau de variação entre simulações, uma experiência representativa para cada distribuição do gene capturado qualitativamente o tipo de via evolutiva que a maioria das simulações seguida, como mostrado na Figura 3 C. Após a cirurgia, uma média de 105 células eram esquerda (std. 4,50) para a distribuição de células B e 106 (std. 5,13) para a distribuição de C. no entanto, mais de 100 simulações o prognóstico foi significativamente melhor (p = 0,0499) para tumores com Gene B de distribuição, que exibem níveis relativamente baixos de cromossoma mis-segregação (tempo de recidiva foi de uma média de 35,22 passos de tempo e um desvio padrão de 8,33), em comparação com aqueles com Gene Distribuição C e altos níveis de cromossomo mis-segregação (com uma média de 32,84 e um desvio padrão de 8,70), como pode ser visto na Figura 4 A. Este comportamento foi devido em parte à maior probabilidade de uma população relativamente normal de células remanescentes depois da cirurgia a partir de uma população com baixa heterogeneidade genética em comparação com que a partir de uma população altamente heterogénea. Simulação de variabilidade simulação no caminho de recaídas foi determinada em parte pelo tipo de aberrações genéticas presentes na população remanescente após a cirurgia. Assim, as células remanescentes que sofreram uma perda de supressores tumorais não sobre-proliferam até que sofreu eventos mis-segregação adicionais, atrasar o período de tempo até recaída. Em contraste, por simulações em que sobre-proliferativa genótipos são os primeiros a sair, um subconjunto de células remanescentes após a cirurgia rapidamente voltar a crescer para romper o limite homeostático (inibição do crescimento de células vizinhas normais através da competição para o espaço) para formar um tumor. Assim, o tempo de recidiva em simulações é determinada, principalmente, pela carga oncogénica, que é mais elevada nas populações cromossomicamente instáveis.

Os histogramas corresponde a uma medida da distribuição dos tempos de recaída (o tempo que levou cada simulação para voltar a crescer em 1000 células após o tratamento) para 100 simulações de cada configuração gene em três cenários diferentes de terapia:. A. Cirurgia Cenário, B. a quimioterapia Cenário e C. a combinação de ambos os tratamentos (cirurgia seguida por quimioterapia)

em seguida, exploraram o papel da ligação genética no decurso de reincidência do tumor após cirurgia. Para esta análise, como uma medida dos tipos de lesão de condução a formação de tumores e recaída, comparou-se a relação entre o número médio de genes de apoptose para o número médio de Genes em simulações Division (mostrado na Figura 5 A). Quando este foi analisado em 25 intervalos de tempo após a cirurgia, ficou claro que o Gene Distribuição C tem uma taxa mais elevada de forma reprodutível de perda de Tumor Suppression aquisição e distribuição de Oncogene B. Isto pode ser visto mais claramente comparando por alterações na taxa do razão entre o número médio de genes de apoptose para o número médio de Genes Division após o tratamento (Figura 5 a), que tem um declive quase linear de -0,0067 (std. 0,0037) para a distribuição de C, o que é significativamente mais íngreme (p = 0.005E -1) do que a inclinação média de Distribuição B (inclinação -0,0049, std. 0,0030). Isso reflete a maior geração de mais novos genótipos malignas em simulações tipo C, onde a instabilidade cromossómica é elevado, em comparação com simulações de Distribuição B, onde aneuploidia é relativamente estável. Por sua vez, correlaciona-se com um pior prognóstico para os tumores geneticamente instáveis. Assim, nos nossos simulações, cirurgia actua como uma terapia de sucesso ou perder porque deixa as células que estão relacionados uns com os outros.

Estes gráficos mostram a tendência para reduzir o número de genes de apoptose e aumentando o número de genes divisão com relação ao tempo em diferentes cenários: Cenário A. Cirurgia, B. a quimioterapia Cenário e C. combinação de ambos os tratamentos (cirurgia seguida por quimioterapia). A linha escura é a mediana das amostras ea área sombreada representa a variância. As intervenções foram efectuadas no passo de tempo zero. As pistas relatados foram medidos tendo em conta 25 passos de tempo após cada terapia.

Depois de ter realizado uma análise dos efeitos da cirurgia, o próximo simulado quimioterapia no modelo (Cenário II). A quimioterapia foi implementado em rondas consecutivas, como feito na clínica usando um tratamento, tal como taxanos, para visar especificamente as células em divisão [31]. Esta terapia tende a remover as células de tumor que têm desregulada divisão, mas também tem como alvo células na população pré-cancerosas que desregulado e proliferação de células normais que ocorrem a dividir. Após a quimioterapia, uma média de 226.17 células (. Std 53,12) foram deixados de Distribuição B e 231,88 células para distribuição C. Estes números celulares refletem o mecanismo pelo qual os atos de quimioterapia (std 50.06.): Matar uma média de 15,76% da população Configuração de B (std. 0,47), e 16,3% da população de configuração C (std. 0,70) em cada etapa de tempo. Deste modo, o curso de tratamento acciona um decréscimo exponencial do número de células mortas.

Ao examinar o efeito de ligação genética na recuperação após a quimioterapia verificou-se que o tempo de recidiva foi novamente mais rápido para as populações de células com o gene distribuição C. Assim, Gene distribuição B recidivado, em média, 21.95 passos de tempo (std. 4,89), enquanto que os tumores recorrentes em Gene distribuição C a uma média de 18.30 passos de tempo (std. 3,42), como pode ser visto na Figura 4 B. Mais uma vez, esta diferença significativa (p = 0.003E-5) no tempo de recidiva pode ser atribuída a diferenças na diversidade genética entre as duas populações no momento do tratamento. Além disso, quando se mediu a taxa de aquisição de novas variantes que têm aumentado a carga oncogénico e um número reduzido de genes supressores de tumor (a razão entre o número médio de genes de apoptose para o número médio de Genes de divisão), houve uma diferença marcada e significativa (p = 0.004E-7) entre as simulações mais de 25 passos de tempo após a quimioterapia – uma inclinação média de -0,0048 para Distribuição B, e -0.0068, (std 0,0019.) de Distribuição C (como visto na Figura 5 (padrão 0,0016). B). Isto reflecte a presença de números mais elevados de células posiciona-se para um estado a seguir ao tratamento de pré-cancerosa em C. Distribuição

Finalmente, uma combinação das duas terapias (Cenário III) produziu um melhor prognóstico global para as duas distribuições de genes do que a cirurgia ou quimioterapia sozinha. Após esta terapia combinada houve, em média, 36,09 (std. 8.56), as células deixaram de Distribuição B e 36.29 (std. 7,99) células de C. Distribuição Mais uma vez, os resultados indicam que Gene Distribuição B ainda tem um prognóstico significativamente melhor (p = 0,008 ) do que Gene Distribuição C: Gene Distribuição B teve uma recaída média de 46,55 (std 10,06), enquanto Gene Distribuição C teve uma recaída média de 43,09 (std 9,44)… Estes resultados podem ser comparados entre cenários sob a forma de histogramas da Figura 4 C. Uma vez mais, o impacto geral de ligação genética sobre a evolução do tumor após o tratamento pode ser mais facilmente visualizado através da comparação da inclinação média da relação entre a apoptose e Divisão Os genes (Figura 5 C). Quando considerados os 25 passos de tempo após a terapia, este mudou de forma significativa (p = 0.005E-2): (. Std 0,0034) -0,0036 (. Std 0,0025) de Distribuição B e -0,0052 para Distribuição C.