Krooninen sairaus

tiivistelmä

Monet syövät ovat aneuploidi. Kuitenkin tarkkaa roolia, joka kromosomi epävakaus pelaa syövän kehittymistä ja vaste kasvainten hoitoon on yhä kiistelty. Täällä tutustua tähän kysymykseen teoreettisesti olemme kehittäneet agentti-pohjainen malli kudoksen homeostaasiin jossa testataan todennäköisiä vaikutuksia koko kromosomin mis-erottelun aikana syövän kehittymisen. Vuonna stokastinen simulaatioita, kromosomi mis-erottelu tapahtumista solun jakamisen vuoksi sukupolven monipuolinen väestö aneuploidi klooneja, jotka ajan mittaan näytteille hyperplastic kasvua. Merkittävää on, että kurssi syövän kehittyminen riippuu geneettisen kytkennän, kuten rakenne kromosomien kadonnut tai saatuja väärin erottelu tapahtumia ja taso geneettinen epävakaus toiminnon rinnakkain määrittää kehityskaari syövän kehittyminen. Tämän seurauksena simuloitu syöpiä eroavat taso geneettisen vakauden ja niiden kasvuvauhdin. Käytimme tätä järjestelmää tutkia seurauksia näiden erojen kasvaimen heterogeenisyys varten syöpälääkkeiden perustuu leikkaus ja antimitoottisena lääkkeiden valikoivasti tavoite jakautuvat solut. Kuten odotettua, simuloitu hoidot aiheuttaa ohimenevää viive kasvaimen kasvua, ja paljastaa merkittävän eron tehoa eri hoidon järjestelmien hoidettaessa geneettisesti vakaa ja epävakaa kasvaimia. Nämä tulokset tukevat kliiniset havainnot, joissa huono ennuste korreloi korkean kromosomin mis-erottelua. Kuitenkin stokastinen simulaatioiden rinnakkain myös näytteille monenlaisia ​​käyttäytymistä, ja vasteen yksittäisten simulaatioita (vastaa yhden kasvaimia) ja syövän hoitoon olla erittäin vaihteleva. Malli siis korostetaan vaikeuksia lopputuloksen ennustaminen tietyn anti-syövän hoidossa, jopa tapauksissa, joissa se on mahdollista määrittää genotyyppi koko joukon solujen kehittää kasvain.

Citation: Araujo A, Baum B, Bentley P (2013) The Role kromosomista Missegregation in Cancer Development: teoreettisesti käyttäen Agent-Based Modelling. 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, Alankomaat

vastaanotettu: 29 marraskuu 2012; Hyväksytty: 08 heinäkuu 2013; Julkaistu: 26 elokuu 2013

Copyright: © 2013 Araujo ym. 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: AA oli rahoittama CONACYT ja UCL monimutkainen. BB rahoittivat Cancer Research UK. 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

Solut monenlaisia ​​rakenteellisia ja numeeristen virheiden kromosomeissa löytyy monenlaisia ​​syöpiä. Ovatko nämä muutokset vaikuttavat suoraan kehittymiseen syöpä tai ovat vain sivutuote syövän itse on kuitenkin kysymys, joka on ymmällään syöpätutkijoita yli vuosisadan. Vaikka on olemassa vahvaa kokeellista näyttöä muutoksiin kromosomi kopioluku (aneuploidia) ja kromosomi mis-erottelu keskeinen rooli siinä, miten syöpä kehittyy [2], ei järjestävän periaatteita tai kirkas evoluution polkuja on perustettu. Siksi vaihtoehtoinen lähestymistapa on tutkia ongelmaa teoreettisesta näkökulmasta, käyttäen yksinkertaisia ​​laskennallisia malleja solujen käyttäytymistä ja solu-vuorovaikutuksiin tutkimaan homeostaasiin, sen säätelyhäiriötä aikana syövän etenemiseen ja sen hoitovastetta [3].

Laskennallinen mallinnus on viime aikoina tullut käytännöllinen lähestymistapa tutkimukseen tällaisten emergentin käyttäytymisen ja monimutkainen ilmiö [4]. Agent perustuvia malleja on käytetty menestyksekkäästi mallintaa monimutkaisia ​​löytyy ekologisen [5], taloudellinen [6] ja syöpä [7], [8]. Monimutkaisissa järjestelmissä, globaali käyttäytyminen ilmenee vuorovaikutuksia yksittäisten komponenttien, ja ei aina voida päätellä analyysi yksittäisten komponenttien eristäminen [9]. Sen sijaan kuitenkin, agentti perustuvia malleja voidaan käyttää määrittämään vaikutusten välisten vuorovaikutusten yksittäisten komponenttien käyttäytymistä koko järjestelmän [10]. Yksi tärkeimmistä eduista agentti mallinnus over yhtälö mallinnus tekniikoita on kyky tutkia emergenttejä käyttäytymistä, joka syntyy määritelty vuorovaikutukset osien monimutkaista järjestelmää [11]. Koska syövät koostuvat suuri määrä soluja erilaisia ​​genotyyppejä, jotka ovat vuorovaikutuksessa ilman keskitettyä ohjausta, agentti-mallinnus voi auttaa aistii järjestelmän käyttäytymistä yksittäisten solujen. Innoittamana tämäntyyppisen laskennallisesti mukautuva malli, olemme kehittäneet puitteet, joiden avulla voidaan analysoida roolia kromosomi epävakautta syövän etenemiseen ja tutkimaan vaikutuksia kromosomin mis-eriytymistä syöpähoitoihin. In silico kokeet suoritettiin sitten simuloida vuorovaikutusta kromosomin mis-erottelua ja syövän hoitojen; mukaan lukien vedenotto leikkauksen, fyysinen poistaminen syöpäkasvaimen, kemoterapia, hoito jossa yli-jakautuvat solut ovat kohdennettuja ja tapetaan; ja näiden kahden hoitoja. On selvää, simulaatioita, syöpiä epävakaa täydennys kromosomien on huonompi yleinen ennuste. Lisäksi kahden hoidon työn eri tavalla, jotta ne voivat yhdistää viivyttää aikana syövän etenemisen. Lopuksi analyysistä ilmenee vaikeuksia ennustaa aikana jokin syöpä tai sen vastauksen hoitointerventio.

Tulokset ja keskustelu

The Model

Vastatakseen onko kromosomi missegregation on tärkeä rooli kehittymisessä ja etenemisessä syövän olemme kehittäneet yksinkertaisen mallin kudoksen homeostaasiin, jossa tutkia syövän kehittyminen. Keskittää analyysi tähän huonosti ilmiö päätimme jättää muun tyyppisiä mutaatioita (esimerkiksi substituutiot, insertiot, deleetiot ja kromosomin translokaatiot). Tätä varten yksittäisten solujen mallinnettiin, jotka kumpikin on varustettu geneettisesti määritelty genomin, aineina, on laskennallinen simulointi (katso menetelmät). Sitten ovat kudoksen lineaarista yksittäisten solujen, joissa tytärsolut spatiaalisesti käyttöön vieressä emosolun alkuperän. Simuloitu kudos aluksi esiintyy homeostatic käyttäytyminen, seurauksena tasapainoinen hinnat solujen lisääntymisen ja solukuoleman. Tällainen käyttäytyminen mallinnettiin stokastisten prosessien säännellään geneettinen tasolla, perustuu ominaisuuksiin tunnettujen esikasvaintekijöiden ja tuumorisuppressorigeeneille [12]. Vaikka todellinen biologisissa järjestelmissä monia piirteitä solubiologian ovat polygenic, teimme yksinkertaistava oletus, että yksittäinen geeni hallitsee asetukseen tietyn käyttäytymisen, ja että vaikutus jokaisen geenin on verrannollinen kopiomäärä tietyn geenin löytyy genomin jokaisen solun, ehdottivat viimeaikaiset tutkimukset vaikutuksista eroista kromosomimäärän geenien ilmentymisen biologisissa järjestelmissä [13], [14]. Tämä yksinkertaistaminen on välttämättömyys, kun taas ihmisen geneettinen sääntelyverkon edelleen tuntematon. Lisäksi se on avain ymmärtää vaikutuksen missegregation vaikuttavista tapahtumista kromosomit, jotka sisältävät keskeiset geenit, kuten p53, Ras ja pRb [12]. Näin ollen, vaikka todellisuus on paljon monimutkaisempi, odotamme, että se on mahdollista tulevaisuudessa soveltaa oivalluksia saatu ratkaisemalla tämä perusongelma abstraktilla tavalla ihmisen syöpään. Todettuaan tämän mallin, meidän sitten käyttöön geeni abstraktio joka säätelee Fidelity solunjakautumisen aikana, jonka ansiosta voimme testata roolia kehittyvän kromosomi epävakauden syövän kehittymisessä ja hoidossa. Tällä tavoin voimme eristää vaikutuksia kromosomin epävakauden, tuumorisuppressoriproteiinia ja onkogeenin aktiivisuutta ja geneettisen kytkennän syövästä etenemiseen (katso kuva 1 A).

. Eri Gene Abstractions pantiin kromosomeja kolmessa eri kokoonpanoissa. Tämä johti erilaisia ​​yhteyksiä geenien. B. merkintää eri genotyyppejä, olemme käyttäneet seuraava avain: (Number of Division Genes, lukumäärä Death Genes, lukumäärä segregaatio Genes). Alkuperäinen Genotyyppi jokaisessa simulointi on diploidi genomin: (2,2,2). Jotta ymmärtää paremmin mittasuhteet geenien tietyn fenotyypin, olemme käyttäneet RGB mallia edustavat useita jako geenejä punaisina, kuolemantuomioiden geenejä vihreinä ja määrää segregaation geenien sininen Katso menetelmät, genotyyppi Key) .

Jokainen solu järjestelmässä on simuloitu genomi koostuu kolmesta eri geenejä. Apoptosis säätelygeenit ovat abstraktio tuumorisuppressorigeeneille kuten

p53

[15], jotka säätelevät solujen kuoleman, ja voimme mallintaa että kudos syrjäyttämisen johtaa vastaava kasvu määrä delaminaatio ja solukuoleman sisällä epiteelin ylläpitää homeostaasiin [16] [17]. Tasapainottamiseksi solukuolemaa, solunjakautumisen säätelygeenit tarjoavat abstraktio esikasvaintekijöiden kuten Ras [18], Myc [19] ja p110 PI3K [20] ja asiassa edistää solujen kasvua ja solusyklin etenemisen. Jälleen toiminta näiden geenien on herkkä ”homeostaattisina kapasiteetti” kudoksen voidakseen mallintaa prosessia tiedä kuin kontakti-inhibitio, joka rajoittaa soluproliferaatiota tungosta kudoksissa [17]. Näin ollen, yhdessä nämä tarkastukset varmistaa, että jos solujen lukumäärä ylittää homeostatic rajan, proliferaatio estyy ja todennäköisyys solukuoleman lisääntynyt, säilyttäen jatkuvasti solujen populaatiota lähellä homeostaattinen kapasiteetin simuloidun kudoksen.

lisäksi malli sisältää rajallinen määrä kromosomi mis-erottelua solunjakautumisen aikana, joka luo vaihtelua solupopulaation joukossa. Tämän tason geneettinen vaihtelu riippuu toiminnan kromosomi erottelu säätelygeenit, mikä malli säätelevien geenien uskollisuus solunjakautumisen kuten BUB1 [21] ja MAD2 [22], jotka vähentävät todennäköisyyttä kromosomin mis-erottelun solunjakautumisen. Alkuperäisen populaation soluja, joista kukin on kaksi identtistä kromosomien (diploidi genomi) ja 2 kopiota kromosomin erottelun geenin. Kun jakamalla, genomin jokaisen solun kahdennettu ja kaksi kromosomia sitten jaotella kahteen tytärsoluksi. Se on tässä vaiheessa, että kromosomi mis-erottelu tapahtumia voi esiintyä, jolloin epäsymmetrinen solunjakautumisen: yksi tytär solu ylimääräinen kromosomi, ja josta puuttuu samassa kromosomissa.

simulointi Kromosomi Missegregation

koska tarkka rooli, sijainti ja sidos avaimen säätelevien geenien solujen kasvun, kuoleman ja kromosomi erottelu oikean ihmisen kromosomeissa on tuntematon [23], tässä olemme myös tutkittu kuinka eroja jakelu geenien kromosomien vaikuttaa kehityksen järjestelmän kokonaisena. Tätä varten olemme asettaneet abstracted geenit kolmessa eri kromosomi kokoonpanoissa (kuva 1 A). Nämä ovat jakelu A, jossa apoptoosin säätelygeenit ja solun jakautuminen sääntelyyn geenit ”kytketty” samassa kromosomissa; jakelu B, jossa solu-divisioona säätelygeenit ja kromosomi erottelu säätelygeenit olla samassa kromosomissa; ja jakelu C, jossa geenit säätelevät apoptoosin ja kromosomi erottelu ovat geneettisesti sidoksissa. Alussa simulaatioiden kunkin solun sitten mallintaa diploidi, joka sisältää kaksi kopiota kromosomi (kuvio 1 A).

evoluution dynamiikka mallissamme määritetään sitten geenin ilmentyminen yksittäisten solujen ja maailmanlaajuinen ongelma, joka syntyy läpi solukuoleman lisääntymistä ja mis-erottelu ajan. Keskittyminen genotyyppejä syntyvien koko simulaatio, merkitään alkuperäiseen tilaan kuin (2, 2, 2): vastaa 2 toiminnallista kopiota kustakin geenistä (Division, Apoptosis ja segregaatio, vastaavasti kuten kuviosta 1 nähdään B). Syöpä kaltainen kasvu tullaan käymään jos määrä onkogeenien kasvaa ja /tai jos kaikki tuumorisuppressoreilla menetetään. Exploring kolme erilaista geeniä jakaumia, 100 simulaatioita tehtiin kunkin kokoonpanon (kuva 2 A). Koska tapauksia solunjakautumisen syntymä ja solukuolemaa odotetaan olevan stokastinen luonteeltaan, ja on mallinnettu sellaisenaan, käyttäytyminen järjestelmä on erittäin vaihteleva. Kuitenkin johdonmukainen suuntauksia voidaan havaita kuviossa 2 B.

. Kolme geneettinen järjestelyjä, simuloiduissa diploidi kromosomeja. Keskeiset mittaukset kunkin kokoonpanon ovat edustettuina Broom kaaviot. B. Aspects of kunkin simuloinnin, mistä kokonaismäärästä solujen geneettisen monimuotoisuuden ovat edustettuina rivi eri väriä, jossa mediaani paksuna, musta viiva (laskettuna kunnes yksi simulaatioiden päättyi). Käyttäytymistä havaittu Gene Kokoonpano A on homeostaattisesta yksi. Kokoonpanot B ja C näkyvät yli-proliferatiivinen käytös. Tämä johtuu geneettisestä ylös ja alas sääntely heijastuu muutos keskimäärin keskeisten geenien eri aikoina. C. keskimäärin Division Genes. D. keskimäärin Apoptosis Genes. E. keskimäärin Segregation Genes. F. geneettinen monimuotoisuus, halunnut määrä segregaatio geenejä, oli merkittävä vaikutus Genotyyppistä monimuotoisuutta, on suurin Configuration C. värit ovat puhtaasti käytetään erottamaan kulkee eivätkä tarkoittavat geneettinen jakeluun.

Ensinnäkin, Gene jakelumaan johti homeostatic käyttäytyminen, jossa järjestelmä kokonaisuudessaan vastaa vaihtelut solujen määrä säilyttää kokonaismäärä solujen lähellä, että kantokykyä kudoksen (200 solua). Kuten odotettua, juoni kokonaismäärästä solujen poikki simulaatiot jakelumaan paljasti yhä vaihtelua geneettisen meikkiä yksittäisten solujen ajan seurauksena kromosomin mis-erottelu aiheuttama geneettinen ajautuminen; samanlainen jota voidaan pitää ikääntyvässä homeostatic kudosta. Vaikka tämä vaihtelu tekee tilastollisen analyysin haastava, invariantti käyttäytymistä voidaan havaita kunkin kokoonpanon; parhaiten visualisoidaan luuta tontteja kuviossa 2 B. Tässä tapauksessa, koska abstracted geenejä, jotka mallintavat rooli onkogeenien ja tuumorisuppressorigeeneille kytkettiin olemalla sijaitsevat samassa kromosomissa, tasapaino kuoleman ja divisioona säilyi huolimatta sukupolven uusi genotyyppien ilmennyt kautta kromosomi mis-erottelua tapahtumia. Merkittävää on, jotkut enemmän onnistuneita genotyypit luonnollisesti hankittu lisää vastustuskykyä kromosomi mis-erottelu, hankkimalla ylimääräinen kopio kromosomi erottelu säätelygeenin (genotyyppi tila (2,2,3)), kuten kuvassa 2 E. tällainen vakaa aneuploidi karyotyyppi löytyy normaaleissa homeostatic kudoksissa [24].

Gene Distribution B, asteittainen kertyminen kromosomin mis-erottelua tapahtumia johtaa jaottelun homeostatic käyttäytymistä, joka aiheuttaa hallitsemattoman leviämisen ( kuva 2 B). Kun tämä on tapahtunut, solujen kokonaismäärä kasvoi eksponentiaalisesti, saavuttaa arvot suuruusluokkaa tuhansia hyvin lyhyessä ajassa. Tällainen yli-proliferatiivinen käytös oli yhdenmukainen simulaatioita. Analyysi emergentin genotyyppien kehittynyt Gene Distribution B, kuten kuviossa 3 B, osoitti, että aneuploidi genotyyppien kuten (3,2,3) ja (2,1,2) ottaa väestöstä. Näistä aneuploidi genotyypit, aluksi vain hieman erilainen kuin alkuperäinen, väestö oksat pois tuottaa enemmän pahanlaatuisia geneettisesti erilaista variantit, kuten (3,1,3) ja (2,0,2). Erilaiset onnistunut (ja vähemmän onnistuneesti) genotyypit vähitellen kehittynyt. Onnistunut genotyypit on ominaisuuksia ovat apoptoosin kestävä (pieni määrä apoptoosin geenejä, joita on nähty kuva 2 D) ja yli-proliferatiivinen (lisääntynyt määrä jako geenejä, joita on nähty kuva 2 C). Tämän jakelu, mutta koska geenit, jotka säätelevät jako on kytketty niihin, jotka säätelevät Fidelity erittymisen aikana (kuvio 2 E), on jarru myöhemmän sukupolven aneuploidi genotyyppien lisääntynyt jako hinnat. Tämän seurauksena tämä populaatio aneuploidi solujen pysyi suhteellisen homogeeninen kerran soluja oli hankkinut avain geneettisen poikkeavuudet ajo vapautettu kasvaimen kasvua (kuvio 2 F). Tällainen kehitys havaittiin kaikilla kokeissa ehdottaa mahdollista koulutusjakson onkogeneesiin, joka liittyy vakaa aneuploidian [24]. Taudit, kuten leukemia, lymfoomat ja jotkut mesenkymaaliset kasvaimet, joilla on erityisiä muutoksista saattavat seuraavan samanlaista uraa [25].

. Kaksi yli-proliferatiivinen geneettinen järjestelyistä ja simuloitu diploidinen kromosomeja, ja RGB avain keskellä. Olemme käyttäneet RGB-värimalli visuaalisesti kuvaamaan eri genotyyppejä, jotka kehittyvät järjestelmässä normalisoimalla suurimmat havaitut genotyyppi State (katso Methods, RGB Key). Olemme määritetty väri kuhunkin abstracted geenien: Red for jako, vihreä kuolemasta ja sininen eriytymistä. Vertaamalla kautta RGB-järjestelmän värit määritetty tietyn genotyypin, voimme kertoa visuaalisesti suhteet, joissa geenit jaetaan, jonka intensiteetti on arvot, jotka vastaavat geenien lukumäärä: (0,0,0) on musta, The alkuperäisen genotyyppi (2, 2, 2) on tumman harmaa ja suurimmat havaitut genotyyppi (5, 5, 5) on valkoinen. B. Edustavia Marble Kaavio varten simuloinnin Model. Nämä kaaviot näyttää pinottu prosenttiosuus geneettisen monimuotoisuuden eri aikoina edustavan simulointiin Gene kokoonpanot B ja C eri skenaarioissa. Alussa hoitomuotojen (päästessään 1000 solua) on merkitty mustalla pystysuora viiva, kun uusiutumisen kertaa (päästessään jälleen 1000 solua) on merkitty käyttämällä katkoviivalla. C. edustaja Marble Kaavio varten simulointi Surgery. D. edustaja Marble Kaavio varten simulointi Kemoterapia. E. edustaja Marble Kaavio hoidon yhdistelmän Surgery jälkeen kemoterapiaa.

Simulaatiot Gene Distribution C näytetään yli-proliferatiivinen käytös, samanlainen kuin Gene Distribution B (kuva 2 B). On lähemmässä tarkastelussa kuitenkin merkittäviä eroja dynamiikkaan syövän kehittyminen havaittiin (kuva 3 B). Koska geenit, jotka säätelevät kuolema ovat geneettisesti liittyvät niihin, jotka säätelevät eriytyminen Gene Distribution C (kuva 2 D ja kuvio 2 E), syöpä evoluutio seurasi kasvu genotyyppisen monimuotoisuutta ajaa menettää apoptoosisäätelijät johtaa samanaikaisen vapauttamisen kromosomin erottelu (kuvio 2 F), kuten genotyyppi (3,1,1) ja sitten genotyyppi (3,0,0). Tämä puolestaan ​​käyttää syntymistä yhä aggressiivisempia klooneja (4,0,0), (5,0,0) ja (6,0,0), joka vastaa 3-kertainen määrä soluproliferaation (kuvio 3 B). Tämä toimii mallina syntymistä heterogeeninen kasvaimia, kuten ne nähdään kliinisissä, esimerkiksi aikana neoplastisten etenemisen ominaispiirre kasvaimia [26] [27]. Nämä simulaatiot Jakelu B ja C osoittavat, miten kromosomi mis-erottelu tapahtumia voi ajaa kasvain evoluutio rikkomalla sääntelyn tasapaino, joka ylläpitää normaalia kudosta homeostaasin.

vaikutusten testaamiseksi jättää geenien linkittämättömän, neljäs geneettinen jakelu tutkittiin muuttamalla mallin sijoittaa kolmanteen kromosomi. Tämä järjestelmä osoitti kaikkien kolmen käyttäytymistä saatu aiemmin stokastisia simulaatioita: pitkäaikainen homeostaasiin (kuten Distribution A), säätelemätön kasvu vetämänä menetys tuumorisuppressoreilla (Distribution B) tai onkogeenin aktivaation (Distribution C), Havaitsimme myös kolme erilaista kromosomi erottelu tapahtuma: sääteli (Distribution B), alassäädetty (Distribution C) ja neutraaleja. Tämä valvonta koe osoittaa, kuinka kytkös geenit voidaan rajoittaa yhteisen evoluution polkuja näytteillä järjestelmän.

Kromosomi Missegregation Cancer Therapies

Potilailla, kasvaimet koostuvat soluista, jotka ovat kromosomiin epävakaita ovat olleet liittyy huonoon ennusteeseen [28]. Siksi käytetty Gene Jakaumat B ja C (kuva 3 A) määrittää suhteellinen tehokkuus eri hoitostrategioiden käsiteltäessä kasvaimen kehittyminen olosuhteissa matala ja korkea genomin epävakautta. Mietimme kasvain havaitseminen tapahtuisi, kun väestö saavutti 1000 solua. Samoin olemme katsoi, että kasvain oli uusiutunut, kun se saavutti jälleen 1000 solumerkintöänsä hoidon jälkeen (merkitty pystyviivat kuviossa 3). Käyttämällä näitä toimenpiteitä, olemme mallinnettu tuloksista eri hoitoja yhden kasvaimia (tai potilasta), jotta voisimme suoraan vertailla tuloksia kussakin tapauksessa, vaikka odotettu vaihtelevuus aikana kasvaimen kasvun eri simulaatiot (kasvaimia /potilasta). Tiedot edustavassa kokeessa kullekin simulointi on esitetty kuvassa 3.

Skenaario i: Kirurginen hoito. Simulointi Kasvaimen poisto toteutettiin säilyttämällä ensimmäisen 100 kytkettynä solujen linkitetyn listan ja poistamalla loput liitetyn komponentin 900 solujen kerta-askel. Koska kasvaimen nopeasti syntynyt homeostaattisesta populaation 200 solua, valtaosa näistä edustavat soluja, jotka liittyvät solujen kasvain. Skenaario II: Kemoterapia: Simuloida vaikutusten kemoterapiaa, toteutimme algoritmi, joka tappoi kaikki solut, jotka yrittivät solunjakautumisen yhdeksän kertaa peräkkäin vaiheet kasvaimen havaitsemiseen. Skenaario iii: Yhdistelmähoito. Kuten tavallista klinikalla yhdistimme hoitoja toteuttamalla leikkausta seuraa yhdeksän kierrosta kemoterapiaa.

Leikkaus mallinnettiin peili kliinisiä interventioita. Siten se toteutetaan, kun solujen populaatio on murtanut homeostaattiseen raja 200 solua ja kasvatettiin päästä 1000 solua. Tässä vaiheessa väestö koostuu jälkeläisiä monien solujen läsnä alkupopulaatiosta käytetään siemeniä simulaatio, mutta hallitsee pieni määrä liittyvien mutta geneettisesti heterogeeninen aggressiivinen solun klooneja, kuten ihmisen syövissä [29] . Väestön myös soluja valmis ennalta Syöpätilassa jotka ovat tulosta vastaavalla menetelmällä kentän cancerization [30] jota esiintyy solujen kilpailevat tilan aikana simulaatioita. Nämä syövän esiasteen solut todennäköisesti sukua linjaa aggressiivinen osa-klooneja, jotka muodostavat suurimman osan kasvain. Tässä vaiheessa 90% väestöstä poistettiin (tapaus i). Tämän toteuttamiseksi, jonka ”viereisen” solut poistettiin soluluettelo matkia kirurginen poisto kasvaimen suurin. On tärkeää huomata, että nämä solut ovat yleensä sukua linjaa seurauksena solunjakautumisen, samoin kuin 10% soluista, jotka pysyvät.

Kun tutkitaan sitten elpyminen hoidon jälkeen, tulokset ovat osoittautuneet erittäin vaihteleva ja riippui solujen luonteesta, jotka selvisivät (kuvio 3 C ja kuvio 4 A). Vaikka todellinen evoluution reitit omaavat korkean vaihtelua simulaatioita, edustavassa kokeessa kunkin geenin jakelua jää laadullisesti sellaista evoluutioreitin että useimmat simulaatiot seuraa, kuten on esitetty kuviossa 3 C. leikkauksen jälkeen oli keskimäärin 105 solua oli vasemmalle (std. 4.50) jaettavaksi B ja 106 solua (std. 5.13) jaettavaksi C. kuitenkin yli 100 simulaatioita ennuste oli merkitsevästi parempi (p = 0,0499) ja kasvainten Gene Distribution B, joilla on suhteellisen alhainen kromosomi mis-erottelu (uusiutumisen aika oli keskimäärin 35,22 kertaa vaiheet ja keskihajonta 8,33), verrattuna niihin, joilla Gene Distribution C ja korkea kromosomi mis-erottelu (keskiarvon ollessa 32,84 ja keskihajonta 8,70), kuten kuvassa 4 A. Tämä ongelma johtui osittain suurempi todennäköisyys suhteellisen normaali solupopulaatio jäljellä leikkauksen jälkeen populaatiosta alhainen geneettinen heterogeenisyys verrattuna koska jo hyvin heterogeeninen populaatio. Simulointi simulointi vaihtelua polku uusiutumisen määritettiin osittain sellainen geneettisten poikkeavuuksien läsnä populaatiossa jäljellä leikkauksen jälkeen. Siten jäljellä olevat solut, jotka oli kärsinyt menetyksen tuumorisuppressoreilla ei yli-lisääntyä kunnes sille on ylimääräinen mis-erottelu tapahtumia, viivyttämällä aikaa kunnes uusiutumisen. Sen sijaan, simulaatioita, joissa yli-proliferatiivinen genotyypit ovat ensimmäiset syntyä, solujen alijoukon, jäljellä leikkauksen jälkeen nopeasti uudelleen kasvaa murtaa homeostatic raja (kasvun estämiseksi normaalin naapurisolujen kautta kilpailu tilasta) muodostamaan kasvain. Siten uusiutumisen aikaa simulaatioita määräytyy ensisijaisesti jota onkogeenisel- kuorma, joka on suurempi kromosomikoodattujen epävakaita kantoja.

Pylväsdiagrammit vastaavat mitta jakautumisesta uusiutumisen kertaa (kulunut aika kukin simulointi kasvaa takaisin 1000 solua käsittelyn jälkeen) 100 simulaatioita kunkin geenin kokoonpanon kolmen eri terapia skenaariota: A. Surgery Skenaario, B. Kemoterapia Skenaario ja C. yhdistelmä hoitojen (Surgery jälkeen kemoterapiaa).

Seuraavaksi tutkimme rooli geneettisen kytkennän aikana kasvaimen uusiutumisen leikkauksen jälkeen. Tätä analyysiä varten mittana tyyppisiä vaurion ajo kasvaimen muodostumisen ja uusiutumisen, vertasimme suhde keskimäärin Apoptosis geenien keskimäärin Division geenien simulaatiot (esitetty kuviossa 5 A). Kun tämä analysoitiin 25 kertaa vaiheiden leikkauksen jälkeen, oli selvää, että Gene Jakautuminen C on toistettavasti suurempi häviämisrytmin Kasvainten tukahduttamiseksi ja Oncogene hankinta kuin Distribution B. Tämä voidaan nähdä selvimmin vertaamalla koron muutokset on suhde keskimäärin Apoptosis geenien keskimäärin Division Genes hoidon (kuvio 5 A), joka on lähellä lineaarinen kaltevuus -0,0067 (std. 0,0037) ja Distribution C, mikä on huomattavasti jyrkempi (p = 0.005E -1) kuin keskimääräinen kaltevuus Distribution B (rinne -0,0049, keskihajonta. 0,0030). Tämä heijastaa suurempaa sukupolven malignimpiin uusia genotyyppejä tyypin C simulaatioita, jossa kromosomi epävakaus on korkea verrattuna simulaatioita Distribution B, jossa aneuploidiaa on suhteellisen vakaa. Tämä puolestaan ​​korreloi huonompi ennuste geneettisesti epävakaa kasvaimia. Niinpä meidän simulaatioita, leikkaus toimii osuma-tai-miss terapiassa, koska se jättää solut, jotka liittyvät toisiinsa.

Kaavioissa taipumusta vähentää apoptoosin geenien ja määrän lisääminen jako geenit ajan suhteen eri skenaarioita: A. Surgery Skenaario, B. Kemoterapia Skenaario ja C. yhdistelmä hoitojen (Surgery jälkeen kemoterapiaa). Tumma viiva on mediaani näytteiden ja varjostama alue edustaa varianssi. Toimenpiteet tehtiin aikaan vaiheessa nolla. Raportoitiin rinteet mitattiin ottaen huomioon 25 kertaa vaiheiden jälkeen jokaisen hoidon.

Suoritettuaan analyysin leikkauksen vaikutuksia, me seuraavaksi simuloitu kemoterapiaa mallissa (skenaario ii). Kemoterapia toteutettiin peräkkäisellä kierroksella, kuten on tehty klinikalla käyttäen käsittely kuten taksaanien, nimenomaan kohdistaa jakautuvien solujen [31]. Tämä hoito on taipumus poistaa kasvaimen soluja, jotka ovat vapautettu jako, mutta kohdistuu myös soluja syöpää edeltävän väestöstä, jotka ovat vapautettu leviäminen ja normaaleja soluja, jotka sattuvat jakaa. Kemoterapian jälkeen keskimäärin 226,17 soluja (std. 53.12) jätettiin Jakelu B ja 231,88 (std. 50.06) solujen jakautuminen C. Nämä solujen määrä heijastaa mekanismi, jonka kemoterapia säädöksillä: tappaminen keskimäärin 15,76% väestöstä of Configuration B (std. 0,47), ja 16,3% väestöstä Configuration C (vakio. 0,70) kussakin vaiheessa. Tällä tavoin hoitokuurin ajaa räjähdysmäisesti väheneminen solujen tapettiin.

Kun tutkii kyseisten geneettisen kytkennän elpymiseen kemoterapian jälkeen huomasimme, että uusiutumisen aika oli jälleen nopeampi solupopulaatioiden Gene jakelu C. Siten Gene Distribution B uusiutunut keskimäärin 21.95 aikaan vaiheet (std. 4,89), kun taas kasvaimet uusiutui Gene Distribution C keskimäärin 18.30 aikaa vaiheiden (std. 3,42), kuten kuvassa 4 B. Jälleen tämä merkitsevä ero (p = 0.003E-5) relapsoineille ajoissa voidaan katsoa johtuvan eroista geneettisen monimuotoisuuden kahden populaatioiden aikaan hoidon. Lisäksi kun mittasimme määrä hankkia uusia variantteja, jotka ovat lisänneet onkogeeniset kuormitus ja pienempi määrä tuumorisuppressorigeeneille (suhde keskimäärin Apoptosis geenien keskimäärin Division Genes) oli merkitty ja merkittävä ero (p = 0.004E-7) välillä simulaatiot yli 25 kertaa vaiheiden kemoterapian jälkeen – keskimäärin kaltevuus -0,0048 (std. 0,0016) ja Distribution B, ja -0,0068, (std. 0,0019) ja Distribution C (kuten kuvassa 5 B). Tämä kuvastaa läsnäolo suurempi määrä soluja valmiina on syöpää edeltävä tila hoidon Distribution C.

Lopuksi näiden kahden yhdistelmä hoitoja (tapaus iii) tuotti yleistä parempaan ennusteeseen kahden geenin jakaumat kuin leikkaus tai kemoterapia yksinään. Tämän jälkeen yhdistettyä hoitoa oli keskimäärin 36,09 (std. 8,56) soluja lähti Jakelu B ja 36.29 (std. 7,99) soluja Distribution C. Jälleen tulokset osoittavat, että Gene Distribution B on edelleen huomattavasti parempi ennuste (p = 0,008 ) kuin Gene Jakelu C: Gene Distribution B oli keskimäärin uusiutumisen 46.55 (std. 10,06), kun taas Gene Distribution C oli keskimäärin uusiutumisen 43.09 (std. 9,44). Näitä tuloksia voidaan verrata koko skenaarioita muodossa histogrammien kuviossa 4 C. Jälleen kokonaisvaikutus geneettisen kytkennän kehittymisestä kasvain jälkeen hoito voidaan helpoimmin visualisoida vertaamalla keskimääräinen kaltevuus suhde Apoptosis ja Division geenit (kuvio 5 C). Kun pidetään 25 kertaa vaiheiden jälkeen hoidon, tämä siirtynyt merkittävästi (p = 0.005E-2): -0,0036 (std. 0,0025) ja Distribution B ja -0,0052 (std. 0,0034) ja Distribution C.