Abstract
Mange kreft er aneuploid. Imidlertid er den nøyaktige rollen som kromosom ustabilitet spiller i utviklingen av kreft og i responsen av svulster på behandlingen fortsatt heftig debattert. Her, for å utforske dette spørsmålet fra et teoretisk ståsted vi har utviklet en agent-basert modell av vev homeostase i å teste sannsynlige effekter av hele kromosom mis-segregering under kreftutvikling. I stokastiske simuleringer, kromosom mis-segregering hendelser på celledeling fører til dannelsen av en mangfoldig befolkning av aneuploide kloner som over tid vise hyperplastisk vekst. Betydelig, i løpet av kreft evolusjonen er avhengig av koplingsgruppe, som strukturen av kromosomer tapt eller vunnet gjennom mis-segregering hendelser og nivået av genetisk ustabilitet funksjon i tandem for å bestemme banen til kreftutvikling. Som et resultat av simulerte kreftformer avviker i deres nivå av genetisk stabilitet og i deres vekstrater. Vi brukte dette systemet for å undersøke konsekvensene av disse forskjellene i tumor heterogenitet for anti-kreft terapi basert på kirurgi og anti-mitotiske medikamenter som selektivt rettet mot prolifererende celler. Som forventet, simulerte behandlinger induserer en forbigående forsinkelse i tumorvekst, og viser en betydelig forskjell i effekten av forskjellige behandlingsregimer for behandling av genetisk stabile og ustabile tumorer. Disse data understøtter kliniske observasjoner i hvilken en dårlig prognose er korrelert med et høyt nivå av kromosom mis-segregering. Imidlertid stokastiske simuleringer parallelt også oppvise et bredt spekter av atferd, og responsen til den enkelte simuleringer (tilsvarende enkelt tumorer) til anti-kreftterapi vise seg å være svært variabelt. Modellen fremhever derfor vanskelighetene med å forutsi resultatet av en gitt anti-kreft-behandling, selv i tilfeller der det er mulig å bestemme genotypen til hele settet av celler i å utvikle tumor
Citation:. Araujo A, Baum B, Bentley P (2013) The Role of Kromosom Missegregation i Cancer Development: En teoretisk tilnærming ved hjelp Agent-basert modellering. PLoS ONE åtte (8): e72206. doi: 10,1371 /journal.pone.0072206
Redaktør: Roeland M H. Merks, Centrum Wiskunde Informatica (CWI) Nederland Institute for Systems Biology, Nederland
mottatt: 29 november 2012; Godkjent: 08.07.2013; Publisert: 26 august 2013
Copyright: © 2013 Araujo et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. AA var finansiert av CONACYT og UCL kompleks. BB ble finansiert av Cancer Research UK. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Celler med et bredt utvalg av strukturelle og numeriske defekter i kromosomer finnes i mange typer kreft. Hvorvidt disse endringene bidra direkte til utviklingen av kreft eller bare er et biprodukt av kreft seg selv, men er et spørsmål som har forundret kreftforskere i mer enn et århundre. Selv om det er sterke eksperimentelle bevis for endringer i kromosomkopiantall (Aneuploidy) og kromosom mis-segregering som spiller en sentral rolle i måten kreft utvikler seg [2], ikke er fastsatt organiserende prinsipper eller klare evolusjonære veier. Derfor er en alternativ tilnærming for å studere problemet fra et teoretisk synspunkt, ved hjelp av enkle beregningsmodeller for celleadferd og celle-celle-interaksjoner for å studere homeostase, dens feilregulering under progresjon av kreft og dens respons på behandling [3].
Computational modellering har nylig blitt en praktisk tilnærming til studiet av slike emergent atferd og komplekst fenomen [4]. Agentbaserte modeller har blitt anvendt med suksess for å modellere komplekse funnet i økologisk [5], økonomisk [6] og kreft systemer [7], [8]. I komplekse systemer, fremkommer global oppførsel fra interaksjoner av de individuelle komponentene, og kan ikke alltid utledes fra en analyse av de individuelle komponentene i isolasjon [9]. I stedet kan imidlertid agentbaserte modeller kan brukes for å bestemme effektene av interaksjon mellom de enkelte komponenter på oppførselen til systemet som en helhet [10]. En av de viktigste fordelene som tilbys av middel-baserte modellering spissen ligningsbasert modellering teknikker er evnen til å studere den utgående oppførsel som oppstår fra definerte vekselvirkninger mellom elementer av et komplekst system [11]. Fordi kreft er bygget opp et stort antall celler av ulike genotyper som samhandler uten sentralisert kontroll, kan agenten basert modellering hjelpe fange essensen av systemet fra oppførselen til individuelle celler. Inspirert av denne type beregnings medgjørlig modell, har vi utviklet et rammeverk som å analysere rollen kromosom ustabilitet i kreft progresjon, og for å undersøke effekten av kromosom mis-segregering i kreftbehandling. I silico forsøk ble så utført for å simulere samspillet mellom kromosom mis-segregering og kreftbehandling; inkludert abstraksjoner av kirurgi, fysisk fjerning av tumormasse, kjemoterapi, en behandling hvor over-prolifererende celler er målrettet og drept; og en kombinasjon av disse to behandlingene. Det er klart fra simuleringer som kreft med en ustabil bemanning av kromosomer har en dårligere samlet prognose. Videre er de to typene behandling arbeid på forskjellige måter slik at de kan bli kombinert for å ytterligere forsinke forløpet av kreft progresjon. Endelig analysen gjør klare vanskelighetene med å forutsi løpet av noen kreft eller sitt svar til terapeutisk intervensjon.
Diskusjon
The Model
For å ta om kromosom
Resultater og missegregation spiller en viktig rolle i utvikling og progresjon av kreft vi utviklet en enkel modell av vev homeostase for å studere utviklingen kreft. Å fokusere vår analyse på dette dårlig forstått fenomen vi valgte å se bort fra andre typer mutasjoner (som erstatninger, innsettinger, slettinger og kromosomtranslokasjoner). For dette ble individuelle celler modellert, hver utstyrt med en genetisk definerte genom, som midler i en beregnings simulering (se Metoder). Vi representerer da vevet som en lineær oppstilling av individuelle celler, hvor dattercellene er romlig innført i tilknytning til mor celle opprinnelse. Den simulerte vev innledningsvis oppviser homeostatisk oppførsel, som følge av balanserte forekomst av celleproliferasjon og celledød. Denne oppførselen ble modellert som stokastiske prosesser som er regulert på en genetisk nivå, basert på de kjente egenskapene til proto-onkogener og tumorsuppressorgener [12]. Mens i reelle biologiske systemer mange funksjoner i cellebiologi er polygenic, vi gjorde forenkle antagelsen om at et enkelt gen dominerer i forskriften en bestemt atferd, og at virkningen av hvert gen er proporsjonal med antall kopier av et gitt gen som finnes i genomet av hver celle, som foreslått av nyere studier på effekten av forskjeller i kromosom nummer på genuttrykk i biologiske systemer [13], [14]. Denne forenklingen er en nødvendighet, mens den menneskelige genetiske regulatoriske nettverk er fortsatt ukjent. I tillegg er det nøkkelen til å forstå virkningen av missegregation hendelser som påvirker kromosomene som inneholder nøkkelgener som for eksempel p53, Ras og pRb [12]. Således, mens virkeligheten er mye mer komplisert, forventer vi at det vil være mulig i fremtiden å bruke den innsikten som oppnås ved å ta opp dette grunnleggende problemet i en abstrakt måte til menneskelig kreft. Etter å ha etablert dette modellsystemet, vi introduserte et gen abstraksjon som regulerer troskap under celledeling, som gjør oss i stand til å teste rolle i utvikling kromosom ustabilitet i kreftutvikling og behandling. På denne måten kan vi isolere virkningene av kromosom ustabilitet, tumor suppressor og onkogen aktivitet og koplingsgruppe på progresjon av kreft (se figur 1 A).
A. De ulike Gene Abstraksjoner ble plassert i kromosomer i tre forskjellige konfigurasjoner. Dette førte til forskjellige typer koblinger mellom genene. B. For notasjon av ulike genotyper, har vi brukt følgende nøkkel: (Antall Division Genes, Antall of Death Genes, Antall Segregering gener). Den første Genotype i hver simulering er en diploid genom: (2,2,2). For bedre å forstå proporsjoner av genene i et gitt fenotype, har vi brukt RGB-modellen til å representere antall divisjon gener som rødt, antall døds gener som grønn og antall segregerings gener som Blue Se Metoder, Genotype Key) .
Hver celle i systemet har en simulert genom består av tre typer gener. Apoptose regulatoriske gener er en abstraksjon av tumorsuppressorgener som
p53 product: [15] som regulerer celledød, og gjør oss i stand til å modellere det faktum at vevet trengsel fører til en tilsvarende økning i frekvensen av delaminering og celledød innenfor et epitel for å opprettholde homeostase [16] [17]. For å balansere cellular død, celledeling regulatoriske gener gir en abstraksjon av proto-onkogener som Ras [18], Myc [19] og p110 PI3K [20] og handle for å fremme cellevekst og cellesyklusprogresjon. Igjen er virkningen av disse genene er følsom for «homeostatisk kapasitet» av vevet for å modellere prosessen kjent som kontakt-inhibering som begrenser celleproliferasjon i fylt vev [17]. Således, i kombinasjon disse kontrollene sikre at hvis antallet celler som overskrider den homeostatiske grense, er spredning hemmet og sannsynligheten for celledød øket, opprettholde en konstant populasjon av celler nær den homeostatiske kapasiteten av den simulerte vev.
i tillegg inneholder produktet en endelig hastighet på kromosom mis-segregering under celledeling, som genererer variasjon blant cellepopulasjonen. Dette nivået av genetisk variasjon avhenger av virknings av kromosom segregering regulatoriske gener, som modell gener som kontrollerer kvaliteten til celledeling som BUB1 [21] og MAD2 [22] som reduserer sannsynligheten for kromosom mis-segregering ved celledeling. I den første populasjon av celler, hver celle to sett med identiske kromosomer (en diploid genom) og 2 kopier av kromosom segregering genet. Ved fordeling, blir genomet til hver celle duplisert, og de to kromosomsett blir deretter separert i to datterceller. Det er i denne fasen at kromosom mis-segregering hendelser kan forekomme, noe som resulterer i asymmetrisk celledeling. En datter celle med et ekstra kromosom, og en mangler samme kromosom
Simulerer kromosom Missegregation
fordi den eksakte rolle, plassering og kobling av de viktigste genene som regulerer cellevekst, død og kromosom segregering i ekte menneskelige kromosomer fortsatt ukjent [23], her har vi også utforsket hvordan forskjeller i fordelingen av gener på kromosomene påvirker utviklingen av systemet som en helhet. For å gjøre dette, la vi de abstraherte gener i tre forskjellige kromosom konfigurasjoner (figur 1 A). Dette er fordelingen A, hvor apoptose regulatoriske gener og celle-divisjon regulatoriske gener er «koblet» i samme kromosom; fordeling B, hvor celledelte regulatoriske gener og kromosom segregering regulatoriske gener ligger på samme kromosom; og distribusjon C hvor gener som regulerer apoptose og kromosom segregering er genetisk knyttet. Ved starten av simuleringer hver celle ble deretter modellert som en diploid, som inneholder to kopier av hvert kromosom (figur 1 A).
genenes utvikling i vår modell blir deretter bestemt ved genekspresjon av de individuelle celler, og den globale atferd som fremkommer gjennom celledød, spredning og mis-segregering over tid. Med fokus på de genotyper som fremkommer i løpet av simuleringen, betegner vi den opprinnelige tilstand som (2, 2, 2) svarende til 2 funksjonelle kopier av hvert gen (Division, apoptose og Segregering, henholdsvis som vist i figur 1 B). Cancer-lignende vekst vil bli utført dersom antall onkogener øker og /eller hvis alle tumor suppressorer er tapt. Utforske de tre ulike gen-distribusjoner, ble 100 simuleringer utført for hver konfigurasjon (figur 2 A). Fordi forekomster av celledeling, fødsel og celledød er forventet å være stokastiske i natur, og er modellert som sådan, er virkemåten av systemet svært variabel. Ikke desto mindre kan konsistente tendenser observeres som illustrert i figur 2 B.
A. De tre genetiske ordninger, i simulerte diploide kromosomer. Viktige målinger av hver konfigurasjon er representert i Broom diagrammer. B. Aspekter ved hver simulering fra totale antall celler til genetisk diversitet er representert som linje av forskjellig farge, med en median som en tykk, svart linje (beregnet inntil en av simuleringene ble avsluttet). Oppførselen observert for Gene Konfigurasjon A er en homeostatisk en. Konfigurasjoner B og C vises en over-proliferative atferd. Dette er på grunn av den genetiske opp og ned regulering reflekteres av endringen i gjennomsnittlig antall nøkkelgener over tid. C. Gjennomsnittlig antall Division gener. D. Det gjennomsnittlige antall apoptose Genes. E. Gjennomsnittlig antall Segregering gener. F. Det genetiske mangfold, gjerne antall Segregering gener, hadde en dyp effekt på Genotype- mangfold, blir størst i Configuration C. Farger blir bare brukt til å skille går, og ikke betegne genetisk distribusjon.
Først, Gene Distribution A resulterte i homeostatisk oppførsel, der systemet som helhet svarer til svingninger i celletallet for å opprettholde det totale antall celler nær til den av bæreevnen til vevet (200 celler). Som forventet, handlingen av det totale antall celler på tvers av simuleringer av Distribution A avdekket økende variasjon i den genetiske make-up av individuelle celler over tid som følge av kromosom mis-segregering indusert genetisk drift; i likhet med det som kan sees i et aldrende homeostatisk vev. Selv om denne variasjonen gjør den statistiske analysen utfordrende, kan en invariant oppførsel observeres for hver konfigurasjon; beste visualisert ved hjelp av kost plottene på figur 2 B. I dette tilfelle, fordi de abstrahert gener som modellerer rollen til onkogener og tumorsuppressorgener ble koblet ved å være lokalisert på samme kromosom, ble balansen mellom død og divisjon opprettholdes til tross for generering av nye genotyper dukket opp gjennom kromosom mis-segregering hendelser. Betydelig, noen av de mer vellykkede genotypene naturlig ervervet mer motstand mot kromosom mis-segregering, gjennom oppkjøpet av en ekstra kopi av kromosom segregering regulatoriske gen (genotype tilstand (2,2,3)), som vist i figur 2 E. denne typen stabil aneuploid karyotype er funnet i normale homeostatiske vev [24].
for Gene Distribution B, den gradvise akkumulering av kromosom mis-segregering hendelser fører til et sammenbrudd i homeostatic atferd, som gir opphav til ukontrollert spredning ( figur 2 B). Når dette skjedde, økt total celle nummer eksponentielt, og nådde verdier av størrelsesorden flere tusen i en meget kort tidsperiode. Denne typen over-proliferativ oppførsel var konsistent på tvers av simuleringer. En analyse av emergent genotyper utviklet seg gjennom Gene Distribution B, som vist i figur 3 B, viste at aneuploide genotyper som (3,2,3) og (2,1,2) tar over befolkningen. Fra disse aneuploide genotyper, i utgangspunktet bare litt annerledes enn den opprinnelige, til de befolknings greiner ut generere mer ondartede genetisk forskjellige varianter som (3,1,3) og (2,0,2). Ulike typer vellykkede (og mindre vellykkede) genotyper er gradvis utviklet seg. Vellykket genotyper har kvalitetene til å være apoptose-resistente (lavt antall apoptose gener, som sett på figur 2 D) og over-proliferative (økt antall divisjon gener, som sett på figur 2 C). I denne fordeling, men fordi de gener som regulerer divisjon er koplet til de som regulerer gjengivelse i løpet av segregering (figur 2 E), er det en brems anvendt for den etterfølgende dannelse av aneuploide genotyper med økt divisjon priser. Som et resultat av denne populasjon av aneuploide celler forble forholdsvis homogen når cellene hadde fått de viktigste genetiske anomalier som driver deregulert tumorvekst (figur 2 F). Denne typen utviklingen observert i eksperimenter antyder en mulig vei for onkogenese som er forbundet med stabil Aneuploidy [24]. Sykdommer som leukemi, lymfomer og noen mesenchymale svulster som viser spesifikke misdannelser kan følge en lignende bane [25].
A. De to over-proliferativ genetiske ordninger, i simulerte diploide kromosomer, og RGB-tasten i midten. Vi har brukt RGB fargemodellen til visuelt å beskrive de ulike genotypene som utvikler seg i systemet ved å normalisere maksimal observert Genotype State (Se Metoder, RGB Key). Vi har tilordnet en farge til hver av de abstraherte gener: Red for divisjon, grønt for døden og blå for segregering. Ved å sammenligne via et RGB-system fargene som er tilordnet en bestemt genotype, er vi i stand til å fortelle visuelt proporsjonene hvor genene er distribuert, med intensitetsverdier svarende til antall gener: (0,0,0) er svart, er initial genotype (2, 2, 2) er mørke grå og den maksimale observerte genotype (5, 5, 5) er hvit. B. Representant Marble Diagram for en simulering med modellen. Disse diagrammene viser stablet andel av genetisk mangfold på tvers av tid for et representativt simulering av Gene konfigurasjoner B og C på tvers av ulike scenarier. Begynnelsen av terapi (når nå 1000 celler) er merket med en svart vertikal linje, mens tilbakefall ganger (når nå igjen 1000 celler) er merket ved hjelp av en stiplet linje. C. Representant Marble Diagram for en simulering av kirurgi. D. Representant Marble Diagram for en simulering av kjemoterapi. E. Representant Marble Diagram av en terapi kombinasjon av kirurgi etterfulgt av kjemoterapi.
Simuleringer av Gene Distribution C vises over-proliferative atferd, lik som Gene Distribution B (figur 2 B). Ved en nærmere ettersyn, men betydelige forskjeller i dynamikken i kreftutvikling ble observert (figur 3 B). Fordi de gener som regulerer døden er genetisk koblet til de som regulerer segregering i Gene Distribution C (figur 2 D og figur 2 E), ble kreftutvikling ledsaget av en økning i genotypisk diversitet som stasjonen for å miste apoptose regulatorer fører til en samtidig deregulering av kromosom segregering (figur 2 F), som i genotype (3,1,1) og deretter genotype (3,0,0). Dette i sin tur driver til fremveksten av stadig mer aggressive kloner (4,0,0), (5,0,0) og (6,0,0), noe som tilsvarer en 3-dobling i frekvensen av celledeling (figur 3 B). Dette fungerer som en modell for fremveksten av heterogene svulster, som de sett i kliniske settinger, for eksempel i løpet av neoplastiske progresjon karakteristisk for epiteltumorer [26] [27]. Disse simuleringene for Distribution B og C viser hvordan kromosom mis-segregering hendelser kan kjøre svulst evolusjon ved å bryte den regulatoriske balanse som ivaretar normalt vev homeostase.
For å teste effekten av forlater gener opphevet, ble en fjerde genetisk fordeling forsket ved å endre modellen for å få plass til en tredje kromosom. Dette systemet viste alle tre atferd tidligere oppnådd i stokastiske simuleringer: langvarig homeostase (som i Distribution A), uregulert vekst drevet av tap av tumorbeskyttelse (Distribution B) eller ved onkogen aktivering (Distribution C), Vi har også observert tre typer kromosom segregering event: oppregulert (Distribution B), nedregulert (Distribution C) og nøytral. Denne kontrollen eksperimentet viser hvordan sammenhengen mellom gener bidrar til å begrense de vanlige evolusjonære stier utstilt av systemet.
Kromosom Missegregation i Cancer Therapies
Hos pasienter, svulster består av celler som er kromosomer ustabil har vært assosiert med en dårlig prognose [28]. Vi brukte derfor Gene Utdeling B og C (figur 3 A) for å bestemme den relative effekten av ulike behandlingsstrategier i arbeidet med svulst evolusjon under forhold med lave og høye nivåer av genomet ustabilitet. Vi vurderte svulst deteksjon ville oppstå når befolkningen nådde 1000 celler. Av samme token, vurderte vi at svulsten hadde tilbakefall når det igjen er oppe på 1000 cellen mark etter behandling (merket som vertikale linjer i figur 3). Ved hjelp av disse tiltakene, modellert vi utfallet av ulike behandlinger på enkelt svulster (eller pasienter), slik at vi kan direkte sammenligne resultatene i hvert enkelt tilfelle, til tross for forventet variabilitet i løpet av tumorvekst mellom ulike simuleringer (svulster /pasienter). Data for et representativt eksperiment for hver simulering er vist i Figur 3.
Scenario i: Kirurgisk behandling. Simuleringen av tumorfjerning ble gjennomført ved å beholde de første 100 som er koblet celler i lenket liste og fjerne resten av den tilkoplede komponent av 900-celler i en enkelt tidstrinn. Siden svulsten raskt dukket opp fra en homeostatic befolkning på 200 celler, de aller fleste av disse representerer celler knyttet til celler i svulsten. Scenario II: Kjemoterapi: For å simulere effekten av cellegift, gjennomførte vi en algoritme som drepte alle de cellene som forsøkte celledeling i ni sammenhengende tidssteg følgende svulst deteksjon. Scenario III: Kombinasjon Therapy. Som i vanlig i klinikken vi kombinert terapi ved å gjennomføre kirurgi etterfulgt av ni runder med kjemoterapi.
Kirurgi ble modellert for å speile den kliniske inngrep. Det ble således gjennomført når populasjonen av celler som har brutt gjennom den homeostatiske grensen på 200 celler, og dyrkes for å oppnå 1000 celler. Ved dette punktet blir befolkningen består av etterkommere av mange av cellene som er tilstede i den opprinnelige populasjonen som grunnlag for simulering, men domineres av et lite antall av beslektede, men genetisk heterogene aggressive cellekloner, som i humane cancere [29] . Populasjonen omfatter også celler rustet i en premalign tilstand som er produktet av en prosess som er analog med felt cancerization [30] som oppstår som celler som konkurrerer om plassen i løpet av simuleringer. Disse pre-kreftceller blir sannsynligvis være relatert ved linjen til de aggressive sub-kloner som utgjør hoveddelen av tumoren. På dette tidspunktet var 90% av befolkningen fjernet (Scenario i). For å implementere dette, «tilstøtende» celler ble fjernet fra cellen listen for å etterligne kirurgisk fjerning av tumoren bulk. Det er viktig å merke seg at disse cellene har en tendens til å være relatert ved linjen som følge av celledeling, som gjør 10% av celler som gjenstår.
Når vi så undersøkt utvinning etter behandling, Resultatene viste seg å være svært variabel og avhengig av naturen til de cellene som overlevde (figur 3C og figur 4 A). Selv om de faktiske utviklingsveier oppviser en høy grad av variasjon på tvers av simuleringer, et representativt eksperiment for hvert gen fordeling fanges kvalitativt den type evolusjonære bane som de fleste av de simuleringer som følges, slik som vist i figur 3 C. Etter operasjonen et gjennomsnitt på 105 celler venstre (std. 4,50) for distribusjon B og 106 celler (std. 5.13) for distribusjon C. Men over 100 simuleringer prognosen var signifikant bedre (p = 0,0499) for svulster med Gene Distribution B, som viser relativt lave nivåer av kromosom mis-segregering (tilbakefall tid var et gjennomsnitt på 35.22 tidstrinn og et standardavvik på 8,33), sammenlignet med de med Gene Distribution C, og høye nivåer av kromosom mis-segregering (med et gjennomsnitt på 32,84 og et standardavvik på 8,70), som vist i figur 4 A. Denne oppførselen skyldes delvis det større sannsynlighet for en forholdsvis normal populasjon av celler gjenværende etter operasjonen fra en populasjon med lav genetisk heterogenitet i forhold til den fra en svært heterogen populasjon. Simulering til simulering variasjon i banen til tilbakefall ble bestemt delvis av den type genetiske avvik som finnes i befolkningen gjenværende etter operasjonen. Dermed vil de resterende celler som hadde lidd et tap av tumordempere ikke over-sprer før de gjennomgikk flere mis-segregerings hendelser, forsinke tid til tilbakefall. I motsetning til dette, for simuleringer der over-proliferative genotyper er den første til å dukke opp, en undergruppe av celler gjenværende etter operasjonen raskt re-vekst for å bryte gjennom den homeostatiske Grense (inhibering av veksten av normale naboceller gjennom konkurranse om plassen) for å danne en svulst. Dermed er tilbakefall tid i simuleringer bestemmes først og fremst ved den oncogene lasten, noe som er høyere i kromosomalt ustabile populasjonene.
Histogrammene svarer til et mål for fordelingen av de tilbakefall tider (tiden det tok hver simulering til å vokse tilbake til 1000 celler etter behandling) for 100 simuleringer av hvert gen konfigurasjon under tre forskjellige terapi scenarier. A. Surgery Scenario, B. Kjemoterapi Scenario og C. kombinasjon av begge behandlingene (kirurgi etterfulgt av kjemoterapi)
Neste vi utforsket rollen koplingsgruppe i løpet av svulst tilbakefall etter operasjonen. For denne analysen, som et mål av den type lesjon kjøretumordannelse og tilbakefall, sammenlignet vi forholdet mellom det gjennomsnittlige antall av apoptose Genes til det gjennomsnittlige antall Division Genes i simuleringer (vist i figur 5 A). Når dette ble analysert i de 25 tidssteg etter operasjonen, var det klart at Gene Distribusjon C har et reproduserbart høyere rate av tap av Tumor Suppression og Oncogene oppkjøp enn Distribution B. Dette kan ses tydeligst ved å sammenligne endringer i frekvensen av forholdet mellom gjennomsnittlig antall apoptose gener til gjennomsnittlig antall Division Gener etter behandling (figur 5 A), som har en nær lineær skråningen av -0,0067 (std. 0,0037) for distribusjon C, noe som er betydelig brattere (p = 0.005E -1) enn gjennomsnittet skråningen for Distribution B (helling -0,0049, std. 0,0030). Dette gjenspeiler større generering av flere ondartede nye genotyper i type C simuleringer, hvor kromosomal ustabilitet er høy, sammenlignet med simuleringer for distribusjon B, hvor Aneuploidy er forholdsvis stabil. Dette i sin tur korrelerer med en dårligere prognose for de genetisk ustabile svulster. Således, i våre simuleringer, fungerer kirurgi som et treff-eller-miss terapi fordi det etterlater celler som er relatert til hverandre.
Disse grafene viser tendens til å redusere antall apoptose gener og å øke antallet divisjon gener med hensyn til tid på tvers av ulike scenarier: A. Surgery scenariet B. Kjemoterapi scenario og C. Kombinasjon av begge behandlingene (kirurgi etterfulgt av kjemoterapi). Den mørke linjen er medianen av prøvene og skygget området representerer variansen. Intervensjoner ble utført ved tidstrinn null. De rapporterte bakkene ble målt tar hensyn til 25 tidssteg etter hver behandling.
Etter å ha gjennomført en analyse av effekten av kirurgi, vi neste simulert kjemoterapi i modellen (Scenario ii). Kjemoterapi ble implementert i påfølgende runder, som gjøres i klinikken ved hjelp av en behandling som taxaner, spesifikt mot dele celler [31]. Denne behandlingen har en tendens til å fjerne celler i svulsten som har deregulert divisjon, men også mål celler i pre-cancerous befolkningen som har deregulert spredning og normale celler som måtte dele. Etter kjemoterapi, ble i gjennomsnitt 226.17 celler (. Std 53.12) forlot for Distribution B og 231,88 celler for Distribution C. Disse celle tallene gjenspeiler den mekanismen som kjemoterapi handlinger (std 50.06.): Drepe et gjennomsnitt på 15,76% av befolkningen av konfigurasjon B (std. 0,47), og 16,3% av befolkningen i Configuration C (std. 0,70) på hver gang trinn. På denne måte kan løpet av behandlingen driver en eksponentiell reduksjon i antall celler drept.
Ved undersøkelse av virkningen av koplingsgruppe på gjenvinningen etter kjemoterapi, har vi funnet at tilbakefall tiden var igjen raskere for cellepopulasjoner med Gene fordeling C. Således Gene fordeling B tilbakefall i snitt 21.95 tidssteg (std. 4.89), mens tumorer recurred i Gene fordeling C ved et gjennomsnitt på 18.30 tidssteg (std. 3,42), som sett i figur 4 B. igjen dette signifikant forskjell (p = 0.003E-5) i tilbakefall tid kunne tilskrives forskjeller i genetisk diversitet mellom de to populasjonene på tidspunktet for behandlingen. Dessuten, når vi målte frekvensen av anskaffelse av nye varianter som har økt onkogene belastning og et redusert antall tumorsuppressorgener (forholdet mellom gjennomsnittlig antall apoptose Gener til gjennomsnittlig antall Division Gener) var det en markant og vesentlig forskjell (p = 0.004E-7) mellom simuleringer over 25 tidssteg etter kjemoterapi – en gjennomsnittlig helling på -0,0048 for distribusjon B, og -0.0068, (std 0,0019.) for distribusjon C (som vist i figur 5 (std 0,0016.) B). Dette gjenspeiler tilstedeværelsen av høyere antall celler rustet i en premalign tilstand etter behandling i Distribution C.
Til slutt, en kombinasjon av de to behandlinger (Scenario iii) ga en samlet bedre prognose for de to genet fordelinger enn kirurgi eller kjemoterapi alene. Etter denne kombinerte behandlingen var det i gjennomsnitt 36,09 (std. 8.56) celler til venstre for distribusjon B og 36.29 (std. 7.99) celler for Distribution C. Igjen, tyder resultatene på at Gene Distribusjon B fortsatt har en betydelig bedre prognose (p = 0,008 ) enn Gene Distribusjon C: Gene Distribution B hadde en gjennomsnittlig tilbakefall av 46.55 (std 10,06), mens Gene Distribution C hadde en gjennomsnittlig tilbakefall av 43.09 (std 9,44)… Disse resultatene kan sammenlignes på tvers scenarier i form av histogrammer i fig 4 C. Igjen er den samlede effekten av koplingsgruppe på utviklingen av tumoren etter behandling kan lettest visualisert ved å sammenligne den gjennomsnittlige helning av forholdet mellom apoptose og divisjon gener (figur 5 C). Når vi har vurdert de 25 tidssteg etter behandlingen, dette skiftet signifikant (p = 0.005E-2): (. Std 0,0034) -0,0036 (. Std 0,0025) for distribusjon B og -0,0052 for distribusjon C.
