Προσομοίωση της λειτουργίας βιολογικών συστημάτων και της εξέλιξης καρκινικών όγκων με τη χρήση υπολογιστικών μεθόδων πολλαπλής κλίμακας

Abstract

In order to understand complex biological systems such as a cell or a tissue, it’s not enough to isolate and examine individual components of the system such as a number of cells. It is necessary to understand the interactions between the components and the corresponding signaling paths.The modeling of biological systems allows us to understand how complex cell processes work and how the individual parts of the system are interconnected. In the construction of a model of a biological system dominant role is played by the identification process.The identification process is based on three key points. The excitation of the system in an appropriate manner, the measurement of the system response to the stimulation injected and finally the identification of the relationship between stimulus and response data. Cancer is a complex disease and the modeling of individual processes that characterize the creation and development of cancerous tumors is the focus of research interest for several years. One of the most important features is the characteristic of metastasis.Metastasis is the detachment of cancer cells from the original position where the primary tumor is, the transport and installation in a new location. There are a number of mechanisms that are involved in the process of metastasis. One of the mechanisms believed to be involved in the metastasis process is the epithelial to mesenchymal transition (EMT). The EMT is a process which leads the epithelial cells to lose their capacity of adherence between them (cell to cell adhesion) and acquire migratory properties. In the EMT process a number of signaling pathways such as Tgf-b, Wnt, NF-kB and Notch are involved. The gene network that is involved in the EMT process through the Tgf-b signaling pathway is one that presents intense research interest and was the one that was selected for modeling.In the gene network identification effort, data from microarrays (Microarray data) which are available to the public via the database Gene Expression Omnibus were used. The algorithm which was selected for network identification is the Time Series Network Identification (TSNI) algorithm. The TSNI algorithm was chosen due to several reasons. The main reason is the fact that it supports the data which evolve with time (time-series data). Also its linear nature played an important role and helped us focus on the parameters of the excitation-response data and not on details of nonlinear nature.Gene regulation is a process that takes place at multiple time, functional levels and scale levels. The gene regulatory network modeling is trying to integrate the interdependencies that exist between the network components.Afterwards there was an attempt to evaluate the identification process of gene networks based on microarray data. A comparison was made between the identification process of a biological system such as the one that uses microarray data and the identification process as described, in general, in systems theory. In this way the parameters that play a key role in the performance of the identification algorithm were revealed and the constraints imposed by data from microarrays were highlighted. The parameters that were examined are the following: The networks size (total number of genes), the time separation of directly triggered genes, the percentage of directly triggered genes, the network sparseness, the additive noise on the inference data and the use of noise as triggering function. Extensive simulations were made for various values of the important parameters. The way which each parameter affects the process of identification of the gene network was made clear.

Για την κατανόηση πολύπλοκων βιολογικών συστημάτων όπως είναι ένα κύτταρο ή ένας ιστός, δεν είναι αρκετό να απομονώσουμε και να εξετάσουμε επιμέρους δομικά στοιχεία του συστήματος όπως για παράδειγμα ένα αριθμό μορίων. Είναι απαραίτητο να κατανοήσουμε τις αλληλεπιδράσεις μεταξύ των δομικών στοιχείων και των αντίστοιχων μονοπατιών σηματοδοσίας. Η μοντελοποίηση βιολογικών συστημάτων μας επιτρέπει να κατανοήσουμε πως πολύπλοκες κυτταρικές διαδικασίες λειτουργούν και πως επιμέρους τμήματα του συστήματος συνδέονται μεταξύ τους. Στην κατασκευή του μοντέλου ενός βιολογικού συστήματος κυρίαρχο ρόλο παίζει η διαδικασία της ταυτοποίησης. Η διαδικασία της ταυτοποίησης βασίζεται σε τρία σημεία. Στην διέγερση του συστήματος με κατάλληλο τρόπο, στη μέτρηση της απόκρισης του συστήματος στην διέγερση που προκαλέσαμε και τελικά στην αποτύπωση της σχέσης που υπάρχει ανάμεσα στα δεδομένα διέγερσης και απόκρισης. Ο καρκίνος είναι μια πολύπλοκη ασθένεια και η μοντελοποίηση επιμέρους διεργασιών που χαρακτηρίζουν την δημιουργία και εξέλιξη καρκινικών όγκων βρίσκεται στο επίκεντρο του ερευνητικού ενδιαφέροντος εδώ και αρκετά χρόνια. Ένα από τα σημαντικότερα χαρακτηριστικά είναι το χαρακτηριστικό της μετάστασης. Η μετάσταση είναι η απόσπαση καρκινικών κυττάρων από την αρχική τους θέση όπου βρίσκεται ο πρωτογενής όγκος, η μεταφορά τους και η εγκατάστασή τους σε μια νέα θέση. Υπάρχει ένας αριθμός μηχανισμών οι οποίοι εμπλέκονται στην διαδικασία της μετάστασης. Ένας από αυτούς είναι η επιθηλιακή προς μεσεγχυματική μετάβαση (epithelial-mesenchymal transition, EMT). Η επιθηλιακή προς μεσεγχυματική μετάβαση είναι μια διαδικασία η οποία οδηγεί τα επιθηλιακά κύτταρα στο να χάσουν την ιδιότητα της προσκόλλησης μεταξύ τους (cell to cell adhesion) και να αποκτήσουν μεταναστευτικές ιδιότητες. Στην διαδικασία ΕΜΤ εμπλέκεται ένας αριθμός μονοπατιών σηματοδοσίας όπως τα Tgf-b, Wnt, NF-kB , Notch. Το γονιδιακό δίκτυο το οποίο εμπλέκεται στην ΕΜΤ διαδικασία μέσω του Tgf-b μονοπατιού σηματοδοσίας είναι αυτό που παρουσιάζει εντονότερο ερευνητικό ενδιαφέρων και είναι αυτό που επιλέχτηκε για μοντελοποίηση. Στην προσπάθεια ταυτοποίησης του γονιδιακού δικτύου χρησιμοποιήθηκαν δεδομένα από μικροσυστοιχίες (Microarray data) τα οποία είναι διαθέσιμα στο κοινό μέσω της βάσης δεδομένων Gene Expression Omnibus. Ο αλγόριθμος ο οποίος επιλέχθηκε για την ταυτοποίησης του δικτύου είναι ο αλγόριθμος Time Series Network Identification (TSNI). Ο αλγόριθμος TSNI επιλέχθηκε για διάφορους λόγους. Ο βασικότερος λόγος είναι η υποστήριξη του σε δεδομένα που εξελίσσονται με τον χρόνο (time-series data). Επίσης σημαντικό ρόλο έπαιξε και η γραμμική του φύση η οποία μας βοηθά να επικεντρωθούμε στις παραμέτρους των δεδομένων διέγερσης-απόκρισης και όχι σε λεπτομέρειες μη γραμμικής φύσης.Η γονιδιακή ρύθμιση είναι μια διαδικασία που λαμβάνει μέρος σε πολλαπλά χρονικά, λειτουργικά επίπεδα και επίπεδα κλίμακας. Η μοντελοποίηση ενός γονιδιακού ρυθμιστικού δικτύου προσπαθεί να ενσωματώσει τις αλληλεξαρτήσεις που υπάρχουν ανάμεσα στα δομικά στοιχεία του δικτύου.Στην συνέχεια έγινε μια προσπάθεια αξιολόγησης της διαδικασίας ταυτοποίησης των γονιδιακών δικτύων με την χρήση δεδομένων από μικροσυστοιχίες. Έγινε μια σύγκριση της διαδικασίας ταυτοποίησης ενός βιολογικού συστήματος όπως αυτή πραγματοποιείται όταν χρησιμοποιούνται δεδομένα μικροσυστοιχιών, με την ταυτοποίηση όπως αυτή περιγράφεται γενικότερα στην θεωρία συστημάτων. Με αυτό τον τρόπο έγινε ανάδειξη των παραμέτρων που παίζουν κομβικό ρόλο στην απόδοση του αλγορίθμου ταυτοποίησης και των περιορισμών που επιβάλουν τα δεδομένα από μικροσυστοιχίες. Οι παράμετροι που εξετάστηκαν είναι το μέγεθος του δικτύου (συνολικός αριθμός γονιδίων), ο χρονικός διαχωρισμός των διεγέρσεων που εφαρμόζονται στα άμεσα διεγερμένα γονίδια, το ποσοστό των άμεσα διεγερμένων γονιδίων, η πυκνότητα του δικτύου, ο προσθετικός θόρυβος στα δεδομένα και ο θόρυβος ως συνάρτηση διέγερσης. Έγιναν εκτεταμένες προσομοιώσεις για διάφορες τιμές των σημαντικών παραμέτρων και αναδείχτηκε ο τρόπος με τον οποίο επηρεάζει η κάθε παράμετρος την διαδικασία της ταυτοποίησης του γονιδιακού δικτύου.