Informatiker an der Carnegie Mellon University, die Zusammenarbeit mit High-Throughput- Daten erzeugt Brustkrebs Biologen Lawrence Berkeley National Laboratory haben ein Rechenverfahren , um festzustellen , wie Gen -Netzwerke werden neu verdrahtet als normale Brustzellen verwandeln bösartige und wie sie für potenzielle Krebstherapie Mitteln reagieren entwickelt .
Diese Methode für die Analyse , wie Gene miteinander interagieren im Labor gezüchteten Zellen in einem von der Online-Zeitschrift PLoS Computational Biology veröffentlichten Bericht beschrieben .
Das Verfahren könnte neue Erkenntnisse über Krebs zu leisten sowie die vielversprechendsten molekulare Targets für die medikamentöse Therapie . In ihrer Studie , zum Beispiel, konnten die Forscher zeigen, wie Veränderungen in diesen Gen-Netzwerke geführt Brustkrebszellen , um den Widerstand zu entwickeln, die verschiedene Wirkstoffe als Arzneimittel zur gezielten Therapie ausgewertet.
" Mit unserem System würde pharmazeutischen Entwickler nicht brauchen, um zu teuren klinischen Studien gehen, um zu entdecken , dass ein Medikament ist nicht zur Arbeit gehen ", sagte Wei Wu, Associate Research Professor in CMU Lane Center for Computational Biology . "Es könnte sie retten eine enorme Menge an Geld und eine enorme Menge an Zeit."
Der Ansatz kann auch verwendet werden, um Unterschiede in der Genregulation zwischen Individuen zu erkennen , helfen Ärzten wählen, welche Behandlung am effektivsten für jeden Patienten werden , fügte sie hinzu .
Wu und Eric P. Xing , Associate Professor für maschinelles Lernen, arbeitete mit Mina Bissell , einem renommierten Brustkrebs Forscher an der Berkeley Lab , zu untersuchen, ob deutlich unterschiedliche Genregulationsnetzwerken konnte innerhalb von Zellen identifiziert werden , wie normale Zellen bösartiger und als bösartig werden Zellen reagieren auf verschiedene medikamentöse Behandlungen . Die Forscher untersuchten diese Brustkrebszellen mit Hilfe eines 3D- Zellkultur- Technik, die von Bissell Labor entwickelt.
Diese Netzwerke können basierend auf Mikroarrays , das die Expressionsniveaus von Zehntausenden von Genen in einer Zelle zu messen entnehmen. Aber die Zahl der Mikroarrays , die Ermittler kann sich leisten, für jede Zelle Zustand laufen - normale Zellen , Tumorzellen und Tumorzellen , die normal aussehende Zellen, die auch in der Regel organisiert zurückgekehrt sind - ist begrenzt. So Forscher oft Pool Microarray- Daten aus mehreren Zellzustände , in der Hoffnung zu gewinnen genug Proben , zuverlässige Schlussfolgerungen über Netzwerke zu ziehen , sagte Wu .
Dieser Ansatz würde nicht in einer Studie, die zwischen den verschiedenen Zellzuständenzu unterscheiden suchte Arbeit . Aber Xing Forschungsgruppe hatte eine rechnerische Methode namens Treegl , das mehrere Netzwerke erkennen kann durch die Untersuchung der Beziehungen zwischen den Zelltypen entwickelt. Die Methode Pools Microarray-Daten , um statistische Aussagekraft in ähnlichen Proben , bei denen die Genregulationsnetzwerken ähnlich erscheinen wobei auch die Unterschiede berücksichtigen zu bauen.
Auf diese Weise konnten die Forscher auf unterschiedliche Signalnetzwerke mit nur drei Mikroarrays für jede der fünf Zellzustände zu identifizieren - normal , bösartige und drei Arten von Zellen rückgängig gemacht .
Obwohl die Zellen zurück sah in Kultur körperlich normal, sagte Wu ihre Signalwege unterschieden sich nicht nur von den Tumorzellen , sondern auch die normalen Zellen . Tatsächlich hatte jede deutlich unterschiedliche Signalwege abhängig davon, welche Wirkstoff verwendet worden war, um sie zu behandeln , wie jeweils für die Wirkungen der Medikamente auf verschiedene Weise kompensiert.
Im Fall von Zellen, die mit MMP-Inhibitoren behandelt worden waren , konnten die Forscher sehen, wie die neu verkabelt Signalwege hatte Ausgleichs Signalisierung , die dazu führen würde sie , um das Medikament zu wider erstellt - eine Wirkung, die erklären würde, warum Krebspatienten unter MMP-Inhibitoren in klinischen Studien zeigen, entweder schlechten Überlebensraten oder gar keine Überlebensvorteil , sagte Wu .
Wu sagte, auch mit diesem Ansatz für die Untersuchung von Krebszellen , sollte es möglich sein, Medikamente, die vielversprechend erscheinen , sind aber letztlich früher in den Entwicklungsprozess fehlerhaft beseitigen. Es könnte auch in klinischen Studien, dass weniger Patienten und weniger Zeit benötigen, um abzuschließen führen , fügte sie hinzu . Unterschiede in Genregulationsnetzwerken bei Patienten könnte auch als Grundlage für die personalisierte Medizin verwendet werden.