Αφηρημένο

Κίνητρα

Gene essentiality Ανάλυση με βάση Flux Ανάλυση Balance (FBA-based GEA) είναι ένα πολλά υποσχόμενο εργαλείο για την ταυτοποίηση νέων θεραπευτικών στόχων μεταβολικών στον καρκίνο. Η ανακατασκευή του καρκίνου-ειδικών μεταβολικών δικτύων, συνήθως με βάση τα δεδομένα γονιδιακής έκφρασης, αποτελεί ένα λογικό βήμα σε αυτή την προσέγγιση. Ωστόσο, εξ όσων γνωρίζουμε, δεν υπάρχει εκτεταμένη αξιολόγηση σχετικά με την επίδραση της διαδικασίας ανασυγκρότησης σχετικά με τα επιτευχθέντα αποτελέσματα έχει πραγματοποιηθεί μέχρι σήμερα.

Αποτελέσματα

Σε αυτό το άρθρο, έχουμε ως στόχο να μελετήσει context- ειδικά δίκτυα και FBA-based αποτελέσματα GEA τους για τον εντοπισμό του καρκίνου-ειδικών μεταβολικών απαραίτητα γονίδια. Για το σκοπό αυτό, χρησιμοποιήσαμε σύνολα δεδομένων γονιδιακής έκφρασης από το Cancer Cell Γραμμή Εγκυκλοπαίδεια (CCLE), την αξιολόγηση των αποτελεσμάτων που λαμβάνονται σε 174 καρκινικές κυτταρικές σειρές. Για να τηρηθεί με μεγαλύτερη σαφήνεια την επίδραση των δεδομένων έκφρασης ειδική για τον καρκίνο, κάναμε την ίδια ανάλυση χρησιμοποιώντας τυχαία μοτίβα έκφρασης. υπολογιστική ανάλυση μας έδειξε ορισμένα βασικά γονίδια που είναι αρκετά κοινή στις αναπαραστάσεις που προέρχονται τόσο από το γονίδιο έκφρασης και δημιουργείται τυχαία δεδομένα. Ωστόσο, αν και περιορισμένου μεγέθους, βρήκαμε επίσης ένα υποσύνολο των ουσιωδών γονιδίων που είναι πολύ σπάνιες στους τυχαία δίκτυα, ενώ επαναλαμβανόμενες στα παράγωγα δείγμα δίκτυα, και, ως εκ τούτου, θα αποτελούσε πιθανώς σχετικών φαρμακευτικών στόχων για περαιτέρω ανάλυση. Επιπλέον, συγκρίνουμε το

σε-silico

αποτελέσματα υψηλής απόδοσης πειράματα γονιδιακή σίγηση από το Project Αχιλλέα με αντικρουόμενα αποτελέσματα, τα οποία μας οδηγεί να αυξήσει αρκετές ερωτήσεις, ιδιαίτερα την ισχυρή επιρροή της επιλεγμένης αντίδρασης βιομάζας στο λαμβάνεται αποτελέσματα. Παρόλα αυτά, χρησιμοποιώντας προηγούμενη βιβλιογραφία στην έρευνα για τον καρκίνο, αξιολογήσαμε τις πιο σχετικές από τους στόχους μας σε τρεις διαφορετικές καρκινικές κυτταρικές σειρές, δύο προέρχονται από γλοιοβλαστώματος ερυθήματος και ένα από μη μικροκυτταρικό καρκίνο του πνεύμονα, διαπιστώνοντας ότι ορισμένες από τις προβλέψεις είναι στο σωστό δρόμο .

Παράθεση: Tobalina L, Pey J, Rezola Α, Αεροπλάνα FJ (2016) Αξιολόγηση της FBA Βασισμένο Gene ουσιαστικότητα Ανάλυση στον Καρκίνο με μια γρήγορη συγκεκριμένο πλαίσιο Μέθοδος Ανασυγκρότηση του δικτύου. PLoS ONE 11 (5): e0154583. doi: 10.1371 /journal.pone.0154583

Επιμέλεια: Julio Βέρα, του Πανεπιστημίου του Erlangen-Νυρεμβέργης, Γερμανία

Ελήφθη: 15 του Αυγούστου του 2015? Αποδεκτές: 15η Απριλίου, 2016? Δημοσιεύθηκε: 4η Μαΐου, 2016

Copyright: © 2016 Tobalina et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Δεδομένα Διαθεσιμότητα:. Όλη η δεδομένα είναι εντός του Υποστηρίζοντας αρχεία πληροφοριών του χαρτιού και

Χρηματοδότηση:. η εργασία αυτή χρηματοδοτήθηκε από την κυβέρνηση της Χώρας των Βάσκων [σε LT], η Asociación de amigos de la Universidad de Navarra [για AR] και ο Υπουργός Οικονομίας και Ανταγωνιστικότητας της Ισπανίας [BIO2013-48933]. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Πρόσφατα ευρήματα δείχνουν ότι τα καρκινικά κύτταρα προσαρμόσουν τις μεταβολικές διαδικασίες τους για την ενίσχυση της διάδοσης [1,2]. Για το σκοπό αυτό, τα καρκινικά κύτταρα καταναλώνουν πρόσθετες θρεπτικές ουσίες και να εκτρέψουν τα θρεπτικά συστατικά σε μονοπάτια μακρομοριακές σύνθεση. Εκτός από μεταβολές στο μεταβολισμό της γλυκόζης, το αποκαλούμενο φαινόμενο Warburg, περισσότερο έχουν αναφερθεί στη σύνθεση των νουκλεοτιδίων, αμινοξέων και των λιπιδίων [3,4]. Επιπλέον, σχετικές μεταλλάξεις στη μεταβολική γονίδια και συσσωρεύσεις των βασικών μεταβολιτών έχουν ανιχνευθεί σε καρκινικά κύτταρα [5]. Υπό το φως αυτών των αποδεικτικών στοιχείων, η μελέτη του κυτταρικού μεταβολισμού στην έρευνα για τον καρκίνο έχει ενεργά αναζωπυρωθεί. Ολιστικές προσεγγίσεις της βιολογίας συστημάτων, με βάση την μεταβολική δίκτυα γονιδίωμα κλίμακας και υψηλής απόδοσης «-ωματικής» δεδομένων, ανοίγουν νέες λεωφόρους για την αξιοποίηση διαταραχές του μεταβολισμού των κυττάρων του όγκου, ιδιαίτερα για την αντιμετώπιση διαφορετικών ανεκπλήρωτες κλινικών αναγκών σε καρκίνο.

Διαφορετικές μέθοδοι υπάρχουν για να αναλύσει το μεταβολικό δίκτυα γονιδίωμα κλίμακας ανθρώπινων καρκινικών κυττάρων. Βασίζεται σε περιορισμούς μοντελοποίησης (ΜΟΕ) είναι μια περιοχή αναδυόμενη στη Βιολογία Συστημάτων που περιλαμβάνει ένα αυξανόμενο σύνολο μεθόδων [6,7]. Το πιο σημαντικό μέθοδος CBM είναι Flux Ανάλυση Υπόλοιπο (FBA), η οποία υποθέτει ότι οι ροές στο δίκτυο παρακολουθεί ένα βιολογικό αντικειμενική συνάρτηση που πρέπει να βελτιστοποιηθεί, τυπικά κυτταρική ανάπτυξη [8]. Η ανάπτυξη διαμορφώνεται εδώ ως πρόσθετο τεχνητό αντίδραση που περιλαμβάνει τις μεταβολικές απαιτήσεις, όσον αφορά την οικοδόμηση μπλοκ και την ενέργεια, για την παραγωγή ενός γραμμάριο ξηρού βάρους (gDW) βιομάζας. FBA μας επιτρέπει να διεξάγει ανάλυση του γονιδίου βασικό χαρακτήρα (GEA) στο μεταβολικό επίπεδο, δηλαδή, εντοπίζοντας τα γονίδια των οποίων η ατομική διαγραφή πρόληψη αντίδραση ανάπτυξης από το να είναι ενεργό [9]. Συνθετικά θνησιμότητα, η οποία αναφέρεται σε δύο (ή περισσότερες) μη ουσιώδη γονίδια των οποίων η ταυτόχρονη διαγραφή γίνεται θανατηφόρος για ένα δεδομένο φαινότυπο, μπορεί να επιτευχθεί παρομοίως. Είναι σημαντικό ότι, η πρώτη εφαρμογή του FBA-based GEA για ανθρώπινο μεταβολισμό και τον καρκίνο έρευνα πραγματοποιήθηκε σε [10]. Αποκάλυψαν ότι αίμης οξυγενάσης είναι συνθετικά θανατηφόρο με το Υδρατάση ογκοκατασταλτικό fumarate. Το αποτέλεσμα αυτό αργότερα πειραματικά επικυρωθεί, δείχνει τη σημασία του για τη θεραπεία του leiomyomatosis και τον καρκίνο νεφρικών κυττάρων, όπως βλαστική μεταλλάξεις fumarate Υδρατάση διέπουν αυτόν τον καρκίνο [11]. Αυτή η επιτυχημένη αποτέλεσμα έδειξε ότι FBA-based GEA είναι μία κατάλληλη προσέγγιση για τη διαλεύκανση νέων φαρμακευτικών στόχων στον καρκίνο.

FBA-based GEA ξεκινά από μεταβολικής δίκτυο αναφοράς γονιδίωμα κλίμακας του ανθρώπινου μεταβολισμού, όπως Recon2 [12] . Προκειμένου να συλλάβει τον καρκίνο συγκεκριμένες μεταβολικές λειτουργίες, το δίκτυο αναφοράς πρέπει να συμφραζόμενα με τα διαθέσιμα πειραματικά δεδομένα [13]. Η χειροκίνητη διαδικασία της οικοδόμησης ενός αξιόπιστου μεταβολικό δικτύου συγκεκριμένο πλαίσιο είναι πολύπλοκη και χρονοβόρα [14]. Για το λόγο αυτό, έχουν αλγόριθμοι ανακατασκευής αυτόματο δίκτυο έχουν προταθεί, συνήθως με βάση τα δεδομένα έκφρασης γονιδίου /πρωτεΐνης. Λαμβάνοντας υπόψη τον πλούτο των transcriptomic δεδομένων, τα δεδομένα έκφρασης του mRNA είναι ο πιο συχνός τύπος των δεδομένων που χρησιμοποιούνται στις διάφορες μεθόδους ανασυγκρότησης. Ένας μη εξαντλητικός κατάλογος αυτού του τύπου των μεθόδων περιλαμβάνει: GIMME [13], iMAT [15], E-Flux [16], MBA [17], PROM [18], MADE [19], INIT [20], ή MIRAGE [21].

τα αποτελέσματα που προέκυψαν από FBA-based GEA εξαρτώνται από τα διάφορα στοιχεία που εμπλέκονται σε αυτή τη διαδικασία ανασυγκρότησης του δικτύου, δηλαδή του δικτύου αναφοράς, ορίζεται το μέσο ανάπτυξης, τα δεδομένα γονιδιακής έκφρασης και αλγόριθμο ανακατασκευής. Ωστόσο, απ ‘όσο γνωρίζουμε, δεν υπάρχει εκτεταμένη εκτίμηση την αξιολόγηση της επίδρασης των μεταβολικών δεδομένων διαδικασία ανοικοδόμησης και έκφραση των αποτελεσμάτων της ανάλυσης γονιδίου essentiality έχει πραγματοποιηθεί μέχρι σήμερα σε καρκίνο. Για το σκοπό αυτό, σε αυτό το άρθρο, πραγματοποιήσαμε μια εκτενή μελέτη για διαφορετικούς τύπους καρκίνων από το Cancer Cell Γραμμή Εγκυκλοπαίδεια (CCLE) [22], έτσι ώστε να απαλλαγούμε από τις επιδράσεις ορισμένων από αυτούς τους παράγοντες στην προκύπτουσα λίστα των βασικών γονιδίων. Για να τηρηθεί με μεγαλύτερη σαφήνεια την επίδραση των δεδομένων έκφρασης ειδική για τον καρκίνο, κάναμε την ίδια ανάλυση χρησιμοποιώντας τυχαία μοτίβα έκφρασης. Επιπλέον, θα χρησιμοποιηθούν τα δεδομένα γονιδιακή σίγηση υψηλής απόδοσης [23] για να ελέγξετε εκτενώς τις προβλέψεις της προσέγγισης GEA FBA-βάση. Τέλος, σε αντίθεση δεδομένα της βιβλιογραφίας σχετικά με τον προβλεπόμενο ουσιαστικό γονιδίων σε κυτταρικές σειρές καρκίνου τρεις:. Δύο προέρχονται από Gliobastome ερυθήματος (GBM) και μία από μη μικροκυτταρικό καρκίνο του πνεύμονα (NSCLC)

Για να είναι σε θέση να πραγματοποιήσει αυτό το εκτεταμένο μελέτη, έχουμε εισαγάγει έναν αλγόριθμο ανακατασκευής γρήγορο δίκτυο με βάση τα στοιχεία της γονιδιακής έκφρασης, η οποία αντιμετωπίζεται με τη χρήση του Gene Expression Barcode [24], μια ισχυρή στατιστική μέθοδος που αναπτύχθηκε για την πρόβλεψη εκφράζεται και μη εκφρασμένων γονιδίων σε μικροσυστοιχίες.

Μέθοδοι

μοντέλο ανοικοδόμησης Δίκτυο

αλγορίθμων ανακατασκευής Δίκτυο αντιμετωπίσει το πρόβλημα αρχίζει με μια ομάδα των αντιδράσεων που θα πρέπει να είναι παρόν με βάση τα προηγούμενα πειραματικά στοιχεία, τυπικά επίπεδα γονιδιακής έκφρασης /πρωτεΐνης. Οι αντιδράσεις αυτές συνήθως δεν αποτελούν ένα συνεκτικό δίκτυο [25]. Πράγματι, δεν είναι κατ ‘ανάγκη συνδέονται μεταξύ τους, μπορούν να σχηματίζουν διαχωρισμένες συστάδες ή ακόμη και να απομονωθούν από τα υπόλοιπα. Έτσι, αλγόριθμοι ανακατασκευής καλύψει τα κενά έως ότου ληφθεί ένα συνεκτικό δίκτυο. Υποθέσαμε αντιδράσεις προέρχονται από μια βάση δεδομένων των γνωστών βιοχημικών αντιδράσεων, γενικά συνδέεται με τον οργανισμό υπό μελέτη. Επιπλέον, σημειώστε ότι είναι επίσης χαρακτηριστικό για να αποφύγετε κάποιες αντιδράσεις στην ανοικοδόμηση λόγω της πειραματική απόδειξη της απουσίας τους [15].

Η τρέχουσα αλγορίθμων ανακατασκευής συνήθως βασίζονται στην Μικτή Ακέραιος Γραμμικός Προγραμματισμός (MILP). Εμείς, αντίθετα, κάνει χρήση μιας επαναληπτικής στρατηγική που βασίζεται στην γραμμικά προγράμματα (LP), όπως σκευάσματα MILP δεν είναι αρκετά γρήγορη για την προβλεπόμενη μελέτη. Είναι επίσης αλήθεια ότι κάθε αλγόριθμο ανακατασκευής συνήθως εστιάζεται στην ένταξη ενός διαφορετικού τύπου από ένα ή περισσότερα στοιχεία πειραματικών πληροφοριών. Εξαιτίας αυτού, στις περισσότερες περιπτώσεις, τα αποτελέσματα που προκύπτουν από κάθε μία από αυτές δεν είναι εύκολα συγκρίσιμες. Στην περίπτωσή μας, έχουμε επικεντρωθεί στη χρήση του mRNA δεδομένων επιπέδου μεταγραφή, καθώς αυτή είναι η πιο εύκολα προσβάσιμη πηγή δεδομένων για τον καρκίνο. Όπως αναλύεται παρακάτω, χρησιμοποιήσαμε το Gene Expression Barcode [24], ένα κομψό τεχνική για να επιλέξετε εκφράζεται και μη εκφρασμένων γονιδίων, που αποτελεί τελικά την πηγή της στοιχεία για να εντάξουμε τις μεταβολικές διαδικασίες.

Ένα άλλο χαρακτηριστικό του αλγόριθμου ανακατασκευής μας είναι ότι παρέχει δίκτυα απευθείας επιδέχονται FBA, όπως θα πραγματοποιήσει Gene essentiality Ανάλυση με βάση FBA στη μελέτη μας. Αυτό σημαίνει ότι η ανακατασκευή του δικτύου θα πρέπει να είναι σε θέση να παράγουν βιομάζα, ενώ πληροί τη σταθερή κατάσταση. Οι περισσότεροι άλλοι αλγόριθμοι ανακατασκευής σχεδιαστεί με σκοπό την αργότερα, αλλά όχι το πρώτο.

Ο αλγόριθμός μας διακρίνει από τους άλλους με διάφορους τρόπους, εκτός από το γεγονός ότι οι περισσότεροι από αυτούς βασίζονται σε σκευάσματα MILP. GIMME [13] και iMAT [15] χρησιμοποιούν επίσης mRNA πληροφορίες επιπέδου μεταγραφή, αλλά η θεραπεία του είναι λιγότερο επεξεργασμένα από εκείνο που διεξάγονται με Barcode. MADE κάνει χρήση της διαφορικής έκφρασης [19], με έμφαση στις μεταβολικές προσαρμογής μεταξύ τουλάχιστον δύο σενάρια. INIT είναι προσανατολισμένη προς τη χρήση περισσότερων από ενός τύπου δεδομένων [20]. MBA απαιτεί τον καθορισμό ενός πυρήνα των αντιδράσεων ανάγκασε να συμπεριληφθεί στην ανασυγκρότηση [17]? Ωστόσο, ενώ τον ορισμό αυτού του ενεργού πυρήνα είναι δυνατό για τα γνωστά τους ιστούς, αυτή είναι αμφισβητήσιμη, όταν τα διαθέσιμα στοιχεία περιορίζεται σε δεδομένα γονιδιακής έκφρασης, που κατά κανόνα συνεπάγεται συγκρούσεις μεταξύ εκφράζεται και μη εκφρασμένων γονιδίων και αντιδράσεις που οφείλονται σε μετα-μεταγραφικό ρυθμιστικό γεγονότα [15 , 26]. MIRAGE εκτείνεται κατά MBA λογιστικής, μεταξύ άλλων, για την παραγωγή βιομάζας [21]. PROM [18] και E-Flux [16] ανήκουν σε μια διαφορετική οικογένεια μεθόδων, όπου οι μέγιστες επιτρεπόμενες ροές ρυθμιστεί χρησιμοποιώντας τα δεδομένα γονιδιακής έκφρασης. Ειδικότερα, PROM ενσωματώνει το μεταβολισμό με ρυθμιστικά δίκτυα, απαιτώντας ένα μεγάλο γονίδιο σύνολο δεδομένων έκφρασης με γενετικές και περιβαλλοντικές διαταραχές.

Εννοιολογικά, ο αλγόριθμος μας χρειάζεται μια προσέγγιση που είναι πιο παρόμοιο με iMAT από ό, τι σε άλλους αλγορίθμους. Τόσο κατατάσσουν αντιδράσεις σε υψηλή (

Η

), μέτρια (

Μ

) και χαμηλής (

L

) δραστηριότητα βασίζεται σε δεδομένα γονιδιακής έκφρασης και να προσπαθήσει να εξισορροπήσει τη συμπερίληψη

H

και

L

αντιδράσεις χρησιμοποιώντας την αντικειμενική συνάρτηση. Σε αντίθεση με iMAT, ελαχιστοποιούμε επίσης

Μ

αντιδράσεις σε κάποιο βαθμό, έτσι ώστε να επιτυγχάνεται ένα ελάχιστο δίκτυο που να ικανοποιεί το σύνολο των περιορισμών. Επιπλέον, ο αλγόριθμος μας προσθέτει την απαίτηση της παραγωγής βιομάζας, καθώς προορίζεται για τη λήψη δίκτυα απευθείας επιδέχονται FBA. Ωστόσο, όπως προαναφέρθηκε, η κύρια συμβολή της προσέγγισής μας σε σχέση με iMAT είναι η σημαντική μείωση του χρόνου υπολογισμού, τηρώντας παράλληλα την ποιότητα της λύσης.

Για τη μείωση του χρόνου υπολογισμού, ο αλγόριθμος μας πηγαίνει σε η ίδια κατεύθυνση με τον αλγόριθμο που παρουσιάστηκε πρόσφατα στο [27], που ονομάζονται FastCore. Αυτός ο αλγόριθμος χρησιμοποιεί μια πολυσταδιακή προσέγγιση που βασίζεται σε γραμμικό προγραμματισμό, αλλά είναι εννοιολογικά παρόμοιο με MBA, δεδομένου ότι αναγκάζει επίσης τη συμπερίληψη ενός πυρήνα των αντιδράσεων. Εκτός από τον τρόπο που χειρίζεται τη συμπερίληψη των αντιδράσεων, η οποία βασίζεται σε μια ταξινόμηση τριών επιπέδων από τα δεδομένα γονιδιακής έκφρασης, αλγόριθμος μας διαφέρει επίσης από FastCore κατά το ότι χρησιμοποιεί την έννοια του μειωμένου κόστους από τη γραμμική θεωρία προγραμματισμού για να καθοδηγήσει τη διαδικασία επαναληπτική λύση. Επιπλέον, έχουμε λάβει υπόψη τις συνέπειες των διαφόρων στοιχειομετρική αναπαραστάσεις [28] από τη διατύπωση του προβλήματος σε σχέση με τη μέγιστη επιτρεπόμενη ροή μέσα από κάθε αντίδραση, όπως δίνεται από μια ανάλυση Flux Μεταβλητότητα (FVA) [29].

Συνολικά, η προσέγγισή μας έχει σχεδιαστεί με τις ειδικές ανάγκες αυτής της μελέτης στο μυαλό. Μια απλοποιημένη εκδοχή του αλγορίθμου μας παρουσιάζεται παρακάτω. Πλήρης τεχνικές λεπτομέρειες της προσέγγισής μας μπορεί να βρεθεί σε S1 Κείμενο.

Επισκόπηση του γραμμικού αλγορίθμου προγραμματισμού που βασίζονται μας

Σκεφτείτε μια γενική μεταβολικό δίκτυο με

C

ενώσεις και

R

αντιδράσεις εκπροσωπείται από στοιχειομετρική μήτρα της

S

[30]. Συμβολίζουμε

IRR

το σύνολο των μη αναστρέψιμες αντιδράσεις. Για λόγους ευκολίας, κάθε αντιστρεπτή αντίδραση συμβάλλει δύο διαφορετικά μη αναστρέψιμες αντιδράσεις με το συνολικό αριθμό

R

. Αυτά τα δύο μη αναστρέψιμες αντιδράσεις συμβολίζεται

f

και

b

, εμπρός και πίσω, αντίστοιχα, καθεμία από τις οποίες αντιπροσωπεύει το αρχικό αναστρέψιμη αντίδραση σε μία διαφορετική κατεύθυνση [31]. Το σύνολο των προς τα εμπρός και προς τα πίσω βήματα που προκύπτουν από αναστρέψιμες αντιδράσεις σημειώνονται

Rev

.

Η ροή μέσα από κάθε αντίδραση

i

(

i

= 1 , …,

R

) αντιπροσωπεύεται από μια συνεχή μεταβλητή

ν

i

. Μετά τη διάσπαση του αναστρέψιμες αντιδράσεις, ροές μπορεί να πάρει μόνο μη αρνητικές τιμές, που οριοθετούνται από μία μέγιστη τιμή ροής, (εξίσωση 1). Για να εφαρμόσετε αργότερα FBA-based GEA, θα ενισχύσει επίσης την σταθερή κατάσταση (εξίσωση 2) ​​και μια ελάχιστη ροή μέσω της αντίδρασης της βιομάζας (εξίσωση 3). Για εκείνες τις ενώσεις που λαμβάνονται από ή εκκρίνονται στο μέσο, ​​αντιδράσεις ανταλλαγής προστέθηκαν κατάλληλα.

(1) (2) (3)

Για να ορίσετε σωστά για κάθε αντίδραση, μπορούμε να εκτελέσουμε μια Μεταβλητότητα Ανάλυση Ροής (FVA) [29 ] υπό περιορισμούς (1) – (3). Τα πρόσληψη όρια αντίδραση από την ανάπτυξη μέσου υπό εξέταση περιλαμβάνονται στην εξίσωση 1.

Ορίζουμε επίσης μια συνεχή μεταβλητή

z

i

για κάθε αντίδραση, που οριοθετείται μεταξύ 0 και 1 (εξίσωση 4), η οποία μπορεί να αναγκάσει μια ελάχιστη ροή μέσω σχετίζονται αντίδρασή του,

ν

i

(εξίσωση 5). δ είναι μια απολύτως θετική σταθερά, με μέγιστη τιμή 1 που καθορίζει το κατώτερο όριο για

ν

i

σε σχέση με την αξία του

z

i

σε σχέση με. Η ένταξη της στην εξίσωση 5, όπως υπολογίζεται από FVA μας επιτρέπει να ορίσετε ένα όριο ενεργοποίησης ανεξάρτητη από την στοιχειομετρική εκπροσώπηση. Παρατηρούμε ότι αυτό το σύνολο των μεταβλητών είναι συνεχής, όπως στο [27], και όχι δυαδικό, όπως και σε μια σειρά από προηγούμενες εργασίες [15,17].

(4) (5)

Στόχος μας είναι να ελαχιστοποιήσουμε ο αριθμός των αντιδράσεων στο

L

μεγιστοποιώντας παράλληλα εκείνους στο

η

. Γι ‘αυτό, στόχος μας λειτουργία ελαχιστοποιεί το άθροισμα των ροών μέσω αντιδράσεων που ανήκουν σε

L

με βάρος

W

L

, καθώς και η ροή μέσω αντιδράσεων στο

M

με βάρος

W

Μ

, ενώ μεγιστοποίηση του αριθμού των αντιδράσεων στο

η

χρησιμοποιώντας το

z

μεταβλητές με βάρος

W

Η

(εξίσωση 6). Ο όρος δ⋅ στην εξίσωση 6 μας επιτρέπει να αποφευχθεί η ροή προκατάληψη που εισήγαγε η συγκεκριμένη στοιχειομετρική εκπροσώπηση των αντιδράσεων. Τα διαφορετικά κριτήρια για τον καθορισμό αυτών των βαρών που συζητήθηκαν στην ενότητα Αποτελέσματα.

(6)

Όπως προαναφέρθηκε, είναι σύνηθες να ορίσετε

z

i

ως δυαδική μεταβλητή, αλλά χαλαρωτικό αυτό το εμπόδιο, όπως γίνεται εδώ, επιτυγχάνει το ίδιο «διαφοροποίηση ροή» επιθυμητό αποτέλεσμα [27]. Ελαχιστοποιώντας το άθροισμα των ροών για

L

και

M

δεν είναι το ίδιο με την ελαχιστοποίηση του αριθμού των αντιδράσεων στο

L

και

Μ

, αλλά μας επιτρέπει μια γραμμική διατύπωση του προβλήματος, χωρίς να επηρεάζουν αρνητικά την τελική λύση όσον αφορά την ποιότητα. Συνολικά, με αυτά τα χαρακτηριστικά, θα αποφύγουμε μια μικτή δυαδική διαμόρφωση, πιο δύσκολο να επιλυθούν, λόγω των περιορισμών πληρότητα σε ορισμένες από τις μεταβλητές [32].

Δεδομένου ότι έχουμε χωρίσει τις αναστρέψιμες αντιδράσεις σε δύο μη αναστρέψιμη βήματα, αλλά έχουν πρόσθεσε κανένα περιορισμό εγγυάται ότι μόνο ένας από αυτούς είναι ενεργή κάθε φορά, την επίλυση αυτού του προβλήματος (Εξ 6 υπόκεινται σε εξισώσεις 1-5) θα μας δώσει μια λύση όπου όλοι προς τα εμπρός και προς τα πίσω βήματα από αναστρέψιμες αντιδράσεις στο

η

είναι ενεργά, ακόμη και αν καθαρή ροή τους (

ν

f

–

ν

β

) είναι μηδέν. Σημειώστε ότι αυτό δεν συμβαίνει με αναστρέψιμες αντιδράσεις σε

L

ή

M

, επειδή ελαχιστοποιώντας το άθροισμα των ροών επιβάλλει ήδη τη χρήση των αναστρέψιμες αντιδράσεις, αν είναι απαραίτητο, σε μία μόνο κατεύθυνση.

Αυτό το θέμα απεικονίζεται στο Σχ 1. το Σχήμα 1Α δείχνει ένα δίκτυο παράδειγμα μεταβολικής αναφοράς, συμπεριλαμβανομένης της ταξινόμησης των αντιδράσεων ως

H

,

M

ή

L

. Σχήμα 1Β δείχνει το διάλυμα που προκύπτει μια φορά το γραμμικό πρόγραμμα που ορίζεται από την εξίσωση 6 υπόκεινται σε εξισώσεις 1-5 έχει λυθεί. Μπορεί να παρατηρηθεί ότι η λύση που παράγει σίγουρα βιομάζα μέσω αντιδράσεων 2 (

Μ

), 3 (

Η

), 5 (

Η

) και 17 (

Η

). Επιπλέον, ενεργοποιεί δύο κύκλους με καθαρή ροή ίση με μηδέν, δηλαδή ο πρώτος που περιλαμβάνει αντιδράσεις 4 (

H

) και 14 (

H

) και η δεύτερη που περιλαμβάνει αντιδράσεις 9 (

H

) και 15 (

Η

). Η παρουσία αυτών των παρασιτικών κύκλων είναι συνέπεια της μη δυαδική διατύπωση που προτείνεται παραπάνω, η οποία απαιτεί μια επαναληπτική διαδικασία που disentangles αν (ή όχι) αυτές οι αναστρέψιμες αντιδράσεις σε

H

μπορούν να συμπεριληφθούν στην ανοικοδόμηση σε συνδυασμό με άλλες αντιδράσεις.

Α) Παράδειγμα αναφοράς του δικτύου του μεταβολισμού με την ταξινόμηση 3 επιπέδων των αντιδράσεων. Περιλαμβάνει δέκα αντιδράσεις συν την αντίδραση της βιομάζας. Οι Αναστρέψιμη ροές χωρίζονται σε δύο μη αρνητική βήματα. Οι προς τα πίσω αντιδράσεις που δεικνύονται με διακεκομμένη γραμμή. Αντιδράσεις 3, 4, 5, 7 και 9 έχουν ταξινομηθεί ως

H

? αντιδράσεις 2, 8 και 10, όπως

Μ

? και τις αντιδράσεις 1 και 6, όπως

L

. Β) διάλυμα που λαμβάνεται κατά την επίλυση του γραμμικού προγραμματισμού που ορίζεται από την εξίσωση 6 υπόκεινται σε εξισώσεις 1-5. Παχύτερο τόξα αντιπροσωπεύουν ενεργό αντιδράσεις, οι κύκλοι που αφορούν τα εμπρός και προς τα πίσω βήματα ενός αναστρέψιμη αντίδραση στο

Η

εκπροσωπούνται με λεπτές γραμμές και ανενεργό αντιδράσεις είναι χρωματισμένα σε γκρι ανοιχτό.

Η

Η επαναληπτική διαδικασία που χρησιμοποιείται περιγράφεται με λεπτομέρεια στο S1 κειμένου. Βασίζεται σε γραμμικό προγραμματισμό και κάνει χρήση της έννοιας του μειωμένου κόστους (που λαμβάνονται από τη γραμμική θεωρία προγραμματισμού) για να καθοδηγήσει και να επιταχύνει τη διαδικασία επαναληπτική λύση.

Αντίδραση ταξινόμηση

Η είσοδος του αλγόριθμο ανακατασκευής είναι η κατάταξη αντίδραση ως εξαιρετικά (

η

), μεσαία (

Μ

) ή ταπεινός (

L

) εκφράζεται. Αυτές οι πληροφορίες που λαμβάνονται από πειράματα γονιδιακής έκφρασης, στην περίπτωσή μας που συλλέγονται από τη βάση δεδομένων GEO [33].

Είμαστε επικεντρώθηκε σε συστοιχίες Affymetrix HGU133plus2, τα οποία μπορούν να υποβάλλονται σε επεξεργασία με τη χρήση Barcode [24]. Αυτή η μέθοδος είναι σχεδιασμένη για να είναι σε θέση να συνεργαστεί με ένα μόνο δείγμα και να είναι συγκρίσιμα σε άλλους, αντί να χρειάζεται πολλά δείγματα συγχρόνως. Εμείς προεπεξεργασμένο τα δεδομένα χρησιμοποιώντας R σενάριο Barcode, χρησιμοποιώντας ένα δείγμα κάθε φορά. Έχουμε ανακτήσει τις τιμές του Z-score που προέρχονται από αυτόν τον αλγόριθμο, η οποία είναι ισοδύναμη με την επεξεργασία κάθε δείγματος με fRMA [34].

Επειδή τα Z-score που ανακτώνται από Barcode δόθηκαν σε επίπεδο ιχνηθέτη που, με τη χρήση γονιδιακής -probe σχέσεις σχολιασμένο πακέτο R hgu133plus2.db, πήραμε το γονίδιο αξία Z-score ως η μέση τιμή των αντίστοιχων Z-score των συνδεδεμένων καθετήρα-σύνολα του. Κάθε τιμή γονίδιο είχε μετατραπεί σε παρόν (1) /απών (0) κλήση χρησιμοποιώντας κριτήρια Barcode του. Παρόν γονίδια έχουν ταξινομηθεί ως υψηλή (1) και απουσιάζει γονίδια τόσο χαμηλά (-1).

Τέλος, οι αντιδράσεις έχουν ταξινομηθεί ως πολύ, μέτρια ή ταπεινός εκφράζεται με τη χρήση κανόνων γονίδιο-πρωτεΐνη-αντίδραση και την ταξινόμηση της γονιδιακής έκφρασης που αναφέρονται παραπάνω [35] (βλ S1 κειμένου για μια πιο λεπτομερή εξήγηση). Αυτές οι ενέργειες για τις οποίες δεν υπάρχουν διαθέσιμες έκφραση του γονιδίου ή που δεν σχετίζονται με οποιοδήποτε γονίδιο (π.χ. αυθόρμητες αντιδράσεις) ταξινομούνται ως μέσο εκφράζεται.

Οι Gene Analysis essentiality

Αιθέρια γονίδια που ορίζονται εδώ ως εκείνες γονίδια των οποίων η απομάκρυνση καθιστούν το κύτταρο μπορεί να παράγει βιομάζα. Χρησιμοποιώντας τις Boolean κανόνες γονίδιο της πρωτεΐνης-αντίδραση ενσωματωθεί στη μεταβολική δίκτυα γονιδίωμα κλίμακας, όπως Recon2 [12], μπορούμε να αξιολογήσουμε ποια αντιδράσεις θα σταματήσει να λειτουργεί μετά από ένα συγκεκριμένο γονίδιο διαγράφεται. Έτσι, ένα γονίδιο knock-out προσομοιώνεται με τον καθορισμό των άνω και κάτω όρια των αντίστοιχων αντιδράσεων στο μηδέν σε ένα υπολογισμό FBA, και τον έλεγχο εάν (ή όχι) το υπόλοιπο δίκτυο είναι ακόμη σε θέση να παράγουν βιομάζα.

προκειμένου να μειωθεί ο αριθμός των υπολογισμών FBA που απαιτείται για τον έλεγχο της ουσιαστικότητα του κάθε γονιδίου, υπολογίσαμε πρώτα τη μέγιστη βιομάζα δυνατή στο δίκτυο άγριου τύπου και αναζήτησαν έναν ροής διανομής με ελάχιστο άθροισμα των ροών μέσω αντιδράσεων για τις οποίες το γονίδιο-προς -reaction χαρτογράφηση ορίζεται. Αν ένα συγκεκριμένο γονίδιο knock-out δεν επηρεάζει οποιαδήποτε αντίδραση σε αυτή την βέλτιστη κατανομή ροής, μπορούμε να είμαστε βέβαιοι ότι ένας νέος υπολογισμός FBA θα μας δώσει την ίδια λύση με το δίκτυο φυσικού τύπου και ως εκ τούτου μπορούμε να αποφύγουμε τέτοιου γονιδίου νοκ-άουτ.

Σύγκριση με πειραματικά δεδομένα

για να αξιολογηθεί η ακρίβεια της προσέγγισής μας να προβλέψουμε βασικά γονίδια, που χρησιμοποιούνται υψηλής απόδοσης φίμωση πειράματα που λαμβάνονται από το έργο του Αχιλλέα [23]. Εμείς προέρχεται μια βαθμολογία για κάθε γονίδιο σε κάθε κυτταρική σειρά σύμφωνα με τη μέθοδο εισάγεται στο [36]. Ωστόσο, πολλαπλασιαζόμενο των λαμβανόμενων βαθμολογίες από -1, έτσι ώστε η χαμηλότερη η βαθμολογία, τόσο πιο ουσιαστικό το γονίδιο υποτίθεται ότι είναι, όπως συμβαίνει με τα shRNA φορές αλλαγές στην υψηλής απόδοσης φίμωση πειράματα. Στη συνέχεια συγκρίνεται η κατανομή των βαθμολογιών των αποκτηθέντων βασικές μεταβολικές γονίδια έναντι των μη βασικών μεταβολικών γονιδίων χρησιμοποιώντας μια μονόπλευρη δύο δειγμάτων δοκιμής Kolmogorov-Smirnov, όπως προτείνεται στην [10]. Η δοκιμή αυτή μας βοηθά να δούμε αν τα ληφθέντα βασικά γονίδια προκατειλημμένη προς χαμηλότερα, πιο ουσιαστικό βαθμολογίες. Ωστόσο, η προκατάληψη μπορεί να είναι σημαντική, αλλά όχι αρκετά μεγάλη έτσι, επιπλέον, μετρήσαμε την αναλογία που λαμβάνεται απαραίτητα γονίδια με αρνητική βαθμολογία Aquilles που βασίζεται σε κάθε σενάριο, ένα σημείο όπου η πιθανότητα του γονιδίου που είναι ουσιώδες είναι υψηλότερο από το να είναι μη -ουσιώδης. Στην πραγματικότητα, έχουμε παρατηρήσει ότι μόνο ένα κλάσμα των μεταβολικών γονιδίων είχαν αρνητική βαθμολογία στα δεδομένα Αχιλλέα, έτσι θέλουμε να διασφαλίσουμε ότι οι υπολογίζονται απαραίτητα γονίδια εμπλουτισμένα σε αυτά.

Αποτελέσματα

Η προσέγγιση που παρουσιάζεται ανωτέρω εφαρμόζεται πρώτα να ανακατασκευάσει το μεταβολικό δίκτυο 174 καρκινικές κυτταρικές σειρές χρησιμοποιώντας δεδομένα γονιδιακής έκφρασης που λαμβάνεται από το Cancer Cell γραμμής Εγκυκλοπαίδεια (CCLE) [22]. Η επιλογή αυτού του υποσυνόλου των κυτταρικών σειρών έγινε λαμβάνοντας υπόψη τα διαθέσιμα στοιχεία γονιδιακή σίγηση υψηλής απόδοσης από το έργο του Αχιλλέα [23] (S1 πίνακα). Η τεχνική απόδοση της προσέγγισής μας αξιολογείται και συγκρίνεται με iMAT, το πιο παρόμοια προσέγγιση με αυτή που προβλέπεται εδώ (S1 κειμένου). Στη συνέχεια, μπορούμε να εκτελέσουμε FBA-based GEA κατά τη διάρκεια αυτών ανακατασκευάστηκε δίκτυα και να αξιολογήσει τη συχνότητα με την οποία θα εμφανίζονται κάθε βασικό γονίδιο σε ένα δίκτυο ανακατασκευάστηκε από τα δεδομένα τυχαία έκφραση. Επιπλέον, συγκρίνουμε τα αποτελέσματα που ελήφθησαν για γονιδιακή σίγηση υψηλής απόδοσης πειραματικά αποτελέσματα [23]. Τέλος, σε αντίθεση δεδομένα της βιβλιογραφίας σχετικά με τον προβλεπόμενο ουσιαστικό γονιδίων σε δύο GBM που προέρχονται και ένα κυτταρικές σειρές NSCLC που προέρχονται.

Για το σκοπό αυτό, χρησιμοποιήσαμε το αρχικό δίκτυο ανθρώπινου μεταβολισμού Recon2 [12] ως δίκτυο αναφοράς (μια παρόμοια ανάλυση για Recon1 μπορεί να βρεθεί στο S1 κειμένου). Αυτό το δίκτυο παρέχει μια αντίδραση βιομάζα, η οποία χρησιμοποιείται απ ‘ευθείας στην παρούσα μελέτη. Το μέσο ανάπτυξης ήταν RPMI1640, που ορίζεται όπως στο [10]. Επιπλέον, οι αντιδράσεις ταξινομήθηκαν ως πολύ, μέτρια ή ταπεινός εκφράζεται με τη χρήση κανόνων γονίδιο-πρωτεΐνη-αντίδραση και την ταξινόμηση της γονιδιακής έκφρασης που περιγράφεται στην ενότητα Μέθοδοι.

Ο αλγόριθμος υλοποιήθηκε σε Matlab, χρησιμοποιώντας το λογισμικό βελτιστοποίησης CPLEX να λύσει το που αντιστοιχεί γραμμικά προγράμματα. Ο χρόνος υπολογισμού που απαιτείται για να λύσει ένα ενιαίο πρόβλημα ανακατασκευή χρησιμοποιώντας τη στρατηγική που περιγράφεται παραπάνω είναι της τάξης των δευτερολέπτων, στο ίδιο επίπεδο με την απόδοση των Fastcore [27]. Στις περιπτώσεις εφαρμόστηκε η μέθοδος μας, ο χρόνος υπολογισμού είναι γενικά κάτω από 10 δευτερόλεπτα σε ένα 64 bit Intel Xeon E5-1620 v2 σε 3,70 GHz (4 πυρήνες) και 16 GB μνήμης RAM. Αυτό θέτει ως σημαντικά πιο γρήγορα από ό, τι iMAT, όπου ο μέσος χρόνος για να ληφθεί ένα διάλυμα ήταν περίπου 57 δευτερόλεπτα (διακοπή με ένα κενό βέλτιστη 0,5%).

παραμέτρους του μοντέλου και την ανασυγκρότηση

Σε αλγόριθμο μας μας αλγόριθμο ανακατασκευής έχουμε αρκετές παραμέτρους που απαιτούν να στερεωθεί. Οι πιο σημαντικές παράμετροι είναι τα βάρη

W

Η

,

W

Μ

και

W

L

, καθώς υπάρχει αντικρουόμενες trade-off μεταξύ αντιδράσεις στο

η

και

L

. Ειδικότερα, η χρήση όλων των αντιδράσεων στο

Η

μπορεί να περιλαμβάνει ένα σημαντικό αριθμό αντιδράσεων στο

L

? Ομοίως, μια ελάχιστη χρήση των αντιδράσεων στο

L

μπορεί να συνεπάγεται περιορισμένη χρήση των αντιδράσεων στο

Η

. Για να μελετήσει αυτό το trade-off μεταξύ της αντίδρασης σε

Η

και

L

, προτείνουμε τα σχήματα στον πίνακα 1, με α = 10

3. Σχήμα 1 δίνει περισσότερο βάρος στην ελαχιστοποίηση των αντιδράσεων στο

L

πάνω από την μεγιστοποίηση των αντιδράσεων στο

Η

? Σχήμα 2 παρέχει την ίδια βαρύτητα, ενώ το σχήμα 3 είναι το αντίθετο του σχήματος 1. Λεπτομέρειες και ανάλυση ευαισθησίας των α και άλλες παραμέτρους που καθορίζονται στο αλγόριθμός μας μπορεί να βρεθεί σε S1 κειμένου. Τα κυριότερα συμπεράσματα που επιτεύχθηκαν ήταν ανθεκτικό σε αλλαγές αυτών των παραμέτρων.

Η

Κατά την ταξινόμηση αντιδράσεις από τα δεδομένα γονιδιακής έκφρασης, αποφεύγοντας την ένταξη των αντιδράσεων στο

L

όσο το δυνατόν θα μπορούσε να είναι πιο ουσιαστική από ό, τι προσπαθεί να εξαναγκάσει την παρουσία όλων των αντιδράσεων στο

η

, όπως ένα σήμα έκφραση υψηλής γονιδίου δεν μεταφράζεται απαραίτητα σε μια υψηλή ενζυματική δραστηριότητα. Ωστόσο, ο προσδιορισμός των μη-εκφρασμένων γονιδίων αποτελεί ένα πιο δύσκολο έργο [37]. Για το λόγο αυτό, μια προσέγγιση πιο κοντά στο Σχήμα 3 έχει τυπικά προτιμώνται.

Συγκρίναμε την απόδοση της προσέγγισής μας ανοικοδόμησης χρησιμοποιώντας τα διαφορετικά σχήματα με iMAT. Όπως μπορεί να φανεί στο Σχήμα 2, το οποίο δείχνει το ποσοστό των αντιδράσεων που ταξινομούνται ως

Η

και

L

που συμπεριλήφθηκαν χρησιμοποιώντας κάθε αλγόριθμο ανακατασκευής, η αποφυγή του

L

αντιδράσεις στο Σχήμα 1 έχει αντίκτυπο στον αριθμό των αντιδράσεων στο

η

περιλαμβάνονται στο μοντέλο, παρέχοντας μια σημαντικά διαφορετική λύση από Schema 3.

Boxplots δείχνει το ποσοστό των H και οι αντιδράσεις L περιλαμβάνονται στο οι ανακατασκευάστηκε το πλαίσιο ειδικά δίκτυα των επιλεγμένων καρκινικές κυτταρικές σειρές χρησιμοποιώντας τον αλγόριθμο μας κάτω από Schema 1, 2 και 3 και iMAT. Το δίκτυο αναφοράς που χρησιμοποιήθηκε ήταν Recon2.

Η

Όπως ήταν αναμενόμενο, Schema 2 είναι το πιο παρόμοιο με iMAT, καθώς και οι δύο παρέχουν την ίδια βαρύτητα με τις αντιδράσεις στο

Η

και

L

. Μπορεί να παρατηρηθεί ότι ο αριθμός των αντιδράσεων L περιλαμβάνονται είναι πολύ παρόμοια και ο αριθμός των

Η

αντιδράσεις περιλαμβάνονται από τον αλγόριθμο μας είναι κάπως χαμηλότερη. Συνολικά, οι δύο μέθοδοι αποκτήσουν παρόμοιες αναπαραστάσεις από την άποψη του αριθμού των

Η

και

L

αντιδράσεις που περιλαμβάνουν. Έτσι, θεωρούμε τον αλγόριθμο μας ένα έγκυρο εργαλείο για το έργο στο χέρι. Σημειώστε ότι το μέγιστο δυνατό ποσοστό

Η

αντιδράσεις που περιλαμβάνονται στην ανοικοδόμηση δεν φθάνει κατ ‘ανάγκη 100%, όπως μπορεί να υπάρχουν αντιδράσεις που δεν μπορούν να λειτουργήσουν σε σταθερή κατάσταση υπό τους επιβληθεί μέσο προϋποθέσεις.

essentiality Gene ανάλυση

με ένα γρήγορο αλγόριθμο ανακατασκευής στα χέρια μας, μπορούμε να αντιμετωπίσουμε το ζήτημα του βαθμού στον οποίο το σύνολο των βασικών γονιδίων επηρεάζεται από τα δεδομένα της έκφρασης συγκεκριμένο πλαίσιο. Για να διερευνήσουν περαιτέρω το θέμα αυτό, θα μετατεθούν το μεταβολικό χαρακτηρισμό γονιδιακής έκφρασης του κάθε δείγματος 10 φορές και ανακατασκευάστηκε τα αντίστοιχα δίκτυα που ακολουθείται από τον υπολογισμό των αντίστοιχων αναγκαίων γονιδίων τους, που οδηγεί σε ένα φόντο από περίπου 2000 τυχαία αποτελέσματα.

Εικ 3 δείχνει τα αποτελέσματα αυτού του πειράματος για Schema 3 (στον κατάλογο των γονιδίων και των αξιών μπορεί να βρεθεί σε S2 πίνακα). Όπως αναμενόταν μερικώς, υπάρχουν ορισμένα γονίδια που είναι αρκετά κοινές σε οποιαδήποτε ανακατασκευασμένες δίκτυο. Οι πιο ακραίες περιπτώσεις είναι γονίδια που εμφανίζονται ως απαραίτητα ό, τι η έκφραση εισόδου είναι. Αυτά είναι άμεση συνέπεια του δικτύου αναφοράς εισόδου, τις σταθερές συνθήκες μέσου ανάπτυξης και την επιλεγμένη αντίδραση της βιομάζας. Αυτή η ανάλυση επιβεβαιώνει το βαθμό στον οποίο αυτοί οι παράγοντες μπορούν να επηρεάσουν τα αποτελέσματα.

Αιθέρια συχνότητα του γονιδίου για την ανακατασκευή πλαίσιο ειδικών δικτύων επιλεγμένες καρκινικές κυτταρικές σειρές χρησιμοποιώντας τον αλγόριθμο μας με Schema 3 και Recon2 όπως το δίκτυο βάσης. Ο οριζόντιος άξονας περιέχει τα ENTREZ Σύμβολα των ληφθέντων απαραίτητα γονίδια. Το ύψος των ράβδων υποδεικνύει το κλάσμα των δειγμάτων στα οποία το γονίδιο εμφανίζεται ως απαραίτητη. Το ύψος του μαύρη γραμμή υποδεικνύει το κλάσμα τυχαία ανακατασκευάστηκε το δίκτυο στο οποίο το αντίστοιχο γονίδιο εμφανίζεται ως απαραίτητη.

Η

Σημειώστε ότι υπάρχουν και ορισμένα βασικά γονίδια είναι πολύ συχνή στα επιμέρους δείγματα, αλλά λιγότερο συχνές στην τυχαία δίκτυα. Αυτά θα είναι, a priori, οι πιο ενδιαφέρουσες, καθώς είναι πιο συναφείς από ό, τι τα άλλα γονίδια για τη συγκεκριμένη έκφραση των δειγμάτων.

Το πιο εντυπωσιακό γεγονός είναι ότι ο κατάλογος των ληφθεί απαραίτητα γονίδια αποκλειστική του καθενός είδος καρκίνου είναι αρκετά σύντομη. Μόνο 6 γονίδια εμφανίστηκε μόνο σε ένα τύπο καρκίνου κατά τη χρήση αλγορίθμου μας με Schema 3, 22 και 21, αν χρησιμοποιούνται Σχήμα 1 και 2, αντίστοιχα. Περιμέναμε ένα πιο ποικίλο σύνολο των απαραίτητων γονιδίων για κάθε τύπο καρκίνου.

Μερικές προηγούμενη εργασία εξετάστηκε η έννοια essentiality υπό συνθήκες πολύ διαφορετικές μέσο ανάπτυξης [38] για κάποια βακτηριακή μεταβολικών δικτύων. Κατέληξαν στο συμπέρασμα της ύπαρξης ενός πυρήνα των αντιδράσεων που απαιτούνται για την ανεξάρτητη παραγωγή βιομάζας του επιλεγμένου μέσου ανάπτυξης. Η μελέτη μας οδηγεί σε πολύ παρόμοια ιδέες για την περίπτωση της contextualization δικτύου. Το ίδιο συμπέρασμα επιτεύχθηκε για διαφορετικές ρυθμίσεις και τα σενάρια παραμέτρων, συμπεριλαμβανομένης της χρήσης Recon1 και ένα μέσο γενικής αύξησης (βλέπε Πίνακα Β S1 κειμένου).

Σύγκριση με το γονίδιο υψηλής απόδοσης φίμωση πειράματα

Μια συστηματική προσπάθεια για τον εντοπισμό βασικών γονιδίων σε διάφορους τύπους καρκινικών κυττάρων διεξάγεται σε αυτό που είναι γνωστό ως σχέδιο του Αχιλλέα [23]. Η κάλυψη αυτού του έργου έχει αυξηθεί κατά τα τελευταία χρόνια [23,39,40].