Stochastic modeling of phenotypic switching and chemoresistance in cancer cell populations
癌细胞中的表型异质性被广泛观察到,并且通常与耐药性有关。在一些情况下,肿瘤药物敏感性的这种异质性是由个体细胞随机和可逆地获得药物耐受表型驱动的,即使在同基因群体中也是如此。越来越多的证据进一步表明,细胞命运转变(例如上皮细胞向间充质细胞转变(EMT))与耐药性有关。在这项研究中,我们分析了随机模型的表型转换提供了一个框架,分析细胞命运的转变,如EMT作为一个来源的表型变异的药物敏感性。我们的细胞培养为基础的实验观察EMT和耐药性的表型转换连接的动机,我们分析了两个国家之间的表型转换在化疗的细胞毒性应激的存在下的粗粒度模型。我们推导出时间依赖性概率分布的分析结果,这些结果提供了对表型转换率的深入了解,并表征了癌细胞的初始表型异质性。所获得的结果也可以揭示有关的适应和选择的情况下,在肿瘤细胞毒性治疗的基本问题。
2019-01-24 q-bio.MN
Simulating Brain Tumor Heterogeneity with a Multiscale Agent-Based Model: Linking Molecular Signatures, Phenotypes and Expansion Rate
我们已经扩展了我们以前开发的基于代理的3D多尺度脑肿瘤模型,以模拟癌症异质性并分析其在感兴趣的尺度上的影响。虽然我们的算法继续采用表皮生长因子受体(EGFR)基因-蛋白质相互作用网络来确定细胞的表型,但它现在增加了与模型的生化微环境相关的肿瘤细胞黏附的显式处理。我们模拟了一个简化的肿瘤进展途径,导致五个不同的胶质瘤细胞克隆的出现,具有不同的EGFR密度和细胞的“搜索精度”。计算机模拟结果表明,微观肿瘤异质性可以影响肿瘤系统的多细胞生长模式。我们的研究结果进一步证实,EGFR密度的结果在更积极的克隆人口切换更早地从增殖为主的迁移表型。此外,通过分析触发增殖和迁移之间表型转换的动态分子特征,我们的计算机肿瘤基因组学数据显示了记录肿瘤发生的区域影响的空间和时间多样性,从而支持体外和体内多位点重复评估的附加值。潜在的影响,从这个在硅片工作的实验和计算研究进行了讨论。
2007-07-16 q-bio.MN q-bio.TO
Rare-Event Sampling of Epigenetic Landscapes and Phenotype Transitions
随机模拟已经成为研究基因调控网络动力学的有力工具,特别是在理解细胞表型稳定性和命运转变如何受到噪声基因表达的影响方面。然而,基因网络通常具有多个吸引子的动力学特征。随机模拟对于这样的系统通常是低效的,因为大部分模拟时间都花在等待罕见的跨越障碍的事件发生上。我们提出了一种基于稀有事件模拟的方法,用于计算亚稳态基因网络中的表观遗传景观和表型转换。我们的计算流水线的灵感来自于蛋白质折叠中的亚稳态和障碍交叉的研究,并提供了一种自动化的方法来计算和可视化基本的静态和动态信息,这些信息通常是传统模拟无法获得的。应用于胚胎干细胞多能性的网络模型,我们的模拟揭示了罕见的表型和表型状态之间的近似马尔可夫转换,发生在广泛的时间范围内。表型的相对概率和连接多能性和分化的过渡路径对控制转录因子-DNA结合动力学的全局动力学参数敏感。我们的方法显著扩展了随机模拟研究基因调控网络动态的能力,这可能有助于指导合理的细胞重编程策略。我们的方法也可以推广到其他类型的分子网络和随机动力学框架。
2017-12-29 q-bio.MN
The motility-matrix production switch in Bacillus subtilis -- a modeling perspective
该研究以枯草芽孢杆菌的运动性-基质生成开关为对象,通过建模分析SinR-SlrR双稳态开关的调控与随机性来源,发现SinI合成的内在波动无法驱动自发转换,转换由Spo0A磷酸中继的上游噪声触发。
2023-08-24 nlin.CD physics.bio-ph q-bio.CB
Predicting Phenotype from Genotype Through Automatically Composed Petri Nets
我们描述了一个模块化的建模方法,允许策展,更新和分布式开发的模块,通过加入社区的努力克服的问题,保持一个组合爆炸数量的单片模型最新的。为了这个目的,基因及其突变的等位基因对下游组件的影响是由可组合的,包含元数据的Petri网模型组织在一个数据库中的版本控制,通过Web界面访问。基因模块可以通过mRNA模块通过为自动数据库辅助组合物设计的特定界面与蛋白质模块偶联。然后,自动组装的可执行模型可以考虑细胞类型特异性基因表达模式和所得的蛋白质浓度。基因模块和等位基因干扰模块可以代表基因突变的影响,并预测其多效性的后果或揭示复杂的基因型/表型关系。正向和反向工程模块完全兼容。
2012-05-21 q-bio.MN
Thermodynamic and Statistical Signatures of Modality Changes in Concentration Distributions Driven by Stochastic Switching Between Two Activity States
Indian Institute of Technology Kharagpur(印度理工学院克哈格布尔分校)
本研究通过化学主方程分析双态随机切换下的mRNA积累模型,解析计算稳态分布、Fano因子和熵产生率,揭示动力学参数如何调控分布模态、噪声与耗散,建立广义随机积累动力学框架。
2026-09-10 cond-mat.stat-mech q-bio.MN
Integrative analysis of gene expression and phenotype data
将基因型与表型联系起来是现代遗传学的根本目标。通过综合分析,我们专注于研究基因表达数据和表型数据之间的联系。我们提出了三种方法。1)表型的固有复杂性使得高通量表型分析成为非常困难和费力的过程。我们提出了一种利用基因表达相似性的自动多维分析方法。大规模的分析表明,我们的方法可以提供强大的剖析,揭示不同的表型方面的样品。这种分析技术还能够在训练数据中给出的表型信息之外进行内插和外推。它可以用于许多应用,包括促进实验设计和检测混杂因素。2)表型关联分析问题由于样本量小、维数高而变得复杂。因此,从训练数据中获得的表型相关基因子集对训练样本的选择非常敏感,并且构造的样本表型分类器往往具有较差的泛化性能。为了消除这些障碍,我们提出了一种新的方法,产生序列越来越歧视性的基因簇组合。我们在模拟和真实数据集上的实验都显示了鲁棒和准确的分类性能。3)许多复杂的表型,如癌症,不仅是基因表达的产物,而且是基因相互作用的产物。我们提出了一种综合方法来寻找在不同表型条件下激活的基因网络模块。使用我们的方法,我们发现了癌症亚型特异性网络模块,以及这些模块协调的方式。特别是,我们检测到一个乳腺癌特异性肿瘤抑制网络模块与枢纽基因,PDGFRL,这可能在这个模块中发挥重要作用。
2015-06-29 q-bio.GN q-bio.MN q-bio.QM
DuctApe: a suite for the analysis and correlation of genomic and OmnilogTM Phenotype Microarray data
解决基因组的功能是当今生物学最重要和最具挑战性的任务之一。特别是将基因型与相应的表型联系起来的能力在代谢途径的重建和生物技术操作中是有意义的。在过去的几年中,OmniLogTM表型微阵列(PM)技术已被用于解决与微生物代谢功能相关的许多具体问题。然而,能够直接将PM数据与感兴趣的基因联系起来,然后提取基因表型相关性信息的计算工具仍然缺失。在这里,我们提出了DuctApe,一个套件,允许分析基因组序列和PM数据,以发现PM实验之间的代谢差异,并将它们与KEGG途径和基因存在/不存在模式相关联。作为例子,该程序的应用程序的四个细菌数据集。源代码和教程可以在http://combogenomics.github.io/DuctApe/上找到。
2013-12-13 q-bio.GN q-bio.MN
Post-transcriptional knowledge in pathway analysis increases the accuracy of phenotypes classification
动机:从高维数据中预测表型是精密生物学和医学中的一项重要任务。许多技术采用基因组生物标志物来表征表型。然而,这些元素不足以解释潜在的生物学。为了改善这一点,已经提出了途径分析技术。然而,这些方法在表型分类中缺乏准确性。结果如下:在这里,我们提出了一种新的方法,称为MITHrIL(Mirna enrIched paTHway Impact anaLysis),用于分析信号通路,该方法建立在Tarca等人的工作之上,2009. MITHrIL通过添加缺失的调控元件(如microRNA)及其与基因的相互作用来扩展通路。该方法将基因和/或microRNA的表达值作为输入,并返回根据其失调程度排序的途径列表以及相应的统计显著性(p值)。我们的分析表明,即使在最坏的情况下,MITHRIL也优于其竞争对手。此外,我们的方法能够正确分类从TCGA提取的肿瘤样本集。可用性:MITHRIL可在以下网址免费获得:http://alpha.dmi.unict.it/mithril/
2016-09-14 cs.CE q-bio.MN
Slow protein fluctuations explain the emergence of growth phenotypes and persistence in clonal bacterial populations
微生物学中最具挑战性的问题之一是了解一小部分抵抗抗生素杀死的微生物如何出现在遗传相同的细胞群体中,这种现象被称为持久性或药物耐受性。其特征是双相杀灭曲线,即暴露于杀菌剂的微生物最初被非常迅速地杀灭,但随后被缓慢得多地杀灭。在这里,我们将这个问题更普遍的问题,了解不同的生长表型克隆种群的出现。我们解决这个问题的数学通过采用所谓的弱遍历性打破,众所周知的动力学物理系统,我们扩展到生物背景下的现象的框架。我们分析和直接随机模拟表明,不同的生长表型可以出现作为一个结果的随机波动控制生长速率的基因的表达放缓。在快速基因转录的状态下,系统是遍历的,生长速率分布是单峰的,并且仅占一种表型。相反,在慢转录和快翻译,弱非遍历组件出现,人口分布的增长率变得双峰,并确定了两个不同的生长表型。当再加上抗生素杀灭的成熟的生长速率依赖性时,该模型描述了观察到的快速和缓慢杀灭阶段,并再现了细菌持久性的许多现象。该模型具有重大意义的努力,制定控制策略,持续感染。
2013-10-31 q-bio.MN q-bio.SC
Increased entropy of signal transduction in the cancer metastasis phenotype
对生物网络的统计特性的研究带来了重要的生物学见解,例如枢纽和层次模块的存在。在癌症基因组学的背景下,人们对研究网络的统计特性也越来越感兴趣。然而,对于癌症和正常细胞生理学之间或不同癌细胞表型之间的网络特征有何不同,人们知之甚少。基于频繁的基因组改变是更具侵袭性的癌症表型的基础这一观察结果,我们询问这种效应是否可以作为局部基因表达模式随机性的增加来检测。使用乳腺癌基因表达数据集和蛋白质相互作用的模型网络,我们得到约束加权网络定义的随机信息流矩阵,反映相互作用的蛋白质之间的表达相关性。基于这个随机矩阵,我们提出并计算了一个熵测度,它量化了单个基因周围信息流局部模式的随机性程度。通过比较非转移性与转移性乳腺癌网络中的局部熵,我们在这里表明,转移性乳腺癌的特征是局部表达模式的随机性程度小而显着增加。我们在另外三个乳腺癌表达数据集中验证了这一结果,并证明局部熵比其他非熵指标更好地表征了转移表型。我们表明,熵的增加可用于识别乳腺癌转移中涉及的基因和信号通路。因此,进一步探索这种整合的癌症表达和蛋白质相互作用网络将是一项富有成效的努力。
2010-08-01 q-bio.GN q-bio.MN
Development of a Three-Dimensional Multiscale Agent-Based Tumor Model: Simulating Gene-Protein Interaction Profiles, Cell Phenotypes & Multicellular Patterns in Brain Cancer
实验证据表明,表皮生长因子受体(EGFR)介导的信号蛋白磷脂酶C γ的激活在癌细胞的表型决定中起着关键作用,在给定的时间点增殖或迁移。在这里,我们提出了一种新的三维多尺度代理模型来模拟这种细胞的决策过程中的背景下,一个虚拟的脑瘤。每个肿瘤细胞都配备了EGFR基因-蛋白质相互作用网络模块,该模块还连接到简化的细胞周期描述。模拟结果表明,随着时间的推移,增殖和迁移细胞群不仅振荡,而且直接影响整个癌症系统的时空扩展模式。亚细胞相互作用网络的分子组分的浓度的百分比变化波动,并且对于增殖-迁移转换,我们发现表型触发分子谱在一定程度上随着肿瘤系统的生长和微环境的变化而变化。我们讨论了这些发现对实验和临床癌症研究的潜在影响。
2006-06-22 q-bio.MN q-bio.TO
Inferring Disease and Gene Set Associations with Rank Coherence in Networks
University of Minnesota Twin Cities(明尼苏达大学双城分校);Nankai University(南开大学)
验证在高通量基因组研究中鉴定的候选疾病基因的计算挑战是阐明候选基因集与疾病表型之间的关联。传统的基因集富集分析往往无法揭示疾病表型和基因集之间的关联,因为现有的致病基因的注释是不完整的。我们提出了一种基于网络的计算方法,称为rcNet,以发现基因集和疾病表型之间的关联。假设相干关联的基因之间的相关性排序的查询基因集,和疾病表型排序的相关性隐藏的目标疾病表型的查询基因集,我们制定了一个学习框架,最大限度地提高排名的一致性相对于已知的疾病表型基因的关联。一个有效的算法耦合岭回归和标签传播,并引入两个变种,以找到最佳的解决方案的框架。我们评估了rcNet算法和现有的基线方法,其中包括留一交叉验证和预测OMIM中最近发现的疾病-基因关联的任务。实验表明,与基线相比,rcNet算法实现了最佳的整体排名。为了进一步验证性能的可重复性,我们应用该算法来识别从最近的GWAS、DNA拷贝数变异分析和基因表达谱研究中获得的新候选疾病基因的靶疾病。在所有三个案例研究的许多情况下,算法将候选基因的靶疾病排在排名列表的顶部。rcNet算法可作为疾病和基因集关联分析的网络工具在http://compbio.cs.umn.edu/dgsa_rcNet上获得。
2011-02-18 cs.AI cs.LG q-bio.GN