Maklumat

Rintangan tumor: sel tunggal atau kesan populasi?

Rintangan tumor: sel tunggal atau kesan populasi?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Rintangan dadah boleh timbul melalui beberapa mekanisme. Sebagai contoh, mutasi EGFR apabila merawat dengan perencat EGFR, atau pengaktifan pampasan bagi laluan survival alternatif. Tetapi adakah ia berlaku pada tahap sel tunggal, atau adakah ia merupakan kesan populasi? Dalam erti kata lain, adakah sel yang terdedah kepada cth. perencat kinase yang disasarkan secara perlahan-lahan mengimbangi dengan laluan lain (dan itu akan berlaku dalam setiap sel tersebut) atau adakah terdapat subpopulasi sel yang sensitif kepada perencat dan subpopulasi lain yang secara semula jadi tahan dan cenderung untuk menguatkan laluan lain.


Sudah tentu boleh wujud kerjasama atau persaingan antara sel-sel kanser dalam tumor yang boleh memberikan beberapa jenis pengaruh berasaskan populasi terhadap kelangsungan hidup sel kanser. Bukti terkini, bagaimanapun, menunjukkan bahawa rintangan terhadap terapi hampir selalu disebabkan oleh subpopulasi sel kanser yang tahan dalam tumor. Dalam banyak kes, seperti selepas rawatan dengan perencat EGFR, mutasi rintangan telah dikenal pasti. Kadangkala mutasi ini berada dalam pecahan kecil sel kanser sehingga ia tidak dapat dikesan dalam tumor asal sebelum rawatan, tetapi dalam kebanyakan kes, mutasi ini mungkin telah wujud sebelum terapi, disebabkan oleh mutasi yang tidak dapat dielakkan semasa pertumbuhan tumor. Kajian tentang heterogeniti intra-tumor ini adalah tempat yang baik untuk mula belajar tentang topik ini.


Penyepaduan data RNA-seq sel tunggal ke dalam model populasi untuk mencirikan metabolisme kanser

Jabatan Gabungan Fisiologi Sel Molekul, Fakulti Bumi dan Sains Hayat, Universiti VU, Amsterdam, Belanda, Pusat Biologi Sistem Integratif Manchester, Pusat Pengajian Kejuruteraan Kimia dan Sains Analitik, Universiti Manchester, Manchester, United Kingdom, Institut Swammerdam untuk Sains Hayat, Fakulti Sains, Universiti Amsterdam, Amsterdam, Belanda

Peranan Pentadbiran projek, Penulisan – semakan & penyuntingan

Gabungan SYSBIO Pusat Biologi Sistem, 20126, Milan, Itali, Jabatan Bioteknologi dan Biosains, Universiti Milan-Bicocca, 20126, Milan, Itali

Peranan Pentadbiran projek, Penulisan – semakan & penyuntingan

Gabungan SYSBIO Pusat Biologi Sistem, 20126, Milan, Itali, Jabatan Bioteknologi dan Biosains, Universiti Milan-Bicocca, 20126, Milan, Itali

Peranan Pemerolehan pembiayaan, Pentadbiran projek, Sumber

Jabatan Informatik, Sistem dan Komunikasi Gabungan, Universiti Milan-Bicocca, 20126, Milan, Itali, Pusat Biologi Sistem SYSBIO, 20126, Milan, Itali


Daripada sel tunggal dan amplifikasi

Kunci kepada biologi sel tunggal, sudah tentu, adalah mengasingkan satu sel. Ini biasanya dicapai menggunakan mikromanipulasi, mikrobendalir, atau pengisihan sel diaktifkan pendarfluor (FACS), kaedah yang disukai oleh Stepanauskas.

Satu alternatif, dibangunkan di makmal Nancy Allbritton, pengerusi jabatan kejuruteraan bioperubatan bersama di University of North Carolina di Chapel Hill (UNC-CH) dan North Carolina State University (NCSU), ialah susunan microraft (MRA).

MRA ialah susunan unsur-unsur polistirena lutsinar, magnetik, kecil, setiap satu cukup kecil untuk dimuatkan ke dalam perigi kecil di atas pinggan atau gelongsor. Dikomersialkan oleh Mikrosistem Sel, MRA biasanya mengandungi kira-kira 10,000 telaga, kata Allbritton, walaupun beberapa ukuran dalam berjuta-juta. Penyelidik meletakkan sel mereka supaya terdapat, secara purata, sifar atau satu sel bagi setiap elemen. Mereka kemudiannya boleh imej tatasusunan dengan serta-merta, atau membenarkan sel untuk membesar dan membangunkan fenotip kompleks. Sel-sel yang diminati diasingkan perlahan-lahan menggunakan jarum mikro untuk menembusi bahagian bawah tatasusunan dan mengalihkan elemen MRA. Kerana ia adalah magnet, unsur-unsur ini mudah ditangkap, di mana ia boleh dianalisis atau dikembangkan secara klon.

Menurut Allbritton, sistem itu membolehkan strategi pengasingan yang mungkin mustahil, seperti mengasingkan limfosit T sitotoksik berdasarkan keupayaannya untuk membunuh sel sasaran. Dalam satu kajian, kolaborator UNC-CH Scott Magness, bekerja dengan Allbritton, menggunakan MRA untuk mengkaji sel stem usus. Antara lain, pasukan itu menggunakan platform untuk menyiasat sama ada sel stem usus mesti menghubungi sel lain secara fizikal untuk mencapai potensi penuh mereka. "Apa yang ditunjukkannya dengan jelas ialah mereka benar-benar perlu menyentuh sel Paneth untuk berkembang, berkembang, dan membahagikan serta mendapatkan kadar pertumbuhan tertinggi," kata Allbritton.

Vertes mengambil pendekatan yang lebih rendah untuk metabolisme. Menggunakan kapilari yang dipertajam dan mikromanipulator—alat yang biasanya digunakan dalam pengapit tampalan dan manipulasi embrio—pasukannya menyedut sebahagian kecil daripada picoliter bahan daripada sel yang melekat yang tersekat pada bahagian bawah hidangan kultur dan menyuntiknya terus ke dalam spektrometer jisim.

Dengan cara itu, kata Vertes, pasukannya boleh mengira kira-kira 22 metabolit dan 54 lipid daripada setiap kira-kira 30 hepatosit yang dikultur-bukan keseluruhan metabolom, sudah tentu, tetapi cukup untuk mendedahkan sebagai contoh, cas tenaga adenilat sel-satu ukuran kesihatan selular. Ia sentiasa mungkin untuk mengukur pembolehubah sedemikian pada peringkat populasi, nota Vertes. Tetapi dengan pergi ke peringkat sel tunggal, dia boleh memerhatikan pengedaran
keadaan tenaga, dan mengaitkan nilai tersebut dengan parameter seperti morfologi atau aktiviti metabolik. "Untuk setiap sel, kita boleh tahu [jika ia] adalah sel yang sihat, sel separuh mati, atau pengaturcaraan sel itu sendiri untuk mati," katanya.


Kajian Pemodelan Pengiraan Berasaskan Sel dalam Biologi Kanser

Biologi kanser melibatkan interaksi dinamik yang kompleks antara sel-sel kanser dan persekitaran mikro tisu mereka. Kesan sel tunggal adalah pemacu kritikal perkembangan klinikal. Komunikasi kimia dan mekanikal antara tumor dan sel stroma boleh mengikut sertakan proses fisiologi normal untuk menggalakkan pertumbuhan dan pencerobohan. Heterogenitas sel kanser meningkatkan keupayaan kanser untuk menguji strategi untuk menyesuaikan diri dengan tekanan persekitaran mikro. Hipoksia dan rawatan boleh memilih sel stem kanser dan mendorong pencerobohan dan rintangan. Model pengiraan berasaskan sel (juga dikenali sebagai model diskret, model berasaskan ejen atau model berasaskan individu) mensimulasikan sel individu semasa ia berinteraksi dalam tisu maya, yang membolehkan kita meneroka bagaimana tingkah laku sel tunggal membawa kepada dinamik yang kita perhatikan dan bekerja untuk mengawal dalam sistem kanser. Dalam ulasan ini, kami memperkenalkan rangkaian luas teknik yang tersedia untuk pemodelan pengiraan berasaskan sel. Pendekatan boleh terdiri daripada model yang sangat terperinci bagi hanya beberapa sel dan morfologinya kepada berjuta-juta sel yang lebih ringkas dalam tisu tiga dimensi. Pemodelan sel individu membolehkan kita menterjemah secara langsung pemerhatian biologi ke dalam peraturan simulasi. Dalam banyak kes, agen sel individu termasuk model skala molekul. Kebanyakan model juga mensimulasikan pengangkutan oksigen, ubat-ubatan dan faktor pertumbuhan, yang membolehkan kami menghubungkan perkembangan kanser dengan keadaan persekitaran mikro. Kami menggambarkan kaedah ini dengan contoh yang diambil daripada hipoksia kanser, angiogenesis, pencerobohan, sel stem, dan pengawasan imun. Ekosistem alat simulasi berasaskan sel boleh kendali sedang muncul pada masa sumber pengkomputeran awan menjadikan perisian lebih mudah diakses dan sumber superkomputer membolehkan kajian simulasi berskala besar. Apabila bidang ini berkembang, kami menjangkakan bahawa kajian simulasi berkemampuan tinggi akan membolehkan kami meneroka dengan pantas ruang kemungkinan biologi, menyaring strategi terapeutik baharu, dan juga merekayasa semula sel tumor dan stroma untuk mengawal sistem kanser.

Kanser ialah masalah sistem kompleks yang melibatkan interaksi antara sel-sel kanser dan persekitaran mikro tisu mereka. 1-3 Pendekatan terapeutik yang memfokuskan secara sempit pada sel kanser kerap membawa kepada hasil yang mengecewakan, termasuk rintangan, pencerobohan tisu dan kegagalan rawatan. Kegagalan sedemikian sebahagiannya disebabkan oleh tingkah laku yang tidak dijangka yang muncul daripada sistem dinamik tisu kanser. Terapi bertindak sebagai tekanan terpilih, walaupun sel-sel kanser menggunakan peningkatan kebolehubahan genetik untuk mencontohi strategi kelangsungan hidup secara meluas dan menyesuaikan diri. 3,4 Hipoksia kronik, satu lagi tekanan terpilih, membawa kepada perubahan metabolik, pemilihan sel stem kanser yang menentang rawatan, pencerobohan, dan angiogenesis. 4-6 Sel-sel tumor berkomunikasi secara biokimia dan biomekanik dengan sel stromal, yang membolehkan mereka untuk mengikut proses fisiologi normal. 1-3,7,8 Model matematik boleh berfungsi sebagai "makmal maya" dengan keadaan terkawal sepenuhnya di mana saintis dan doktor boleh menyiasat tingkah laku klinikal yang timbul yang terhasil daripada hipotesis sel asas dan boleh menilai strategi terapeutik baharu. 1,9

Kajian ini meninjau kaedah berasaskan sel untuk mensimulasikan kanser. Juga dikenali sebagai model diskret, model berasaskan ejen atau model berasaskan individu, model berasaskan sel mensimulasikan tingkah laku sel individu dalam persekitaran tisu. Model-model ini mempunyai beberapa kelebihan. Setiap agen sel boleh menjejaki keadaan bebas sepenuhnya dengan parameter individu yang mencerminkan heterogeniti dalam kanser. Pemodel boleh secara langsung melaksanakan peraturan sel yang mencerminkan pemerhatian tingkah laku sel tunggal dan interaksi sel sel, yang membolehkan kami menterjemahkan hipotesis biologi kepada peraturan matematik dengan cepat menjalankan eksperimen simulasi yang meneroka gelagat muncul hipotesis ini dan membandingkan dengan data baharu untuk mengesahkan, menolak, atau memperbaiki hipotesis asas secara berulang. 1,9,10

Model berasaskan sel mewakili sel individu dengan dua paradigma utama—model berasaskan kekisi yang menjejaki sel di sepanjang grid tegar dan model luar kekisi yang tidak mempunyai sekatan sedemikian. Rajah 1 mengklasifikasikan kebanyakan pendekatan pemodelan berasaskan sel. Jadual 1 menyenaraikan pakej pemodelan sumber terbuka utama.

FIG 1. Klasifikasi skematik pendekatan pemodelan berasaskan sel.

JADUAL 1. Kaedah Pengiraan dan Kit Alat Sumber Terbuka

Model berasaskan kekisi boleh menggunakan jerat berstruktur biasa (cth, Cartesian 11 [dua atau tiga dimensi [2D/3D], dodecahedral [3D]) 12 atau jejaring tidak berstruktur. 13 Jejaring berstruktur lebih mudah untuk dilaksanakan, divisualisasikan dan digabungkan dengan penyelesai persamaan pembezaan separa (PDE), tetapi strukturnya boleh membawa kepada pincang grid. 13 Mesh tidak berstruktur boleh mengelakkan isu ini 13 tetapi dengan kerumitan yang lebih besar.

Kami boleh mengkategorikan lagi kaedah berasaskan kekisi mengikut resolusi spatialnya. Dalam model automaton selular (CA), setiap tapak kekisi boleh memuatkan satu sel. 14-17 Pada setiap langkah masa, setiap sel dikemas kini dengan peraturan berasaskan kekisi diskret: kekal, pindah ke tapak kekisi jiran, mati (kosongkan tapak kekisi), atau bahagikan untuk meletakkan sel anak di tapak berdekatan. 14-17 Kaedah ini biasanya mengemas kini tapak kekisi dalam susunan rawak untuk mengurangkan artifak grid. 14,15

Dalam model gas kekisi CA (LGCA), tapak kekisi tunggal boleh mengandungi berbilang sel. 14,15,17,18 model LGCA menjejaki bilangan sel yang bergerak melalui saluran antara tapak kekisi individu dan bukannya gerakan setiap sel individu. Mereka boleh mensimulasikan bilangan sel yang sangat besar dengan cekap dalam tempoh yang lama sambil menyambung kepada teori mekanik statistik ini memudahkan analisis dan menyediakan jambatan kepada kaedah kontinum yang memodelkan kepadatan atau populasi sel dan bukannya sel tunggal. 17,18

Sesetengah masalah mungkin memerlukan penyelesaian morfologi sel individu. Model Potts Selular (CPM) menggunakan berbilang tapak kekisi untuk mewakili setiap sel. 14,15,19 Pada setiap langkah masa, CPM melawati setiap piksel (2D) atau voxel (3D), menguji swap rawak dengan piksel/voxel yang bersebelahan dan menerima atau menolak swap (kebarangkalian) berdasarkan sama ada ia akan mengurangkan tenaga global. Walaupun CPM boleh memodelkan morfologi sel dan mekanik yang tidak boleh digabungkan dalam model CA, ia lebih intensif dari segi pengiraan. Selain itu, penentukuran langkah Monte Carlo kepada masa fizikal boleh mencabar. 20

Kita boleh membahagikan model luar kekisi kepada model berasaskan pusat (CBM) yang memfokuskan pada volum sel (atau jisim) dan model yang memfokuskan pada sempadan sel. Kita boleh mengelaskan lagi pendekatan ini mengikut tahap perincian morfologi.

CBM menjejaki pusat jisim atau isipadu setiap sel, biasanya dengan menggunakan satu ejen perisian bagi setiap sel. 13-15,21 Sesetengah CBM mewakili sel sebagai titik, manakala yang lain secara eksplisit memodelkan volum sel. CBM biasanya mengemas kini kedudukan sel dengan merumuskan secara eksplisit daya pelekat, tolakan, lokomotif dan seperti seretan yang ditukar antara pusat sel. 13-15,21 Kebanyakan CBM menganggarkan sel sebagai sfera walau bagaimanapun, sesetengah sel menganggarkan sebagai ellipsoid boleh ubah bentuk untuk mewakili morfologinya dengan lebih baik. 22,23

CBM boleh memodelkan morfologi sel dengan lebih terperinci dengan memecahkan sel kepada unsur subselular 24,25 : Setiap sel diwakili oleh pelbagai agen berasaskan pusat yang berinteraksi dengan daya pelekat dan tolakan. Model-model ini lebih baik menganggarkan biomekanik sel tetapi pada peningkatan kos pengiraan. Sebaliknya, sel boleh disusun ke dalam kelompok atau unit berfungsi (cth, kelenjar payudara atau crypt kolon) yang disimulasikan sebagai agen yang berinteraksi dengan kuasa mekanikal atau gerakan berasaskan peraturan lain 26,27 ini membolehkan pemodel untuk memasukkan butiran heterogen ke dalam kelompok individu sel tetapi dengan kecekapan pengiraan yang lebih besar daripada CBM tradisional.

Kaedah berasaskan bucu (cth, Fletcher et al 28 ) memodelkan sel sebagai poligon (2D) atau polyhedra (3D) dan mengira daya yang bertindak pada bucunya ia amat berguna untuk memodelkan tisu konfluen. 29 Untuk resolusi spatial yang lebih besar, kaedah penjejakan hadapan, seperti kaedah sempadan terendam (IBM), selesaikan PDE untuk aliran bendalir di dalam dan di antara sel dan kemudian mengetengahkan titik sempadan di sepanjang membran sel dalam aliran ini. Kaedah set tahap 30 telah digunakan untuk mengesan pergerakan sempadan sel secara tersirat, 31 dan VCell (lihat Menyambung ke Kesan Molekul) baru-baru ini menambah keupayaan pengesanan hadapan. 32,33 Ini adalah antara kaedah berasaskan sel yang paling intensif secara pengiraan, tetapi ia berguna untuk menggabungkan mekanik sel terperinci kepada mekanik tisu cecair dan pepejal.

Kebanyakan model berasaskan sel ialah kontinum diskret hibrid, ia menggandingkan model sel diskret kepada model kontinum persekitaran mikro. 1,14,15 Secara umum, model ini menggunakan PDE resapan tindak balas untuk mensimulasikan biotransport oksigen, faktor pertumbuhan dan ubat. Ghaffarizadeh et al 34 membangunkan BioFVM untuk menyelesaikan pengangkutan meresap berpuluh-puluh kepada ratusan substrat kimia dalam tisu 3D ia merupakan penyelesai PDE asas untuk PhysiCell (rangka kerja simulasi berasaskan pusat). 21 Dalam rangka kerja ini, pemodel menulis peraturan untuk mengaitkan fenotip sel individu dengan keadaan substrat kimia tempatan. 21

Banyak model diskret termasuk sistem persamaan pembezaan biasa (ODE) untuk memodelkan proses molekul dalam sel individu. 35,36 VCell boleh mensimulasikan aliran tindak balas banyak protein dalam sel terperinci tunggal, 32,33 dan banyak pakej pemodelan (cth, Chaste, 37 CompuCell3D, 38 dan EPISIM 39 ) sistem sokongan bahasa penanda biologi (SBML) untuk memasukkan sistem ODE yang mensimulasikan kesan molekul dalam sel individu. Yang lain menggunakan model diskret dalam ejen individu: Gerlee dan Anderson 40 menggunakan rangkaian saraf kecil untuk mensimulasikan "keputusan" fenotip sel individu berdasarkan input persekitaran mikro, manakala PhysiBoSS 41 menggabungkan pendekatan pemodelan rangkaian Boolean MaBoSS 42,43 dengan PhysiCell 21 untuk mensimulasikan proses molekul dalam sel individu.

Kami kini meneroka satu siri tema pemodelan yang menggambarkan penggunaan pemodelan berasaskan sel dalam biologi kanser. Walaupun kami tidak boleh menyemak secara menyeluruh semua pemodelan berasaskan sel dalam kanser (atau menyampel semua kes penggunaan utama untuk pemodelan berasaskan sel), tema ini diambil dari seluruh bidang untuk menunjukkan masalah saintifik dengan kesan skala sel yang ketara di mana model berasaskan sel boleh menghasilkan pandangan baru.

Banyak kumpulan telah menggunakan model berasaskan sel untuk menyiasat pertumbuhan tumor dalam tisu hipoksik dan secara amnya, kesan had pengangkutan meresap. Gatenby et al 44 dan Smallbone et al 45 menggunakan CA untuk memeriksa penukaran yang didorong oleh hipoksia kepada fenotip invasif dalam karsinoma duktal in situ (DCIS). Mereka menggabungkan penyesuaian metabolik selular kepada hipoksia, yang membolehkan mereka mengkaji pencerobohan tumor awal (Rajah 2A). Anderson dan rakan sekerja 46, 47 melanjutkan keputusan CA yang lebih awal dengan menyesuaikan IBCell 30 (IBM) kepada percambahan sel tumor mamma tetikus (EMT6 / Ro) dalam tisu hipoksia. Seperti sebelum ini, mereka mendapati bahawa kecerunan hipoksik boleh memacu pencerobohan tisu, tetapi pemodelan lekatan sel dan biomekanik IBCell yang lebih baik meramalkan petua invasif yang lebih bulat 47 (Rajah 2B).

RAJAH 2. Model hipoksia berasaskan sel dalam kanser payudara. (A) Model automaton selular kanser payudara yang meneroka perubahan metabolik selular dan perkembangan awal pencerobohan. Dicetak semula dengan kebenaran daripada Gatenby et al. 44 (B) Model sempadan terendam untuk mensimulasikan pencerobohan kanser di bawah kecerunan hipoksik. Diadaptasi dengan kebenaran daripada Anderson et al. 47 (C) PhysiCell (model berasaskan pusat [CBM]) simulasi karsinoma duktal in situ apabila ia berkembang dalam saluran payudara di bawah had pertumbuhan meresap. Perhatikan teras nekrotik coklat. Diadaptasi dengan kebenaran daripada Ghaffarizadeh et al. 21 (D) Simulasi PhysiCell yang disesuaikan bagi spheroid tumor gantung-drop. Had penyebaran oksigen membawa kepada kecerunan hipoksik, percambahan terbesar pada pinggir luar, kawasan senyap dalaman, dan teras nekrotik pusat (coklat). Perhatikan rangkaian liang berisi bendalir yang muncul daripada mekanik teras nekrotik. Ini diperhatikan dalam eksperimen. Inset menunjukkan imej pendarfluor sferoid tumor gantung-drop. Diadaptasi dengan kebenaran daripada Ghaffarizadeh et al. 21 (E) CBM spheroid tumor yang dipelopori oleh Drasdo dan Höhme menghasilkan struktur berlapis yang sama. Dicetak semula dengan kebenaran daripada Drasdo dan Höhme. 48 (F) CBM kord tumor yang tumbuh di sekeliling saluran darah dan menunjukkan struktur terbalik dengan tisu berdaya maju di bahagian dalam. Diadaptasi dengan kebenaran daripada Szymańska et al. 49

Macklin et al 50 dan Hyun dan Macklin 51 menggunakan CBM untuk mengkaji percambahan dan nekrosis dipacu oksigen dalam DCIS jenis pepejal dengan komedonekrosis. Selepas menentukur kepada data patologi pesakit individu (spesimen tisu yang diimunostainkan untuk protein Ki67 untuk mengesan sel berbasikal, membelah caspase 3 untuk mengesan apoptosis, dan beranotasi dengan saiz rim yang berdaya maju dan ketumpatan sel 50 ), mereka dapat mensimulasikan komedonekrosis dan mikrokalsifikasi sebagai sifat kemunculan. daripada simulasi bersama-sama dengan kadar perkembangan tumor yang realistik dan berterusan di sepanjang saluran payudara. Ghaffarizadeh et al 21 memperhalusi model DCIS dan memanjangkannya kepada 3D serta mensimulasikan bahagian dalam hipoksik spheroid jatuh gantung yang ditentukur untuk memadankan kinetik kelahiran dan kematian MCF-10A dalam budaya (Rajah 2C dan D). Seperti dalam kerja awal 3D oleh Drasdo dan Höhme 48 pada sel EMT6/Ro (Rajah 2E), mereka meramalkan struktur berlapis-rim proliferatif luar mengelilingi kawasan perinecrotik yang senyap dan teras nekrotik dalaman. Mereka adalah yang pertama meramalkan rangkaian liang yang dipenuhi bendalir dalam teras nekrotik yang muncul daripada kesan bersaing pengecutan sel nekrotik dan lekatan struktur ini diperhatikan dalam model eksperimen (inset Rajah 2D). Szymańska et al 49 menggunakan CBM sel EMT6 untuk mensimulasikan kord tumor yang semakin membesar—tumor pepejal yang tumbuh di sekeliling saluran darah. Mereka meramalkan struktur tiga lapisan yang serupa tetapi dalam susunan terbalik-teras yang membiak yang paling hampir dengan saluran darah, bahagian dalam yang senyap dan bahagian luar nekrotik (Rajah 2F).

Angiogenesis yang disebabkan oleh tumor membolehkan lesi berkembang kepada saiz yang boleh dikesan secara klinikal. 3 McDougall dan rakan sekerja 52,53 memodelkan angiogenesis bercambah dengan model CA penghijrahan hujung kapal: Ejen hujung pucuk mengikuti isyarat kemotaktik dan haptotaktik untuk berhijrah ke kawasan tumor hipoksik dan meninggalkan jejak pembuluh berfungsi. Mereka menggabungkan model aliran rangkaian vaskular terperinci, termasuk peraturan tegasan ricih dinding dinamik untuk cawangan dan anastomosis kapal (gelung kapal), dan menggunakan rangka kerja ini untuk meneroka penghantaran terapeutik daripada vaskular yang berkaitan dengan tumor (Rajah 3A). Bauer et al 54 menggunakan CPM untuk mensimulasikan angiogenesis yang disebabkan oleh tumor, dengan menambahkan persekitaran mikro yang terperinci, termasuk matriks ekstraselular (ECM) dan pelbagai isoform faktor pertumbuhan endothelial vaskular mereka menyimpulkan bahawa variasi dalam taburan spatial faktor proangiogenik sangat mempengaruhi morfologi kapilari dan itu. ketidakhomogenan dalam tisu bukan vaskular secara semula jadi membawa kepada anastomosis kapilari. Boas dan Merks 55 menggunakan CPM untuk menyiasat hipotesis baru mengenai pengambilan sel: Komunikasi biomekanikal dan kimia sel sel boleh menyebabkan sel endothelial dalam tangkai mengambil peranan untuk memindahkan sel hujung dengan berhijrah ke hadapan kapal yang semakin maju (Rajah 3B) . Shirinifard et al 56 menggunakan CPM untuk menyiasat pertumbuhan tumor dengan angiogenesis dan menunjukkan bahawa saiz tumor meningkat dengan peningkatan angiogenesis dan bahawa tumor tumbuh di sepanjang vasculature (Rajah 3C).

FIG 3. Angiogenesis dan aliran vaskular yang berkaitan dengan tumor. (A) Model automaton selular dua dimensi (2D) angiogenesis bercambah yang digunakan untuk mengkaji penghantaran ubat daripada vaskular tumor. Dicetak semula dengan kebenaran daripada McDougall et al. 53 (B) Model angiogenesis Potts selular 2D. Sel tangkai boleh mengatasi sel hujung untuk menjadi sel hujung baharu. Anak panah menunjukkan pertukaran peranan ini. Dicetak semula dengan kebenaran daripada Boas dan Merks. 55 (C) Model Potts selular 3D bagi angiogenesis bercambah didorong oleh faktor pertumbuhan endothelial vaskular yang dikeluarkan oleh sel tumor hipoksik. Diadaptasi dengan kebenaran daripada Shirinifard et al. 56 (D) Model automaton selular 2D (kiri) untuk menyiasat penghantaran ubat kepada tumor simulasi (kanan). Diadaptasi dengan kebenaran daripada Cai et al. 57 (E) Model angiogenesis diskret McDougall et al 53 digabungkan dengan model pertumbuhan tumor kontinum 58 yang digunakan untuk menyiasat kesan tekanan cecair interstisial dan saliran limfa pada penghantaran terapeutik. Ditunjukkan ialah tumor dan ekstravasasi cecair vaskular (kiri) diskret daripada darah dan saluran limfa (tengah) dan halaju cecair interstisial (kanan), yang menghalang penghantaran ubat. Diadaptasi dengan kebenaran daripada Wu et al. 59

Cai et al 57 menggunakan model CA sel tumor dalam ECM berterusan ditambah dengan model angiogenesis diskret yang merangkumi kesan aliran dan perfusi substrat daripada vasculature (Rajah 3D). Mereka menunjukkan bahawa konfigurasi kapal akhir bergantung pada mekanisme maklum balas dinamik yang muncul dalam pembentukan semula vaskular dan bukannya pada keadaan awal. Wu et al 59 melanjutkan model kontinum diskret hibrid yang lebih awal 58 (yang berdasarkan McDougall dan rakan sekerja 52,53 ) untuk menyiasat pengaruh tekanan cecair interstisial, aliran cecair interstisial, dan saliran limfa pada penghantaran ubat dalam tumor yang semakin meningkat. 59 Mereka mendapati bahawa kekonduksian hidraulik celahan yang tinggi dan tekanan cecair celahan yang tinggi mengehadkan penghantaran transvaskular nutrien dan terapeutik (Rajah 3E).

Model sel stem kanser (CSC) menawarkan pandangan berharga tentang daya penggerak biologi kanser. Fletcher dan rakan sekerja 37,60,61 membangunkan CBM 3D crypts kolon untuk meneroka peranan sel stem (di bahagian bawah crypt) dalam karsinogenesis kolorektal. Sel-sel jiran disambungkan oleh spring linear, dan pembahagian dan pembezaan sel stem didorong oleh kecerunan Wnt di sepanjang paksi crypt. Geometri hierarki sel stem (percambahan di pangkalan crypt, pengembangan dan pembezaan di sepanjang bahagian tengah dan atas) mencipta fluks sel proliferatif asas ke atas keseluruhan. Fluks ini mempunyai kesan perlindungan antikanser di mana ia menolak mana-mana sel bermutasi dan keturunannya keluar dari kubur sebelum ia boleh merebak ke seluruh kubur, melainkan mutasi berlaku dalam niche sel stem (Rajah 4A).

RAJAH 4. Sel stem kanser, pencerobohan, dan hipotesis "pergi atau tumbuh". (A) Pandangan atas model tiga dimensi (3D) berasaskan pusat bagi crypt kolon (plot kiri) di mana niche sel stem berada di tengah. Mutasi bukan batang (sel biru) dihanyutkan keluar dari crypt oleh fluks sel proliferatif. Di sebelah kanan, ialah paparan 3D bagi empat saluran sedemikian yang memberi sel kepada vilus pusat, yang berdasarkan model simulasi yang sama. Diadaptasi dengan kebenaran daripada Fletcher et al 61 (kiri) dan Mirams et al 37 (kanan). (B) Model automaton selular (CA) 3D (dengan kesan sel stem) tentang bagaimana isyarat kimia dengan fibroblas dan makrofaj boleh memacu kanser payudara tiga kali ganda negatif. Antara penemuan ini, jika sel stromal boleh menggalakkan peningkatan penghijrahan sel kanser, tumor keseluruhannya akan membesar. Dicetak semula dengan kebenaran daripada Norton et al. 62 (C) Model CA 2D untuk menyiasat penyebaran sifat dalam tumor yang semakin meningkat, apabila sel kanser dan keturunannya boleh membawa empat ciri tumor. Ciri-ciri tersebar sebahagian besarnya secara jejari, dengan implikasi yang jelas untuk biopsi jarum tumor. Diadaptasi daripada Poleszczuk dan Enderling. 11 (D) Model sel stem Potts selular 2D dalam glioblastoma yang menunjukkan peranannya dalam membina ketahanan terhadap radioterapi. Dicetak semula dengan kebenaran daripada Gao et al. 63 (E) Model CA gas kekisi bagi hipotesis "go or grow" dalam glioblastoma multiforme. Apabila sel menghabiskan lebih banyak masa untuk membiak, ia menyumbang kepada pertumbuhan yang lebih baik sehingga ke titik peralihan kritikal di luar titik ini, pengurangan penghijrahan tidak mencukupi untuk membuka ruang bagi pembahagian sel. Diadaptasi dengan kebenaran daripada Hatzikirou et al. 64 (F) Model berasaskan pusat untuk meneroka hipotesis "go or grow" dalam glioblastoma multiforme. Di sini, G0 ialah parameter kadar pertumbuhan model. Diadaptasi dengan kebenaran daripada Kim et al. 65

Norton et al 62 membina model CA 3D untuk mengkaji interaksi antara kanser payudara triple-negatif dan sel stromal. Sel stem membiak dan dibezakan menjadi sel progenitor, dan sel kanser bertukar isyarat kimia dengan fibroblas dan makrofaj yang menyusup. Di antara keputusan mereka, mereka mendapati bahawa meningkatkan kesan stromal pada percambahan sel kanser mengurangkan saiz tumor keseluruhan, manakala meningkatkan kesan stromal pada penghijrahan sel kanser meningkatkan saiz tumor (Rajah 4B).

Poleszczuk et al 66 membangunkan model CA 2D CSC dan sel kanser bukan batang, yang menjejaki empat ciri dalam setiap sel individu: kadar penghijrahan, apoptosis, pembahagian CSC simetri, dan potensi percambahan sel kanser. Mereka mendapati bahawa meningkatkan potensi percambahan sel kanser boleh mengurangkan pertumbuhan tumor kerana peningkatan populasi sel kanser bersaing dengan CSC untuk ruang dan menghalang pembahagian CSC. Mereka juga mendapati bahawa ciri-ciri yang disebarkan secara jejari dari pusat tumor yang semakin meningkat ini mempunyai implikasi untuk biopsi heterogeniti tumor (Rajah 4C). Gao et al 63 menggunakan CPM untuk menyiasat peranan sel stem glioma (GSC) dalam pertumbuhan glioblastoma dan tindak balas terapi sinaran (Rajah 4D). Mereka mendapati bahawa beralih daripada pembahagian asimetri kepada simetri atau berbasikal GSC pantas adalah perlu untuk menjelaskan pemerhatian klinikal repopulasi glioma selepas radioterapi dan pecahan GSC yang diperluaskan boleh mengurangkan radiosensitiviti.

Alfonso et al 67 juga meneroka paradigma rawatan radioterapi berkenaan dengan populasi heterogen CSC dan sel kanser menggunakan model CA 3D. Mereka mendapati bahawa CSC, yang biasanya lebih tahan radio, diasingkan ke pusat tumor merentasi pelbagai parameter percambahan dan kematian. Fenomena yang timbul ini disebabkan oleh masa kitaran sel kanser yang lebih cepat berbanding dengan CSC. Apabila susunan sel ini tertakluk kepada radioterapi, mereka mendapati bahawa radioterapi lebih berkesan dalam kawalan tumor apabila ia tertumpu pada pusat tumor di mana CSC terletak dan bukannya apabila ia tersebar secara homogen di seluruh tumor.

Tektonidis et al 68 meneliti hipotesis "go or grow" (GoG) dalam glioma, di mana sel tumor mesti membuat "keputusan" antara migrasi (pergi) atau percambahan (tumbuh). Mereka memodelkan data daripada kultur sel sferoid 3D dengan model LCGA 2D dan cuba menyusun semula tiga pemerhatian eksperimen: kadar penyebaran tidak serupa pada rim invasif dan teras pusat, gerakan sel yang berterusan dan simetri secara jejari, dan teras pusat yang sangat proliferatif berbanding dengan tumor yang tinggal. . Tektonidis et al menilai tingkah laku model yang muncul di bawah pelbagai set peraturan fenotip sel untuk menentukan peraturan yang diperlukan untuk meramalkan tiga pemerhatian. Mereka mendapati bahawa dikotomi proliferatif-motil (hipotesis GoG), penolakan sel-sel, dan pensuisan bergantung kepada ketumpatan antara keadaan proliferatif dan motil diperlukan untuk memadankan pemerhatian eksperimen. Mereka menyimpulkan bahawa gangguan mekanisme GoG untuk memihak kepada percambahan boleh mengehadkan jumlah reseksi tumor yang diperlukan dalam campur tangan pembedahan.

Hatzikirou et al 64 menyiasat hipotesis GoG dalam glioblastoma multiforme (GBM) menggunakan model LGCA 2D. Dalam kerja mereka, sel boleh membahagi, mengorientasikan semula, berhijrah, atau apoptose berdasarkan keadaan pengoksigenan tempatan. Mereka memodelkan hipotesis GoG dengan menukar sel hipoksik kepada fenotip motil dan kembali kepada fenotip proliferatif selepas melarikan diri dari hipoksia. Mereka mendapati bahawa meningkatkan kecenderungan sel terhadap percambahan meningkatkan pertumbuhan tumor keseluruhan, tetapi melintasi ambang boleh mengurangkan pertumbuhan tumor keseluruhan apabila motilitas tidak mencukupi untuk membuka ruang baru untuk pembahagian sel (Rajah 4E). Keputusan setanding diperolehi oleh Gerlee dan Nelander 69 menggunakan pertukaran stokastik antara dua fenotip (berhijrah atau membiak). Daripada model CA mereka, mereka memperoleh sistem PDE yang digabungkan untuk menyiasat lebih lanjut hubungan antara parameter peringkat sel dan dinamik skala tumor.

Dalam kerja berkaitan, Böttger et al 70 meneroka model LGCA GoG 2D untuk GBM untuk menyediakan analisis ruang parameter yang lebih kuantitatif bagi dinamik invasif tumor. Parameter model yang berbeza-beza secara sistematik untuk percambahan dan motilitas membawa kepada keputusan berlawanan dengan intuitif tentang pencerobohan. Secara khusus, kelajuan pencerobohan bergantung pada dua proses yang bersaing: mengosongkan ruang akibat penghijrahan sel dan mengisi ruang akibat percambahan sel. Dalam kerja kemudian, Böttger et al 71 menggunakan teknik yang sama untuk mendapati bahawa jika motilitas sel berkurangan dengan peningkatan ketumpatan sel, maka tumor kecil akan padam sendiri. Sebaliknya, peningkatan motilitas sel dengan peningkatan ketumpatan sel membawa kepada pertumbuhan mampan diri, serupa dengan kesan Allee yang sering diperhatikan dalam ekologi.

Kim et al 65 menggunakan CBM untuk meneroka GBM menggunakan miR-451 sebagai pengesan glukosa intraselular, dengan model ODE miR-451 sebagai pengesan untuk memilih penghijrahan berbanding percambahan untuk sel glioma (Rajah 4F). Mereka mendapati bahawa penghijrahan sel bergantung bukan sahaja pada glukosa, tetapi juga pada jarak mekanikal antara sel. They also predicted that the placement of chemoattractants at the edges of a resected tumor could reduce GBM cell migration from the resection site. These GoG examples highlight the key role played in single-cell decisions in GBM and the potential for cell-based models that explore the clinical behaviors that emerge from single-cell effects. 72

Cancer invasion is essential to metastatic progression. 3,72-74 Cancer cells acquire a motile phenotype to escape primary tumors and invade nearby tissues (as conceptually modeled in epithelial-to-mesenchymal transition [EMT] 75 ), invade and travel within blood and lymphatic vessels, 76,77 and finally colonize distant metastatic niches. 78 Because single-cell effects are critical, many cell-based models have investigated cancer invasion with or without explicit modeling of EMT.

Reher et al 79 developed a 2D LGCA model to simulate the effects of a heterogeneous cell-cell adhesion in an epithelial layer, with decreased cell-cell adhesion representing one of the effects of EMT. Cell-cell adhesion was modeled by varying the initial and maximum number of adhesion receptors for each virtual cell. They found that increased adhesion heterogeneity as well as decoupling receptor number from environmental signals (cell-cell contact) lead to increased dissemination.

Kim and Othmer 80 developed a center-based model with a continuous ECM description to investigate the interactions of tumor cells, signal-secreting stromal cells, and the ECM. Stromal levels of fibroblast-secreted protein initiated EMT, which switches cells to an invasive, motile phenotype. Invasive cells also secreted a tumor-associated protease, which degrades the basement membrane and ECM. Degradation of the basement membrane results in more cell exposure to fibroblast-secreted protein, which results in more phenotypic switching more invasion more ECM degradation and ultimately, collective cell invasion ( Fig 5A ). These results suggest that inhibiting fibroblast secretions could affect invasive potential.

FIG 5. Cancer invasion and immunosurveillance. (A) In a center-based model, signals secreted by stromal cells (red) induce tumor cells (gray) to degrade the basement membrane and invade the stroma (blue mesh). Adapted with permission from Kim et al. 80 (B) A three-dimensional (3D) cellular automaton (CA) model to study selection in heterogeneous brain cancers. Cells could mutate their signaling network parameters, which leads to more invasive clones. Adapted with permission from Zhang et al. 81 (C) An immersed boundary method of contact-based signaling and polarization in breast acini. 82,83 Cells with altered signaling could fill the lumen or invade the stroma. Adapted with permission from Anderson et al. 82 (D) A 2D CA model of tumor-immune interactions. Immune cells (blue dots) become exhausted after too many successful tumor cell kills and create fibrotic tissue (yellow). Tumor encapsulation, tumor elimination, and chronic response are observed in the model. Adapted with permission from Kather et al. 84 (E) A sophisticated 3D CA model of treatments targeting programmed cell death-1 (PD-1) and programmed death ligand 1 (PD-L1) in cancer cells. (PD-L1 + cells express PD-L1 PD-L1 − cells do not.) Reprinted with permission from Gong et al. 85 (F) A 3D center-based model of immune responses to an immunostimulatory factor in a heterogeneous tumor (shaded by immunogenicity yellow cells are most immunogenic). Immune cells (red) seek and adhere to cancer cells, test for immunogenicity, and induce apoptosis. The immune response failed after immune cells aggregated near a local maximum in the signaling factor, which allows the tumor to repopulate. Adapted with permission from Ghaffarizadeh et al. 21 This work was explored further with high-performance computing. 10

Zhang et al 81 used a 3D CA model to investigate tissue invasion and tumor cell heterogeneity in glioma. Using a subcellular signaling network, cells divide and move on the basis of external concentrations of nutrients and signaling molecules. They acquire oncogenic mutations upon division to produce new clones. Each successive clone is more proliferative and nutrient seeking, which increases overall invasive potential. By starting with a sphere of the least oncogenic cells in the center of the simulation, Zhang et al found that heterogeneity increased in all regions of the simulation followed by a decrease in heterogeneity in the regions that contain the nutrient source and eventual recovery of heterogeneity. The decrease was attributed to an outgrowth of the most oncogenic subclone, which potentially explains the asymmetric invasive growth seen in experimental and clinical reports ( Fig 5B ).

Anderson et al 82 used an IBM to investigate morphologic changes in breast acini as a result of variation in cell polarization and anoikis behaviors in response to cell contact with other cells and the basement membrane. In this, and additional work by Rejniak et al, 83 Anderson et al showed that atypical behavior in a single cell can lead to eventual intraductal and stromal invasion ( Fig 5C ).

In a sophisticated investigation of metastatic colonization, Araujo et al 86 developed a hybrid CA model of prostate cancer (PCa) bone metastasis. In their work, mesenchymal stromal cells differentiated into osteoblasts that created bone material, whereas osteoclasts degraded bone. In the absence of tumor cells, these cell populations coordinated through transforming growth factor-β and receptor activator of nuclear factor kappa beta ligand (RANKL) signaling to maintain healthy bone tissue. When PCa cell agents were introduced into the bone, tumor-secreted transforming growth factor-β promoted osteoblast activity, but osteoblast-osteoclast feedbacks simultaneously degraded bone to release new growth factors that could drive additional PCa proliferation and invasion. Araujo et al studied the model to compare potential improvements of RANKL inhibitors and bisphosphonates (two standard-of-care treatments for bone metastases). They found that additional refinements to bisphosphonates would yield little clinical improvement over current treatments, whereas improvement of RANKL inhibitors from the current (model-estimated) 40% inhibition closer to a theoretical maximum 100% inhibition could dramatically improve outcome.

Individual interactions between tumor cells and immune cells are critical to immunosurveillance. 3,7,87 Cell-based models are uniquely capable of examining these while considering the roles of stochasticity and heterogeneity.

Kather et al 84 developed a CA model to study complex interactions between tumor cells and immune cells. In their model, immune cells could randomly appear (an influx model), migrate toward tumor cells, and kill them. Immune cells were assumed to be exhausted after killing a maximum number of times and would induce tissue fibrosis that impaired cell migration. Tumor cells could proliferate, die, remain stationary, or migrate on the basis of the number of open neighboring lattice sites and their distance to the nearest open lattice site (a phenomenologic model of necrosis). Depending on the relative migration and proliferation parameters for tumor and immune cells, this model could exhibit diverse tumor-immune interactions, including successful immunosurveillance (eradicated), tumor encapsulation by fibrotic tissue (immune excluded), and ongoing immune responses ( Fig 5D ). Gong et al 85 recently developed a 3D CA model to investigate the tumor-immune responses to programmed cell death-1 and programmed death-ligand 1 inhibition ( Fig 5E ).

Ghaffarizadeh et al 21 developed a 3D off-lattice model of an immune attack on a tumor with a heterogeneous oncoprotein (mutations increased both proliferation and immunogenicity). After simulating initial growth, they added simulated immune cells that chemotaxed toward tumor-released immunostimulatory factors. Each immune cell tested for mechanical collision with cells, formed an (Hookean) adhesion, tested for immunogenicity, and stochastically attempted to induce tumor cell apoptosis. Attached immune cells eventually would succeed in killing the tumor cell and detach or continue the attempt before detaching and continuing their search for new targets. Their simulations showed initial tumor regression but eventual tumor regrowth when immune cells passed some tumor cells and formed large clumps near maxima of the immunostimulatory factor ( Fig 5F ). The authors have expanded their investigation to supercomputers to explore further the effect of stochastic migration on the overall efficacy of the immune response 10 this work showcases the potential for using supercomputers to explore large therapeutic design spaces in high throughput.


Sumber interaktif untuk sekolah

Sel darah merah

Membawa oksigen dalam darah. Mereka juga dikenali sebagai eritrosit.

Salur darah

Tiub yang melaluinya darah dibawa ke sekeliling badan contohnya arteri, vena dan kapilari

Kemoterapi

Rawatan penyakit menggunakan ubat yang memusnahkan sel kanser

Radioterapi

Rawatan penyakit menggunakan sinar-X atau bahan radioaktif yang membunuh sel

Sumsum tulang

Ditemui di bahagian tengah tulang, ia mengandungi sel induk dewasa yang membahagi dan membezakan untuk menghasilkan sel darah merah dan putih

Neuron

Sel disesuaikan untuk membawa maklumat dalam bentuk impuls elektrik

Hormone

A chemical messenger produced by a particular gland or cells of the endocrine system. Hormones are transported throughout the body in the blood stream but they produce a response only in specific target cells

Tisu

Sekumpulan sel dalam organisma yang khusus untuk bekerjasama untuk menjalankan fungsi tertentu.

Hati

A large organ in the upper abdomen which manufactures, stores and breaks down substances as required by the body

Pembahagian sel, mitosis dan barah

Organisma pelbagai sel, seperti manusia, terdiri daripada berbilion sel. Sel-sel ini perlu dibahagi dan disalin sendiri dengan pelbagai alasan. Sebagai contoh:

  • sel haus dan perlu diganti
  • sel baru membolehkan badan membaiki tisu yang rosak
  • sel baru membolehkan badan tumbuh

Mitosis

Bentuk pembahagian sel yang paling biasa disebut mitosis. Ia digunakan untuk pertumbuhan dan pembaikan. Semasa mitosis, sel membuat salinan tepat dirinya dan berpecah kepada dua sel baharu. Setiap sel mengandungi salinan tepat kromosom sel asal dalam 23 pasangannya. Inilah sebab mengapa semua sel dalam organisma sama secara genetik.

Untuk mengetahui lebih lanjut mengenai mitosis, pergi ke gen ABPI dan sumber warisan.

Kanser: mitosis tidak terkawal

Mitosis dikawal rapat oleh gen di dalam setiap sel. Kadang-kadang kawalan ini boleh menjadi salah. Sekiranya itu berlaku hanya dalam satu sel, ia dapat mereplikasi dirinya sendiri untuk membuat sel baru yang juga tidak terkawal. Ini adalah sel barah. Mereka terus meniru dengan cepat tanpa sistem kawalan yang dimiliki sel normal. Sel-sel kanser akan membentuk ketulan, atau tumor, yang merosakkan tisu sekeliling. Kadangkala, sel-sel kanser pecah daripada tumor asal dan merebak dalam darah ke bahagian lain badan. Apabila tumor merebak ke bahagian tubuh yang lain dikatakan telah mengalami metastasis. Mereka terus meniru dan membuat lebih banyak tumor. Ini dipanggil tumor sekunder.

Ubat-ubatan yang digunakan untuk merawat kanser kadangkala bertujuan untuk membunuh sel-sel yang cepat membahagikan secara mitosis. Mereka menghalang sintesis atau fungsi DNA - rawatan jenis ini dipanggil kemoterapi. Ubat-ubatan yang lebih moden mensasarkan kanser tertentu dengan cara yang berbeza. Banyak yang menghalang isyarat pertumbuhan untuk jenis sel tersebut.

Memerangi barah: menghentikan sel-sel tumor daripada tumbuh

Terdapat pelbagai jenis kanser. Mereka bergantung pada jenis sel yang asal yang mula mereplikasi di luar kawalan. Ini bermakna bahawa tidak ada satu rawatan untuk barah. Rawatan boleh merangkumi kombinasi pembedahan, ubat-ubatan dan terapi radiasi (radioterapi).

Oleh kerana para penyelidik semakin memahami tentang kanser, terapi baru dan disasarkan terus dikembangkan. Sebagai contoh, sejenis kanser payudara yang dipengaruhi oleh hormon estrogen boleh dirawat dengan terapi hormon yang menghalang tindakan atau sintesis estrogen. Ubat-ubatan lain boleh menyekat isyarat pertumbuhan kepada sel kanser dan memperlahankan perkembangan tumor atau menyekat pertumbuhan saluran darah baru menjadi tumor. Ini dengan berkesan 'membebankan' sel-sel kanser nutrien yang mereka perlukan untuk tumbuh.

Soalan 3

Mitosis terlibat dalam pertumbuhan, pembaikan dan penggantian sel. Tidak semua sel melalui mitosis pada kelajuan yang sama.

Lihat jenis sel di bawah dan tentukan kekerapan ia digantikan oleh mitosis. Dalam setiap kes, pilih jawapan menggunakan butang radio.


3 Discussion

Tumor heterogeneity in hepatobiliary tumor represents a main obstacle to personalized cancer treatment. Thus, it is highly desirable to explore such heterogeneity and its impacts on drug response using a research model that can faithfully recapitulate the in vivo phenotype of hepatobiliary tumors. Single-cell genomic provides a viable strategy to understand the genetic and phenotypic diversity at the single-cell level, which may also help to understand complex ecosystems in tumor. Here, we applied scRNA-seq to characterize patient-derived hepatobiliary tumor organoids, which was currently recognized as the powerful tumor research model. We found evidence of inherent variable of transcriptional programs related to cell cycle and epithelial expression across hepatobiliary tumor organoids. Biological and transcriptomic heterogeneity of CSCs within tumor organoids were also found, which was related to chemo-resistance. Interestingly, further analysis revealed that resistant subpopulations with unique metabolic circuitry were response to distinct molecular signatures and drug resistance. Our findings may provide a mechanistic explanation as to why some patients respond while others do not, and provide insight into the heterogeneity of hepatobiliary tumor organoids and define drug resistance associated with CSCs.

Among our key findings is the identification of biological and transcriptomic heterogeneity in patient-derived hepatobiliary tumor organoids. Hepatobiliary tumors are characterized by a high degree of tumoral heterogeneity. Unlike other malignant tumors, such as breast cancer or lung cancer that has multiple markers of genetic mutations to determine tumor behaviors, the gene mutation spectrum of hepatobiliary tumors is wide and lacks clear characteristics, resulting extensive genetic and phenotypic variation. In this study, by generating transcriptional atlas of hepatobiliary tumor organoid in single-cell level, we showed that different samples are inherently various in cell cycle and epithelial expression, which is consistent with their proliferation ability, potential drug-resistance risk, and tumoral malignancy, respectively. Notably, we further identified multiple reported malignancy-related genes (e.g., MET, PIK3R1, PRKCA, PTEN, SHC1, dan STAT3) upregulated in HCC272, and demonstrated that these genes were mainly enriched for cancer-related functions, which were associated with broad drug resistance.

Another important finding is the presence of CSC heterogeneity within tumor organoids, which tempers our understanding of drug resistance. CSC plasticity [ 4 ] is a prominent cause of genetic heterogeneity in cancer, playing a vital role in tumor survival, proliferation, metastasis, and recurrence. First, cell surface markers analyses clearly showed that CSCs varied greatly among individual organoids. Second, it is of interest to note that CD44 high cells in HCC272 exhibited a distinctive pattern, which might cause distinct transcription and more drug resistance than other tumor organoids. Third, by exploring co-expressed genes, trajectory, and pseudo-time analysis, we defined the CTNNB1-enriched subpopulation as the proliferation advantage cluster and the GAPDH-enriched as the metabolism advantage one. Specifically, the metabolism advantage organoid HCC272 could remodel tumor microenvironment through accelerating the usage of glucose, enhancing hypoxia-induced HIF-1 signaling, and leading to the upregulation of NEAT1 dalam CD44 high cells, which induce the hyper-activation of Jak-STAT signaling eventually caused drug resistance. It is suggested that understanding the distinctive metabolic circuitry in resistant subpopulations may help us characterize the CSC heterogeneity and predict therapeutic response.

A limitation of this study is that the findings are mainly based on a small number of clinical samples, and the interpretation of tumor heterogeneity is somewhat limited. However, scRNA-seq still provides deconstructive analysis and the discovery of potential mechanisms provides credible help for precision treatment of individuals. Encouragingly, we have now established a huge hepatobiliary tumor organoid biobank based on gene variation spectrum and genetic characteristics of the Chinese population that might allow us to acquire high-quality single cells for single-cell transcriptome analysis. Further studies will be focused on using our established patient-derived hepatobiliary tumor organoid biobank to perform integrative analysis from multiple-levels, including genome, transcriptome, metabolome, and epigenome, to provide more valuable resources for clinical practice.

In summary, our study herein provides important insights into hepatobiliary tumor heterogeneity, especially the diversification of CSC distribution and the complexity of cell evolution trajectory. Meanwhile, we revealed that CD44 positive subpopulation is responsible for drug resistance by hyper-activating Jak-STAT signaling pathway, which is induced by NEAT1 upregulated in hypoxia burden. Further studies with larger sample size should be warranted to better clarify the association between tumor heterogeneity and unfavorable clinical features after resection or drug treatment.


Kaedah

Tumor tissue acquisition and processing

We acquired fresh tumor tissue from patients undergoing surgical resection for glioma. De-identified samples were provided by the Neurosurgery Tissue Bank at the University of California San Francisco (UCSF). Sample use was approved by the Institutional Review Board at UCSF. The experiments performed here conform to the principles set out in the WMA Declaration of Helsinki and the Department of Health and Human Services Belmont Report. All patients provided informed written consent. Tissues were minced in collection media (Leibovitz’s L-15 medium, 4 mg/mL glucose, 100 u/mL Penicillin, 100 ug/mL Streptomycin) with a scalpel. Samples dissociation was carried out in a mixture of papain (Worthington Biochem. Corp) and 2000 units/mL of DNase I freshly diluted in EBSS and incubated at 37 °C for 30 min. After centrifugation (5 min at 300 g), the suspension was resuspended in PBS. Subsequently, suspensions were triturated by pipetting up and down ten times and then passed through a 70-μm strainer cap (BD Falcon). Last, centrifugation was performed for 5 min at 300 g. After resuspension in PBS, pellets were passed through a 40-μm strainer cap (BD Falcon), followed by centrifugation for 5 min at 300 g. The dissociated, single cells were then resuspended in GNS (Neurocult NS-A (Stem Cell Tech.), 2 mM L-Glutamine, 100 U/mL Penicillin, 100 ug/mL Streptomycin, N2/B27 supplement (Invitrogen), sodium pyruvate).

CD11b + cell isolation

In total, 20 μL of CD11b microbeads (Miltenyi Biotec 130-093-634) were mixed with the 80 μL single-cell suspension (produced as above) in PBS supplemented with 2 μM EDTA and 0.5% bovine serum albumin (BSA) (MACS buffer) and incubated at 4 °C for 15 min. Cells were washed twice with MACs buffer, centrifuged for 10 min at 300 g, and resuspended in MACs buffer. The suspension was then applied to a MACS LS column in the magnetic field of a MACS Separator. Columns were washed three times with MACs buffer and magnetically labeled cells were then flushed into a collection tube. The purity of CD11b + cells was assessed via flow cytometry: CD11b + and CD11b– fractions were staining with phycoerythrin-conjugated anti-CD11b (Clone M1/70) antibody for 15 min cells were then washed twice and analyzed on a FACsCaliber flow cytometer using FACSDIVA software (Additional file 2: Figure S1a).

Single-cell RNA sequencing

Fluidigm C1-based scRNA-seq

Fluidigm C1 Single-Cell Integrated Fluidic Circuit (IFC) and SMARTer Ultra Low RNA Kit were used for single-cell capture and complementary DNA (cDNA) generation. cDNA quantification was performed using Agilent High Sensitivity DNA Kits and diluted to 0.15–0.30 ng/μL. The Nextera XT DNA Library Prep Kit (Illumina) was used for dual indexing and amplification with the Fluidigm C1 protocol. Ninety-six scRNA-seq libraries were generated from each tumor/Cd11b + sample and subsequently pooled for 96-plex sequencing. cDNA was purification and size selection was carried out twice using 0.9X volume of Agencourt AMPure XP beads (Beckman Coulter). The resulting cDNA libraries were quantified using High Sensitivity DNA Kits (Agilent).

10X genomics-based scRNA-seq

Tissue was dissociated by incubation in papain with 10% DNAse for 30 min. A single-cell suspension was obtained by manual trituration using a glass pipette. The cells were filtered via an ovomucoid gradient to remove debris, pelleted, and resuspended in Neural Basal Media with serum at a concentration of 1700 cells/uL. In total, 10.2 uL of cells were loaded into each well of a 10X Chromium Single Cell capture chip and a total of two lanes were captured. Single-cell capture, reverse transcription, cell lysis, and library preparation were performed per manufacturer’s protocol.

Sequencing for both platforms was performed on a HiSeq 2500 (Illumina, 100-bp paired-end protocol).

Exome-sequencing and genomic mutation identification

The NimbleGen SeqCap EZ Human Exome Kit v3.0 (Roche) was used for exome capture on a tumor sample and a blood control sample from each patient. Samples were sequenced with an Illumina-HiSeq 2500 machine (100-bp paired-end reads). Reads were mapped to the human grch37 genome with BWA [43] and only uniquely matched paired reads were used for analysis. PicardTools (http://broadinstitute.github.io/picard/) and the GATK toolkit [44] carried out quality score re-calibration, duplicate-removal, and re-alignment around indels. Large-scale (>100 Exons) somatic copy number variants (CNVs) were inferred with ADTex [45]. To increase CNV size, proximal (< 1 Mbp) CNVs were merged. Somatic SNVs were inferred with MuTect (https://www.broadinstitute.org/cancer/cga/mutect) for each tumor/control pair and annotated with the Annovar software package [46].

Single-cell RNA-sequencing data processing and neoplastic-cell classification

Data processing was performed as described previously [14]. Briefly, reads were quality trimmed and TrimGalore! (http://www.bioinformatics.babraham.ac.uk/projects/trim_galore/) clipped Nextera adapters. HISAT2 [47] was used to perform alignments to the grch37 human genome. Gene expression was quantified using the ENSEMBL reference with featureCounts [48]. Only correctly paired, uniquely mapped reads were kept. In each cell, expression values were scaled to counts per million (CPM). Low-quality cells were filtered by thresholding number of genes detected at 800 and at least 50,000 uniquely aligned reads. tSNE plots visualizing groupings of cells were carried out using the Seurat R package [49]. CNVs that were called in matched exome-seq data were quantified in individual cells as previously described [15]. Briefly, megabase-scale CNVs were identified in tumor/normal paired exome-seq datasets, and then quantified in individual cells using a control sample from non-malignant brain.

Public data acquisition

Expression matrices from bulk RNA-seq (performed in triplicate) were downloaded from GEO for the following samples: representing BMDM, we obtained M0 (GSE68482) [50], M1, M2 macrophages (GSE36952) [51], and monocytes (GSE58310) [52]. We also obtained data for microglia purified from epilepsy-related surgical specimen (n = 3) and post-mortem brain (n = 5) (GSE80338) [53]. Lists of genes that are differentially expressed between blood-derived murine TAMs and microglial murine TAMs, in two murine glioma models, were downloaded [9]. Normalized scRNA-seq counts were obtained from GEO for astrocytoma (GSE89567) and oligodendroglioma (GSE70630). Analysis was restricted to TAMs, as classified in the BROAD single-cell data portal (https://portals.broadinstitute.org/single_cell). Normalized counts from TCGA RNA-seq data were obtained from the Genomics Data Commons portal (https://gdc.cancer.gov/). Patients diagnosed as GBM and wild-type IDH1 expression (n = 144) as well as those with LGG classification and IDH1 mutation (n = 414), as given in [54], were normalized to log2(CPM + 1) and used for analysis. Z-score normalized counts from regional RNA-seq of 122 samples from ten patients was obtained via the web interface of the IVY GAP (http://glioblastoma.alleninstitute.org/) database. Furthermore, images of in situ RNA hybridizations in glioma tissue sections were downloaded for two patients: BIN1: W11-1-1-E.1.04, 57-year-old man, glioblastoma TGFBI: W8-1-1-B.1.04, 49-year-old woman, glioblastoma.

Derivation of ontogeny-specific expression signatures

Genes differentially expressed between blood-derived TAMs and microglial TAMs, recurrently in both of Bowman et al.’s two murine glioma models, were used as a starting point [9]. We identified homologues of these differentially expressed mouse genes with the biomaRt package in R [55]. The resulting set of genes was filtered for genes expressed in our human-TAM scRNA-seq data. Genes with a mean expression > 1 CPM were retained. This set of genes was used as the basis for subsequent PCA and single-cell consensus clustering (SC3). Expression values, defined as log2 (CPM/10 + 1), of genes in the human-TAM scRNA-seq data were z-score normalized, across cells from within each single-cell platform (SMARTer vs SMART-Seq2) independently. Subsequently, PCA followed by Varimax rotation was performed. Sample scores, along PC1, were partitioned using a two-component Gaussian mixture model. Genes strongly associated with PC1 in either direction were identified by applying a threshold of abs(loading) > 0.2 to the gene loadings. MFA was performed on the Smart-Seq2 and C1 data, using the FactoMineR (https://cran.r-project.org/web/packages/FactoMineR/index.html) R package, using the 237 mouse homologue genes. Genes strongly loading PC1 in the PCA were compared to RNA-seq data from microdissections of defined glioma anatomical structures, via the IVY atlas (http://glioblastoma.alleninstitute.org/), and visualized with morpheus (https://software.broadinstitute.org/morpheus/). SC3 clustering [56] (k = 2) was also performed in the human-TAM scRNA-seq data, restricted to the set of human counterparts of lineage-specific murine-TAM genes. Both classifiers produced highly similar classification results (Matthews correlation coefficient = 0.946). To identify genes significantly co-occurring in single cells, we calculated the odds ratios (OR) and hlm values as described in [57]. P values were corrected for multiple testing with Benjamini–Hochberg.

Calculation of ontogeny scores and survival analysis

For each sample in the TCGA dataset (described above) we calculated the average expression of microglial-TAM genes and blood-derived TAM genes, respectively. To compare the relative amount of infiltration between glioma subtypes, we utilized the glioVis portal [58] to classify isocitrate dehydrogenase 1/2 (IDH1/2) wild-type GBM samples into three transcriptional subtypes: Classical Mesenchymal and Proneural. IDH1/2-mutant LGGs were subdivided into astrocytomas (n = 110) and oligodendrogliomas (n = 117) based on histology and the presence/absence of a 1p/19p co-deletion.

For both the microglial and blood-derived TAM survival analysis, Progene V2 was used. High- and low-expression cohorts were defined as cases with expression scores above and below the median score, respectively. GBMs and LGGs were considered separately. We adjusted for age and gender by adding these covariates to a cox proportional hazards model [59].

Analytical flow cytometry

De-identified fresh glioma tissues were obtained as described above, in “Tumor tissue acquisition and processing.” Tissue was mechanically dissociated, resuspended in 70% Percoll (Sigma-Aldrich), overlaid with 37% and 30% Percoll, and centrifuged for 20 min at 500 × g. Enriched leukocyte populations (TIL) were recovered at the 70–37% interface, washed twice in PBS, and resuspended in flow staining buffer (PBS + 1% BSA) containing Human TruStain FcX (Biolegend). Cells were then incubated at 4° for 30 min with antibodies, washed twice in flow staining buffer, and analyzed on a BD FACSAria cell sorter.

The following antibodies were purchased from Biolegend: FITC anti-mouse/human CD282 PE anti-human P2RY12 PE/Cy7 anti-human CD204 APC/Fire™ 750 anti-mouse/human CD11b APC anti-human CD49d PerCP/Cy5.5 anti-human HLA-DR and BV421 anti-human CD206. All antibodies were used according to the manufacturers’ recommended usage.


Latar belakang

Cancer remains one of the major malignant diseases that endangers human life and health and comprises complex biological systems that require accurate and comprehensive analysis. Since the first appearance of high-throughput sequencing in 2005 [1], it has become possible to understand life activities at the molecular level and to conduct detailed research to elucidate the genome and transcriptome. As an essential part of high-throughput sequencing, RNA sequencing (RNA-seq), especially single-cell RNA sequencing (scRNA-seq), provides biological information on a single tumor cell, analyzes the determinants of intratumor expression heterogeneity and identifies the molecular basis of formation of many oncological diseases [2, 3]. Thus, RNA sequencing offers invaluable insights for cancer research and treatment. With the advent of the era of precision medicine, RNA sequencing will be widely used for research on many different types of cancer. This review summarizes the history of the development of RNA sequencing and focuses on the latest studies of RNA sequencing technology in cancer applications, especially single-cell RNA sequencing and spatial transcriptome sequencing. In addition, we provide a general introduction to the current bioinformatics analysis tools used for RNA sequencing and discuss future challenges and opportunities for RNA sequencing technology in cancer applications.


Further Use of Single Cell Transcriptomics

Apart from using single-cell RNAseq to analyze transcriptomics to define cell types, its combination with other molecular and bioinformatics technics can increase its power to study immune compartments of the TME. Thus, single-cell transcriptomics can be combined with other omics technics. For example, the combination of single-cell genomics and transcriptomics can help to draw a connection between alterations in the cancer genome and its influences on immune cells. This is possible for example with methods like G&T-Seq, that separate poly-adenylated RNAs from genomic DNA by using biotinylated poly(A) primer prior to sequencing (193). ScTrio-Seq goes even further by combining three omics approaches, genomics, transcriptomics, and epigenomics on the same single cell (152). This has the potential to also study the influence of epigenetic changes on cells of the TME by simultaneous analyzing the genome and transcriptome.

Single-cell RNAseq data could be used for deconvolution of bulk RNA-seq data. Deconvolution infers by mathematical modeling the presence and proportion of cells of a specific compartment in a complex tissue based on the expression of reference genes in a certain compartment (178). This strategy can be applied to large databases built from bulk RNAseq data of tumor tissues (such as the TCGA) to analyze the composition of the TME. A deconvolution approach called Epigenomic Deconvolution (EDec) has been developed to dalam silico model the cell composition of complex tissues, in this case breast tumors, based on DNA methylation profiles (179). The algorithm uses reference profiles of a certain tissue to select loci based on different methylation profiles (feature selection). RNAseq data is then dissected into subgroups based on a reference-free deconvolution approach based on their molecular profile. These two datasets are then combined to identify cell types by comparing molecular profiles with methylation profiles. With this approach, the proportion of immune cells in breast tumors was inferred and used to predict patient outcome. Single-cell epigenomics data could improve this approach by producing information of methylation pattern of rare cell types to get an even more accurate modeling of cell type compositions.

Another application of scRNAseq data is their usage for reconstructing cell trajectories to follow cell differentiation. To model cell state transitions several bioinformatics algorithms, using unsupervised or supervised (with a little prior information about cell types and marker gene expression) modeling, have been developed to reconstruct cell trajectories (194�).

A very recent published algorithm is CellRouter, which is very robust in reconstructing trajectories between early cell states and transitory cell states to model cell differentiation (197). CellRouter works in a way that is not dependent on a priori knowledge about cell structure relationships. Single-cell data are first split into subpopulations based on community detection algorithms and then trajectories are determined across subpopulations based on calculated weights, which are weaker between unrelated cell types and stronger within related subpopulations.

ScRNAseq has a great potential to increase our knowledge about immune cancer tolerance to help us find new targets for immunotherapies. However, the main limitation of scRNAseq approaches is that cells are isolated from their environment, making difficult the analysis of connections between cells of different compartments (198, 199). The field of single-cell spatial transcriptomic is of intense research and multiple technologies have been developed in the last few years like seqFISH (200), MERFISH (201), FISSEQ (202), or TIVA (203). SeqFISH and MERFISH use single-molecule FISH (smFISH) techniques, using probes that bind to the same mRNA, but have different fluorophores attached. During several rounds of in situ hybridization and stripping off probes RNAs get a unique fluorescent barcode. This allows the simultaneous detection of many transcripts, although theoretically the usage of 4 dyes and 8 rounds of hybridization would cover the whole transcriptome (4 8 = 65,5336) these methods are based on background information about marker genes that could be provided by scRNAseq data. The FISSEQ (fluorescent in-situ) technique uses reverse transcription in situ to convert RNA into cross-linked cDNA amplicons followed by a sequencing-by-ligation technique (SOLiD). Finally, TIVA (transcriptome dalam vivo analysis) uses a photoactivatable biotin-labeled TIVA-tags, which upon photoactivation enable mRNA capture from single cells in live tissue. All these methods allow the detection of expressed genes dalam vivo in the context of a specific tissue architecture, and thus inference of the interactions between different cell types. Thus, they are a potential approach to study the connection of epithelial cancer cells and the TME dalam vivo to model the influence of immune cells to cancer cell progression.


G. Zalcman has received speakers bureau honoraria from BMS and AstraZeneca and is a consultant/advisory board member for BMS, AstraZeneca, MSD, and Roche. F. Mechta-Grigoriou received research support from Innate-Pharma, Roche, and BMS. No potential conflicts of interest were disclosed by the other authors.

Conception and design: G. Zalcman, A. Vincent-Salomon, F. Mechta-Grigoriou

Development of methodology: Y. Kieffer, H.R. Hocine, G. Gentric, L. Albergante

Acquisition of data (provided animals, acquired and managed patients, provided facilities, etc.): H.R. Hocine, G. Gentric, F. Pelon, B. Bourachot, S. Lameiras, C. Bonneau, A. Guyard, S. Baulande, G. Zalcman, A. Vincent-Salomon

Analysis and interpretation of data (e.g., statistical analysis, biostatistics, computational analysis): Y. Kieffer, C. Bernard, L. Albergante, C. Bonneau, K. Tarte, A. Zinovyev, F. Mechta-Grigoriou

Writing, review, and/or revision of the manuscript: Y. Kieffer, K. Tarte, A. Zinovyev, G. Zalcman, A. Vincent-Salomon, F. Mechta-Grigoriou


Tonton videonya: 3X Deadlier Than Cancer u0026 Most People Dont Know They Have It (Oktober 2022).