(1) O documento apresenta um modelo booleano de rede regulatória do ciclo celular com foco na transição G1/S; (2) O modelo simulou a dinâmica da rede e identificou um grande atrator correspondente à fase S do ciclo celular; (3) Análises comparativas demonstraram que a rede proposta é mais robusta do que redes aleatórias e pode ser decomposta em um "backbone motif" essencial para suas funções biológicas.
Seminário final de Introdução a Redes Booleanas Probabilísticas
1. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Seminário de Introdução a Redes Booleanas Probabilísticas
Leandro Nascimento Lemos
Departamento de Bioquímica
Instituto de Química- USP
Mestrando em Bioinformática
2. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Paper
Yang et al., 2013.
Figura 1: Based on interactions among transcription factor, oncogenes, tumor supressor, and microRNAs, a Boolean network model
of cancer network regulated by miR-17-92 cluster is constructed, and the network is associated with the control of G1/S transition in the
mammalian cell cycle.
3. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Ciclo Celular
Conceitos gerais
Fases do Ciclo de celular:
Figura 2: A proliferação celular é dividida em quatro fases: G1 -> S -> G2 -> Mitose. Pontos de parada (G1/S e G2).
4. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Ciclo Celular
Conceitos gerais
Câncer:
Figura 3: Células cancerígenas abandonam esse controle.
5. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Ciclo Celular
Boolean Network Theory: Cell cycle
Rede da Li.
Figura 4: Análise da robustez das interações do ciclo celular da levedura
6. Introdução Objetivos Modelos e resultados Discussão e Conclusão
microRNAs
microRNAs
Principais características:
São importantes na regulação do ciclo celular;
RNAs não-codificadores de proteínas com um tamanho de 19 a 23
nucleotídeos;
microRNAs estão envolvidos na regulação do ciclo celular de células
normais e de células cancerígenas;
Podem inibir a expressão de genes.
Podem atuar como oncogênes e genes supressores de tumores.
7. Introdução Objetivos Modelos e resultados Discussão e Conclusão
microRNAs
miR-17-92 cluster
Principais características:
Superexpressão do gene miR-17-92 tem sido encontrada em inúmeros
tipos de câncer (e.g., leucemia, câncer de pulmão);
No entanto, miR-17-92 pode atuar como gene supressor tumoral em
câncer de mama.
8. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Checkpoints
Checkpoints
Figura 5: Elementos regulatórios relacionados a transição G1/S do ciclo celular de eucariotos.
9. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Perguntas e objetivos
Perguntas
???
Qual é o papel do miR-17-92 durante o ciclo celular?
Existe um “backbone” que pode ter uma função biológica?
10. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Perguntas e objetivos
Objetivos
!!!
Construir uma rede de interação do ciclo celular com elementos
regulatórios envolvidos na transição G1/S;
Avaliar o papel do miR-17-92 no processamento do ciclo celular.
11. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Elementos regulatórios
!!!
Fatores de transcrição (E2F e Myc);
Oncogenes (Cdk2/Cyclin E, Cdc25A e Cdk4/cyclin);
Supressor tumoral (pRb e p27);
miR-17-92
12. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Elementos regulatórios
Figura 6: Figure 1. Mammalian cancer cell network during G1/S transition (MGSTR network)The 8-node network is constructed on the
basis of previous experimental results. The circular nodes represent oncogene, the octagon nodes represent tumor supressors, and the
quadrilateral nodes represent oncogenes or tumor supressor. Green arrow represents active interactions, and the blur (or black)
hammerheads represent inhibitory interactions.
13. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Aplicando a Teoria Booleana
Figura 7: Figure 1. Dinâmica da rede. Cada nó possui um estado binário. Ação ativadora do nó i sobre o nó j é quantificada por
um peso aji = 1. Ação inibitória aji = -1. Sem ação aji (-r)
14. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Aplicando a Teoria Booleana
Figura 8: Table 1. Structure parameter aji of the MGSTR network.
15. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Simulação da Rede regulatória do câncer
Figura 9: Basin size of attraction for the fixed point and network state of each attractor of the MGSTR network. The model was
processed in each of the 256 possible states and all nodes are simultaneously updated. It can be the most of the state attractor or super
stable or super stable attractor which attracts 184 or 71.9%
16. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Trajetórias
Figura 10: Figure 2. Dynamic trajectories. Dynamic trajectories of the regulatory network with 256 initial states in state space. All states
converge towards fixed point attractors. Each green circle corresponds to one specific network state, and the largest circle corresponds to
the S phase. Arrows between the network states indicate the dynamic flow from one state to its subsequent state, and the size of flow is
indicated by the thickness of arrows.
17. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Atratores
Interpretações:
Kauffman descreve um atrator como um tipo celular;
Outra interpretação seria correspondente ao estado de crescimento,
diferenciação e apoptose da célula;
Neste caso, o atrator representa a transição do estado G1 para o
estado S do ciclo celular.
O maior atrator corresponde a transição da fase G1/S para a fase S.
18. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Dados experimentais
Figura 11: Table 3. Switch characteristics of key regulators during G1/S transition and the references of corresponding
experiments. A comparison between Table 2 and Table 3 reveals that the biggest attractor is S phase
19. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Via biológica da transição G1/S
Figura 12: Existem quatro etapas para a expressão ou ativação dos reguladores. Por exemplo, na primeira etapa ocorre a expressão do
E2F, pRb e CyclinD/Cdk4.
20. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Via biológica da transição G1/S
Os resultados obtidos a partir do modelo matemático (Tabela 4) são
consistentes com os resultados experimentais (Tabela 3);
e.g., the expression of Cdc25A and Cdk2/CyclinE can be activated by
each other, and the miR-17-92 has a degradation effect;
21. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
3. Comparação com redes randômicas: teste de robustez
Investigar a arquitetura da rede
Análise da rede booleana e de 1.000 redes randômicas com o mesmo
número de nodos e o mesmo número de linhas de uma MGSTR
network;
(i) As redes randômicas apresentaram uma média 7.6 atratores/rede; O
tamanho da bacia de atração do maior atrator de todas as redes
randômicas é menor que o da MGSTR network;
-> Esse resultado indica que o tamanho da bacia de atração da MGSTR
network é otimizado para fornecer função biológica.
22. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Simulação da Rede regulatória do câncer
Figura 13: A distribuição do tamanho da bacia de atração das redes randômicas segue a Lei da Potência. Somente 2.89% dos
atratatores são iguais ou maiores que o maior atrator (B=184) da MGSTR network
23. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
3. Comparação com redes randômicas: teste de robustez
Investigar a arquitetura da rede
Análise da rede booleana e de 1.000 redes randômicas com o mesmo
número de nodos e o mesmo número de linhas de uma MGSTR
network;
(i) As redes randômicas apresentaram uma média 7.6 atratores/rede; O
tamanho da bacia de atração do maior atrator de todas as redes
randômicas é menor que o da MGSTR network;
-> Esse resultado indica que o tamanho da bacia de atração da MGSTR
network é otimizado para fornecer função biológica.
24. Introdução Objetivos Modelos e resultados Discussão e Conclusão
Modelos e resultados
Perturbação
Figura 14: A. Perturbation of deleting interaction B. Perturbation of adding interactions C. Perturbation of switching interaction. A
mudança relativa de B para o maior atrator delta B/B pode ser uma medida de robustez
25. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
Boolean Network Theory: Cell cycle
Decomposição
Figura 15: Backbone motif é a menor rede capaz de fornecer uma funcionalidade.
26. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
4.Backbone motif of Cancer Regulatory Network
Se há um backbone motif, qual é o comportamento deste motifo?
Process-based network decomposition.
27. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
Figura 16: Dados gerados a partir de um conjunto de equações
.
28. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
Backbone motif
Para investigar o papel do backbone motif na rede regulatória da etapa
G1/S do ciclo celular, foi computado as propriedades dinâmicas da rede
com base nas propriedades booleanas.
30. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
Backbone motif
Figura 17: O backbone motif é o bloco fundamental da rede regulatória. No entanto, a bacia de atração do maior atrator
corresponde apenas 120 ou 46.9% dos estados iniciais, sendo muito menor que a rede regulatória completa (71.9%). Isso implica
que parte da rede regulatória apresenta um papel biológico importante, e que as propriedades dinâmicas do backbone motif
torna-se instável sem o motifo restante
.
31. Introdução Objetivos Modelos e resultados Discussão e Conclusão
4.Backbone motif of Cancer Regulatory Network
Backbone motif
Figura 18: Full MGSTR network is decomposed into a backbone motif (a) which provide the major biological functions and a
remaining motif (b) which makes the system more stabe
.
32. Introdução Objetivos Modelos e resultados Discussão e Conclusão
5. Discussão e Conclusão
Atrator com 184 (71.9%) dos estados iniciais da rede booleana (Tabela
2);
A dinâmica da rede de regulação é estável e robusta (Fig. 4, 5 e 6);
Foi possível decompor o modelo em um backbone motif que
apresentasse funções biológicas importantes.