基于模块化因子图的骨髓瘤信号通路机制确认方法技术

本发明专利技术提供了一种基于模块化因子图的骨髓瘤信号通路机制确认方法，该方法包括：步骤1、获取RPPA数据；步骤2、对所述RPPA数据进行预处理，粗粒度筛选关键蛋白质；步骤3、基于所述粗粒度筛选的关键蛋白质，构建在细胞刚性环境下，细胞内蛋白质的相互作用通路，形成信号通路；步骤4、采用常微分方程描述所述信号通路，并将所述信号通路分解成多个小模块，针对每个所述小模块，进行参数优化，建立系统生物学模型；步骤5、对所述系统生物学模型进行参数分析，所述参数分析包括稳定性分析和敏感性分析。本发明专利技术的方法有效降低了信号通路检测中系统模型的计算成本，提高了计算效率。

【技术实现步骤摘要】

本专利技术属于系统生物学
，主要涉及生物信息学和生物数据挖掘，具体涉及一种基于模块化因子图的信号通路机制确认方法。
技术介绍
多发性骨髓瘤(multiplemyeloma，MM)是一种以恶性浆细胞克隆性增殖为特点的恶性肿瘤，是目前血液系统第二大恶性肿瘤。目前MM的治疗主要包括传统化疗、新药靶向治疗及免疫治疗等。虽然新的靶向治疗明显提高了MM的疗效,但患者中位生存时间仍在3～5年,其发病机制尚不明确。因此,进一步研究影响MM细胞生长的相关机制,寻建立模型研究方法，是亟需解决的问题。无论从生物学还是从临床表现看,MM细胞的特性不仅仅决定于其遗传学特性(如染色体重排,缺失,扩增或某些特定基因的突变)。相反,该疾病的病理生理学表现明显受MM细胞与其所处的骨髓微环境间双向相互作用的影响。VirginiaHughes指出,骨髓微环境对MM细胞的存活、生长以及耐药等重要环节有着息息相关的作用。骨髓基质细胞(bonemarrowstromalcells,BMSCs)作为骨髓微环境的主要成员,与MM的发生、发展有着密切的关联。随着对MM生物学研究的不断深入,人们发现在肿瘤发生发展过程中，信号通路控制着众多至关重要的细胞生物学过程。目前，对MM信号通路靶点的研究十分广泛，主要靶向的通路包括这些信号通路包括PI3K/Akt/mTOR/P70S6K信号通路,IKK-αF/NF-κB信号通路,Ras/Raf/MAPK信号通路和JAK/STAT3通路,它们都可以通过以下途径被激活:上游的细胞因子与相应受体的结合,或通过粘附启动的激酶途径直接由细胞粘附诱导增殖、抗凋亡信号通路的激活。众所周知，传统的生物实验非常昂贵并且要花费大量的时间，所以近年来越来越多的人在用生物模型去模拟生物生长状况，从模拟的层面上去分析药物影响或者提取关键蛋白质。HuimingPeng等人用系统生物学的方法研究p38MAPK异型的抗药性，确定生物模型之后利用设置参数值的方式分别去探索p38的五种异型的抗药性；XiaoqiangSun等人基于细胞内的信号通路利用微分方程建模的方法研究在组织骨再生的过程中细胞因子的组合预测，对人体组织骨再生成时不同细胞因子对成骨细胞和破骨细胞的刺激作用进行了探索，并且筛选出较好的细胞因子组合。但是，上面的研究方法存在一定的局限性，并没有指出如何预测未知的致病因子的影响。遗传学改变和。生化条件引起的通路激活经常发生在肿瘤恶变早期和进展期，同时它们也是患者预后的重要指标。系统生物学方法期望通过建立细胞信号转导过程的模型,找到参与此过程的各种分子之间相互作用的网络,阐明其在基因调控、疾病发生中的作用。近几年,对信号转导网络的定量分析逐日升温,通常采用一系列的方程模型描述信号转导通路的内部变化过程。现有技术中，采用的主要方案包括以下几种：(1)临床实验。在对于多发性骨髓瘤的研究中，目前绝大多数还是处于利用实验方法去观察肿瘤细胞的生长发育，尤其治疗期间，基本上是靠医生的经验去判断。实验成本比较昂贵。(2)常微分方程(ordinarydifferentialequations,ODE)。这是是描述动力学系统的常用方法，应用微分方程组可以构建一个复杂的数学模型，用以代表一系列生化反应的相互作用模式，并且模拟生物系统中各组分的时序性动态变化。常微分方程(ODE)是质量反应动力学过程的数学代表，可以用来描述连续时间范围内生物系统各组分的动态变化。对于那些不考虑空间大小，并且反应速度和反应底物的浓度成一定的比例关系的生化反应系统比较适用。Chen利用ODEs来描述ErbB信号通路的输入输出对细胞分化和增值的影响,文中用299个ODE方程表示828个级联反映，共有229个参数，计算规模很大。(3)PetriNet的不确定性、并行性、异步性，以及对分布式系统的描述和分析能力使其在描述生物系统特性时有很大的优势。Chen和等用Petrinets建立了鸟氨酸循环的代谢模型。上述方案主要存在的缺陷有以下几点：(1)人为经验判断，准确率不高。(2)ODE等数学方法仅仅是描述生物量的变化，并不能直接以图形的方式展现生物系统的结构特性。若可实现生物定量数据与图形的结合与自动转化，将能更好地刻画生物系统结构与动态性质之间的关系。(3)标准的PetriNet常用来定性分析生物网络的结构性质，不能用于生物计算。以下对本专利技术所涉及到的技术词汇/技术术语注释如下：1、多发性骨髓瘤(multiplemyeloma，MM)2、骨髓基质细胞(bonemarrowstromalcells,BMSCs)3、常微分方程(ordinarydifferentialequations,ODE)4、反向蛋白质阵列(reversephaseproteinarrays,RPPA)
技术实现思路
有鉴于此，本专利技术在总结前人的研究基础上，提出建立一个多层次的计算系统生物学模型来研究多发性骨髓瘤细胞的生长机制，利用现有RPPA数据，结合常微分方程组和Petri网来描述信号通路，并且对骨髓基质细胞和肿瘤细胞通路之间相互作用的组合影响进行量化的探索，并且使用模块化的计算模型，降低计算成本。具体而言，本专利技术所提出的技术方案如下：本专利技术提供了一种基于模块化因子图的骨髓瘤信号通路机制确认方法，该方法包括：步骤1、获取RPPA数据；步骤2、对所述RPPA数据进行预处理，粗粒度筛选关键蛋白质；步骤3、基于所述粗粒度筛选的关键蛋白质，构建在细胞刚性环境下，细胞内蛋白质的相互作用通路，形成信号通路；步骤4、采用常微分方程描述所述信号通路，并将所述信号通路分解成多个小模块，针对每个所述小模块，进行参数优化，建立系统生物学模型；步骤5、对所述系统生物学模型进行参数分析，所述参数分析包括稳定性分析和敏感性分析。优选地，所述步骤1中，RPPA数据的获取，通过以下方式：步骤1.1、用压强为100pa和400pa的细胞胶体模拟正常细胞和肿瘤细胞，记录不同时间点细胞内蛋白质的浓度；步骤1.2、利用蛋白质芯片，获得正常细胞和肿瘤细胞的两组RPPA数据。优选地，所述步骤2具体包括：步骤2.1、对粗粒度筛选出的全部关键蛋白质数据，以t＝0min为标准，进行规范化，所述规范化方法为：其中t0表示t＝0min，表示第i个蛋白质在tj时刻的浓度，表示第i个蛋白质在t0时刻的浓度，为规范化后的蛋白质浓度；步骤2.2、计算正常细胞、肿瘤细胞内蛋白质浓度变化率，具体方式为：将其中浓度变化大于50％的蛋白质作为有意义的表达的蛋白质，作为粗粒度筛选出的关键蛋白质。优选地，所述步骤3具体包括：步骤3.1、基于粗粒度筛选出的关键蛋白质，通过IPA数据库，搜索相互作用的通路；步骤3.2、在所述步骤3.1中搜索出的通路中，选择p≤0.05的通路，作为信号通路，其中p表示某蛋白质在该通路中出现的误差率。优选地，所述步骤4具体包括：步骤4.1、使用常微分方程组描述信号通路，并使用RPPA数据中，高水平表达的蛋白质在不同时间点的采样数据，确定信号通路中的关键参数；使用Petri网描述整个信号通路；步骤4.2、基于所述Petri网描述的整个信号通路，将整个信号通路分解成多个小模块；使用粒子群优化方法优化各个所述小模块参数，获得相对较小的参数范本文档来自技高网...

【技术保护点】
一种基于模块化因子图的骨髓瘤信号通路机制确认方法，其特征在于，所述方法包括：步骤1、获取RPPA数据；步骤2、对所述RPPA数据进行预处理，粗粒度筛选关键蛋白质；步骤3、基于所述粗粒度筛选的关键蛋白质，构建在细胞刚性环境下，细胞内蛋白质的相互作用通路，形成信号通路；步骤4、采用常微分方程描述所述信号通路，并将所述信号通路分解成多个小模块，针对每个所述小模块，进行参数优化，建立系统生物学模型；步骤5、对所述系统生物学模型进行参数分析，所述参数分析包括稳定性分析和敏感性分析。

【技术特征摘要】
1.一种基于模块化因子图的骨髓瘤信号通路机制确认方法，其特征在于，所述方法包括：步骤1、获取RPPA数据；步骤2、对所述RPPA数据进行预处理，粗粒度筛选关键蛋白质；步骤3、基于所述粗粒度筛选的关键蛋白质，构建在细胞刚性环境下，细胞内蛋白质的相互作用通路，形成信号通路；步骤4、采用常微分方程描述所述信号通路，并将所述信号通路分解成多个小模块，针对每个所述小模块，进行参数优化，建立系统生物学模型；步骤5、对所述系统生物学模型进行参数分析，所述参数分析包括稳定性分析和敏感性分析。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，RPPA数据的获取，通过以下方式：步骤1.1、用压强为100pa和400pa的细胞胶体模拟正常细胞和肿瘤细胞，记录不同时间点细胞内蛋白质的浓度；步骤1.2、利用蛋白质芯片，获得正常细胞和肿瘤细胞的两组RPPA数据。3.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：步骤2.1、对粗粒度筛选出的全部关键蛋白质数据，以t＝0min为标准，进行规范化，所述规范化方法为：xistand(tj)=xiexp(tj)xiexp(t0)]]>其中t0表示t＝0min，表示第i个蛋白质在tj时刻的浓度，表示第i个蛋白质在t0时刻的浓度，为规范化后的蛋白质浓度；步骤2.2、计算正常细胞、肿瘤细胞内蛋白质浓度变化率，具体方式为：将其中浓度变化大于50％的蛋白质作为有意义的表达的蛋白质，作为粗粒度筛选出的关键蛋白质。4.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：步骤3.1、基于粗粒度筛选出的关键蛋白质，通过IPA数据库，搜索相互作用的通路；步骤3.2、在所述步骤3.1中搜索出的通路中，选择p≤0.05的通路，作为信号通路，其中p表示某蛋白质在该通路中出现的误差率。5.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：步骤4.1、使用常微分方程组描述信号通路，并使用RPPA数据中，高水平表达的蛋白质在不同时间点的采样数据，确定信号通路中的关键参数，并使用Petri网描述整个信号通路；步骤4.2、基于所述Petri网描述的整个信号通路，将整个信号通路分解成多个小模块；使用粒子群优化方法优化各个所述小模块参数，获得相对较小的参数范围，所述参数优化的目标函数是：Θ*=argminΣi=1MΣj=1Nωi(xisim(tj,Θ)-xiexp(tj))]]>其中，表示蛋白质浓度时间序列数据，表示通过常微分方程获得的模拟的蛋白质浓度时间序列，i表示蛋白质索引,tj表示时间点，Θ表示常微...

【专利技术属性】
技术研发人员：章乐，孔美静，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50