研究开发数据驱动的方法来帮助降低药品成本和治疗疾病
一个新的数据驱动的机械方法,预测组织内细胞类型将有助于降低药物成本很难开发药物和治疗疾病,据西维吉尼亚大学的科学家。
教授David Klinke化学和生物医学工程,开发和测试一种机械的方法来预测的数量和功能不同的细胞在一个特定的组织和他们如何改变当恶性肿瘤(癌症)细胞获得分泌蛋白质的能力。
“最终,我们想开发新药,扩大免疫疗法的临床受益,”Klinke说,他也是一个兼职西弗吉尼亚大学医学院的助理教授和癌症研究所的成员。
机械的模型已经被专家手工创建的,但也有在研究者的理解生物学的差距,因为90%的研究出版物集中在只有20%的人类基因。
本研究的研究,发表在自然通讯,处理大型数据集预测恶性肿瘤细胞分泌的基因产物的影响其他细胞组织内直接从数据。这提供了一个补充hand-created模型中扮演重要角色药物开发。
“在正常情况下,一个人的免疫系统抵抗传染病,”Klinke说。“然而,大多数癌症是在进化的变异和选择的过程。每一个细胞DNA的蓝图让每一个基因产物。在变异和选择的过程,这些基因产物的表达可能为肿瘤细胞提供抑制免疫反应的能力。”
人体组织是由专门的细胞类型,组织保持函数在一个变化的环境。最终,细胞类型的功能定位在一个组织创建一个heterocellular网络交互的网络交互的许多不同的细胞类型共同实现一个目标。heterocellular网络创建和维护组织平衡是很重要的。
虽然研究人员知道组织均衡是在肿瘤形成过程中,中断或肿瘤的发展,没有明确的理解基因改变如何影响人体组织内heterocellular网络。
Klinke说扩大临床效益的障碍之一是恶性肿瘤细胞创建环境,抑制宿主免疫。
这个新的数据驱动方法允许研究人员预测基因产物恶性肿瘤细胞分泌的改变其他的患病率和功能取向在人体组织细胞类型。
Klinke说,研究一个事件导致系统,另一个是具有挑战性的研究人员很难看到什么是发生在一个完整的人体组织。
为了测试他们的预测,使用数字血细胞计数和贝叶斯网络推理,Klinke和他的团队检查免疫活性的癌症的小鼠模型。使用这种方法,Klinke能够预测蛋白质分泌恶性肿瘤细胞改变了heterocellular网络中黑色素瘤和乳腺癌。
数字血细胞计数,测量细胞的数量和特点,和贝叶斯网络(概率图形模型)推理使用,因为这些模型包含有数据可用测序均质(类似的)肿瘤组织。
“我们可以改变基因的表达,然后看的患病率和功能取向不同的细胞在肿瘤变化同样为预测的贝叶斯网络模型”。
Klinke表示,传统的方法来预测细胞类型的功能定位是改变分泌蛋白的表达,然后量化不同细胞类型使用不同的实验方法。
在这项研究中,Klinke机械建模用于代表生物学和预测机制,支持场景使用模拟代替实际测试场景。
“这些模型非常复杂,但是让我使用一个简单的类比,“Klinke说。“说我们想要达到一个目标使用一个炮弹,我们只有一次机会。鉴于我们对物理定律的理解,我们知道我们需要知道一些事情关于弹丸抛射体上的力。根据这个信息,我们可以用电脑模拟,如果我们火弹在一个方向或角度,将土地在一定的位置。
“同样,我们知道很多关于潜在的生物学与药物有关,但也有一些我们不知道的事情,我们不能测试人类的一切。鉴于媒体共同对话的高价格药物,测试新药物在人类是昂贵的,绝大多数的新药测试不工作。”
Klinke说的一个方法机械建模与仿真可以帮助是提供一种方式来把所有的不同的理解在相同的上下文中。
“如果有缺失的关键方面,我们运行模拟,看看针对生物学与药物的某些方面是有意义的。机械建模与仿真已经影响了许多其他行业,这是现在被应用于药物开发。”
Klinke希望这项研究可以用于其他上下文如癌症或免疫疾病。
“最终,我们都关心,当我们生病的时候,有治疗可以改善我们的健康,使我们避免破产。像许多其他行业一样,越来越多的医药行业转向机械的建模与仿真,以更好地优先考虑潜在的目标,减少时间去诊所。总的来说,这将有助于减少药物成本和帮助治疗疾病难以开发药物。”
进一步探索
