Поиск фармакологических мишеней для терапии рака молочной железы на основе компьютерного моделирования регуляции клеточного цикла тема диссертации и автореферата по ВАК РФ 03.01.09, кандидат биологических наук Коборова, Ольга Николаевна

• Коборова, Ольга Николаевна
• кандидат биологических наук
• 2012

Оглавление диссертации кандидат биологических наук Коборова, Ольга Николаевна

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ.

1.1. Общие принципы регуляции клеточного цикла в норме.

1.1.1. Клеточный цикл.

1.1.2. Контроль клетки за прохождением клеточного цикла.

1.1.3. Апоптоз.

1.2. Признаки опухолевой клетки.

1.3. Патологические механизмы, ведущие к возникновению и прогрессии рака молочной железы.

1.4. Классификация рака молочной железы.

1.5. Регуляторные сети.

1.6. Методы анализа регуляторных сетей.

1.6.1. Статические методы анализа регуляторных сетей.

1.6.2. Динамические методы анализа регуляторных сетей.

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ.

2.1. Сеть регуляции клеточного цикла.

2.2 Данные об экспрессии генов в норме и при раке молочной железы.

2.3. Программа выявления перспективных фармакологических мишеней ^Бк^Ех.

ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ.

3.1. Анализ информации о регуляции клеточного цикла, экспрессии белков в норме и при раке молочной железы.

3.2. Метод дихотомического моделирования регуляторных сетей.

3.3. Моделирование клеточных процессов в норме.

3.4. Моделирование патологических процессов.

3.5. Идентификация фармакологических мишеней.

3.5.1. Остановка клеточного деления.

3.5.2. Стимуляция апоптоза.

3.6. Верификация метода.

3.7. Поиск и экспериментальная валидация перспективных фармакологических мишеней для клеточной линии MCF-7 рака молочной железы.

3.7.1. Поиск перспективных фармакологических мишеней для достижения синергетического эффекта с противоопухолевым веществом Rita.

3.7.2. Валидация найденных мишеней в эксперименте.

3.7.3. Моделирование блокады и активации комбинации противоопухолевых мишеней, предсказанных PASS.

Введение диссертации (часть автореферата) на тему «Поиск фармакологических мишеней для терапии рака молочной железы на основе компьютерного моделирования регуляции клеточного цикла»

Поиск фармакологических мишеней для терапии социально значимых заболеваний человека представляет одну из наиболее важных задач современной биоинформатики. С завершением секвенирования генома человека в начале третьего тысячеления появилась возможность исследования различных клеточных фенотипов, в том числе и опухолевых, в масштабах целого генома. Экспериментальные методы исследования геномов, транскриптомов и протеомов быстро совершенствуются параллельно с развитием аналитических компьютерных инструментов для интеграции и интерпретации полученных данных. Это позволяет исследовать все более детально механизмы опухолевых процессов на молекулярном и клеточном уровнях и строить модели, описывающие реакции опухолевых клеток на действие противоопухолевой терапии, выявлять возможные механизмы резистентности, ключевые молекулы-мишени и/или их комбинации, воздействие на которые может позволить более эффективно проводить терапию онкологических заболеваний. Системный подход повышает эффективность при отборе перспективных мишеней лекарств и уменьшает как риски для пациентов, так и финансовые издержки фармацевтических компаний при разработке противоопухолевых препаратов (Chua & Roth, 2011).

Рак - это мультифакторное заболевание, которое находится на втором месте после сердечно-сосудистых болезней по количеству смертей: примерно 7,6 миллиона человек (13%) от общего количества смертей в мире ежегодно (Beaglehole et al., 2011). Риск возникновения опухолевых заболеваний увеличивается с возрастом. Более 50% всех случаев рака выявляются у людей в возрасте 50 лет и старше. По прогнозам Всемирной организации здравоохранения (ВОЗ) заболеваемость и смертность онкологическими заболеваниями во всем мире возрастет в 2 раза за период с 1999 года по 2020 год: с 10 до 20 млн. новых случаев и с 6 до 12 млн. регистрируемых смертей, соответственно.

Рак молочной железы (РМЖ) у женщин, по данным Американского онкологического общества за 2011 год, находится на втором месте по количеству летальных исходов среди различных видов опухолей. Высокая смертность связана с обнаружением заболевания на поздних стадиях, а также с приобретением резистентности пациентов к противоопухолевой терапии, поэтому поиск новых фармакологических мишеней для терапии РМЖ более чем актуален.

Регуляция клеточного цикла включает в себя важнейшие процессы, имеющие решающее значение для выживания клетки, в том числе выявление и исправление генетических повреждений, а также предотвращение бесконтрольного клеточного деления. Нарушения этих процессов составляют основу патогенеза опухолевого роста. Регуляцию клеточных процессов часто представляют как сеть, которая отражает теоретическую абстракцию биохимических реакций и межмолекулярных взаимодействий в клетке. Существуют различные подходы к анализу и моделированию поведения сети. Статические методы анализа дают возможность работать с обширными регуляторными сетями, исследовать топологию сети, представленную различными мотивами, но не позволяют моделировать процессы в динамике. Для динамического моделирования наиболее широко используются дифференциальные уравнения, которые применимы только к сравнительно небольшим участкам регуляторной сети, в связи с недостатком экспериментальных данных, описывающих кинетику процесса (веа ег а1, 2008; \\/и ег а1., 2012).

Несмотря на большое количество разработанных методов анализа и моделирования поведения регуляторных сетей, основной проблемой оказывается невозможность оценки влияния всей совокупности положительных и отрицательных обратных связей, что ограничивает существующие методы в поиске новых фармакологических мишеней.

Исходя из этого, очевидна необходимость разработки нового метода поиска фармакологических мишеней на основе компьютерного моделирования регуляции клеточного цикла.

Цель работы: разработать компьютерный метод выявления молекулярных мишеней для лекарственной терапии злокачественных новообразований и апробировать его на примере рака молочной железы.

Задачи исследования:

1. Собрать и проанализировать информацию о регуляции клеточного цикла, экспрессии белков в нормальных и опухолевых клетках.

2. Разработать и реализовать в виде компьютерной программы метод выявления и оценки противоопухолевых мишеней.

3. Провести валидацию предложенного метода идентификации перспективных противоопухолевых мишеней на основе доступных экспериментальных данных.

4. Применить разработанный метод к идентификации перспективных противоопухолевых мишеней для терапии опухолевых заболеваний.

Научная новизна. Впервые предложен и реализован в виде компьютерной программы №1Р1о\¥Ех метод дихотомического моделирования регуляции клеточного цикла в норме и при патологиях с целью выявления перспективных фармакологических мишеней. Впервые проведено моделирование поведения регуляторной сети, состоящей из 1405 вершин (белков) и 2336 связей между ними (взаимодействий) с использованием данных об экспрессии в норме и для четырех групп РМЖ: генерализированного рака молочной железы, НЕК2/пеи-положительной карциномы молочной железы, карциномы протоков, инвазивной карциномы протоков и/или узловых метастазов. Для терапии РМЖ выявлены значимые мишени, ингибиторы к которым проявили 8 противоопухолевую активность на трех опухолевых клеточных линиях карциномы молочной железы (MCF7, SkBr и MDA-MB231). Получено свидетельство №2011617330 от 21.09.2011 г. на регистрацию программы для ЭВМ NetFlowEx, выданное Федеральной службой по интеллектуальной собственности, патентам и товарным знакам.

Практическая значимость. Разработанный и реализованный в программе NetFlowEx метод использован для выявления перспективных фармакологических мишеней в рамках Европейского проекта "Net2Drug — From gene regulatory networks to drug prediction". Метод может быть применен для анализа и моделирования регуляторных сетей, а также для поиска перспективных молекулярных мишеней при некоторых формах онкопатологии. Метод может быть использован в научно-исследовательских и медицинских учреждениях, работающих в областях системной биологии, молекулярной биологии и генетики, генной инженерии и др., а также применен в поиске и разработке новых лекарственных препаратов, использован в учебном процессе высших учебных заведений соответствующего профиля.

Работа выполнена при поддержке грантов Европейской Комиссии № 037590 (FP6-2005-LIFESCIHEALTH-7) и Госконтракта №07.514.11.4118.

Заключение диссертации по теме «Математическая биология, биоинформатика», Коборова, Ольга Николаевна

выводы

1. В результате сбора и анализа информации о регуляции клеточного цикла, экспрессии белков в нормальных и опухолевых клетках, была составлена сеть, состоящая из 1405 вершин (генов и белков) и 2336 взаимодействий, ответственных за регуляцию клеточного цикла в норме и при раке молочной железы. Полученная сеть и списки гипер- и гипоэкспрессированных генов были использованы в качестве входных данных для дихотомической модели.

2. Разработан и реализован в виде компьютерной программы Ке1Р1о\уЕх метод выявления перспективных противоопухолевых мишеней базирующийся на дихотомическом моделировании регуляторных сетей с использованием данных об экспрессии генов.

3. Разработанный метод был провалидирован с использованием доступных данных об экспрессии генов в норме и при раке молочной железы. Результаты моделирования согласуются с известными процессами регуляции клеточного цикла в норме и при онкопато л огии.

4. Применение метода идентификации фармакологических мишеней для четырех типов рака молочной железы выявило как общие, так и специфические для каждого типа значимые мишени. Низкомолекулярные соединения к выявленным мишеням проявили противоопухолевую активность на клеточных линиях карциномы молочной железы (МСР-7, 8кВг и МГОА-МВ231), но не оказывали влияния на клеточную линию МСБЮА (норма).

ЗАКЛЮЧЕНИЕ

Разработанный нами метод дихотомического моделирования для идентификации перспективных фармакологических мишеней и их комбинаций был реализован в виде компьтерной программы NetFlowEx и применен для анализа регуляторной сети, состоящей из 1405 вершин (генов и белков) и 2336 взаимодействий, ответственных за регуляцию клеточного цикла в норме и при раке молочной железы.

Результаты моделирования процессов в норме с использованием генов "домашнего хозяйства" в качестве входных данных не противоречат известным процессам, происходящим в клетках в норме. Моделирование патологических процессов при раке молочной железы с использованием списков гипер- и гипоэкспресиированных генов четырех групп рака молочной железы: (1) HER2/neu - положительной карциноме молочной железы, (2) карциномы протоков, (3) инвазивной карциноме протоков и/или узловых метастазов, (4) генерализированного рака молочной железы показало деление клетки, неактивные состояния белков апоптоза и активацию некоторых факторов роста. Применение нашего метода поиска фармакологических мишеней для терапии рака молочной железы позволило выявить как общие, так и специфические для рассматриваемых видов рака макромолекулы-мишени. Большинство известных ингибиторов выявленных мишеней принадлежит к группе противоопухолевых препаратов, которые находятся на различных стадиях доклинических и клинических испытаний; некоторые из этих препаратов уже используются в клинике (Gleevec, Nexavar, Torisel). В частности, ингибиторы для Cyclin Dl, Cyclin Е, АКТ, SRC, BCL-2, RAF-1, РКС, VEGF-A. VEGFR-2, HIF-1 ALPHA и VEGF были рассмотрены ранее в качестве препаратов для терапии рака молочной железы (БД Integrity® integrity.thomson-pharma.com). Для идентифицированных мишеней МКК6, RACK1, CRKL и НРК1, которые вовлечены в регуляцию клеточного цикла, информация об их ингибиторах отсутствует, что позволяет рассматривать данные белки, как возможные новые фармакологические мишени для терапии рака молочной железы. Низкомолекулярные соединения к выявленным мишеням проявили противоопухолевую активность на клеточных линиях карциномы молочной железы (MCF-7, SkBr и MDA-MB231), но не показывали влияния на клеточную линию MCF10A (норма). Также в эксперименте на клеточной линии MCF-7 при инкубировании с данными соединениями наблюдалось снижение экспрессии генов p38alpha, HIF-1 alpha, МКК4, которые были нами выявлены как перспективные противоопухолевые мишени для терапии рака молочной железы.

В результате моделирования инактивации комбинаций мишеней, лиганды к которым являются предполагаемыми аналогами Rita и CPI, были выявлены возможные специфические механизмы действия данных соединений для рассматриваемых групп рака молочной железы, что позволяет предполагать что наш метод применим для предсказания возможного механизма действия низкомолекулярных соединений, являющихся ингибиторами (активаторами) определенных белков или их комбинаций.

Полученные результаты позволяют предполагать, что разработанный нами метод поиска перспективных фармакологических мишеней может быть применен для анализа и моделирования регуляторных сетей, а также для поиска перспективных фармакологических мишеней и их комбинаций при различных заболеваниях, ассоциированных с нарушением регуляции клеточного цикла и апоптоза, например, для некоторых форм онкопатологии.

Список литературы диссертационного исследования кандидат биологических наук Коборова, Ольга Николаевна, 2012 год

1. Aranda В., Achuthan P., Alam-Faruque Y., Armean I., Bridge A., Derow

2. Armes J.E., Trute L., White D., Southey M.C., Hammet F., Tesoriero A., Hutchins A.M., Dite G.S., McCredie M.R., Giles G.G., Hopper J.L., Venter

3. D.J. Distinct molecular pathogeneses of early-onset breast cancers in BRCA1 and BRCA2 mutation carriers: a population-based study // Cancer Res. 1999. Vol. 59(8). P. 2011-2017.

4. Barabasi A.L., Oltvai Z.N. Network biology: understanding the cell's functional organization//Nat. Rev. Genet. 2004. Vol. 5(2). P. 101-113.

5. Barrett C. L., Palsson В. O. Iterative reconstruction of transcriptional regulatory networks: an algorithmic approach // PLoS Comput. Biol. 2006. Vol. 2(e52). P. 429-438.

6. Beaglehole R., Bonita R., Magnusson R. Global cancer prevention: an important pathway to global health and development // Public Health. 2011. Vol. 125(12). P. 821-831.

7. Bischoff J., Ignatov A. The Role of Targeted Agents in the Treatment of Metastatic Breast Cancer // Breast Care (Basel). 2010. Vol. 5(3). P. 134141.

8. Bonchev D. Complexity analysis of yeast proteome network // Chem. Biodivers. 2004. Vol. 1(2). P. 312-326.

9. Bornholdt S. Systems biology. Less is more in modeling large genetic networks // Science. 2005. Vol. 310(5747). P. 449-451.

10. Borriello A., Caldarelli I., Bencivenga D., Criscuolo M., Cucciolla V., Tramontano A., Oliva A., Perrotta S., Delia Ragione F. p57(Kip2) and cancer: time for a critical appraisal // Mol. Cancer Res. 2011. Vol. 9(10). P. 1269-1284.

11. Braunewell S., Bornholdt S. Superstability of yeast cell cycle dynamics: ensuring casuality in the presence of biochemical stochasticity // J. Theor. Biol. 2006. Vol. 245(4). P. 638-643.

12. Breitling R., Gilbert D., Heiner M., Orton R. A structured approach for the engineering of biochemical network models, illustrated for signalling pathways // Brief Bioinform. 2008. Vol. 9(5). P. 404-421.

13. Brooks C.L., Gu W. New insights into p53 activation // Cell Res. 2010. Vol. 20(6). P. 614-621.

14. Brueggemeier R.W., Richards J.A., Petrel T.A. Aromatase and cyclooxygenases: enzymes in breast cancer // J. Steroid Biochem. Mol. Biol. 2003. Vol. 86(3-5). P. 501-507.

15. Bussard K.M., Smith G.H. The mammary gland microenvironment directs progenitor cell fate in vivo II Int. J. Cell Biol. 2011. Vol. 2011. P. 1-11.

16. Caldon C. E., Sutherland R. L., Musgrove E. Cell cycle proteins in epithelial cell differentiation: implications for breast cancer // Cell Cycle. 2010. Vol. 9(10). P. 1918-1928.

17. Capuco A.V., Ellis S.E., Hale S.A., Long E., Erdman R.A., Zhao X., Paape M.J. Lactation persistency: insights from mammary cell proliferation studies //J. Anim. Sci. 2003. Vol. 81(Suppl 3). P. 18-31.

18. Ceol A., Chatr Aryamontri A., Licata L., Peluso D., Briganti L., Perfetto L., Castagnoli L., Cesareni G. MINT, the molecular interaction database: 2009 update // Nucleic Acids Res. 2010. Vol. 38(Database issue). P.532-539.

19. Chang C.W., Cheng W.C., Chen C.R., Shu W.Y., Tsai M.L., Huang C.L., Hsu I.C. Identification of human housekeeping genes and tissue-selective genes by microarray meta-analysis // PLoS One. 2011. Vol. 6(7):e22859. P. 1-10.

20. Chaouiya C. Petri net modelling of biological networks // Brief Bioinform. 2007. Vol. 8(4). P. 210-219.

21. Chua H.N., Roth F.P. Discovering the targets of drugs via computational systems biology // J. Biol. Chem. 2011. Vol. 286(27). P. 23653-23658.

22. Church S. Advances in two-dimensional gel matching technology // Biochem. Soc. Trans. 2004. Vol. 32(Pt3). P.511-516.

23. Colotta F., Allavena P., Sica A., Garlanda C., Mantovani A. Cancer-related inflammation, the seventh hallmark of cancer: links to genetic instability // Carcinogenesis. 2009. Vol. 30(7). P. 1073-1081.

24. Covert M. W. h Palsson B. O. Transcriptional regulation in constraints-based metabolic models of Escherichia coli // J. Biol. Chem. 2002. Vol. 277. P. 28058-28064.

25. Covert M. W., Knight E. M., Reed J. L., Herrgard M. J., Palsson B. O. Integrating high-throughput and computational data elucidates bacterial networks // Nature. 2004. Vol. 429. P. 92-96.

26. Covert M.W., Schilling C. H., Palsson B. Regulation of gene expression in flux balance models of metabolism // J. Theor. Biol. 2001. Vol. 213. P. 7388.

27. Culig Z. Cytokine disbalance in common human cancers // Biochim. Biophys. Acta. 2011. Vol. 1813(2). P. 308-314.

28. Dobrin R., Beg Q.K., Barabási A.L., Oltvai Z.N. Aggregation of topological motifs in the Escherichia coli transcriptional regulatory network // BMC Bioinformatics. 2004. Vol. 5:10. P. 1-8.

29. Dormond O., Lejeune F. J., Ruegg C. Modulation of cdk2, cyclin Dl, pl6INK4a, p21WAF and p27Kipl expression in endothelial cells by TNF/IFN gamma // Anticancer Res. 2002. Vol. 22(6A). P. 3159-3163.

30. Edwards J. S., Covert M., Palsson B. Metabolic modeling of microbes: the flux-balance approach // Environ. Microbiol. 2002. Vol. 4. P.133-140.

31. Elion E.A. Detection of protein-protein interactions by coprecipitation // Curr. Protoc. Mol. Biol. 2006. Vol. 20. интернет издание.

32. Ellis R. J. Macromolecular crowding: obvious but underappreciated // Trends Biochem. Sci. 2001. Vol. 26(10). P. 597-604.

33. Ercan C., van Diest P.J., Vooijs M. Mammary development and breast cancer: the role of stem cells // Curr. Mol. Med. 2011. Vol. 11(4). P. 270285.

34. Fan Z., Beresford P.J., Oh D.Y., Zhang D., Lieberman J. Tumor suppressor NM23-H1 is a granzyme A-activated DNase during CTL-mediated apoptosis, and the nucleosome assembly protein SET is its inhibitor // Cell. 2003. Vol. 112(5). P. 659-672.

35. Gea H., Qian H., Qian M. Synchronized dynamics and non-equilibrium steady states in a stochastic yeast cell-cycle network // Math. Biosci. 2008. Vol. 211.-P. 132-152.

36. Glass L., Kauffman S. A. The logical analysis of continuous, non-linear biochemical control networks // J. Theor. Biol. 1973. Vol. 39. P. 103-129.

37. Guo S., Liu M., Gonzalez-Perez R.R. Role of Notch and its oncogenic signaling crosstalk in breast cancer // Biochim. Biophys. Acta. 2011. Vol. 1815(2). P. 197-213.

38. Gupta S., Kass G.E., Szegezdi E., Joseph B. The mitochondrial death pathway: a promising therapeutic target in diseases // J. Cell Mol. Med. 2009. Vol. 13(6). P.1004-1033.

39. Haeusgen W., Herdegen T., Waetzig V. The bottleneck of JNK signaling: molecular and functional characteristics of MKK4 and MKK7 // Eur. J. Cell Biol. 2011. Vol. 90(6-7). P. 536-544.

40. Hanahan D., Weinberg R.A. Hallmarks of cancer: the next generation // Cell 2011. Vol. 144(5). P. 646-674.

41. Harding M.A., Theodorescu D. RhoGDI signaling provides targets for cancer therapy // Eur. J. Cancer. 2010. Vol. 46(7). P. 1252-1259.

42. Haseltine E.L., Arnold F.H. Synthetic gene circuits: design with directed evolution // Annual Review of Biophysics and Biomolecular Structure. 2007. Vol. 36. P. 1-19.

43. Heiner M., Sriram K. Structural analysis to determine the core of hypoxia response network // PLoS One. 2010. Vol. 5(l):e8600. P. 1-17.

44. Hellerstein M.K. In vivo measurement of fluxes through metabolic pathways: the missing link in functional genomics and pharmaceutical research // Annu. Rev. Nutr. 2003. Vol. 23. P. 379-402.

45. Hers I., Vincent E.E., Tavare J.M. АКТ signalling in health and disease // Cell Signal. 2011. Vol. 23(10). P. 1515-1527.

46. Howe L.R., Subbaramaiah K., Brown A.M., Dannenberg A.J. Cyclooxygenase-2: a target for the prevention and treatment of breast cancer // Endocr. Relat. Cancer. 2001. Vol. 8(2). P. 97-114.

47. Huang S. Gene expression profiling, genetic networks, and cellular states:an integrating concept for tumorigenesis and drug discovery // J. Mol. Med. (1999) Vol. 77. P. 469-480.

48. Huber W., Carey V.J., Long L., Falcon S., Gentleman R. Graphs in molecular biology // BMC Bioinformatics. 2007. Vol. 8(6):S8. P. 1-14.

49. Iacobuzio-Donahue C. A. Epigenetic changes in cancer // Annu. Rev. Pathol. 2009. Vol. 4. P. 229-249.

50. Ideker T, Sharan R. Protein networks in disease // Genome Res. 2008. Vol. 18(4). P. 644-652.

51. Ideker Т. E., Thorsson V., Karp R. M. Discovery of regulatory interactions through perturbation: inference and experimental design // Рас. Symp. Biocomput. 2000. P. 305-316.

52. Isserlin R., El-Badrawi R.A., Bader G.D. The Biomolecular Interaction Network Database in PSI-MI 2.5. // Database (Oxford). 2011. интернет издание.

53. Izrailit J., Reedijk M. Developmental pathways in breast cancer and breast tumor-initiating cells: Therapeutic implications // Cancer Lett. 2012. Vol. 317(2). P. 115-126.

54. Filimonov D.A., Poroikov V.V. Probabilistic approach in activity prediction // Chemoinformatics Approaches to Virtual Screening / Eds. Alexandre Varnek and Alexander Tropsha. Cambridge (UK), RSC Publishing 2008. P.182-216.

55. Jin G., Zhao H., Zhou X., Wong S.T. An enhanced Petri-net model to predict synergistic effects of pairwise drug combinations from gene microarray data. // Bioinformatics. 2011. Vol. 27(13). P. i310-i316.

56. Joyce A.R., Palsson B.O. Toward whole cell modeling and simulation: comprehensive functional genomics through the constraint-based approach // Prog. Drug Res. 2007. Vol. 64:265. P. 267-309.

57. Kauffman K. J., Prakash P., Edwards J. S. Advances in flux balance analysis // Curr. Opin. Biotechnol. 2003. Vol. 14. P. 491-496.

58. Kauffman S., Peterson C., Samuelsson B., Troein C. Random Boolean network models and the yeast transcriptional network // Proc. Natl. Acad. Sci. USA 2003. Vol. 100 P. 14796-14799.

59. Kel A., Kolpakov F., Poroikov V., Selivanova G. GeneXplain — Identification of Causal Biomarkers and Drug Targets in Personalized Cancer Pathways // J. Biomol. Tech. 2011. Vol. 22(suppL). P. SI6.

60. Kingsmore S. F. Multiplexed protein measurement: technologies and applications of protein and antibody arrays // Nature Rev. Drug Discov.2006. Vol. 5. P. 310-320.

61. Kitano H. Towards a theory of biological robustness // Mol Syst Biol.2007. Vol. 3 (137). P. 1-7.

62. Kondrakhin Y.V., Sharipov R.N., Keld A.E., Kolpakov F.A. Identification of differentially expressed genes by meta-analysis of microarray data on breast cancer // In Silico Biol. 2008. Vol. 8(5-6). P. 383-411.

63. Konstantinova I.M., Tsimokha A.S., Mittenberg A.G. Role of proteasomes in cellular regulation // Int. Rev. Cell. Mol. Biol. 2008. Vol. 267. P. 59124.

64. Korkaya H., Liu S., Wicha M.S. Breast cancer stem cells, cytokine networks, and the tumor microenvironment // J. Clin. Invest. 2011. Vol. 121(10). P. 3804-3809.

65. Koyutiirk M. Algorithmic and analytical methods in network biology // Wiley Interdiscip. Rev. Syst. Biol. Med. 2010. Vol. 2(3). P. 277-292.

66. Lee D.Y., Zimmer R., Lee S.Y., Park S. Colored Petri net modeling and simulation of signal transduction pathways // Metab. Eng. 2006. Vol. 8(2). P. 112-122.

67. Leibowitz B., Yu J. Mitochondrial signaling in cell death via the Bcl-2 family // Cancer Biol. Ther. 2010. Vol. 9(6). P. 417-422.

68. Leite C.R., Martin D.L., Sizilio G.R., Dos Santos K.E., de Araujo B.G., Valentim R.A., Neto A.D., de Melo J.D., Guerreiro A.M. Modeling of medical care with stochastic Petri Nets // Conf. Proc. IEEE Eng. Med. Biol. Soc. 2010. Vol. 2010. P. 1336-1339.

69. Li F., Long T., Lu Y., Ouyang Q., Tang C. The yeast cell-cycle network is robustly designed // Proc. Natl. Acad. Sci. USA 2004. Vol. 101. P. 47814786.

70. Lieberman H.B. DNA damage repair and response proteins as targets for cancer therapy//Curr. Med. Chem. 2008. Vol. 15(4). P. 360-367.

71. Lindqvist A., Rodríguez-Bravo V., Medema R.H. The decision to enter mitosis: feedback and redundancy in the mitotic entry network // J. Cell Biol 2009. Vol. 185(2). P. 193-202.

72. Luscombe N.M., Babu M.M., Yu H., Snyder M., Teichmann S.A., Gerstein M. Genomic analysis of regulatory network dynamics reveals large topological changes //Nature. 2004. Vol. 431(7006). P. 308-312.

73. Ma'ayan A. Insights into the organization of biochemical regulatory networks using graph theory analyses // J. Biol. Chem. 2009. Vol. 284(9). P. 5451-5455.

74. Machado D., Costa R.S., Rocha M., Ferreira E.C., Tidor B., Rocha I. Modeling formalisms in Systems Biology // AMB Express. 2011. Vol. 1:45. P. 1-31.

75. Massagué J. G1 cell-cycle control and cancer // Nature. 2004. Vol. 432(7015). P. 298-306.

76. Materi W., Wishart D.S. Computational systems biology in drug discovery and development: methods and applications // Drug Discov. Today. 2007. Vol. 12(7-8). P. 295-303.

77. Matsuno H., Tanaka Y., Aoshima H., Doi A., Matsui M., Miyano S. Biopathways representation and simulation on hybrid functional petri net // Stud. Health Technol. Inform. 2011. Vol. 162. P. 77-91.

78. Matsuzaki S. DNA microarray analysis in endometriosis for development of more effective targeted therapies // Front. Biosci. (Elite Ed). 2011. Vol. 3.P. 1139-1153.

79. Meshi O., Shlomi T., Ruppin E. Evolutionary conservation and over-representation of functionally enriched network patterns in the yeast regulatory network//BMC Syst. Biol. 2007. Vol. 1:1. P. 1-7.

80. Milo R., Shen-Orr S., Itzkovitz S., Kashtan N., Chklovskii D., Alon U. Network motifs: simple building blocks of complex networks // Science. 2002. Vol. 298(5594). P. 824-827.

81. Nam B.H., Kim S.Y., Han H.S., Kwon Y., Lee K.S, Kim T.H., Ro J. Breast cancer subtypes and survival in patients with brain metastases // Breast Cancer Res. 2008. Vol. 10(1). P. 1-8.

82. Ness S. A. Basic microarray analysis: strategies for successful experiments // Methods Mol. Biol. 2006. Vol. 316. P. 13-33.

83. Pal R., Ivanov I., Datta A., Bittner M.L., Dougherty E.R. Generating Boolean networks with a prescribed attractor structure // Bioinformatics. 2005. Vol. 21(21). P. 4021-4025.

84. Pan H., Yin C., Van Dyke T. Apoptosis and cancer mechanisms // Cancer Surv. 1997. Vol. 29. P. 305-327.

85. Papin J.A., Hunter T., Palsson B.O., Subramaniam S. Reconstruction of cellular signalling networks and analysis of their properties // Nat. Rev. Mol. Cell Biol. 2005. Vol. 6(2). P. 99-111.

86. Pereira-Leal J.B., Enright A.J., Ouzounis C.A. Detection of functional modules from protein interaction networks // Proteins. 2004. Vol. 54(1). P. 49-57.

87. Platzer A., Perco P., Lukas A., Mayer B. Characterization of protein-interaction networks in tumors I I BMC Bioinformatics. 2007. Vol. 8:224. P. 1-11.

88. Price N.D., Shmulevich I. Biochemical and statistical network models for systems biology // Curr. Opin. Biotechnol. 2007. Vol. 18(4). P. 365-370.

89. Pujuguet P., Del Maestro L., Gautreau A., Louvard D., Arpin M. Ezrin regulates E-cadherin-dependent adherens junction assembly through Racl activation // Mol. Biol. Cell. 2003. Vol. 14(5). P. 2181-2191.

90. Purohit A., Newman S.P., Reed M.J. The role of cytokines in regulating estrogen synthesis: implications for the etiology of breast cancer // Breast Cancer Res. 2002. Vol. 4(2). P. 65-69.

91. Remy G., Risco A.M., Inesta-Vaquera F.A., Gonzalez-Teran B., Sabio G., Davis R.J., Cuenda A. Differential activation of p38MAPK isoforms by MKK6 and MKK3 // Cell Signal. 2010. Vol. 22(4). P. 660-667.

92. Rinaldo C., Prodosmo A., Siepi F., Moncada A., Sacchi A., Selivanova G., Soddu S. HIPK2 regulation by MDM2 determines tumor cell response to the p53-reactivating drugs nutlin-3 and RITA // Cancer Res. 2009. Vol. 69(15). P. 6241-6248.

93. Rives A.W., Galitski T. Modular organization of cellular networks // Proc. Natl. Acad. Sci. USA. 2003. Vol. 100(3). P. 1128-1133.

94. Ruzza P., Biondi B., Calderan A. Therapeutic prospect of Syk inhibitors // Expert Opin. Ther. Pat. 2009. Vol. 19(10). P. 1361-1376.

95. Salwinski L., Miller C.S., Smith A.J., Pettit F.K., Bowie J.U., Eisenberg D. The Database of Interacting Proteins: 2004 update // Nucleic Acids Res. 2004. Vol. 32(Database issue). P. 449-451.

96. Sauer U., Hatzimanikatis V., Hohmann H.P., Manneberg M., van Loon A.P., Bailey J.E. Physiology and metabolic fluxes of wild-type and riboflavin-producing Bacillus subtilis // Appl. Environ. Microbiol. 1996. Vol. 62(10). P. 3687-3696.

97. Schafer Z.T., Brugge J.S. IL-6 involvement in epithelial cancers // J. Clin. Invest. 2007. Vol. 117(12). P. 3660-3663.

98. Schuster S., Pfeier T., Moldenhauer F., Koch I., Dandekar T. (2002) Exploring the pathway structure of metabolism: decomposition into subnetworks and application to Mycoplasma pneumoniae // Bioinformatics. 2002. Vol. 18(2). P. 351-361.

99. Sharma P.S., Sharma R., Tyagi R. Inhibitors of cyclin dependent kinases: useful targets for cancer treatment // Curr. Cancer Drug Targets. 2008. Vol. 8(1). P. 53-75.

100. Sharma P.S., Sharma R., Tyagi T. VEGF/VEGFR pathway inhibitors as anti-angiogenic agents: present and future // Curr. Cancer Drug Targets. 2011. Vol. 11(5). P. 624-653.

101. Shen-Orr S.S., Milo R., Mangan S., Alon U. Network motifs in the transcriptional regulation network of Escherichia coli // Nat. Genet. 2002. Vol. 31(1). P. 64-68.

102. Shmulevich I., Dougherty E. R., Kim S., Zhang, W. Probabilistic Boolean networks: a rule-based uncertainty model for gene regulatory networks // Bioinformatics. 2002. Vol. 18. P. 261-274.

103. Shmulevich I., Gluhovsky I., Hashimoto R. F., Dougherty E. R., Zhan W. Steady-state analysis of genetic regulatory networks modelled by probabilistic Boolean networks // Comp. Funct. Genomics 2003. Vol. 4. P. 601-608.

104. Sims A.H., Howell A., Howell S.J., Clarke R.B. (2007) Origins of breast cancer subtypes and therapeutic implications // Nat. Clin. Pract. Oncol. 2007. Vol. 4(9). P. 516-525.

105. Singh A., Greninger P., Rhodes D., Koopman L., Violette S., Bardeesy N., Settleman J. A gene expression signature associated with "K-Ras addiction" reveals regulators of EMT and tumor cell survival // Cancer Cell. 2009. Vol. 15(6). P. 489-500.

106. Smith J, Tho L.M., Xu N, Gillespie D.A. The ATM-Chk2 and ATR-Chkl pathways in DNA damage signaling and cancer // Adv. Cancer Res. 2010. Vol. 108. P. 73-112.

107. Spirin S., Titov M., Karyagina A., Alexeevski A. NPIDB: a database of nucleic acids-protein interactions // Bioinformatics. 2007. Vol. 23(23). P. 3247-3248.

108. Spirin V., Mirny L.A. Protein complexes and functional modules in molecular networks // Proc. Natl. Acad. Sci. USA. 2003. Vol. 100(21). P. 12123-12128.

109. Stafford L.J., Vaidya K.S., Welch D.R. Metastasis suppressors genes in cancer // Int J. Biochem. Cell Biol. 2008. Vol. 40(5). P. 874-891.

110. Stark J., Callard R., Hubank M. From the top down: towards a predictive biology of signalling networks // Trends Biotechnol. 2003. Vol. 21(7). P. 290-293.

111. Sun Y., Peng Z.L. Programmed cell death and cancer // Postgrad. Med. J. 2009. Vol. 85(1001). P. 134-140.

112. Sykes M.C., Mowbray A.L., Jo H. Reversible glutathiolation of caspase-3 by glutaredoxin as a novel redox signaling mechanism in tumor necrosis factor-alpha-induced cell death // Circ. Res. 2007. Vol. 100(2). P. 152-154.

113. Tanaka G., Hirata Y., Goldenberg S.L., Bruchovsky N., Aihara K. Mathematical modeling of prostate cancer growth and its application to hormone therapy // Philos. Transact. A Math. Phys. Eng. Sci. 2010. Vol. 368(1930). P. 5029-5044.

114. Tessema M., Lehmann U., Kreipe H. Cell cycle and no end // Virchows Arch. 2004. Vol. 444(4). P. 313-323.

115. Thomas R. Boolean formalization of genetic control circuits // J. Theor. Biol. 1973. Vol. 42. P. 563-585.

116. Tian M., Neil J.R., Schiemann W.P. Transforming growth factor-p and the hallmarks of cancer//Cell Signal. 2011. Vol. 23(6). P. 951-962.

117. Tyson J., Chen K., Novak B. Network dynamics and cell physiology // Nature Rev. Mol. Cell. Biol. 2001. Vol. 2. P. 908-916.

118. Ulitsky I. , Shamir R. Identification of functional modules using network topology and high-throughput data // BMC Syst. Biol. 2007. Vol. 1:8. P. 117.137. van den Heuvel S. Cell-cycle regulation // WormBook. 2005. Vol. 1. P. 116.

119. Van Obberghen-Schilling E., Tucker R.P., Saupe F., Gasser I., Cseh В., Orend G. Fibronectin and tenascin-C: accomplices in vascular morphogenesis during development and tumor growth // Int. J. Dev. Biol.2011. Vol. 55(4-5). P. 511-525.

120. Alexander V. Veselovsky A. V., Archakov A. I. Inhibitors of ProteinProtein Interactions as Potential Drugs // Current Computer-Aided Drug Design. 2007. Vol. 3. P. 51-58.

121. Vogelstein В., Kinzler K.W. Cancer genes and the pathways they control // Nat. Med. 2004. Vol. 10(8). P. 789-799.

122. Weis S.M., Cheresh D.A. av Integrins in Angiogenesis and Cancer // Cold Spring Harb. Perspect. Med. 2011. Vol. 1(1). P. a006478.

123. Weis S.M., Lindquist J.N., Barnes L.A., Lutu-Fuga K.M., Cui J., Wood M.R., Cheresh D.A. Cooperation between VEGF and beta3 integrin during cardiac vascular development // Blood. 2007. Vol. 109(5). P. 1962-1970.

124. Wu H., Xue H., Kumar A. Numerical Discretization-Based Estimation Methods for Ordinary Differential Equation Models via Penalized Spline Smoothing with Applications in Biomedical Research // Biometrics.2012. интернет издание.

125. Wuchty S., Oltvai Z.N., Barabasi A.L. Evolutionary conservation of motif constituents in the yeast protein interaction network // Nat. Genet. 2003. Vol. 35(2). P. 176-179.

126. Wyllie A.H. "Where, O death, is thy sting?" A brief review of apoptosis biology// Mol. Neurobiol. 2010. Vol. 42(1). P. 4-9.

127. Yaghjyan L., Colditz G.A. Estrogens in the breast tissue: a systematic review // Cancer Causes Control. 2011. Vol. 22(4). P. 529-540.

128. Yeang C.H., Mak H.C., McCuine S, Workman C., Jaakkola T, Ideker T. Validation and refinement of gene-regulatory pathways on a network of physical interactions // Genome Biol. 2005. Vol. 6(7):R62. P. 1-10.

129. Yeung M.K., Tegner J., Collins J.J. Reverse engineering gene networks using singular value decomposition and robust regression // Proc. Natl. Acad. Sci. USA 2002. Vol. 99. P. 6163-6168.

130. Young K. H. Yeast two-hybrid: so many interactions, (in) so little time. // Biol. Reprod. 1998. Vol. 58(2). P. 302-311.

131. Yu H., Pardoll D., Jove R. STATs in cancer inflammation and immunity: a leading role for STAT3 // Nat. Rev. Cancer. 2009. Vol. 9(11). P. 798-809.

132. Yu J., Zhang L. The transcriptional targets of p53 in apoptosis control // Biochem. Biophys. Res. Commun. 2005. Vol. 331(3). P. 851-858.

133. Zamarron B.F., Chen W. Dual roles of immune cells and their factors in cancer development and progression // Int. J. Biol. Sci. 2011. Vol. 7(5). P. 651-658.

134. Zheng Y., Sriram G. Mathematical modeling: bridging the gap between concept and realization in synthetic biology // J. Biomed. Biotechnol. 2010. Vol. 541609. P. 1-16.

135. Zhou X., Wang X., Pal R., Ivanov I., Bittner M., Dougherty E.R. A Bayesian connectivity-based approach to constructing probabilistic gene regulatory networks // Bioinformatics. 2004. Vol. 20(17). P. 2918-2927.

136. ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

137. Коборова О.Н., Поройков В.В., Филимонов Д.А., Кель А.Э. Свидетельство о государственной регистрации программы для ЭВМ NetFlowEx №2011617330 от 21.09.2011 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

138. Статьи в рецензируемых журналах:

139. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Ivanov S.M., Kel A., Poroikov V.V. In silico method for identification of promising anticancer drug targets // SAR and QSAR Environ. Res. 2009. Vol. 20 (7-8). P. 755-766.

140. Материалы трудов конференций:

141. Poroikov V.V., Lagunin A.A., Koborova O.N. Filz О.A., Filimonov D.A. In silico screening and rational design of multitargeted drugs // Abstr. 5-th Moscow Conference on Computational Molecular Biology (MCCMB 11). Moscow, Russia, 2011. P. 290.

142. Коборова О.Н., Опарина Н.Ю., Филимонов Д.А., Лагунин А.А., Кель А., Поройков В.В. Поиск противоопухолевых мишеней на основе регуляции клеточного цикла // Мат. докл. XVI Рос. нац. конгресса «Человек и лекарство». Москва, 2010. С. 638.

143. Коборова О.Н., Филимонов Д.А., Захаров А.В., Лагунин А.А., Кондрахин Ю.В., Поройков В.В. Компьютерный поиск перспективных мишеней для терапии рака молочной железы // Мат. докл. XV Рос. нац. конгресса «Человек и лекарство». Москва, 2009. С. 534.

144. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Poroikov V.V. Finding of molecular targets and their ligands for breast cancer therapy // Abstr. 4-th Moscow Conference on Computational Molecular Biology (MCCMB 09). M., 2009. P.172-173.

145. Koborova O.N. Computer aided prediction of promising drug targets for breast cancer // Abstr. Helmholtz-Russian-German Workshop on Systems Biology. Moscow, 2008. P. 41.