齊云峰,孫添添,常紅玲

(吉林師范大學(xué)生命科學(xué)學(xué)院，吉林四平 136000)

?

基于系統(tǒng)生物學(xué)的干擾素-γ建模的信號轉(zhuǎn)導(dǎo)模式分析

齊云峰,孫添添,常紅玲

(吉林師范大學(xué)生命科學(xué)學(xué)院，吉林四平 136000)

干擾素-γ是細(xì)胞因子超家族中干擾素家族的成員,具有抗微生物感染及免疫調(diào)節(jié)等多種生物學(xué)功能。系統(tǒng)生物學(xué)主要采用系統(tǒng)的方法研究生物體不同層次的建模與仿真、各種信號轉(zhuǎn)導(dǎo)途徑、基因調(diào)控網(wǎng)絡(luò)等。本文采用系統(tǒng)生物學(xué)建模工具COPASI對干擾素-γ的信號轉(zhuǎn)導(dǎo)進(jìn)行模擬，并應(yīng)用統(tǒng)計(jì)學(xué)方法進(jìn)行檢驗(yàn)，通過模擬分別改變干擾素-γ受體(IFNR)和磷酸酶PP2的初始濃度,研究二者濃度改變對細(xì)胞核內(nèi)STAT同源二聚體濃度變化的影響。進(jìn)而研究它們在干擾素-γ信號轉(zhuǎn)導(dǎo)過程中的協(xié)同作用。

系統(tǒng)生物學(xué)；干擾素-γ；信號轉(zhuǎn)導(dǎo)

系統(tǒng)生物學(xué)是一門以系統(tǒng)的觀點(diǎn)、運(yùn)用各種先進(jìn)的生物學(xué)手段從整體的角度分析和研究生命機(jī)體復(fù)雜特性的學(xué)科。它通過研究某生物系統(tǒng)各個(gè)不同部分之間的相互關(guān)系和相互作用，建立整個(gè)系統(tǒng)的可理解模型[1-2]。系統(tǒng)生物學(xué)主要在生物個(gè)體、器官、組織和細(xì)胞等基礎(chǔ)上，對其建模、生化代謝途徑、信號轉(zhuǎn)導(dǎo)途徑、基因調(diào)控網(wǎng)絡(luò)以及疾病機(jī)制等進(jìn)行研究[3-4]。

干擾素-γ的信號轉(zhuǎn)導(dǎo)主要通過JAK/STAT信號轉(zhuǎn)導(dǎo)通路實(shí)現(xiàn)，受多種因子調(diào)節(jié)[5]，主要有PP2、IRNR、STAT等。STAT含有SH2和SH3結(jié)構(gòu)域，可與特定的含磷酸化酪氨酸的肽段結(jié)合。JAK/STAT通路信號轉(zhuǎn)導(dǎo)的最終實(shí)現(xiàn)依賴于STAT同源二聚體進(jìn)入細(xì)胞核內(nèi)并行使其轉(zhuǎn)錄激活功能。STAT同源二聚體是干擾素-γ的信號轉(zhuǎn)導(dǎo)通路的直接轉(zhuǎn)錄因子，對其轉(zhuǎn)導(dǎo)過程起著至關(guān)重要的作用[6]。

隨著系統(tǒng)生物學(xué)的發(fā)展，研究者對IFN-γ的信號轉(zhuǎn)導(dǎo)的研究也更加深入，構(gòu)建了更多的信號轉(zhuǎn)導(dǎo)模型。在2003年，Yamada等人公布了首個(gè)描述IFN-γ/JAK/STAT1信號轉(zhuǎn)導(dǎo)的數(shù)學(xué)模型[7]。Zi等人在2005年提出一種全新的方法——敏感性分析方法[8]。2010年，Rateitschak等人構(gòu)建了另外一個(gè)IFN-γ/JAK/STAT1信號轉(zhuǎn)導(dǎo)模型[9]。

1 材料與方法

1.1 統(tǒng)計(jì)學(xué)方法

統(tǒng)計(jì)學(xué)方法是指將有關(guān)數(shù)據(jù)進(jìn)行收集、整理、分析，通過對其所反映的問題總結(jié)得出結(jié)論的方法[10]。本文中使用SPSS軟件對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行Pearson相關(guān)性或多元線性回歸分析，并計(jì)算其統(tǒng)計(jì)顯著性水平。相關(guān)系數(shù)用r表示，r值在1與-1之間，小于0表示負(fù)相關(guān)，大于0表示正相關(guān)[11]。

1.2 建模工具SBML簡介

隨著系統(tǒng)生物學(xué)建模工具不斷增多，在科學(xué)研究過程中可能需要幾種不同的建模工具，而不同建模工具構(gòu)建的模型存在不兼容性，這成為系統(tǒng)生物學(xué)建模過程中一個(gè)亟待解決的問題。2003年，Hucka等人在可擴(kuò)展標(biāo)示語言(XML)的基礎(chǔ)上創(chuàng)建了SBML[12-13]。

1.3 建模工具COPASI介紹

本文主要使用的建模工具是COPASI，它是在GEPASI的基礎(chǔ)上衍生而來的[14]。COPASI工具是一個(gè)開源的軟件應(yīng)用程序，能夠用來構(gòu)建和分析系統(tǒng)生物學(xué)模型[15]。本文研究的是不同時(shí)間的干擾素-γ信號轉(zhuǎn)導(dǎo)過程中的直接轉(zhuǎn)錄因子STAT同源二聚體的濃度與干擾素-γ的R受體以及共享磷酸酶PP2之間變化關(guān)系的模型，需要通過Tasks模塊下的Time course功能區(qū)域進(jìn)行模型構(gòu)建，然后將數(shù)據(jù)輸出，根據(jù)數(shù)據(jù)構(gòu)建STAT同源二聚體濃度與R受體濃度、STAT同源二聚體濃度與共享磷酸酶PP2濃度關(guān)系的模型圖。

2 結(jié)果與分析

本章中進(jìn)行的模擬分析均以0.1nM的干擾素-γ作為輸入，模型的基準(zhǔn)濃度是IFNR和PP2分別為12nM和60nM，我們通過擾動IFNR和PP2的初始濃度，進(jìn)行12小時(shí)內(nèi)干擾素-γ信號轉(zhuǎn)導(dǎo)的數(shù)學(xué)模擬。

2.1 不同受體濃度的干擾素-γ信號轉(zhuǎn)導(dǎo)調(diào)控模式分析

通過擾動IFNR的初始濃度，研究IFNR的濃度改變對細(xì)胞核中STAT1的同源二聚體和STAT3的同源二聚體濃度變化的影響。

a.不同IFNR初始濃度下(STAT1N*)2濃度時(shí)序性變化模式 b.不同IFNR初始濃度下(STAT3N*)2濃度時(shí)序性變化模式圖1 不同濃度IFNR與(STAT1N*)2及(STAT3N*)2濃度時(shí)序變化

如圖1a和1b所示，可知細(xì)胞核內(nèi)STAT1的同源二聚體在1.5小時(shí)左右出現(xiàn)最大。當(dāng)IFNR的濃度升高至24nM和48nM時(shí)，隨著IFNR的濃度的升高(STAT1N*)2濃度已變化不大；圖1a(STAT1N*)2大約在9小時(shí)后基本趨于穩(wěn)定狀態(tài)，(STAT1N*)2穩(wěn)定濃度變化趨勢與峰值基本一致，濃度差異減小。圖1b大約在8小時(shí)后基本趨于穩(wěn)定狀態(tài)，穩(wěn)態(tài)濃度變化趨勢與峰值相同，濃度差異減小。

運(yùn)用SPSS19軟件，對(STAT1N*)2和(STAT3N*)2與IFNR的相關(guān)性進(jìn)行檢驗(yàn)，得出(STAT1N*)2和IFNR之間的標(biāo)準(zhǔn)相關(guān)系數(shù)為0.819，P值為0.09，(STAT3N*)2和IFNR之間的標(biāo)準(zhǔn)相關(guān)系數(shù)為0.826，P值為0.085。結(jié)果表明，(STAT1N*)2和(STAT3N*)2的濃度與IFNR的濃度變化呈正相關(guān)，且為不顯著相關(guān)。由此推測，干擾素-γ信號轉(zhuǎn)導(dǎo)過程受IFNR的濃度的影響，適當(dāng)?shù)卦黾覫FNR的濃度可以促進(jìn)干擾素-γ的信號轉(zhuǎn)導(dǎo)。

2.2 不同濃度磷酸酶PP2的干擾素-γ信號轉(zhuǎn)導(dǎo)調(diào)控模式分析

通過擾動PP2的初始濃度，研究改變PP2的濃度，細(xì)胞核中STAT1的同源二聚體和STAT3的同源二聚體濃度在12小時(shí)內(nèi)隨時(shí)間的變化。

a.不同PP2初始濃度下(STAT1N*)2濃度時(shí)序性變化模式 b.不同PP2初始濃度下(STAT3N*)2濃度時(shí)序性變化模式圖2 不同濃度PP2與(STAT1N*)2及(STAT3N*)2濃度時(shí)序變化

如圖2a和2b所示，細(xì)胞核內(nèi)STAT1的同源二聚體在1小時(shí)左右達(dá)到峰值。圖2a可看出(STAT1N*)2在大約在11小時(shí)后基本趨于穩(wěn)定狀態(tài)，穩(wěn)態(tài)濃度變化趨勢與峰值相同，濃度差異減小。圖2b(STAT3N*)2在1小時(shí)后逐漸恢復(fù)正常水平，大約在11小時(shí)后基本趨于穩(wěn)定狀態(tài)，穩(wěn)態(tài)濃度變化趨勢與峰值相同，濃度差異減小。

運(yùn)用統(tǒng)計(jì)學(xué)方法對(STAT1N*)2和(STAT3N*)2與PP2的相關(guān)性進(jìn)行檢驗(yàn)，得出(STAT1N*)2和PP2之間的標(biāo)準(zhǔn)回歸系數(shù)為-0.929，P值為0.013，(STAT3N*)2和PP2之間的標(biāo)準(zhǔn)回歸系數(shù)為-0.951，P值為0.013。結(jié)果表明，(STAT1N*)2和(STAT3N*)2的濃度與PP2的濃度變化呈負(fù)相關(guān)，且顯著相關(guān)。這與Yamada等人的實(shí)驗(yàn)結(jié)果相符[7]。由此推測，干擾素-γ信號轉(zhuǎn)導(dǎo)過程受PP2的濃度的影響，增加PP2的濃度可以抑制干擾素-γ的信號轉(zhuǎn)導(dǎo)。

2.3 不同濃度IFNR和PP2的交互模型調(diào)控模式分析

通過同時(shí)擾動IFNR和PP2的初始濃度，研究IFNR和PP2的濃度，同時(shí)改變對細(xì)胞核中STAT1的同源二聚體和STAT3的同源二聚體濃度變化的影響，進(jìn)而研究二者在干擾素-γ信號轉(zhuǎn)導(dǎo)過程中的協(xié)同調(diào)控作用。整理數(shù)據(jù)如表1、表2所示。

如表1所示，對照組中(STAT1N*)2的峰值為65nM。當(dāng)干擾素-γ受體IFNR的濃度低于對照組濃度12nM時(shí)，磷酸酶PP2在濃度無論是高于或低于對照組濃度，通過模擬分析得到的(STAT1N*)2的峰值都低于65nM。當(dāng)干擾素-γ受體IFNR的濃度高于對照組濃度的情況下，PP2在濃度高于對照值時(shí)，(STAT1N*)2的峰值低于65nM，PP2在濃度低于對照值時(shí)，(STAT1N*)2的峰值高于65nM。當(dāng)PP2的濃度高于對照組濃度60nM時(shí)，IFNR的濃度無論是高于或是低于對照組濃度的情況下，通過模擬分析得到的(STAT1N*)2的峰值都低于65nM。當(dāng)PP2的濃度低于對照組濃度的情況下，IFNR在濃度低于對照值時(shí)，(STAT1N*)2的峰值低于65nM，IFNR在濃度高于對照值時(shí)，(STAT1N*)2的峰值高于65nM。

表1 不同IFNR和PP2的初始濃度對應(yīng)的(STAT1N*)2濃度峰值

表2 不同IFNR和PP2的初始濃度對應(yīng)的(STAT3N*)2濃度峰值

觀察表中數(shù)據(jù)后可知，(STAT3N*)2峰值的變化趨勢與表1中(STAT1N*)2峰值變化趨勢基本是一致的。

這些模擬結(jié)果表明，在干擾素-γ信號轉(zhuǎn)導(dǎo)的過程中，IFNR的濃度低于12nM時(shí)，IFNR的正反饋調(diào)節(jié)在干擾素-γ的轉(zhuǎn)導(dǎo)中占主導(dǎo)地位，而當(dāng)PP2的濃度高于60nM時(shí)，PP2的負(fù)反饋調(diào)節(jié)在干擾素-γ的轉(zhuǎn)導(dǎo)中占主導(dǎo)地位。用統(tǒng)計(jì)學(xué)方法進(jìn)行檢驗(yàn)，得出(STAT1N*)2和IFNR、PP2的相關(guān)系數(shù)為0.594和-0.604，P值小于0.001，(STAT3N*)2和IFNR、PP2的相關(guān)系數(shù)為0.679和-0.485，P值小于0.001。結(jié)果表明，(STAT1N*)2和(STAT3N*)2的濃度與IFNR的濃度變化呈正相關(guān)，與PP2的濃度變化呈負(fù)相關(guān)。但同時(shí)擾動兩個(gè)影響因子的初始濃度時(shí)，標(biāo)準(zhǔn)回歸系數(shù)較單因子的標(biāo)準(zhǔn)相關(guān)系數(shù)有所變化，且極為顯著。

3 結(jié)論

本文采用系統(tǒng)生物學(xué)建模工具COPASI對干擾素-γ的信號轉(zhuǎn)導(dǎo)進(jìn)行模擬，并應(yīng)用統(tǒng)計(jì)學(xué)方法進(jìn)行檢驗(yàn)，通過模擬分別改變干擾素-γ受體和磷酸酶PP2的初始濃度,研究了二者初始濃度改變對胞核內(nèi)STAT同源二聚體濃度變化的影響。通過同時(shí)改變二者的初始濃度，研究了二者濃度同時(shí)改變對細(xì)胞核內(nèi)STAT同源二聚體濃度變化的影響，進(jìn)而研究它們在干擾素-γ信號轉(zhuǎn)導(dǎo)過程中的協(xié)同作用。結(jié)果表明，改變單因子初始濃度時(shí)，細(xì)胞核內(nèi)STAT同源二聚體濃度與R受體濃度呈正相關(guān)，且顯著性不明顯，與PP2濃度呈負(fù)相關(guān)，且顯著性明顯。二者協(xié)同作用時(shí)同樣與R受體濃度呈正相關(guān)，與PP2濃度呈負(fù)相關(guān)，但都極為顯著。因此推測，可以通過改變IFNR和PP2的初始濃度對干擾素-γ信號轉(zhuǎn)導(dǎo)過程進(jìn)行調(diào)節(jié)，且二者協(xié)同作用時(shí)調(diào)控效果更明顯。本文對干擾素-γ信號轉(zhuǎn)導(dǎo)的調(diào)節(jié)機(jī)制進(jìn)行了研究，有利于進(jìn)一步研究干擾素-γ在抗微生物感染及免疫調(diào)節(jié)中的作用。

[1]徐強(qiáng),王長亮,李勝.系統(tǒng)生物學(xué)——生命科學(xué)的新領(lǐng)域[J].中國醫(yī)藥報(bào),2008,19(3):21-23.

[2]蔣太交,薛艷紅,徐濤.系統(tǒng)生物學(xué)——生命科學(xué)的新領(lǐng)域[J].生物化學(xué)與生物物理進(jìn)展,2004,31(11):957-963.

[3]常暢.系統(tǒng)生物學(xué)的研究進(jìn)展[J].生命科學(xué)研究,2006,35(2):81-83.

[4]譚初兵,杜冠華.系統(tǒng)生物學(xué)――藥物研發(fā)的新動力[J].中國新藥雜志[J].2006:123-128.

[5]Qing Y,Stark GR. Alternative activation of STAT1 and STAT3 in response to interferon-gamma[J].TheJournal of biological chemistry,2004,279(40):41679-41685.

[6]齊云峰.基于系統(tǒng)生物學(xué)方法的干擾素-γ和白介素-6信號轉(zhuǎn)導(dǎo)通路建模以及抗癌藥物誘導(dǎo)細(xì)胞凋亡機(jī)制的研究[D].長春：東北師范大學(xué)，2014.

[7]Yamada S,Shiono S,Joo A,etal. Control mechanism of JAK/STAT signal transduction pathway[J]. FEBS letters,2003, 534(1-3):190-196.

[8]Zi Z, Cho KH, Sung MH, etal. In silico identification of the key components and steps in IFN-gammainduced JAK-STAT signaling pathway[J].FEBS letters,2005,579(5):1101-1108.

[9]Rateitschak K，Karger A，F(xiàn)itzner B，etal. Mathematical modelling of interferon-gamma signalling inpancreatic stellate cells reflects and predicts the dynamics of STAT1 pathway activity[J].Cellular signaling,2010,22(1):97-105.

[11]FISHER R A. The use of multiple measurements in taxonomic problems [J].Ann of Eugenics, 1936(7):179-188.

[12]徐群.非線性回歸分析的方法研究[D].合肥：合肥工業(yè)大學(xué),2009.

[13]Hucka M，F(xiàn)inney A，Sauro HM，etal. The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models[J]. Bioinformatics, 2003,19(4):524-531.

[14]Achard F,Vaysseix G,Barillot E. Bioinformatics and data integration[J].Bioinformatics,2001,17(2):115-125.

[14]Mendes P. GEPASI: a software package for modelling the dynamics, steady states and control of biochemical and other systems[J].Computer applications in the biosciences,1993,9(5):563-571.

[15]彭司華,周洪亮,彭小寧,等.系統(tǒng)生物學(xué)的分析與建模[J].信息與控制,2004,33(4):356-363.

The IFN-γ Modeling Analysis of the Signal Transduction Model Based on the Systems Biology

QI Yun-feng, SUN Tian-tian, CHANG Hong-ling

(College of Life Science, Jilin Normal University, Siping Jilin 136000, China)

IFN-γ is a member of the family of the interferon in cytokine superfamily,it is a variety of biological functions such as microbial infection and immunity to adjust. Systems biology studies organism mainly adopt the method of system, the modeling and simulation of different levels of various signal transduction pathways and gene regulatory networks, etc. In this paper, the use of systems biology modeling tools COPASI to IFN-γ signal transduction were simulated, and the application of statistical methods, through the simulation respectively change the IFN-γ receptor (IFNR) and initial concentration of phosphatase PP2, studied the concentration change within the nucleus on the STAT homologous dimers the influence of the concentration change, by changing the initial concentration of both at the same time, studied the concentration change of The STAT in the nuclei of homologous dimers at the same time the influence of the concentration change, and then study them in the IFN-γ synergy in the process of signal transduction.

systems biology; IFN-γ; signal transduction

2016-04-26

國家自然科學(xué)基金項(xiàng)目“基于跨組學(xué)數(shù)據(jù)系統(tǒng)分析的表觀遺傳學(xué)藥物凋亡誘導(dǎo)建模研究”(31540035)；四平市科技發(fā)展計(jì)劃項(xiàng)目“組蛋白去乙?；敢种苿┱T導(dǎo)細(xì)胞凋亡機(jī)制建模研究”(2015062)。

齊云峰(1983- )，男，講師，博士，從事系統(tǒng)生物學(xué)研究。

Q811.4

A

2095-7602(2016)08-0056-05