Logical Modelling of Triple Negative Breast Cancer and in silico DRug Synergy Predictions

Abstract

Brystkreft er den hyppigst diagnostiserte kreften på verdensbasis med mer enn 2 millioner nye tilfeller hvert år, og dette tallet forventes bare å stige. Brystkreft som mangler ekspresjonen av østrogen- og progesteronreseptorene, og som mangler forsterkning av den humane epidermale vekstfaktorreseptoren 2 kalles "trippelnegativ". Trippel negativ brystkreft regnes som den mest aggressive formen for brystkreft, og er ekstremt vanskelig å kurere. Mens andre former for brystkreft kan behandles ganske effektivt med hormonbehandling, kjemoterapi, kirurgi eller strålebehandling, reagerer trippelnegative brystkreft ikke godt på behandlinger og har dårlige prognoser. Med fremveksten av sekvenseringsteknikker med høy gjennomstrømning, kan den høymolekylære heterogeniteten blant trippelnegative tilfeller karakteriseres mer nøyaktig, og sette scenen for utvikling av personlig tilpassede behandlinger. Vitenskapelige studier antydet nylig bruk av nye terapier inkludert kombinasjoner av eksisterende medisiner, derfor er kliniske studier i gang. Men å utforske flere og flere muligheter for medikamentkombinasjoner kan neppe oppnås gjennom kliniske studier, som er svært tidkrevende og kostbare. In silico-simuleringer er lovende teknikker for å identifisere nye målkandidater i sykdommer med udekkede kliniske behov og avlaste belastningen på kliniske studier. I dette prosjektet ble et boolsk nettverk som representerer de endrede signalprosessene til trippelnegativ brystkreft bygget etter en mellom-ut-modelleringstilnærming, og ble kalibrert på mRNA-ekspresjonsdata fra fire forskjellige cellelinjer. Multi-omics og pathway anrike analyser ble utført på trippel negative brystkreftdata for å avsløre de individuelle biologiske enhetene som er endret i trippel negative tilfeller sammenlignet med normale prøver, og koble dem til underliggende endrede funksjoner ved pathway overrepresentation analyse. In silico ble det utført spådommer om medikamentsynergi på nettverket for å vurdere dets evne til å forutsi observerte synergier og til slutt finne nye lovende medikamentkombinasjoner. Vi fant at modellen hadde en begrenset prediktiv kraft når den ble kalibrert på mRNA-ekspresjonsdata fra tre trippel negative cellelinjer. Til tross for flere trinn for å finne de beste parameterne for å kjøre synergiforutsigelser, forble resultatene dårlige og fikk oss til å tenke at topologiske problemer kunne ha blitt introdusert under byggingen av modellen, og at kalibreringsdataene ikke var tilpasset for å oversette dynamikken til TNBC. Vi foreslår at disse områdene kan undersøkes videre for å forbedre TNBC-modellen. Spesielt kan raffineringen av banene som ble modifisert under kalibreringsfasen være til betydelig hjelp.

Breast cancer is the most commonly diagnosed cancer worldwide with more than 2 millions of new cases each year, and this number is only expected to rise. Breast cancers lacking the expression of the estrogen and progesterone receptors, and lacking amplification of the human epidermal growth factor receptor 2 are called "triple negative". Triple negative breast cancer is considered as the most aggressive form of breast cancer, and is extremely difficult to cure. While other forms of breast cancer can be treated quite efficiently by hormonal therapy, chemotherapy, surgery, or radiotherapy, triple negative breast cancers do not respond well to treatments and have poor prognoses. With the emergence of high-throughput sequencing techniques, the high molecular heterogeneity among triple negative cases can be more precisely characterised, setting the stage for the development of personalized treatments. Scientific studies recently suggested the use of new therapies including combinations of existing drugs, therefore, clinical trials are underway. However, exploring more and more possibilities for drug combinations can hardly be achieved through clinical trials, which are highly time-consuming and costly. In silico simulations are promising techniques to identify new target candidates in diseases with unmet clinical needs and relieve the burden on clinical trials. In this project, a Boolean network representing the altered signalling processes of triple negative breast cancer was built following a middle-out modelling approach, and was calibrated on mRNA expression data of four different cell lines. Multi-omics and pathway enrichment analyses were performed on triple negative breast cancer data to reveal the individual biological entities that are altered in triple negative cases compared to normal samples, and link them to underlying altered functions by pathway over-representation analysis. In silico drug synergy predictions were performed on the network to assess its ability to predict observed synergies and eventually find new promising drug combinations. We found that the model had a limited predictive power when calibrated on mRNA expression data of three triple negative cell lines. Despite multiple steps to find the best parameters to run the synergy predictions, the results remained poor and led us to think that topological issues could have been introduced during the building of the model, and that the calibration data were not adapted to translate the dynamics of TNBC. We suggest that those areas can be further investigated to improve the TNBC model. Notably, the refinement of the pathways that were modified during the calibration phase could be of considerable help.