Modelado lógico discreto como un medio para vincular redes de señalización de proteínas con análisis funcional de la transducción de señales en mamíferos

Las redes de señalización de proteínas a gran escala son útiles para explorar rutas bioquímicas complejas, pero no revelan cómo responden las vías a estímulos específicos. Tal especificidad es crítica para entender enfermedades y diseñar fármacos. Aquí describimos un enfoque computacional—implementado en el software CNO gratuito—para convertir redes de señalización en modelos lógicos y calibrar los modelos contra datos experimentales. Cuando se modeló una red derivada de la literatura de 82 proteínas que cubren las respuestas inmediatas tempranas de las células humanas a siete citoquinas, encontramos que el entrenamiento contra datos experimentales aumentó drásticamente el poder predictivo, a pesar de la crudeza de las aproximaciones booleanas, al tiempo que redujo significativamente el número de interacciones. Así, muchas interacciones en redes derivadas de la literatura no parecen ser funcionales en las células hepáticas de las cuales recopilamos nuestros datos. Al mismo tiempo, CNO identificó varias nuevas interacciones que mejoraron la correspondencia del modelo con los datos. Aunque faltaban en la red inicial, estas interacciones tienen respaldo en la literatura. Por lo tanto, nuestro enfoque representa un medio para generar modelos predictivos específicos de tipo celular de la señalización mamífera a partir de redes de señalización de proteínas genéricas.