对神经母细胞瘤患者来源的肿瘤球中干细胞空间结构的多尺度建模揭示了短程扩散过程的关键作用
《PLOS Computational Biology》:Multiscale modeling of the spatial structure of stem cells in neuroblastoma patient-derived tumoroids reveals a critical role for a short-range diffusive process
【字体:
大
中
小
】
时间:2026年04月02日
来源:PLOS Computational Biology 3.6
编辑推荐:
摘要:神经母细胞瘤是一种异质性的儿童肿瘤,属于交感神经系统,目前其治疗方法仍然有限。得益于患者来源的肿瘤类器官(PDT)的生成,这些体外3D结构被用作原始肿瘤的模拟模型,基础和应用研究得以推进。我们制备了神经母细胞瘤PDT,并使用免疫组化技术量化了CD133+癌干细胞的空间分布。
摘要:神经母细胞瘤是一种异质性的儿童肿瘤,属于交感神经系统,目前其治疗方法仍然有限。得益于患者来源的肿瘤类器官(PDT)的生成,这些体外3D结构被用作原始肿瘤的模拟模型,基础和应用研究得以推进。我们制备了神经母细胞瘤PDT,并使用免疫组化技术量化了CD133+癌干细胞的空间分布。观察到这些细胞倾向于在PDT中聚集。为了更好地理解生成此类结构所需的规则,我们构建了一个多尺度基于代理的神经母细胞瘤肿瘤类器官模型。该模型根据细胞内成分指定单个细胞的命运,这些成分通过随机基因调控网络动态演变。这种网络的状态可以通过细胞间信号传递以及可能的细胞位置来调节。首先发现,在没有细胞间相互作用规则的情况下,不会形成任何空间结构。添加简单的规则(如细胞间接触信号或差异性细胞粘附)仅略微提高了与实验数据集的吻合度。相比之下,引入干细胞间的短程促干细胞扩散信号能够生成非常逼真的3D PDT类结构。这突显了我们多尺度方法的力量,能够摒弃过于简化的规则,并提出一组最小的假设来定性和定量地再现实验观察到的空间结构。在神经母细胞瘤PDT的情况下,干细胞间的短程空间扩散信号在成功重建空间结构中起到了关键作用。
作者总结:神经母细胞瘤是五岁以下儿童中最常见的神经系统肿瘤,目前治疗选择仍然有限。最近的进展使得能够创建肿瘤类器官——这些三维结构源自患者肿瘤并再现其特征,这对神经母细胞瘤研究至关重要。我们制备了这类肿瘤类器官,并注意到癌干细胞(治疗的关键靶点)在肿瘤内部有明显的空间聚集现象。我们开发了一个多尺度计算模型来模拟肿瘤类器官的生长和癌干细胞的分化,该模型基于与干细胞和非干细胞表型相关的基因活性。模型显示,简单的或缺失的细胞间相互作用规则无法再现肿瘤类器官的空间结构。然而,引入短程促干细胞扩散信号后,生成了与实验观察结果在定量上相似的逼真三维结构。我们的研究强调了多尺度计算方法的有效性,它能够创建一个计算机模拟的神经母细胞瘤肿瘤类器官生长模型,并为实验观察到的特定空间结构提供见解,从而可能带来创新的治疗方法。
引言:神经母细胞瘤(NB)是一种源自原始神经嵴细胞的儿童交感神经系统肿瘤。尽管罕见,但它却是儿童中最常见的颅外实体瘤,主要发生在五岁以下的儿童中。它占所有儿童癌症的8-10%,是第三大常见儿童恶性肿瘤[1, 2]。神经母细胞瘤具有生物学、形态学、遗传学和临床特征的异质性。患者被分为低风险、中等风险和高风险组。低风险患者可能自发消退或对治疗反应良好,从而显著提高生存率。另一方面,当前的治疗方案对于高风险神经母细胞瘤患者来说效果不足[3]。已确定的可操作突变包括ALK[4]和MYCN周围的分子调控网络[5],后者在许多神经母细胞瘤患者中扩增[6]并影响神经母细胞瘤细胞的干性[6]。只有少数药物在临床上得到验证[7],因此迫切需要更创新的方法。最近能够生成体外相关的3D结构,这些结构至少部分再现了神经母细胞瘤的典型组织结构,为基于患者来源的肿瘤类器官(PDT)的基础和应用研究铺平了道路[8, 9]。为了表征神经母细胞瘤的空间结构,我们从神经母细胞瘤肿瘤中培养了PDT,并使用免疫组化(IHC)技术评估其神经母细胞瘤特性。我们观察到CD133+癌干细胞(CSC)具有特征性的空间定位,这些细胞倾向于聚集在PDT的中心。CSC被定义为(主要是罕见的)癌细胞亚群,被认为负责肿瘤自我更新和向各种癌症类型的异常分化[10]。为了更好地理解结构形成背后的机制,我们构建了一个PDT生长的计算模型,并评估了该模型研究和再现生长及分化空间模式的能力。理想情况下,计算建模框架应能够考虑细胞决策是一个多尺度动态过程,这一过程结合了基于细胞内基因组的基因调控网络(GRN,在每个组织层次上都是随机的[11])、细胞行为以及组织层次的组织结构。每个层次既可影响其他层次,也可受其他层次的影响。例如,研究表明组织结构在细胞层面提供了对抗噪声的稳定约束[12]。细胞行为源自GRN动态,但分子层次也可能受到细胞代谢状态等细胞层面约束的影响[13]。关于干细胞(无论是否癌变)和癌细胞(无论是否为干细胞)的建模文献很多,但只有少数模型用于探索肿瘤内的CSC动态[14–22]。虽然一些研究依赖常微分方程来模拟CSC动态(从而忽略了空间方面[22]),但大多数研究使用基于代理的模型(ABM)。所有这些ABM都建立在2D格子上,除了[15]使用2D连续空间(在NetLogo中实现)。尽管没有模型模拟GRN,但一些研究[15, 20]可以被视为多尺度模型:Biava等人[15]模拟了分子因子(肽、microRNAs)如何通过概率规则影响肿瘤细胞行为,而Fotinos等人[20]将细胞层面的行为(分裂、分化)与CSC的组织模式联系起来。此外,虽然一些模型[14, 17–19, 21]纯粹是概念性和理论驱动的,展示了如何从基本细胞层面规则产生类似肿瘤的行为,但其他模型(特别是[15]和[20])结合了使用实验数据(如荧光成像、细胞标记强度和基于图的空间统计)的定量验证。与其它癌症类型的数学和计算模型以及丰富的干细胞建模文献相比,神经母细胞瘤的数学和计算模型相对较少。大多数现有的数学和计算模型关注亚细胞或分子机制[23–26]或通过模拟克隆进化来优化治疗计划[27]。基于代理的模型已被广泛用于肿瘤建模,以表示2D系统中的单个细胞行为和细胞间微环境相互作用[28, 29],以及3D中的肿瘤球体生长[30]。只有少数近期研究提出了神经母细胞瘤肿瘤生长和演化的3D计算模型,包括空间显式的3D框架。值得注意的是,Boreau等人[31]引入了一个由PRIMAGE联盟开发的基于云的计算模型,以帮助临床医生研究疾病进展并优化患者治疗。Wertheim等人[32]提出了一个连续自动机模型,描述了3D域中肿瘤的生长,包括细胞外环境或细胞突变等特征,并研究了MYCN扩增克隆的进展和对各种治疗的反应。正如作者所述,这两种方法的一个明显局限性是它们的模型都没有包含信号通路和基因调控网络的动态模型[31],其静态表示也不允许在一个时间步长内对代理内部进行动态建模[32]。回顾性研究提供了关于CSC动态和肿瘤生长的宝贵概念和计算见解,但它们存在几个显著局限性。大多数模型局限于2D格子环境,这限制了空间真实性,并可能简化了体内肿瘤结构的复杂性。GRN和细胞内信号通路缺失,限制了模型捕捉细胞命运决策背后分子机制的能力。当模型的输出需要与空间转录组数据对比时,这可能特别成问题[33]。为了克服这些局限性,我们开发了Simuscale[34, 35],这是一个多尺度基于代理的建模框架,每个细胞中都包含一个随机GRN,其状态可以受到细胞间信号的影响。该模型真正是多尺度的,因为它至少包含两个嵌套的组织层次及其之间的相互作用。这导致了一个循环因果关系方案[36],传统建模方法难以理解。Simuscale能够从分子层次到群体层次进行模拟,同时考虑空间运动和信号动态,无论是通过直接的细胞间(局部)接触还是通过长程扩散。本文介绍的模型包括15个初始干细胞,每个干细胞都配备了一个GRN,该GRN由两个控制细胞命运的蛋白质之间的简单切换开关组成,并调节一个控制细胞增殖的蛋白质。这个GRN被建模为一个分段确定性马尔可夫过程,在突发模式下运行[37],我们之前已经证明它可以再现真实的单细胞转录组数据[38]。在没有空间规则的情况下,该模型无法定性地或定量地再现观察到的IHC图像。添加简单的空间规则(如干细胞间接触和细胞运动)仅略微改善了模拟结果。成功重建PDT观察到的空间结构的关键是干细胞间的短程扩散信号过程。
结果:我们分析了来自同一培养物的五个PDT的10张IHC图像(见“组织学分析”部分)。S1图显示100%的细胞显示出强烈的PHOX2B信号,从而确定了它们的神经母细胞瘤身份。此外,三种抗原的染色量和强度在患者来源的异种移植体和PDT(以及原始肿瘤)之间完全一致,表明培养条件没有引起细胞身份的显著漂移。最后,CD56和突触蛋白(以下简称SYP)的表达明显不如PHOX2B均匀,大约50%的细胞呈阳性染色。这与之前的描述一致,即PDT至少部分再现了神经母细胞瘤组织的异质性。然后我们关注了基于CD133表达的IHC图像中的空间结构,定义了一个干细胞亚群,以及基于SYP的表达定义了一个分化细胞亚群。图1展示了IHC图像中干细胞的空间分布的定量特征。下载:PPT PowerPoint幻灯片PNG 更大图像TIFF 原始图像 图1. 干细胞的空间分布。A–B. 显示了同一PDT中两个连续μm厚组织切片中的突触蛋白标记(A)和CD133标记(B)。如果细胞表达该蛋白质,则显示为棕色;否则显示为蓝色。C. 百分比。D. Moran指数。E. 熵。F. 中心性。标记为1到10的点对应于PDT图像T1到T10。同一PDT的两个切片上计算的值使用相同的颜色。G. IHC图像:显示了三个PDT(T9、T10和T2)的CD133标记,如果细胞表达CD133蛋白质,则显示为棕色。https://doi.org/10.1371/journal.pcbi.1014137.g001 图1A和1B分别展示了T7的IHC图像,显示了两个相邻切片中SYP和CD133的表达。立即可以看出这两种蛋白质的表达是互斥的,表明这两种基因之间存在切换机制。我们使用了四个统计指标(在“统计方法”部分介绍)来定量表征CD133+细胞的空间分布。10张IHC图像中的干细胞百分比(图1C)范围从2.8%到11.2%不等。显然,不同PDT之间的变化较大(T3和T8的值较低,而T5和T10的值较高)。来自同一PDT的两个切片显示出非常接近的百分比,除了T2和T7。Moran指数(图1D)的范围从接近随机分布的0.09到表明明显空间聚集的0.48。再次观察到同一PDT的不同切片之间存在一些变异性,T2和T7的差异更为明显。熵指数值(图1E)的范围是从0.05到0.21。该指数通过量化聚类的形状,为干细胞聚类提供了额外的见解,特别是在Moran’s I值相似的情况下。聚类越拉长,熵值越高。例如,IHC图像T9和T10(图1G)具有相同的Moran’s I值,但它们的熵值不同。这种差异是因为图像T9包含两个分离良好的干细胞簇,而T10显示的簇更为紧凑,导致细胞间的距离更加分散。干细胞的中心性指数(图1F)的值范围是从0.53到1.1。低中心性值表明干细胞更集中在图像的中心附近,如图1E中的图像T2所示,而高中心性值则表明干细胞位于图像的中心之外(见图1G中的T9)。干细胞空间分散的方差统计。一个关键问题是如何确定实证偏离纯随机空间配置的统计显著性。在没有适当的分析表达式的情况下,通常通过蒙特卡洛模拟来模拟许多随机排列配置来获得显著性。当应用于Moran’s I时,这需要大量的排列(大约10^7次),因此计算时间非常长。Jensen和Michel [39] 提供了一个分析公式,用于计算在点完全随机分布情况下所谓的内部系数的95%置信区间,从而减少了这种排列实验的需要。这允许测试H0假设,即干细胞的空间位置是完全随机的,而备择假设H1是细胞不是随机分布的。在这种情况下,必须检查该系数是否高于参考值(即1),如果是,则可以得出细胞显著聚集的结论;如果低于参考值,则可以得出细胞显著分散的结论。图2展示了在H0假设下,两个IHC图像(T1和T4)的不同半径r值下的内部系数及其置信区间(见“统计方法”部分)。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。图2. 干细胞的内部系数与半径r的关系图。A和C:红色显示了在IHC图像T1(A)和T4(C)上计算的内部系数值,蓝色显示了95%置信区间的上半部分,作为半径(r,μm)的函数。T1和T4的实际图像分别显示在B和D中。https://doi.org/10.1371/journal.pcbi.1014137.g002 在达到某个特定半径(T1的40 μm,T4的320 μm)之前,内部系数始终远高于置信区间。这允许拒绝H0假设,并表明干细胞在达到某个特征半径值之前是显著聚集的。特别是对于小半径,干细胞总是聚集的。对于较大的半径值,内部系数落在置信区间内,无法拒绝H0假设,因此干细胞的空间位置倾向于遵循随机模式。T4(图2C)的r值比T1(图2A)的r值高得多,这表明T4显示的干细胞簇比T1的大。然而值得注意的是,尽管Moran’s I值较低,但T1的簇仍然与纯随机空间分布有显著不同。所有10张PDT图像在H0假设下都显示出显著的聚集,其最小半径值出现在T1图像中,为40 μm。计算模型:细胞命运。我们考虑了一个基因活动的动态模型,其中分子值由一个GRN控制,该GRN包括CD133和SYP基因之间的切换开关(图3A)。这两个基因定义了两个细胞亚群:干细胞(CD133+)和分化细胞(SYP+),这是通过实验获得的(见“免疫组化”部分)。GRN还包括Cyclin E基因,用作增殖的标志物。在这个网络中,CD133抑制Cyclin E的爆发频率,而SYP激活它,反映了干细胞的分裂速度比分化细胞慢[40]。表1提供了描述基因动态的交互矩阵。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。图3. 细胞动态和基因交互模型。A. 实现的第一个GRN。它由三个基因组成:CD133、SYP和Cyclin E,其中CD133和SYP通过一个切换开关进行交互,Cyclin E驱动增殖。B. 细胞层面的增殖和分化规则。细胞根据其体积和Cyclin E蛋白的表达水平生长然后分裂。每个子细胞在分裂后做出分化决定。分化命运取决于CD133蛋白浓度与给定阈值Th的比较。C. 修改后的GRN,其中干细胞信号影响CD133基因的爆发频率。https://doi.org/10.1371/journal.pcbi.1014137.g003 下面我们定义了一个干细胞和分化细胞动态的模型,其中细胞增殖和分化动态由GRN控制(图3B)。每个细胞都有一个恒定的体积增长率。当其体积至少翻倍时(最小体积设置为1),如果Cyclin E基因的蛋白浓度达到增殖阈值(设置为0.01),细胞就会分裂。在分裂过程中,两个子细胞继承了母细胞的一半分子内容。每次分裂时都会评估细胞的分化情况:如果子细胞的CD133蛋白水平超过分化阈值,细胞就成为或保持为干细胞;否则,它被视为分化细胞。此外,我们提出了一个包含信号传导的改进网络(图3C)。这种信号传导发生在干细胞与其他干细胞接触时,或者通过基于干细胞的信号扩散(见“信号传导”部分)。这种信号传导通过增加CD133的爆发频率来激活它。因此,信号传导增加了邻近细胞保持或成为干细胞的可能性。我们的目标是生成模型输出,使得四个统计指数(见“统计方法”部分)的值都在实验观察到的范围内。首先,我们评估了分化阈值的影响(图4A)。正如预期的那样,随着分化阈值的提高,干细胞的比例下降,而Moran’s I值低于最低的实验观察值。熵值随着分化阈值的提高而增加,在干细胞比例太低时达到可接受的值。中心性对分化阈值的变化基本上不敏感,保持在大约1的值附近,因此突出了干细胞群体的缺乏中心性。结果表明,在没有任何空间规则的情况下,不会出现明显的空间结构。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。图4. 评估分化阈值和细胞间接触信号的作用。A. 我们的四个指数在不同分化阈值下的行为。沿着Z轴取一个中心部分生成一个2D图像,类似于IHC图像。然后计算平均值(红点)和标准差(蓝线)。两条虚线红线表示基于实验结果的每个指数的最小值和最大值(见图1)。从左到右分别显示干细胞比例、Moran’s I、熵指数和中心性指数。B. 我们的四个指数在不同细胞间信号强度下的行为,使用的分化阈值=0.003。C–F. 四个指数在不同阈值分化和信号强度水平下的表现(C:百分比;D:Moran’s I;E:熵;F:中心性)。每个方块代表特定阈值分化(Y轴)和信号强度(X轴)组合的模拟值。从现在开始,颜色条用于对每个指数的值进行分类,其中绿色表示在实验结果获得的最小到最大范围内的值(即可接受的值);黑色表示低于实验最小值的值;红色表示高于实验最大值的值。每种颜色都有三个等级的渐变,其中较深的色调代表较大的值。紫色方块表示所有四个指数同时可接受的值。G–I. 通过模拟的PDT S1、S2和S3中心的2D截面。干细胞用红色表示,分化细胞用蓝色表示。J–M. 可接受点S1、S2、S3(红色)与IHC图像T1和T6(蓝色)的四个指数的比较;所有其他图像显示为灰色。https://doi.org/10.1371/journal.pcbi.1014137.g004 接下来我们根据以下规则测试了空间信号的影响:当两个干细胞接触时,它们通过增加CD133基因的爆发率来相互信号传递。为此,我们将分化阈值设置为0.003,这是一个在没有空间信号的情况下获得的值,此时干细胞比例、熵和中心性指数都在可接受范围内,尽管Moran’s I值仍然低于实验最小值(图4A)。添加空间信号改善了情况,信号值为0.3时,所有四个指数的值都变得可接受,尽管Moran’s I值仍然处于较低范围内(图4B)。增加细胞间信号强度提高了Moran’s I值,但将干细胞比例指数推高了其最大限制。然后我们评估了同时改变分化阈值和信号强度的联合效应。对于每对(信号,分化阈值),我们将四个指数分为低于、在或高于实验范围(图4C–F)。我们获得了三对对所有四个指数都可接受的参数:S1 = (0.3, 0.003),S2 = (0.3, 0.004),和S3 = (0.5, 0.004)。相应的2D截面显示在图4G(S1)、4H(S2)和4I(S3)中。干细胞的空间分布看起来接近随机,这与Moran’s I的低值一致(图4K)。在图4J–M中,与S1、S2和S3相关的指数接近于IHC图像T1和T6的指数,这些图像代表了干细胞聚集在许多小的、随机分布的组中的情况(图2B)。总的来说,这些结果表明,添加基本的空间规则至少允许出现一些空间结构,尽管只能获得实验观察到的干细胞聚集的较低范围。直接接触的细胞间信号可能不足以产生预期的空间聚集。仔细检查模拟视频确实显示,细胞生长和分裂会破坏干细胞之间的接触,从而导致干细胞簇的破坏(参见示例:https://osf.io/25cy4/files/osfstorage,文件Mobile.mov)。为了探索细胞运动如何影响聚集,我们在Simuscale中引入了一种称为“motile”的替代运动机制。与仅依赖于子细胞被动力的“mobile”运动不同,“motile”运动可能允许干细胞更有效地排列它们的位置。我们为细胞速度定义了一个默认值0.3 h^-1(参见示例:https://osf.io/25cy4/files/osfstorage,文件Motile.mov)。然后我们使速度依赖于接触:低速度模拟细胞间粘附。我们首先假设干细胞与干细胞(S-S)和分化细胞与分化细胞(D-D)之间的粘附具有相同的值,并且干细胞与分化细胞(S-D)之间的粘附可能会有所不同。图5A–5D显示了不同速度参数组合(S-D, S-S, D-D)的四个主要指数的值。找到了一组满足所有四个指数的参数S4 = (0.256, 0, 0) h^-1。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。图5. 动态细胞和分化细胞间粘附的模拟结果,同时将细胞间接触信号重置为0。A–D. 我们的四个指数在不同干细胞速度(S-S)下的行为,Y轴上的速度等于分化细胞之间的速度(D-D),X轴上的速度为干细胞与分化细胞之间的速度(S-D),可接受点用紫色方块突出显示。E–H.Y轴上表示干细胞(S-S)之间不同速度值的四个指数,X轴上表示干细胞与分化细胞(S-D)之间(即分化细胞(D-D)之间的速度)的四个指数。I–L部分展示了可接受点(红色)的四个指数与IHC图像T1和T6(蓝色)的指数之间的比较;所有其他图像均以灰色显示。M–O部分展示了PDT中心区域的2D横截面。链接:https://doi.org/10.1371/journal.pcbi.1014137.g005
接下来,我们研究了干细胞与分化细胞之间的粘附力(S-D)等于分化细胞之间的粘附力(D-D),而干细胞之间的粘附力可能不同的情况。在这种情况下,我们得到了另外两组参数组合,分别为S5 = (0.016, 0, 0.016) h?1和S6 = (0, 0.064, 0) h?1(见图5E–5H)。我们还考虑了干细胞(S-S)之间的粘附力等于干细胞与分化细胞(S-D)之间的粘附力,但分化细胞(D-D)之间的粘附力可能不同的情况,然而这种情景并未产生任何额外的有效数据点。由于这三点的Moran’s I值都非常小,我们将S4、S5和S6部分的四个指数与IHC图像的指数进行了比较。我们观察到,尽管S4到S6部分的CD133+细胞比例较高,但其Moran’s I值与显示较低Moran’s I值的IHC图像T1和T6并无显著差异(见图5I–5L)。由S4、S5、S6三种配置生成的PDT 2D横截面分别如图5M、5N和5O所示,显示出与IHC图像T1和T6(Moran’s I值最低的图像)相似的空间结构。然而,我们也发现细胞粘附力的变化对干细胞的空间分布影响不大。总体而言,引入细胞运动性仅略微提高了我们建模方案再现实验数据的能力。
最后,我们探讨了仅由干细胞发出的非局部扩散信号的可能作用。有效信号范围(从短距离到长距离)由所谓的“可达区域”控制,该区域通过参数来表示,详见“信号传导”部分。图6展示了在不同可达区域值下的模拟结果。这些结果是在信号强度固定为0.3、分化阈值固定为0.004的条件下获得的(详见“空间结构、分化阈值和细胞间接触信号传导”部分)。下载文件包括:PPT、PowerPoint幻灯片、PNG格式的大图、TIFF格式的原图。
图6. 具有空间扩散信号的模拟结果。A–D部分展示了不同可达区域值下四个指数的变化情况。红色点代表5次模拟的平均值,蓝色线代表标准差,两条虚线红色线表示每个指数的最小和最大实验值。E–H部分比较了5次模拟中5个2D横截面(可达区域为D1至D5;荧光红色)、1次模拟中的9个连续横截面(D1;荧光绿色)以及图1中的10张IHC图像的四个指数值。I部分展示了D1的2D横截面,显示了干细胞(红色)和分化细胞(蓝色)的空间位置。J部分在同一2D横截面上展示了感知到的细胞信号强度。
正如预期的那样,当可达区域较小时(半径约为4.5 μm的球体,相当于信号主要在单个细胞直径范围内传播),结果与直接细胞间接触信号传导的情况相似。同样,当可达区域增大到较大值时(此处为测试的最大值),干细胞的比例显著增加,超过了实验数据集中的最大值,Moran’s I值也随之增加。实际上,非局部扩散信号使干细胞保持其干细胞状态,因此信号传播得越远,保持干细胞状态的细胞数量就越多。最有趣的现象出现在可达区域较短的情况下(大约相当于均匀扩散范围达到6.4 μm),此时扩散信号可以传递到任何方向上的第一邻居细胞。这在建模上相当于自分泌、旁分泌和旁接触信号的混合效应,其中CSCs可以向自身、直接邻居以及没有直接接触的邻近细胞发送信号。在这种情况下,我们得到了四个指数的正确值,包括最高的Moran’s I值(见图6B)。当将基于模拟的指数与实验观察值进行对比时(见图6E–6H),可以看出模拟结果在平均值和变异性方面都非常接近实验数据。此外,展示CD133+细胞空间结构的2D横截面(见图6I)表明,引入短距离扩散信号显著改善了干细胞的空间分布。图6J展示了信号如何被感知,它表明扩散信号平滑了信号传递,并能够纠正可能因细胞生长而分离的干细胞的空间分布。我们认为,短距离扩散信号的成功部分原因在于其对去分化事件的影响。去分化事件是指原本分化的母细胞产生两个干细胞子细胞的情况(细胞内CD133的水平在母细胞生命周期内超过了阈值)。这种去分化事件显然是我们使用概率性GRN模型以及将细胞类型定义为GRN模型吸引区域的结果[41]。细胞类型间跳跃概率的计算方法已在[41]中描述。在没有非局部扩散信号的情况下,尽管这类事件很少见,但在所有细胞分裂事件中仍会发生。当包含非局部扩散信号时,去分化事件的发生频率增加,占所有细胞分裂事件的百分比有所提高。这种增加可以归因于CD133信号更广泛的空间分布,有助于稳定干细胞群体。
最后,我们还研究了在模拟的PDT内部进行切片位置对结果的影响。为此,我们在Z平面上生成了9个连续且均匀分布的切片(从结构的10%到90%),并计算了每个切片的四个指数值。结果(见图6E–6H,绿色点)表明切片位置对指数值有较大影响。对于某些指数而言,这种变异性几乎与10个实验切片相当。总体而言,我们证明了短距离空间扩散信号在成功重建PDT的空间结构中起着关键作用。
在本文中,我们开发了一个多尺度基于代理的模型,用于模拟神经母细胞瘤患者来源的肿瘤球内CD133+癌干细胞的空间组织。我们的结果表明,我们的计算机模拟多尺度模型能够在定性和定量上再现预期的主要空间结构,即干细胞聚集在PDT内部,并被分化细胞包围。我们的研究基于对5个体外培养的肿瘤球免疫组化图像的仔细定量分析。我们观察到两种互斥的基因表达模式:细胞表达CD133或SYP。这导致了两种表型的定义,即CD133+干细胞和SYP+分化细胞,并据此构建了我们的GRN模型,该模型围绕这两个基因之间的切换机制。干细胞的比例远低于分化细胞的比例,从而在GRN中定义了CD133、SYP和Cyclin E之间的相互作用。这两种细胞类型的定义依赖于实验中可获得的IHC证据。文献中还描述了更复杂的细胞类型,如去甲肾上腺素能(NOR)N型、间充质(MES)S型和中间I型,但这些类型的存在性仍存在争议[42–44]。在本研究中,我们仅假设了干细胞/前体细胞的区分,将MES和NOR细胞归为同一类别(分化细胞)。我们目前正在使用BMKMANU S3000平台进行单细胞RNAseq和空间转录组学分析[45],这应该能让我们更精确地了解PDT的实际复杂性。3D肿瘤球培养在再现神经母细胞瘤已知的细胞异质性和临床变异性方面的能力使其成为非常有吸引力的临床前模型[47]。我们记录了来自同一患者来源的异种移植物的PDT内部和之间的可量化变异性。尽管我们尽量保持培养条件的一致性以减少技术噪声,但PDT培养对技术因素非常敏感。例如,PDT在96孔板中的位置似乎对其生长有一定影响。关于PDT内部的变异性,沿Z轴均匀分布的切片进行计算机分析清楚地表明,切割区域内保留的PDT区域对空间聚类指数有显著影响。理想情况下,我们希望从体外培养的PDT中获得类似的结果,即在多个连续切片上估计我们的四个指数值。初步结果表明这是可行的,但与计算机模拟相比,对切片位置的控制要少得多。此外,切割过程中的技术伪影也可能限制切片间的可重复性。一个优雅的替代方法是使用光片荧光显微镜,它允许快速观察并定量评估三维生物过程和结构,同时将光诱导的损伤和褪色降到最低[48]。这应该会产生可以直接与我们的三维计算机模拟结果进行比较的3D图像。在本文中,我们没有探讨初始接种条件的影响。我们只接种了固定数量的干细胞,而在实际培养中,初始细胞组成可能会波动。因此,通过改变接种细胞的数量和类型来探索更多样化的初始条件将是有趣的。这将使我们能够评估初始细胞组成如何影响PDT的空间组织和动态。然后可以将结果与来自FACS分选的干细胞或分化细胞或两者的混合物的PDT进行比较。最后一个未解决的问题是扩散信号的分子本质。关于癌干细胞中自分泌信号的文献综述揭示了多种可能的候选分子,尽管在神经母细胞瘤中尚未确定具体分子:例如,有研究描述了使用血管内皮生长因子-C(VEGF-C)的自分泌循环[49],或使用肝细胞生长因子(HGF)/c-Met途径的自分泌循环用于肾细胞癌干细胞[50]。此外,TGF-已被证明可以通过自分泌循环促进干细胞特性[51],并通过Wnt信号途径诱导和维持转化的人类乳腺上皮细胞的上皮-间充质转化[52]。在这最后一种情况下,作者表明抑制这些途径足以防止细胞获得干细胞特性。我们可以使用目前正在PDT上生成的单细胞转录组数据来测试各种配体-受体共表达,以分离潜在的自分泌信号机制。这可能有助于提出与[53]中提出的治疗策略相一致的方法,即直接针对CSCs,使用AZD9150等STAT3靶向药物或EZH2、SETD8等表观遗传学抑制剂来推动干细胞脱离其干细胞状态。在建模方法中需要承认一些简化。由于没有证据表明两种细胞类型之间的细胞死亡率存在差异,因此我们选择不使用统一的恒定死亡率。尚未实现任何明确的生物物理机制,因此无法研究已知会改变癌细胞行为的内部机械压缩效应(参见[54]及其中的参考文献)。此外,由于缺乏明确的细胞外基质,也无法研究其影响,尽管已经证明基质硬度对调控干细胞特性非常重要[55]。值得注意的是,对我们用HPS染色的切片进行仔细检查后发现,在这些PDT样本中几乎检测不到胶原蛋白。虽然信号传导的影响没有被忽视,但可以进一步细化其影响,例如多效性效应——包括对细胞存活、生长和迁移的影响——是常见的。从实验角度来看,4D数据集(随时间变化的3D结构实时图像)将是理想的,但目前还没有这样的数据集,尽管最近的技术发展使得在短期内实现这一点成为可能[56]。次优的选择是纵向空间转录组学样本[57]。尽管存在上述简化或限制,我们的研究表明,在没有其他线索的情况下,短期旁分泌信号传导就足以生成与实验观察结果在质量和数量上都非常接近的CSCs(癌症干细胞)的空间分布模式。此外,我们特别感兴趣的是,另一项采用完全不同实验和理论方法的研究得出了与我们相同的结论,即邻近细胞提供的信号传导线索在塑造CSCs的空间分布中起着关键作用[58]。当前的框架可以扩展用于模拟真正的神经母细胞瘤肿瘤。可能的实验证据来源是最近发表的空间转录组学研究[43]。可以预见的主要困难之一是正确定义模型的复杂程度。Borau等人的工作[31]提供了一个灵感,他们提出了第一个多尺度协调框架,该框架整合了涉及神经母细胞瘤的分子、细胞和组织层面的过程,并使用了患者特定的数据。与这项工作的主要区别在于引入了特定的癌症干细胞区室,并使用了一个明确的动态GRN(基因调控网络)来生成细胞的分子组成。我们目前正在使用CARDAMOM推理工具[38]来推断这样一个更现实的GRN。当有空间转录组学数据时,这种方法可以进一步推广到实体肿瘤的建模。材料、方法和模型
伦理声明:来自正位患者来源的异种移植物的冷冻细胞是从St Jude儿童研究医院的生物库获得的(St. Jude儿童研究医院,地址:262 Danny Thomas Pl, Memphis, TN 38105, USA,网址:https://www.stjude.org/research/why-st-jude/shared-resources/biorepository.html)。根据[59](网址:https://www.nature.com/articles/nature23647)中的说明,St Jude儿童研究医院获得了每个用于创建OPDX(患者来源的异种移植物模型)的患者的书面同意书,该同意书遵循了实体肿瘤分子分析(MAST)协议(ClinicalTrials.gov ID NCT01050296,网址:https://clinicaltrials.gov/ct2/show/NCT01050296)。
生成PDX(患者来源的异种移植物模型)SJNBL013762_X1的冷冻细胞由St. Jude儿童研究医院提供。这个OPDX模型是通过将一个来自15个月大男孩的肿瘤(原发肿瘤位于肾上腺)移植到小鼠的解剖学正确位置(即小鼠的肾上腺)而建立的。该肿瘤的其他特征包括骨髓转移以及已知的分子改变,包括NMYC基因扩增和ALK突变。根据[59]的方法生成患者来源的异种移植物(PDX):将106个细胞嵌入100 μL的Matrigel(Corning Matrice Matrigel参考编号356234)后,皮下注射到6周大的NSG-NOD.Cg-Prkdcscid Il2rgtm1Wjl/SzJ(Charles River参考编号614)雌性小鼠体内。这些小鼠被饲养在经过消毒的带过滤盖的笼子中,并在P-PAC无病原体动物设施中维护(D 69 388 0202;里昂癌症研究中心(CRCL))。所有动物实验都严格遵循当地动物伦理评估委员会(C2EA-15)验证的相关指南进行,并获得了法国教育与研究部的授权(授权编号APAFIS#28836)。
神经母细胞瘤患者来源肿瘤oid(PDT)的制备:从NSG-NOD小鼠体内发展的肿瘤中取出新鲜组织,将其机械切成小块,并根据St. Jude儿童研究医院的指南使用accutase在37°C下进行1-2小时的酶解处理。将4.105至1.106个细胞嵌入20 μL的Matrigel中,然后放置在一个基于先前描述的神经母细胞瘤肿瘤起始细胞系和PDT制备协议的96孔ULA板(BIOFLOAT 96-well U bottom - FaCellitate)中的100 μL培养基中(培养基成分包括高级DMEM/F-12培养基(Gibco)、1X B-27补充剂(不含维生素A,Gibco)、1X N2补充剂(Gibco)、1x青霉素-链霉素(Gibco)、40 ng/mL hFGF-b(Peprotech)、20 ng/mL hEGF(Peprotech)、10 ng/mL hPDGF-AA(Peprotech)和200 ng/mL hIGF1(Peprotech)。培养物在不进行嵌入的情况下进行分瓶,并在相同的培养基和相同的96孔ULA板中继续培养。7天后,每瓶培养物补充50 μL培养基,然后每周更换一半培养基。当PDTs的直径达到约1毫米时,使用TrypLE Express酶(ThermoFisher Scientific)进行分瓶。
组织学分析:当神经母细胞瘤类器官的直径达到0.8毫米时,按照[61]中的描述进行固定和处理。它们被嵌入石蜡(ASP6025,Leica)中,并由里昂癌症研究中心(CRCL)的East研究病理平台进行组织学特征分析。根据常规程序制备了3 μm厚的福尔马林固定、石蜡包埋的组织切片。切片随后用hematoxylin、phloxin和safran染色,并用自动免疫染色仪(Ventana Discovery XT,Roche,Meylan,法国)进行免疫组化(IHC)处理,使用Omnimap DAB试剂盒按照制造商的说明进行操作。切片在72°C下使用Ventana EZ Prep试剂(参考编号:950-102,Roche)脱蜡并水化,然后使用Ventana Tris-EDTA缓冲液(pH 7.8,参考编号:950-224,Roche)进行抗原修复,时间分别为32分钟用于CD56和CD133,以及60分钟用于Synaptophysine。切片依次与以下抗体孵育:小鼠抗CD56抗体(Novocastra,NCL-L-CD56-504)稀释1:100,孵育32分钟;然后与兔抗小鼠IgG2b抗体(Abcam,ab125907)孵育32分钟,接着与兔抗HRP抗体(Roche,760-4311)孵育16分钟;与兔抗CD133抗体(Cell signaling Technology,86781)稀释1:500孵育32分钟,然后与兔抗HRP抗体(Roche,760-4311)孵育16分钟;与小鼠抗Synaptophysin抗体(Novocastra,NCL-L-SYNAP-299)稀释1:200孵育32分钟;然后与兔抗小鼠IgG1抗体(Abcam,ab133469)孵育32分钟,接着与兔抗HRP抗体(Roche,760-4311)孵育16分钟;最后与anti-Phox2B抗体(Fine test,FNab06409)稀释1:200在Dako自动染色仪上孵育20分钟。染色后使用3,3’-diaminobenzidine作为显色底物显色8分钟。切片用Gill’s Hematoxylin(参考编号:760-2021,Roche)复染8分钟,然后用Bluing试剂(参考编号:760-2037,Roche)复染4分钟。切片用温自来水洗涤并加入洗涤剂,然后在分级乙醇和甲基环己烷中脱水,最后用Pertex永久封片介质(参考编号:00801-FR,HistoLab)封片。最后,使用panoramic scan II(3D Histech,布达佩斯,匈牙利)以20倍放大率扫描切片。从同一培养物中准备了五个PDT样本,并对每个PDT样本沿Z轴分析两个切片,共得到10张免疫组化图像,编号为T1至T10。每对图像(T1,T6)、(T2,T7)、(T3,T8)、(T4,T9)和(T5,T10)来自同一个PDT样本。所有图像均保存在S1文件中。我们检查了CD133的表达情况,这是一种已知的干细胞标记物[53, 62–64],它通过抑制RET(一种参与神经母细胞瘤分化的酪氨酸激酶受体[66]来抑制神经母细胞瘤的分化。这使我们能够定义两种细胞类型:表达CD133的干细胞和表达Synaptophysin(SYP)的分化细胞(见“干细胞的空间分布”部分)。需要强调的是,在整个工作中,我们将细胞类型视为GRN模型[41]的吸引盆。吸引盆是一个与确定性动力学相关的概念,因此在当前框架中,当我们考虑一个随机基因动力学模型时,它指的是粗略近似的吸引盆,即用常微分方程系统表示的分段确定性马尔可夫过程[41]。IHC数据可在https://osf.io/e6vug/files/osfstorage获取。
图像分析:使用开源数字病理图像分析软件QuPath[67]打开和分析图像。为了准确识别IHC图像中的细胞,我们对检测CD133(分别为SYP)阳性染色细胞的参数进行了修改。我们考虑了“背景半径”,即用于估计局部背景强度的每个细胞核周围的区域大小,分别设置为9 μm(分别为6 μm)。只有平均强度大于阈值的细胞核才能被检测到,这两个标记物的阈值均设置为0.05。面积小于最小值的检测到的细胞核被丢弃。每个切片的平均细胞数为2,548 ± 336个细胞。平均细胞半径为4.5 μm。
统计方法:为了分析我们PDT样本中IHC图像中干细胞的空间分布,我们关注了以下统计指标:它们的百分比、Moran指数、熵和中心性。百分比:计算方法为CD133+细胞数量与总细胞数量的比值乘以100。Moran指数:Moran指数(以下简称Moran’s I)是一个空间自相关的统计指标,表示基于空间位置的相似性或聚集程度[68]。干细胞Moran’s I的计算方法如下:其中N是总细胞数,是观察数据(用二进制向量表示,xi=0表示分化细胞,xi=1表示干细胞),是其平均值,{wi,j}是邻域权重矩阵,wi,i=0表示所有i。Moran’s I的范围在-1到1之间。如果Moran’s I值接近0,说明干细胞的分布是随机的;如果I=1,则干细胞完全聚集。高Moran’s I值表明干细胞倾向于聚集在一起。实际上,如果两个细胞之间的距离小于或等于15 μm,则认为它们是邻居,这与所有10张IHC图像的观察结果一致。熵:熵指数通常用H表示,用于描述细胞之间的距离分布。干细胞的熵指数由[69]给出,其中pi表示干细胞(CD133+)之间的距离落在距离直方图的某个区间i内的概率,J是所有区间的集合。该指数提供了关于干细胞聚集的补充信息。中心性:中心性指数是所有干细胞到PDT图像中心的平均距离与所有分化细胞到同一中心的平均距离之比。为了更好地理解干细胞的空间分散情况,我们计算了Jensen和Michel[39]引入的intra-coefficient,它量化了同一类型细胞(这里是干细胞类型S)之间的空间依赖性。更准确地说,其中NS是类型S的细胞数量,Nt是总细胞数量,(resp.)是半径r内的类型S细胞数量(不包括Ci本身)。在右侧,0/0的比例被视为1。对于所有r>0的情况,该系数的平均值等于1。在[39]中,在没有空间相关性的零假设下计算了intra-coefficient的方差分析形式。在[39]中,是在零假设下计算intra-coefficient的方差。
在“干细胞的空间分散方差”部分,我们考虑了IHC图像的intra-coefficient及其置信区间,即在零假设下的置信水平至少为95%。如果观察到的内系数值大于1,我们推断S型(干细胞)细胞倾向于聚集。此外,如果该值位于置信区间之外,我们可以拒绝零假设。多尺度建模框架Simuscale [34]是一个用于对异质细胞群体进行数值模拟的多尺度基于个体的建模平台。它适用于经历时间演化的细胞(移动、分化、死亡、分裂),并考虑了细胞之间的物理和生化相互作用。Simuscale模型在细胞水平和群体水平上都有预先的描述。在细胞水平上,它描述了单个细胞的动态,并允许使用各种形式主义。在本研究中,内部细胞状态包括细胞大小和位置,以及每个基因的mRNA和蛋白质水平(见“基因调控网络”部分)。在群体水平上,细胞在一个有界的三维域中演化,它们可以分裂(产生两个子细胞)、分化或移动(见“细胞运动”部分)。在空间上,细胞被表示为具有刚性核心的粘弹性球体,有两个半径:核心的半径称为“内部半径”,球体的半径称为“外部半径”。Simuscale实现了在群体水平上管理模拟的物理模拟器。细胞之间的生化相互作用通过细胞间信号发生,这些信号可能为所有细胞所知,也可能只为一部分细胞所知。Simuscale在指定的时间间隔内运行模拟,在给定的时间步骤更新细胞群体,并生成一个输出文件,其中包含每个时间步骤的细胞状态以及细胞分裂(当细胞死亡时还包括死亡)的树状结构。Simuscale架构的伪代码和流程图可在S1文件中找到。
为了构建神经母细胞瘤PDT的多尺度模型,我们首先引入了一个基因调控网络(GRN),包括CD133、SYP和Cyclin E三个基因。这个GRN通过CD133和SYP之间的切换来控制细胞命运的决定,如“细胞命运”部分所述。Cyclin E是G1/S阶段转换的关键调节因子[70],控制细胞进入增殖状态。数学上,GRN被描述为一个突发模型,即一个分段确定性马尔可夫过程,它将每个基因中的确定性和随机过程结合起来产生mRNA(Mi)和蛋白质(Pi)[37, 71]。此外,这个GRN在Simuscale中得到了实现[35]。更具体地说,每个基因中的mRNA和蛋白质浓度的动态是确定性地演化的,直到基因i经历一个突发,其中s1,i是基因i的蛋白质合成率,d0,i是mRNA降解率,远大于d1,i,即蛋白质降解率。突发会导致mRNA(Mi)的数量随机、不连续地增加,这个增加是从指数分布中抽样的。我们将所有基因的mRNA降解率固定为1 h?1,即d0,i?=?1 h?1;蛋白质降解率d1,CD133?=?0.001 h?1,对于其他基因也是如此。此外,每个基因i的突发率定义如下,其中P是蛋白质浓度向量,k0,i和k1,i分别对应于基因i的最小和最大突发频率。本研究考虑了三种情景来整合CD133基因突发频率内的细胞间信号:1. 无信号,其中表示基因i的基础活性;2. 干细胞-干细胞接触信号,其中表示接触信号状态,信号强度将在“空间结构、分化阈值和细胞间接触信号”部分进行探讨;3. 干细胞驱动的扩散信号,其中Sdiff表示干细胞感知到的扩散信号强度,如“信号”部分所定义。
细胞间接触信号的实施方式如[35]中所述。干细胞与其他干细胞的信号传递在“空间结构、分化阈值和细胞间接触信号”部分进行了讨论,并遵循以下规则:只有当两个干细胞接触时(它们中心的距离小于它们外部半径之和),它们才能进行通信。最近在Simuscale中实现了通过空间扩散信号的长距离信号传递。例如,我们没有实现三维筛选泊松方程,而是假设由细胞(这里是干细胞)发出的信号根据高斯密度扩散,该密度以细胞内的某个点h为中心(通常是细胞中心)。在N个细胞的群体中,位于位置l的细胞感知到的总信号Sdiff是位于位置hj的N个信号源的高斯变换,其强度为qj。传统的直接数值方法需要在每个时间步骤评估MS个信号源对MT个目标细胞的影响(MS表示分泌细胞的数量,MT表示接收细胞的数量),这对于这里考虑的细胞数量来说是计算上不可行的。相反,我们依赖于Greengard和Strain [72]引入的快速高斯变换算法。所有阈值的选择都是为了确保任何目标的相对误差保持在用户指定的容忍度以下(这里是)。我们将每个干细胞信号的强度qj?=?0.3固定下来,我们称之为可达区域(有时也称为扩散长度的平方),其值将在“非局部扩散信号的作用”部分进行研究。扩散信号的视频可在https://osf.io/25cy4/files/osfstorage (Diffusioncoef_2.mov)处找到。总结Simuscale中扩散实现的流程图可在S1文件中找到。无论信号的类型如何(细胞间接触或空间扩散),都假设它仅通过其突发率影响CD133基因的动态。
在本研究中考虑的大多数情景中,所有细胞都使用“移动”运动[34]:在这种情况下,细胞仅因为受到力的作用而移动,这些力可能来自母细胞的生长或在细胞分裂过程中产生的子细胞。在某些情景中,使用了“运动性”细胞运动[35]。在这种情况下,细胞自行移动,我们考虑了在三维域内的随机细胞运动,其中每个细胞的初始速度设置为0.3 h?1。当一个细胞遇到另一个细胞时,其速度会变为预定义的速度:当一个干细胞遇到另一个干细胞时,我们称之为S-S速度;当一个干细胞遇到一个分化细胞(或相反情况)时,我们称之为S-D速度;当一个分化细胞遇到另一个分化细胞时,我们称之为D-D速度。值得注意的是,如果一个干细胞同时接触多种细胞类型,并且至少有一个邻居是干细胞,其速度将被设置为S-S速度值。
与体内肿瘤不同(例如参见[73]),PDT没有坏死核心,因为气体和营养物质可以自由地流经相对较小的结构。因此,为了简化目的,在当前版本的模型中没有实现细胞死亡。细胞生长是一个连续的线性过程,细胞体积会增加,其范围可以从最小体积1增加到最大体积2.2。从Vbirth?=?1(出生时的子细胞体积,空间单位为μm)开始,体积增加到(μm),此时细胞准备好分裂,具体取决于它们的内部状态值(见“细胞命运”部分)。每个子细胞继承了母细胞出生时体积的一半,因此Vbirth可以大于1。空间域单位转换为μm是基于计算出的平均细胞半径r?=?0.7,该半径对应于实验平均半径r?=?4.5 μm。分化也基于细胞的内部内容(见“细胞命运”部分)。考虑了两种细胞类型:干细胞(CD133+)和分化细胞(SYP+)。一旦获得细胞类型,一些属性就直接与其相关联(例如,信号发射和感知都是干细胞的特征),而其他属性则来自底层GRN的行为(例如,由于SYP蛋白对Cyclin E基因突发频率的强烈正面影响,分化细胞分裂得更快,详见“细胞命运”部分)。
每次模拟都从15个干细胞(CD133+细胞)开始,这些细胞并排聚集在一个边长为80单位的立方体中心。空间域单位对应于6.4 μm,因此立方体的每个边长为512 μm。基因调控网络(GRN)的分子内容最初设置如下:所有细胞中的CD133蛋白值设置为分化阈值(见“细胞命运”部分)值的两倍,以确保第一代子细胞能够保持干细胞状态。所有其他蛋白值初始化为0分子。所有基因的mRNA值设置为0分子,除了CD133,每个细胞接收一个从指数突发分布中计算出的初始随机值,平均值为50分子。
我们进行了10次重复实验,使用相同的参数集但使用了不同的种子,除了扩散研究,由于计算时间(每次运行超过10小时),我们只进行了5次重复。当细胞总数超过50,000个时,所有模拟都停止了。这对应于培养中的PDT平均细胞计数,即当它们的直径接近1毫米时(见“神经母细胞瘤的衍生肿瘤(PDT)的推导和培养”部分)。有趣的是,当穿过3D结构时,我们获得的细胞计数(在2,500到3,000之间)与IHC图像中观察到的计数相同(见“图像分析”部分)。计算方法是无格子的;细胞边界条件是反射的(细胞不能穿过边界),并且对于扩散信号实现了自由通量边界条件。所有模拟的时间步长设置为dt?=?0.1小时。随机GRN模型的解决过程如下:在时间间隔[t, t?+?dt]内,根据更新后的突发率kon,i计算下一个突发的时间。如果在时间间隔[t, t?+?dt]内发生了突发,则模型解决到突发时间,然后mRNA数量(Mi)随机、不连续地增加,增加量是从平均值为50分子的指数分布中抽样的,然后模拟继续进行,直到下一个突发时间或t?+?dt。如果没有发生突发,则在时间间隔[t, t?+?dt]内解决确定性系统。所有代码可在https://github.com/ThiNhuThaoNGUYEN/SimusNeuroblas获取。
致谢
我们想感谢Research Pathology Platform East的Julie Valantin、Nicolas Gadot和Elodie Voilin在IHC方面的帮助;Centre Leon Berard的Service de Biopathologie在Phox2B IHC实现方面的帮助;以及PPAC: Plateforme du Petit Animal du CRCL的Isabelle Goddard在小鼠实验方面的帮助。我们还要感谢Pablo Jensen在计算内系数方面的有益讨论(见“统计方法”部分)。我们还要感谢PSMN和CC-IN2P3在计算资源方面的慷慨支持。