基于系统生物学的干扰素-γ建模的信号转导模式分析

齐云峰,孙添添,常红玲

(吉林师范大学生命科学学院，吉林四平 136000)



基于系统生物学的干扰素-γ建模的信号转导模式分析

齐云峰,孙添添,常红玲

(吉林师范大学生命科学学院，吉林四平 136000)

干扰素-γ是细胞因子超家族中干扰素家族的成员,具有抗微生物感染及免疫调节等多种生物学功能。系统生物学主要采用系统的方法研究生物体不同层次的建模与仿真、各种信号转导途径、基因调控网络等。本文采用系统生物学建模工具COPASI对干扰素-γ的信号转导进行模拟，并应用统计学方法进行检验，通过模拟分别改变干扰素-γ受体(IFNR)和磷酸酶PP2的初始浓度,研究二者浓度改变对细胞核内STAT同源二聚体浓度变化的影响。进而研究它们在干扰素-γ信号转导过程中的协同作用。

系统生物学；干扰素-γ；信号转导

系统生物学是一门以系统的观点、运用各种先进的生物学手段从整体的角度分析和研究生命机体复杂特性的学科。它通过研究某生物系统各个不同部分之间的相互关系和相互作用，建立整个系统的可理解模型[1-2]。系统生物学主要在生物个体、器官、组织和细胞等基础上，对其建模、生化代谢途径、信号转导途径、基因调控网络以及疾病机制等进行研究[3-4]。

干扰素-γ的信号转导主要通过JAK/STAT信号转导通路实现，受多种因子调节[5]，主要有PP2、IRNR、STAT等。STAT含有SH2和SH3结构域，可与特定的含磷酸化酪氨酸的肽段结合。JAK/STAT通路信号转导的最终实现依赖于STAT同源二聚体进入细胞核内并行使其转录激活功能。STAT同源二聚体是干扰素-γ的信号转导通路的直接转录因子，对其转导过程起着至关重要的作用[6]。

随着系统生物学的发展，研究者对IFN-γ的信号转导的研究也更加深入，构建了更多的信号转导模型。在2003年，Yamada等人公布了首个描述IFN-γ/JAK/STAT1信号转导的数学模型[7]。Zi等人在2005年提出一种全新的方法——敏感性分析方法[8]。2010年，Rateitschak等人构建了另外一个IFN-γ/JAK/STAT1信号转导模型[9]。

1 材料与方法

1.1 统计学方法

统计学方法是指将有关数据进行收集、整理、分析，通过对其所反映的问题总结得出结论的方法[10]。本文中使用SPSS软件对实验数据进行Pearson相关性或多元线性回归分析，并计算其统计显著性水平。相关系数用r表示，r值在1与-1之间，小于0表示负相关，大于0表示正相关[11]。

1.2 建模工具SBML简介

随着系统生物学建模工具不断增多，在科学研究过程中可能需要几种不同的建模工具，而不同建模工具构建的模型存在不兼容性，这成为系统生物学建模过程中一个亟待解决的问题。2003年，Hucka等人在可扩展标示语言(XML)的基础上创建了SBML[12-13]。

1.3 建模工具COPASI介绍

本文主要使用的建模工具是COPASI，它是在GEPASI的基础上衍生而来的[14]。COPASI工具是一个开源的软件应用程序，能够用来构建和分析系统生物学模型[15]。本文研究的是不同时间的干扰素-γ信号转导过程中的直接转录因子STAT同源二聚体的浓度与干扰素-γ的R受体以及共享磷酸酶PP2之间变化关系的模型，需要通过Tasks模块下的Time course功能区域进行模型构建，然后将数据输出，根据数据构建STAT同源二聚体浓度与R受体浓度、STAT同源二聚体浓度与共享磷酸酶PP2浓度关系的模型图。

2 结果与分析

本章中进行的模拟分析均以0.1nM的干扰素-γ作为输入，模型的基准浓度是IFNR和PP2分别为12nM和60nM，我们通过扰动IFNR和PP2的初始浓度，进行12小时内干扰素-γ信号转导的数学模拟。

2.1 不同受体浓度的干扰素-γ信号转导调控模式分析

通过扰动IFNR的初始浓度，研究IFNR的浓度改变对细胞核中STAT1的同源二聚体和STAT3的同源二聚体浓度变化的影响。

a.不同IFNR初始浓度下(STAT1N*)2浓度时序性变化模式 b.不同IFNR初始浓度下(STAT3N*)2浓度时序性变化模式图1 不同浓度IFNR与(STAT1N*)2及(STAT3N*)2浓度时序变化

如图1a和1b所示，可知细胞核内STAT1的同源二聚体在1.5小时左右出现最大。当IFNR的浓度升高至24nM和48nM时，随着IFNR的浓度的升高(STAT1N*)2浓度已变化不大；图1a(STAT1N*)2大约在9小时后基本趋于稳定状态，(STAT1N*)2稳定浓度变化趋势与峰值基本一致，浓度差异减小。图1b大约在8小时后基本趋于稳定状态，稳态浓度变化趋势与峰值相同，浓度差异减小。

运用SPSS19软件，对(STAT1N*)2和(STAT3N*)2与IFNR的相关性进行检验，得出(STAT1N*)2和IFNR之间的标准相关系数为0.819，P值为0.09，(STAT3N*)2和IFNR之间的标准相关系数为0.826，P值为0.085。结果表明，(STAT1N*)2和(STAT3N*)2的浓度与IFNR的浓度变化呈正相关，且为不显著相关。由此推测，干扰素-γ信号转导过程受IFNR的浓度的影响，适当地增加IFNR的浓度可以促进干扰素-γ的信号转导。

2.2 不同浓度磷酸酶PP2的干扰素-γ信号转导调控模式分析

通过扰动PP2的初始浓度，研究改变PP2的浓度，细胞核中STAT1的同源二聚体和STAT3的同源二聚体浓度在12小时内随时间的变化。

a.不同PP2初始浓度下(STAT1N*)2浓度时序性变化模式 b.不同PP2初始浓度下(STAT3N*)2浓度时序性变化模式图2 不同浓度PP2与(STAT1N*)2及(STAT3N*)2浓度时序变化

如图2a和2b所示，细胞核内STAT1的同源二聚体在1小时左右达到峰值。图2a可看出(STAT1N*)2在大约在11小时后基本趋于稳定状态，稳态浓度变化趋势与峰值相同，浓度差异减小。图2b(STAT3N*)2在1小时后逐渐恢复正常水平，大约在11小时后基本趋于稳定状态，稳态浓度变化趋势与峰值相同，浓度差异减小。

运用统计学方法对(STAT1N*)2和(STAT3N*)2与PP2的相关性进行检验，得出(STAT1N*)2和PP2之间的标准回归系数为-0.929，P值为0.013，(STAT3N*)2和PP2之间的标准回归系数为-0.951，P值为0.013。结果表明，(STAT1N*)2和(STAT3N*)2的浓度与PP2的浓度变化呈负相关，且显著相关。这与Yamada等人的实验结果相符[7]。由此推测，干扰素-γ信号转导过程受PP2的浓度的影响，增加PP2的浓度可以抑制干扰素-γ的信号转导。

2.3 不同浓度IFNR和PP2的交互模型调控模式分析

通过同时扰动IFNR和PP2的初始浓度，研究IFNR和PP2的浓度，同时改变对细胞核中STAT1的同源二聚体和STAT3的同源二聚体浓度变化的影响，进而研究二者在干扰素-γ信号转导过程中的协同调控作用。整理数据如表1、表2所示。

如表1所示，对照组中(STAT1N*)2的峰值为65nM。当干扰素-γ受体IFNR的浓度低于对照组浓度12nM时，磷酸酶PP2在浓度无论是高于或低于对照组浓度，通过模拟分析得到的(STAT1N*)2的峰值都低于65nM。当干扰素-γ受体IFNR的浓度高于对照组浓度的情况下，PP2在浓度高于对照值时，(STAT1N*)2的峰值低于65nM，PP2在浓度低于对照值时，(STAT1N*)2的峰值高于65nM。当PP2的浓度高于对照组浓度60nM时，IFNR的浓度无论是高于或是低于对照组浓度的情况下，通过模拟分析得到的(STAT1N*)2的峰值都低于65nM。当PP2的浓度低于对照组浓度的情况下，IFNR在浓度低于对照值时，(STAT1N*)2的峰值低于65nM，IFNR在浓度高于对照值时，(STAT1N*)2的峰值高于65nM。

表1 不同IFNR和PP2的初始浓度对应的(STAT1N*)2浓度峰值

表2 不同IFNR和PP2的初始浓度对应的(STAT3N*)2浓度峰值

观察表中数据后可知，(STAT3N*)2峰值的变化趋势与表1中(STAT1N*)2峰值变化趋势基本是一致的。

这些模拟结果表明，在干扰素-γ信号转导的过程中，IFNR的浓度低于12nM时，IFNR的正反馈调节在干扰素-γ的转导中占主导地位，而当PP2的浓度高于60nM时，PP2的负反馈调节在干扰素-γ的转导中占主导地位。用统计学方法进行检验，得出(STAT1N*)2和IFNR、PP2的相关系数为0.594和-0.604，P值小于0.001，(STAT3N*)2和IFNR、PP2的相关系数为0.679和-0.485，P值小于0.001。结果表明，(STAT1N*)2和(STAT3N*)2的浓度与IFNR的浓度变化呈正相关，与PP2的浓度变化呈负相关。但同时扰动两个影响因子的初始浓度时，标准回归系数较单因子的标准相关系数有所变化，且极为显著。

3 结论

本文采用系统生物学建模工具COPASI对干扰素-γ的信号转导进行模拟，并应用统计学方法进行检验，通过模拟分别改变干扰素-γ受体和磷酸酶PP2的初始浓度,研究了二者初始浓度改变对胞核内STAT同源二聚体浓度变化的影响。通过同时改变二者的初始浓度，研究了二者浓度同时改变对细胞核内STAT同源二聚体浓度变化的影响，进而研究它们在干扰素-γ信号转导过程中的协同作用。结果表明，改变单因子初始浓度时，细胞核内STAT同源二聚体浓度与R受体浓度呈正相关，且显著性不明显，与PP2浓度呈负相关，且显著性明显。二者协同作用时同样与R受体浓度呈正相关，与PP2浓度呈负相关，但都极为显著。因此推测，可以通过改变IFNR和PP2的初始浓度对干扰素-γ信号转导过程进行调节，且二者协同作用时调控效果更明显。本文对干扰素-γ信号转导的调节机制进行了研究，有利于进一步研究干扰素-γ在抗微生物感染及免疫调节中的作用。

[1]徐强,王长亮,李胜.系统生物学——生命科学的新领域[J].中国医药报,2008,19(3):21-23.

[2]蒋太交,薛艳红,徐涛.系统生物学——生命科学的新领域[J].生物化学与生物物理进展,2004,31(11):957-963.

[3]常畅.系统生物学的研究进展[J].生命科学研究,2006,35(2):81-83.

[4]谭初兵,杜冠华.系统生物学――药物研发的新动力[J].中国新药杂志[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]齐云峰.基于系统生物学方法的干扰素-γ和白介素-6信号转导通路建模以及抗癌药物诱导细胞凋亡机制的研究[D].长春：东北师范大学，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，Fitzner 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.非线性回归分析的方法研究[D].合肥：合肥工业大学,2009.

[13]Hucka M，Finney 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]彭司华,周洪亮,彭小宁,等.系统生物学的分析与建模[J].信息与控制,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

国家自然科学基金项目“基于跨组学数据系统分析的表观遗传学药物凋亡诱导建模研究”(31540035)；四平市科技发展计划项目“组蛋白去乙酰化酶抑制剂诱导细胞凋亡机制建模研究”(2015062)。

齐云峰(1983- )，男，讲师，博士，从事系统生物学研究。

Q811.4

A

2095-7602(2016)08-0056-05