Katsaus Sampsa Hautaniemi, Tea Vallenius ja Tomi Mäkelä Ihmisen geneettinen koodi on kaikkien saatavilla julkisissa tietokannoissa. Siitä huolimatta tämän»elämän kirjan» hyödyntäminen potilaiden hoidossa on vasta lähtökuopissaan. Odotukset genomitiedon hyödyntämisestä etenkin syövän hoidossa ovat kovia, sillä useat syöpätaudit johtuvat geenivirheistä. Uudet, jopa koko genomin kattavat tutkimusmenetelmät ovat tuottaneet paljon tietoa. Tämän tietotulvan hyödyntäminen edellyttää uudenlaisten, vielä pitkälti kehitysasteella olevien matemaattisten menetelmien käyttöä. Systeemibiologisen syövän tutkimuksen päämääränä on käyttää laajoja, useista tietolähteistä kerättyjä havaintoja ja yhdistää ne laskennallisin keinoin malleiksi, joiden avulla ratkaistaan syöpäsoluissa esiintyviä häiriöitä ja kehitetään mm. täsmällisempiä hoitoja. Menestyminen tässä pyrkimyksessä edellyttää uudenlaista yhteistyötä eri alojen kesken sekä ennakkoluulottomuutta koulutuksessa, tutkimusrakenteissa ja rahoituksessa. S ysteemibiologia on nopeasti kasvava tutkimusala, jonka menetelmiä ja tuloksia sovelletaan usealla biolääketieteen alueella syövän tutkimuksen lisäksi. Systeemibiologiassa hyödynnetään useita havaintolähteitä ja tiedon tasoja uuden tiedon löytämiseksi. Karkeasti jaoteltuna voidaan erottaa kolme abstraktia tasoa. Ensimmäinen taso koostuu osien (esim. geenien ja proteiinien) tunnistamisesta. Toisella tasolla tutkitaan, miten osat toimivat, esimerkiksi miten geenit ilmentyvät suhteessa toisiinsa ja minkälaisia komplekseja proteiinit muodostavat. Kolmas taso on systeemitaso, jolla tutkitaan, miten yhdessä toimivat osat toteuttavat erilaisia tehtäviä, esimerkiksi millaisia stimulaatioita tarvitaan estämään solujen jakautumista ja mitä tällöin tapahtuu solujen sisällä. Ensimmäinen taso on parhaiten tunnettu etenkin geenien osalta, mutta proteiinien osalta työtä riittää vielä pitkäksi aikaa. Pääosa systeemibiologisista julkaisuista edustaa toista tasoa, mikä heijastaa alan nuoruutta ja haasteellisuutta. Eri tasojen ohella systeemibiologiselle tutkimukselle on tunnusomaista iteratiivinen toimintatapa (kuva 1), jonka mukaan aluksi rakennetaan matemaattisia malleja olemassa olevan tiedon (kirjallisuus, tietokannat) tai omien aiempien havaintojen perusteella. Näitä malleja käytetään uusien hypoteesien muodostamiseen, ja hypoteeseja testataan laboratoriossa tai potilailla tehtävien kokeiden avulla (interventio ja mittaus). Tulosten perusteella alkuperäisiä malleja muokataan ja mahdollisesti muodostetaan uusia hypoteeseja. Prosessia jatketaan, kunnes mallien uskotaan vastaavan niin tarkasti todellisuutta, että niitä voidaan hyödyntää. Edellä kuvatun prosessin pyrkimyksenä on siis saavuttaa kokonaisvaltainen ymmärrys biologisista systeemeistä, esimerkiksi solujen viestijärjestelmistä ja niissä ilmenevistä häiriöistä, ja näin päästä diagnostiikan tai hoidon kohteiden rationaalisempaan tunnistukseen. Systeemibiologian perusperiaate: monta on parempi kuin yksi Biolääketieteellisessä tutkimuksessa on totunnaisesti tarkasteltu yhtä muuttujaa (geeni, proteiini, signaalinvälitysketju jne.) kerrallaan ja mahdollisesti tämän korrelaatiota tunnettuun fenotyyppiin tai esimerkiksi syövän vaikeusastetta koskevaan ennusteeseen. Viimeaikaiset edistysaskeleet Duodecim 2006;122:2484 90 S. Hautaniemi ym.
Kirjallisuus Lääketieteellinen tietämys Tietokannat 4 1 3 Uusi tieto Malli Tulokset Hypoteesit Analyysi Aiemmat omat tulokset Interventio Koe Mittaus 2 Kuva 1. Kaavio iteratiivisesta toimintatavasta systeemibiologisessa tutkimuksessa. 1) Matemaattinen malli perustuu tyypillisesti omiin aiempiin tuloksiin ja olemassa olevaan tietämykseen. 2) Mallin perusteella luodaan hypoteeseja, joiden paikkansapitävyyttä tutkitaan erilaisilla kokeilla. 3) Saatujen tulosten avulla matemaattista mallia päivitetään. 4) Sykliä 1 3 toistetaan ja parannetaan, kunnes mallien uskotaan vastaavan riittävän tarkasti todellisuutta. molekyylitason tutkimusmenetelmissä ja niiden perusteella saadut tutkimustulokset osoittavat, ettei yhden geenin, mutaation tai proteiinin tutkiminen muista erillisenä osana riitä useimpien sairauksien ymmärtämiseen ja hoitojen kehittämiseen. Syövälle keskeiseen apoptoosiin liittyvän JNK-kinaasin paradoksaalisen käyttäytymisen ymmärtäminen on hyvä esimerkki systeemibiologisen tutkimuksen hyödyllisyydestä. Aiemmin JNK-aktiivisuuden on raportoitu vaihtelevasti estävän apoptoosia, lisäävän sitä tai olevan merkityksetön sen kannalta. Ongelma ratkesi tutkimuksessa, jossa mitattiin tunnettujen sytokiinien (epidermaalinen kasvutekijä, tuumorinekroositekijä ja insuliini) vaikutusta ihmisen paksusuolisyöpäsolulinjan solujen signalointiin ja apoptoosiin ajan funktiona (Janes ym. 2005). Tulosten perusteella muodostetun signalointiverkostomallin mukaan JNK-aktiivisuuden vaikutus apoptoosiin riippuu ratkaisevasti epidermaalisen kasvutekijän ja tuumorinekroositekijän suhteellisista aktiivisuustasoista (kuva 2). Vastaavia, näennäisesti ristiriitaisia tuloksia löytyy paljon biolääketieteellisestä kirjallisuudesta. Uskomme merkittävän osan näistä ristiriitaisista tuloksista johtuvan siitä, ettei koesarjoissa ole pystytty kontrolloimaan tärkeimpiä tuloksiin vaikuttavia muuttujia. Lisäksi päätelmät pohjautuvat usein vain yhden muuttujan käyttäytymisen analysointiin. Systeemibiologian perusperiaate on tutkia kokonaisvaltaisesti biologisia ilmiöitä matemaattisia monimuuttujamenetelmiä ja useita havaintotasoja käyttäen. Tällaisen tutkimuksen avulla proteiinien ja geenien kontekstista riippuvat merkitykset voidaan selvittää ja niitä on mahdollista hyödyntää lääketieteessä. Eri tasoilla ja useilla mittausmenetelmillä saatujen havaintojen yhdistäminen ja analysointi ei ole suoraviivaista. Yhdistämistä vaikeuttavat mm. standardien puute ja tietokantojen erilaisuus, ja analysointia hankaloittaa sopivien laskentamenetelmien vähäisyys. Laskentamenetelmien kehittämistä havaintojen yhdistämiseen ja analysointiin eri tietokannoista pidetäänkin yhtenä tärkeimmistä kehityssuunnista modernin syövän tutkimuksen alalla (Weinstein 2002, Searls 2005). Koesarjojen tuloksien ja eri tietokantojen yhdistäminen on haasteellista, sillä laboratoriot käyttävät parhaiksi näkemiänsä tapoja tiedon tallentamiseen, ja nämä tavat eivät yleensä ole yhteensopivia muiden laboratorioi 2485
Kuva 2. JNK-kinaasin aktiivisuuden (PJNK) vaikutus apoptoosiin riippuu ratkaisevasti epidermaalisen kasvutekijän (EGF) ja tuumorinekroositekijän (TNF) signaalireittien suhteellisista aktiivisuuksista. Mukailtu Janesin ym. (2005) julkaisusta. den käyttämien kanssa. Tämä yhdessä tunnisteiden eroavuuksien kanssa hankaloittaa huomattavasti havaintojen automaattista yhdistämistä ja tutkimustulosten riippumatonta todentamista. Onneksi tämän puutteen korjaamiseksi on perustettu useita konsortioita, joiden tavoitteena on helpottaa tutkimustiedon asianmukaista tallentamista ja jakamista tiedeyhteisön keskuudessa. Osittain tämän tuloksena yhä useampi tieteellinen lehti vaatii, että artikkelit on laadittava yhteisesti hyväksyttyjen suuntaviivojen mukaisesti (taulukko 1). Systeemibiologiaa käytännössä Biomarkkereiden etsintä ja käyttö. Seerumista mitattavien markkereiden korrelaatio eri syöpämuotojen kanssa on ollut suosittu tutkimuskohde vuosikymmenet, ja se on tuonut mukanaan tärkeitä diagnostisia työkaluja ja vaikuttanut sairauksien hoitoon. Tälläkin rintamalla puhaltavat genomitiedon hyödyntämisen tuulet. Valtavia määriä uutta tietoa syntyy jatkuvasti parantuneiden tutkimusmenetelmien (mm. automatisoitu DNA-sekvensointi, massaspektrometrit ja mikrosirut) ansiosta (Monni ym. 2002). Kun näillä menetelmillä saatua tietoa yhdistetään olemassa olevaan tietämykseen geenituotteista, on saavutettu useita tärkeitä syöpäpotilaiden hoitoon siirrettäviä tuloksia. Esimerkkinä mainittakoon tutkimus, jossa kyettiin tunnistamaan rintasyöpätapaukset, joissa riski taudin uusimiseen tamoksifeenihoidon jälkeen oli suurentunut (Paik ym. 2004). Aivan selvää on kuitenkin se, että merkittävä määrä korrelaatioita jää nykyisin löytämättä yksittäisissä koesarjoissa ja erityisesti pyrittäessä vertailemaan tutkimuksia toisiinsa. Tämä tuo myös hyvin esille matemaattisten ja tilastotieteellisten menetelmien tärkeyden. Esimerkiksi rintasyöpänäytteet tulisi valita siten, ettei 2486 S. Hautaniemi ym.
Taulukko 1. Syövän systeemibiologiassa tarpeellisia suuntaviivoja ja standardeja. Nimi Consolidated standards for reporting of trials (CONSORT) Minimum Information About a Microarray Experiment (MIAME) Reporting recommendations for tumor marker prognostic studies (REMARK) Systems biology markup language (SBML) Alue ja viite Kliinisten tutkimusten suunnittelu ja raportointi www.consort-statement.org/ Mikrosiruja käyttävien tutkimusten raportointi tieteellisissä lehdissä ja havaintojen jakaminen www.mged.org/workgroups/ MIAME/ Tuumorimarkkereiden etsimiseen tähtäävän tutkimuksen suunnittelu, suoritus ja raportointi McShane ym. 2005 XML-pohjainen formaatti biokemiallisia reaktioita kuvaavien matemaattisten mallien esittämiseen ja jakamiseen www.sbml.org estrogeenireseptoripositiivisten näytteiden suhteettoman suuri määrä verrattuna negatiivisten näytteiden määrään vie tutkimusta harhateille. Hyvä esimerkki lupaavien biomarkkerien merkityksen arvioinnin vaikeudesta on tutkimus, jossa kuudenkymmenen tamoksifeenilla hoidetun rintasyöpäpotilaan RNA-näytteitä tutkittaessa löydettiin mikrosirutekniikalla kaksi sairauden ennusteeseen liittyvää geeniä (HOXB13 ja IL17BR) (Ma ym. 2004). Tätä tulosta ei kuitenkaan pystytty toistamaan toisessa tutkimuksessa, jossa näitä geenejä tutkittiin 58 rintasyöpänäytteessä (Reid ym. 2005). Todennäköisin syy tulosten erilaisuuteen on se, että alkuperäisessä tutkimuksessa näytteiden lukumäärä oli liian pieni ollakseen tilastollisesti luotettava, sekä se, että alkuperäisessä tutkimuksessa 47 % näytteistä oli imusolmukepositiivisia ja jälkimmäisessä 78 %. Samankaltaisia ongelmia on raportoitu 70 geenin perusteella toimivan rintasyöpänäyteluokittimen (Gruvberger ym. 2002, van t Veer ym. 2002, Ein-Dor ym. 2005) ja verinäytteen perusteella toimivan munasarjasyöpäluokittimen käytöstä (Petricoin ym. 2002, Ransohoff 2005). Systeemibiologinen lähestymistapa biomarkkerien etsimiseen ja hyödyntämiseen lisää tulosten luotettavuutta. Yhdistämällä useita havaintolähteitä pelkkien RNA- tai proteiinihavaintojen lisäksi on mahdollista päästä luotettavampiin ja kliinisesti paremmin ymmärrettäviin tuloksiin. Esimerkiksi DNA- ja RNA-pitoisuuksien geenisirumittausten yhdistäminen rintasyövässä on paljastanut useita geenejä, joiden kopiomäärä on kasvanut ja jotka myös ilmentyvät erittäin voimakkaasti (Hyman ym. 2002, Pollack ym. 2002). Tässä tapauksessa geenit, joiden sekä kopio- että ilmentymisarvot ovat samanaikaisesti poikkeuksellisen suuria, ovat todennäköisemmin rintasyöpäspesifisiä kuin ne, jotka ovat pelkästään yliekspressoituneet tai joiden kopiomäärä on kasvanut. Biologisten prosessien matemaattinen mallinnus ja analysointi syövässä. Syövälle on tyypillistä mutaatioiden kasautuminen, jonka seurauksena useiden geenien ilmentymistasot muuttuvat pysyvästi. Nämä muutokset puolestaan johtavat normaalista poikkeavaan signalointiin solussa, mikä edistää syöpäsolujen kasvua (Hanahan ja Weinberg 2000). Siten tehokkaiden hoitomenetelmien kehittäminen vaatii olennaisten biologisten prosessien rakenteen ja toiminnan perusteellista ymmärtämistä. y d i n a s i a t Syöpä on monimuotoinen sairaus, jonka molekyylibiologisten mekanismien ymmärtäminen ja uusien täsmällisempien hoitomenetelmien kehittäminen vaatii systeemibiologisen tutkimuksen hyödyntämistä. Systeemibiologisessa syövän tutkimuksessa käytetään hyväksi laajoja, useista tietolähteistä kerättyjä havaintoja ja yhdistetään niitä laskennallisin keinoin malleiksi, joiden avulla ratkaistaan syöpäsoluissa ilmeneviä häiriöitä. Systeemibiologisen tutkimuksen onnistumisen avaimet ovat monitieteellinen yhteistyö, ennakkoluuloton asenne sekä pitkäjänteinen tuki tutkimusrakenteissa ja rahoituksessa. 2487
Dynaamisten biologisten prosessien matemaattisessa mallinnuksessa käytetään melkein poikkeuksetta differentiaaliyhtälöitä, jotka kuvaavat biokemiallisia reaktioita. Differentiaaliyhtälömallinnuksella on pitkät perinteet insinööritieteissä, ja siten differentiaaliyhtälöiden ratkaisuun on olemassa useita hyviä työkaluja, jotka mahdollistavat nopean ja tehokkaan mallinnuksen. Esimerkkinä mainittakoon matemaattinen malli, joka kuvaa syöpäkasvaimen ja immuunijärjestelmän luonnollisten tappajasolujen ja T-solujen (CD8) vuorovaikutusta (de Pillis ym. 2005). Malli perustuu ainoastaan kolmeen differentiaaliyhtälöön, ja siksi mallin analysointi on melko suoraviivaista. Tämän mallin perusteella pystytään päättelemään, mitkä tekijät vaikuttavat ratkaisevasti syöpäkasvaimen lopulliseen kokoon. Kahdeksi merkittävimmäksi tekijäksi osoittautuivat CD8-solujen hajoamista kuvaava muuttuja ja melko yllätyksettömästi kasvaimen kasvua kuvaava muuttuja. Tulosten tarkemman analysoinnin perusteella voidaan päätellä, että kasvaimen nopeakasvuisuuden lisäksi pienetkin muutokset T-solujen sytolyyttisessä tehokkuudessa vaikuttavat merkittävästi kliiniseen lopputulokseen. Siten hoidot, jotka lisäävät edes hieman tätä tehokkuutta, voivat tehota aggressiivisiinkin syöpäkasvaimiin. Syövän signaalinvälitysketjujen analysointi. Eräs tärkeimmistä biologisista mekanismeista syövän kehittymisessä ovat virheellisesti toimivat signaalinvälitysketjut, ja suuri osa syövän tutkimuksesta kohdistuukin näiden ketjujen kuvaamiseen. Signaalinvälitysketjut ovat kuitenkin hyvin haasteellisia tutkimuskohteita, koska proteiinien toiminnan säätelyä tapahtuu usealla tasolla (transkriptio, translaatio, degradaatio, posttranslationaaliset modifikaatiot). Tutkimusta hankaloittaa lisäksi se, että proteiinit toimivat tavallisesti samanaikaisesti useissa solun viestintäketjuissa, joille ovat tyypillisiä erilaiset säätelymekanismit lukuisine takaisinkytkentöineen. Signaalinvälitysketjujen matemaattisten mallien perusteella voidaan vastata moneen mitä jos? kysymykseen nopeasti ja siten ohjata laboratoriokokeita tuottavampaan suuntaan. Esimerkiksi epidermaalisen kasvutekijän reseptorin (EGFR) signaalinvälitysketju on niin monimutkainen, että sen tutkiminen komponentti kerrallaan ei käytännössä ole mahdollista (kuva 3). Kuitenkin EGFR-perheen toiminnan ymmärtäminen ja manipulointi on erittäin keskeistä, koska EGFR vaikuttaa ratkaisevasti mm. solujen kasvuun, eloon jäämiseen ja migraatioon ja sen ilmentyminen on lisääntynyt useissa syövissä. Lisäksi useat uudet ns. täsmälääkkeet (mm. setuksmabi, trastutsumabi, gefitinibi, erlotini Kuva 3. Epidermaalisen kasvutekijäreseptorin signaalinvälitysverkosto. Kuvaan on suurennettu esimerkkinä pieni osa monimutkaisesta signalointiverkostosta. Pienet pallot edustavat fosforylaatioita ja viivat kuvaavat proteiinien erityyppisiä vuorovaikutuksia. Malli kokonaisuudessaan (EGFR Pathway Map v.2.0) on saatavilla Internetistä (http://systems-biology.org/001/005.html) tai alkuperäisestä artikkelista (Oda ym. 2005). 2488 S. Hautaniemi ym.
bi) pyrkivät estämään syöpäsolujen EGFR-signaloinnin. Gefitinibi on tässä mielessä erityisen mielenkiintoinen, koska se tehoaa vain osassa keuhkosyöpätapauksista, joissa on todettu EGFR-geenin mutaatio (Jänne 2005). EGFR-signaalinvälitysketju on äskettäin mallinnettu matemaattisesti (Kholodenko ym. 1999, Schoeberl ym. 2002, Oda ym. 2005). Nämä mallit kuitenkin koostuvat useista sadoista yhtälöistä, ja näin isojen mallien hyödyntäminen syövän tutkimuksessa vaatii syvällistä matemaattista osaamista. On kuitenkin oletettavaa, että matemaattisten mallien käyttäminen johtaa EGFR-signalointiin vaikuttavien lääkkeiden käytön ja annoksen parempaan hallintaan lähitulevaisuudessa. Tämä on esimerkki systeemibiologian kolmannen systeemitason mallista, joka mahdollistanee tulevaisuudessa mm. lääkkeiden kohdentamisen täsmällisemmin oikeisiin potilasryhmiin. Julkaistut signaalinvälitysverkostojen matemaattiset mallit mallintavat käytännössä kerrallaan vain yhtä verkostoa tai jopa sen osaa. Solussa proteiinit kuitenkin monesti osallistuvat usean signaalinvälitysketjun toimintaan, minkä vuoksi yhden proteiinin toiminnan estämisellä ei välttämättä saavuteta toivottuja tuloksia. Tulevaisuuden haasteita onkin mallintaa ja analysoida useita signaalinvälitysketjuja samanaikaisesti, ja ensimmäisiä askelia tähän suuntaan on jo otettu (Christopher ym. 2004, Hua ym. 2006). Vielä on kuitenkin paljon työtä tehtävänä riittävän tarkkuuden ja mallien helppokäyttöisyyden saavuttamiseksi. Lopuksi Systeemibiologia kehittyy nopeasti, ja solutason mittausmenetelmien edistymisen myötä tulokset tulevat yhä luotettavammiksi ja käyttökelpoisemmiksi diagnostisissa laboratorioissa. Lähitulevaisuudessa on teknisesti mahdollista valmistaa kymmeniä kriittisiä biomarkkereita mittaava laite (»biopulssimittari»), joka hälyttää sairauksien varhaisista vaiheista. Paremman diagnostiikan ohella systeemibiologia pyrkii luomaan mahdollisimman tarkkoja tietokonemalleja kuvaamaan solujen ja kudosten toimintaa. Tällaiset tietokonemallit (»virtuaaliset solut» tai»biosimulaatiot») eivät ainoastaan nopeuttaisi ja tarkentaisi lääkkeiden kehittelyä vaan myös vähentäisivät tutkimuksessa tarvittavia eläin- ja potilaskokeita (Kansal ja Trimmer 2005). Menestyksekästä systeemibiologista syövän tutkimusta tehdään monitieteellisessä tutkimusryhmässä, jossa koesarjojen suorittamisen lisäksi kehitetään ja hyödynnetään tarvittavia tekniikoita ja laskentatyökaluja. Tässä mallissa kysymyksenasettelu on lähtökohdaltaan lääketieteellinen, mutta myös uudet tekniikat ja laskentatyökalut avaavat kokonaan uusia rintamia tutkittavaksi. Kauneimmankin matemaattisen mallin hyöty mitataan kuitenkin vasta todentamisen ja edelleen mahdollisten interventioiden kautta. Siksi matemaattisten mallien esittely tavalla, joka on ymmärrettävä lääketieteellisen ja biologisen taustan omaaville tutkijoille, on yksi laskennallisen systeemibiologian suurimmista haasteista. Iteratiivinen vuorottelu havaintojen keruun, analysoinnin, mallintamisen sekä mallien kokeellisen todentamisen ja niistä kehitettävien interventiostrategioiden välillä on edellytys sille, että systeemibiologia lunastaa siihen kohdistetut odotukset terveysteknologiasektorin uutena jäsenenä ja terveyden lisääjänä. Menestys vaatii lääkärin, biologin, matemaatikon ja insinöörin uudenlaista yhteistyötä. Taulukko 2. Systeemibiologian tutkimusohjelmia ja -keskuksia. Nimi Kotisivut Broad Institute, USA www.broad.mit.edu/ Computational Systems http://csbi.mit.edu/ Biology initiative, MIT Genome Institute of www.gis.a-star.edu.sg/ Singapore internet/site/ Harvard Systems Biology http://sysbio.med.harvard.edu/ Department Institute for Molecular Systems Biology, ETH Zurich www.imsb.ethz.ch/ Institute for Systems www.systemsbiology.org/ Biology, USA Suomen Akatemian systeemibiologian ohjelma www.aka.fi/sysbio Systems Biology Institute, www.sbi.jp/ Japan University of California San http://gcrg.ucsd.edu/ Diego 2489
Viimeisten viiden vuoden aikana edellä kuvatun kaltaisia monitieteellisiä tutkimusryhmiä on muodostettu etupäässä valikoituihin yhdysvaltalaisiin yliopistoihin ja yksityisiin tutkimuslaitoksiin (taulukko 2). Myös Suomessa systeemibiologiaa on viime vuosina rahoitettu mutta toistaiseksi lähinnä kilpailtujen tutkimusohjelmien kautta, mikä ei välttämättä tue pitkäjänteistä kehitystä. Uudet monitieteelliset alat, kuten systeemibiologia, edellyttävät ennakkoluulottomuutta perus- ja jatkokoulutuksessa sekä uudenlaisia tutkimus- ja rahoitusrakenteita. Koska Suomessa on paljon kansainvälisesti korkeatasoista osaamista useilla systeemibiologian alueilla, meillä on erinomainen mahdollisuus hyödyntää yhteistä osaamistamme ja huolellisesti kerättyjä kliinisiä aineistoja. Kirjallisuutta Christopher R, Dhiman A, Fox J, ym. Data-driven computer simulation of human cancer cell. Ann N Y Acad Sci 2004;1020:132 53. de Pillis LG, Radunskaya AE, Wiseman CL. A validated mathematical model of cell-mediated immune response to tumor growth. Cancer Res 2005;65:7950 8. Ein-Dor L, Kela I, Getz G, Givol D, Domany E. Outcome signature genes in breast cancer: is there a unique set? Bioinformatics 2005;21:171 8. Gruvberger SK, Ringnér M, Edén P, ym. Expression profiling to predict outcome in breast cancer: the influence of sample selection. Breast Cancer Res 2003;5:23 6. Hanahan D, Weinberg RA. The Hallmarks of Cancer. Cell 2000;100:57 70. Hua F, Hautaniemi S, Yokoo R, Lauffenburger DA. Integrated mechanistic and data-driven modelling for multivariate analysis of signalling pathways. Journal of the Royal Society Interface 2006;3:515 26. Hyman E, Kauraniemi P, Hautaniemi S, ym. Impact of DNA amplification on gene expression patterns in breast cancer. Cancer Res 2002;62:6240 5. Janes KA, Albeck JG, Gaudet S, ym. A system model of signaling identifies, a molecular basis set for cytokine-induced apoptosis. Science 2005;5754:1646 53. Jänne PA. Gefitinibi ei-pienisoluisessa keuhkosyövässä. Duodecim 2005;121:249 51. Kansal AR, Trimmer J. Application of predictive biosimulation within pharmaceutical clinical development: examples of significance for translational medicine and clinical trial design. IEE Proc. Syst Biol 2005;152:214 20. Kholodenko BN, Demin OV, Moehren G, Hoek JB. Quantification of short term signaling by the epidermal growth factor receptor. J Biol Chem 1999;274:30169 81. Ma XJ, Wang Z, Ryan PD, ym. A two-gene expression ratio predicts clinical outcome in breast cancer patients treated with tamoxifen. Cancer Cell 2004;5:607 16. McShane LM, Altman DG, Sauerbrei W, Taube SE, Gion M, Clark GM. Reporting recommendations for tumor marker prognostic studies (REMARK). J Natl Cancer Inst 2005;97:1180 4. Monni O, Hautaniemi S, Kallioniemi O. Geenisirutekniikka ja siihen liittyvä bioinformatiikka. Duodecim 2002;118:1157 66. Oda K, Matsuoka Y, Funahashi A, Kitano H. A comprehensive pathway map of epidermal growth factor receptor signaling. Mol Syst Biol 2005;1:msb4100014 E1. Paik S, Shak S, Tang G, ym. A multigene assay to predict recurrence of tamoxifen-treated, node-negative breast cancer. N Engl J Med 2004;351:2817 26. Petricoin EF, Ardekani AM, Hitt BA, ym. Use of proteomic patterns in serum to identify ovarian cancer. Lancet 2002;359:572 7. Pollack JR, Sorlie T, Perou CM, ym. Microarray analysis reveals a major direct role of DNA copy number alteration in the transcriptional program of human breast tumors. Proc Natl Acad Sci U S A 2002; 99:12963 8. Ransohoff DF. Lessons from controversy: ovarian cancer screening and serum proteomics. J Natl Cancer Inst 2005;97:315 9. Reid JF, Lusa L, De Cecco L, ym. Limits of predictive models using microarray data for breast cancer clinical treatment outcome. J Natl Cancer Inst 2005;97:927 30. Schoeberl B, Eichler-Jonsson C, Gilles ED, Muller G. Computational modeling of the dynamics of the MAP kinase cascade activated by surface and internalized EGF receptors. Nat Biotechnol 2002;20:370 5. Searls DB. Data integration: challenges for drug discovery. Nat Rev Drug Discov 2005;4:45 58. van t Veer LJ, Dai H, van de Vijver MJ, ym. Gene expression profiling predicts clinical outcome of breast cancer. Nature 2002;415:530 6. Weinstein JN. Omic and hypothesis-driven research in the molecular pharmacology of cancer. Curr Opin Pharmacol 2002;2:361 5. SAMPSA HAUTANIEMI, TkT sampsa.hautaniemi@helsinki.fi Biomedicum Helsinki, biolääketieteen laitos, laskennallisen systeemibiologian yksikkö PL 63, 00014 Helsingin yliopisto TEA VALLENIUS, LT, akatemian tutkijatohtori TOMI MÄKELÄ, professori Biomedicum Helsinki, biolääketieteen laitos, genomitiedon hyödyntämisen huippuyksikkö, molekyyli- ja syöpäbiologian tutkimusohjelma PL 63, 00014 Helsingin yliopisto 2490