سير عمل تكامل البيانات لتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية
مايو 27, 2021
وقد أدت الشاشات الجينية الكبيرة في الكائنات الحية النموذجية إلى تحديد التفاعلات الجينية السلبية. هنا، نصف سير عمل تكامل البيانات باستخدام بيانات من الشاشات الجينية في الكائنات الحية النموذجية لتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية في السرطان.
يحدث التفاعل القاتل الاصطناعي بين جينين عندما لا تؤثر ضربة قاضية واحدة لأي منهما على صلاحية الخلية ولكن ضربة قاضية لكلا الشريكين القاتلين الاصطناعيين تؤدي إلى فقدان صلاحية الخلية أو موت الخلية. ويمكن أن يؤدي الجمع بين مجموعات البيانات غير المتجانسة إلى تحديد التفاعلات القاتلة الاصطناعية التي يمكن استهدافها بتوليفات العقاقير في أمراض مثل السرطان، بهدف وقف انتشار الخلايا. مفهوم الفتك الاصطناعية هو من مصلحة لأي مرض في انتشار الخلايا التي هي قضية.
أما بالنسبة للسرطان، يتم بالفعل استهداف التفاعلات الجينية القاتلة الاصطناعية في الأورام المتحولة BRCA باستخدام مثبطات PARP. ويمكن لجهود مثل جهودنا أن توسع نطاق استخدام هذا المفهوم للتفاعلات الجينية الأخرى وكيانات السرطان. في مختبرنا، قمنا باختبار تركيبات الأدوية المتوقعة حسابيا التي تستهدف التفاعلات القاتلة الاصطناعية في سياق سرطان الثدي.
ابدأ باسترداد البيانات من BioGRID. استخدم مستعرض الويب لتنزيل أحدث ملف تفاعل BioGRID بتنسيق tab2. تصفية الأعمدة للاحتفاظ فقط تلك ذات الصلة لخطوات التحليل اللاحقة.
بعد ذلك ، فلتر الفتك الاصطناعي والتفاعلات الوراثية السلبية. استخدم المعلومات الموجودة في عمود النظام التجريبي لتقييد مجموعة البيانات في الإدخالات ذات القيمة الجينية السلبية أو الفتك الاصطناعي. تحديد الأنواع التي تم الإبلاغ عن التفاعلات القاتلة الاصطناعية من خلال تحديد عدد معرفات ضريبة شركاء التفاعل القاتل الاصطناعي ، والتي ستقدم تقديرا لعدد هذه التفاعلات المتاحة لكل كائن حي.
لاسترداد تقويم العظام البشري للكائنات الحية النموذجية ذات الصلة من Ensembl BioMart ، حدد مجموعة بيانات الكائن الحي النموذجي المعني ، وانقر على السمات ، وحدد اسم Gene. ثم انقر على مجموعة البيانات، وحدد الجينات البشرية. مرة أخرى، انقر فوق سمات، وحدد اسم جين.
ثم انقر فوق النتائج. تحقق من النتائج الفريدة فقط، وانقر فوق Go.Automatize عملية الاسترداد، وإرسال الاستعلام مباشرة إلى BioMart RESTful الوصول لاسترداد أزواج الجينات orthologous. إذا كان استرداد البيانات يدويا عبر واجهة ويب Ensembl BioMart، إعادة تسمية وملاحظة أن خط الرأس تمت إضافته تلقائيا.
من أجل استرداد الجينات البشرية التقويمية للكائنات الحية النموذجية الأخرى ، استبدل قيمة سمة الاسم لعنصر مجموعة البيانات الأولى باسم مجموعة بيانات Ensembl المعنية. بعد ذلك، تجاهل أي إدخالات للجينات بدون تجانس، وجمع جميع التعيينات المتجانسة في ملف واحد، وإضافة خرائط وهمية للجينات البشرية. بالإضافة إلى ذلك، أضف إدخالات اصطناعية للجينات البشرية.
قم بإعداد ملف synlet للانضمام اللاحق بإضافة عمود جديد يحمل مزيجا من معرف الضريبة ورمز الجينات لكل شريك تفاعل. انضم إلى التفاعلات القاتلة الاصطناعية استنادا إلى معرف ضريبة الكائن الحي ورمز الجينات مع أزواج تقويم العظام المستردة. استرداد أزواج الهدف المخدرات من DrugBank من قسم التنزيلات، وإنشاء حساب أولا إذا لزم الأمر.
تقييد ملف هدف المخدرات DrugBank إلى الأعمدة ذات الصلة. احتفظ فقط بالإدخالات للكيانات الجزيئية البشرية. ثم، استخراج الأعمدة ذات الصلة، وتصفية البيانات للأنواع البشرية.
منذ يتم توفير اسم الدواء والمخدرات الهدف المعلومات في ملفين CSV منفصلة، يجب دمج المعلومات من الملفين. من أجل القيام بذلك ، يجب أولا تطبيع إدخالات اسم الدواء. ثم تطبيع ملف الهدف المخدرات أن يكون سطر واحد لكل دواء.
تابع ملف مفردات DrugBank، واستخراج الأعمدة ذات الصلة. منذ يتم توفير اسم الدواء والمعلومات المستهدفة المخدرات في ملفين CSV منفصلة, دمج المعلومات من الملفين باستخدام ID.Join DrugBank المشتركة التفاعل القاتل الاصطناعية مع ملف اسم الدواء المستهدف المخدرات ولدت في الخطوة السابقة باستخدام أعمدة رمز الجينات, التأكد من إضافة أسماء المخدرات لكلا الشريكين من كل تفاعل قاتل الاصطناعية. وأخيرا، استرداد المعلومات عن التجارب السريرية من ClinicalTrials.gov.
لسهولة الوصول، استخدم قاعدة البيانات العلائقية التي توفرها مبادرة تحويل التجارب السريرية، وإنشاء حساب أولا إذا لزم الأمر. حل الأدوية المقترحة في المذيبات المناسبة، مثل DMSO أو PBS، في أربعة تركيزات مختلفة على الأقل. أضف الأدوية إلى خلايا سرطان الثدي البشرية المصنفة في طبق من 96 بئرا ، واحتضانها للفترة الزمنية المطلوبة لتحديد قيم التركيز المثبطة.
استخدام القدرة على البقاء أو موت الخلايا المبرمج المقايسة الاختيار لتحديد صلاحية الخلية مع تركيبات المخدرات المختلفة والتركيزات، بدءا من IC50 المنشأة سابقا. ثم، تحديد الآثار السامة للخلايا التآزر من تركيبات المخدرات عن طريق حساب مؤشر combinatorial بهم. وقد استخدمت هذه الطريقة لتحديد تركيبات المخدرات التي تستهدف التفاعلات القاتلة الاصطناعية في سرطان المبيض.
وتبين أن 21 عقارا فريدا ساهمت في 84 تركيبة من العقاقير المحددة تستهدف مجموعة من 39 تفاعلا قاتلا اصطناعيا. واستخدم نفس سير العمل لتحديد 243 تركيبة أدوية واعدة تستهدف 166 زوجا من الجينات الفتاكة الاصطناعية في سياق سرطان الثدي. تم اختبار مجموعات مختارة لتأثيرها على صلاحية الخلية وموت الخلايا المبرمج في خطين خلايا سرطان الثدي.
نتائج فحص الجدوى لcelecoxib، حمض الزوليدرونيك، والجمع بين حمض الزوليدرونيك وcelecoxib في SK-BR-3 خطوط خلايا سرطان الثدي أظهرت أنه عندما مجتمعة الأدوية كان لها تأثير تآزري كبير على صلاحية الخلية. المرفق الخامس و 7-AAD تلطيخ الخلايا SK-BR-3 تعامل مع اثنين من الأدوية بأنفسهم، وأظهرت مجتمعة أن النسبة المئوية للخلايا المبرمج والنخري في وقت متأخر زادت بعد العلاج مع مزيج المخدرات. عند محاولة هذا البروتوكول، خذ الوقت اللازم لتحديد أسماء الأدوية المقابلة ل DrugBank لجميع الأدوية والتدخلات التي تم استردادها من التجارب السريرية.
ويمكن كذلك استخدام إدراج بيانات إضافية مثل ملامح التعبير الجيني أو درجة التعليق التوضيحي في الأدبيات العلمية للمتفاعلين القاتلين الاصطناعيين للمرض قيد الدراسة لتحديد أولويات التفاعلات القاتلة الاصطناعية. نظرا للكمية المتزايدة من البيانات الطبية الحيوية المتاحة ، فإن توحيد القوى مع علماء الأحياء الحسابيين هو تفاعل مفيد يؤدي إلى فرضيات جديدة ليتم اختبارها في المختبر. عند العمل مع العوامل الخلوية، تأكد من اتباع إرشاداتك المحلية التي تتعامل مع معدات السلامة المختبرية والتعامل مع الكواشف الخطرة.
في أي وقت، تجنب الاتصال المباشر، وتأكد من جمع معلومات حول المادة المستخدمة قبل بدء التجربة.
اعرض النص الكامل واحصل على الوصول إلى آلاف الفيديوهات العلمية
النظرة العامة
تستكشف هذه الدراسة التفاعلات المميتة التركيبية بين الجينات، خاصة في سياق علاج السرطان. من خلال دمج البيانات من الفحوصات الجينية في الكائنات النموذجية، تهدف الدراسة إلى تحديد تركيبات الأدوية الفعالة التي يمكنها استهداف هذه التفاعلات.
مكونات الدراسة الرئيسية
مجال العلم
- الوراثة
- بيولوجيا السرطان
- الصيدلة
الخلفية
- تحدث الوفيات التركيبية عندما يؤدي التقليل المتزامن من وظيفتين لجينين إلى موت الخلية، بينما لا يؤدي تقليل أي جين بمفرده إلى ذلك.
- هذا المفهوم ذو أهمية خاصة في السرطان، حيث يمكن استغلال بعض تفاعلات الجينات لأغراض علاجية.
- العلاجات الحالية، مثل مثبطات PARP، تستهدف التفاعلات المميتة التركيبية في الأورام المصابة بطفرات BRCA.
- يمكن أن يؤدي الجمع بين مجموعات البيانات غير المتجانسة إلى تعزيز تحديد تركيبات الأدوية المحتملة.
هدف الدراسة
- تحديد تركيبات الأدوية التي تستهدف التفاعلات المميتة التركيبية في السرطان.
- توسيع تطبيق الوفيات التركيبية إلى ما وراء طفرات BRCA لتشمل تفاعلات جينية أخرى وأنواع سرطانية مختلفة.
- اختبار تركيبات الأدوية المتوقعة حسابيًا في سياق سرطان الثدي.
الطرق المستخدمة
- سير عمل دمج البيانات من الفحوصات الجينية في الكائنات النموذجية.
- التنبؤ الحسابي بتركيبات الأدوية.
- التحقق التجريبي في ظروف المختبر.
- تحليل قابلية الخلية للبقاء على قيد الحياة استجابةً لتركيبات الأدوية.
النتائج الرئيسية
- تحديد تفاعلات مميتة تركيبية جديدة يمكن استهدافها لعلاج السرطان.
- اختبار ناجح لتركيبات الأدوية المتوقعة في نماذج سرطان الثدي.
- إثبات إمكانية توسيع تطبيقات الوفيات التركيبية في علم الأورام.
- رؤى حول آليات موت الخلايا المرتبطة بهذه التفاعلات.
الاستنتاجات
- توفر الدراسة إطارًا لتحديد تركيبات الأدوية التي تستغل الوفيات التركيبية.
- يمكن أن تؤدي النتائج إلى استراتيجيات علاجية جديدة لمختلف أنواع السرطان.
- يلزم إجراء مزيد من البحث للتحقق من هذه التفاعلات في البيئات السريرية.
الأسئلة المتداولة
Executive Industry Relevance
Integrating heterogeneous genetic and pharmacological datasets enables systematic identification of drug combinations that exploit synthetic lethal interactions, directly addressing the challenge of target validation and mechanistic de-risking in oncology discovery pipelines. This workflow enhances predictive confidence for prioritizing drug pairs with synergistic cytotoxicity, supporting risk-adjusted advancement decisions in early discovery and preclinical oncology portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven identification of synthetic lethal gene pairs relevant to disease models.
- Supports functional target validation by linking genetic interactions to actionable drug targets.
- Facilitates mechanistic de-risking by integrating ortholog mapping and literature annotation.
- Improves predictive confidence for triaging candidate drug combinations.
Screening & Assay Development
- Prepares validated gene-drug interaction datasets for downstream compound screening.
- Standardizes assay development by leveraging curated drug-target and clinical trial data.
- Enables reproducible evaluation of drug synergy using quantitative viability and apoptosis assays.
- Supports scalable screening of drug pairs across multiple cancer cell lines.
Translational & Preclinical Research
- Aligns candidate drug combinations with disease-relevant genetic backgrounds, such as BRCA-mutated tumors.
- Ensures continuity from computational prediction to in vitro validation in preclinical models.
- Enables risk-adjusted selection of drug pairs for further translational investigation.
- Supports biomarker-driven prioritization when gene expression or literature annotation is integrated.
Pipeline & Workflow Integration
This data integration workflow bridges early discovery, target validation, and preclinical evaluation by systematically linking genetic interaction data, ortholog mapping, drug-target associations, and clinical trial information.
- Discovery Biology: Supports hypothesis testing and pathway clarification by mapping synthetic lethal pairs to human orthologs.
- Screening: Provides assay-ready drug-gene interaction lists for reproducible compound evaluation.
- Analytics: Delivers quantitative outputs such as combinatorial index and viability metrics for condition comparison.
- Translational Research: Connects in silico predictions to in vitro validation in disease-relevant systems.
- Enterprise Reuse: Establishes a scalable, reusable workflow for ongoing drug combination discovery across oncology indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in drug combination selection.
- Operational Value: Standardizes data integration and assay workflows for reproducibility and scalability.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio advancement.
- Portfolio Impact: Supports risk-adjusted prioritization of drug combinations for preclinical and translational progression.
Implementation Considerations
- Requires expertise in computational biology, data integration, and oncology pharmacology.
- Needs access to curated genetic interaction, ortholog mapping, drug-target, and clinical trial databases.
- Demands cross-team standardization of data formats and nomenclature for seamless integration.
- Must adapt workflow for different model organisms and cancer types as supported by available data.
- Dependent on the completeness and annotation quality of public datasets for prioritization accuracy.
Biopharma FAQs
Chapters in this video
0:04
Introduction
1:03
Retrieving Synthetic Lethal Gene Pairs
1:48
Translating Synthetic Lethal Gene Pairs to Human Orthologs
3:20
Mapping Synthetic Lethal Interaction Partners to Drugs
4:28
Establish the Set of Currently Tested Drug Combinations in Clinical Trials
4:45
Testing Proposed Drug Combinations In Vitro
5:28
Results: Proposed Novel Drug Combinations for Ovarian and Breast Cancer
6:37
Conclusion
![الفرز على نطاق الجينوم [رني] تحديد العوامل المضيفة التي تعدل علاج فيروس أونكوليتيك](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F56913.jpg%3Fv%3D2026-07-04T02%253A15%253A10.000Z&w=384&q=75)