在模式生物中进行的大规模遗传筛选已促成负性遗传相互作用的发现。本文介绍了一种数据整合工作流程，利用模式生物遗传筛选的数据，系统解析靶向癌症中合成致死相互作用的药物组合。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
当两个基因中的任意一个被敲除时均不影响细胞存活，但同时敲除这两个基因会导致细胞失去活力或死亡，这种关系被称为合成致死相互作用。研究最为深入的合成致死相互作用存在于BRCA1/2与PARP1之间，目前临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选，已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计针对合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域处于临床试验阶段的药物相关信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。
引言
合成致死性定义了两个基因之间的一种关联关系：单个基因的缺失不会影响细胞存活，但两个基因同时缺失则会导致细胞死亡。该概念最早由 Dobzhansky 于 1946 年在分析果蝇不同表型时提出，当时通过培育纯合突变体发现，某些突变体自身可存活，但无法产生可存活的后代；当这些突变体与其他特定突变体杂交时，会出现致死表型，由此奠定了合成致死性理论的基础1。Hartwell 及其同事提出，这一概念可能适用于人类癌症治疗2。在药理学上诱导的合成致死性可能仅依赖于一个基因突变，前提是该突变基因的合成致死配对基因能够被某种药物化合物所靶向。首个实现药理学诱导合成致死性的基因对是 BRCA(1/2) 与 PARP1。PARP1 作为 DNA 损伤的感应蛋白，可结合于 DNA 双链和单链断裂位点、超螺旋结构以及交叉结构处3。BRCA1 和 BRCA2 在同源重组修复 DNA 双链断裂过程中发挥关键作用4。Farmer 及其同事发表的研究表明，BRCA1/2 缺陷型细胞对 PARP 抑制剂高度敏感，而在 BRCA 野生型细胞中则未观察到细胞毒性5。最终，PARP 抑制剂被批准用于治疗 BRCA 缺陷型乳腺癌和卵巢癌6,7。此外，未来有望发现更多可导致药物获得临床批准的合成致死基因对，这也是当前癌症研究的重要方向之一8。
在包括果蝇、秀丽隐杆线虫和酵母在内的多种生物中已对合成致死基因相互作用进行了建模研究2。近年来，通过RNA干扰和CRISPR/CAS文库敲除等多种方法，发现了许多新的合成致死基因对9,10,11。Housden及其同事近期发表了一项关于RNAi与CRISPR/CAS联合实验操作的实验方案12。同时，研究人员也在单倍体人类细胞中开展了大规模筛选，以鉴定合成致死相互作用13,14。此外，生物网络分析和机器学习等计算机模拟方法在合成致死相互作用的发现中也展现出良好的应用前景15,16。
从概念上讲，在抗肿瘤治疗中利用合成致死相互作用的一种方法是鉴定肿瘤细胞中发生突变或功能失活的蛋白质，从而将其合成致死相互作用伙伴作为有前景的药物靶点用于治疗干预。由于大多数肿瘤类型具有异质性，研究人员已开始寻找所谓的合成致死枢纽蛋白。这些合成致死枢纽蛋白拥有多个合成致死相互作用伙伴，这些伙伴在肿瘤样本中要么发生突变而失去功能，要么表达水平显著下调。靶向此类合成致死枢纽蛋白有望提高药物疗效或克服耐药性，例如在长春新碱耐药的神经母细胞瘤研究中已得到证实17。利用合成致死相互作用概念增强药物治疗的第二种方法是鉴定靶向合成致死相互作用的药物组合。这种方法可能催生已获批的单药抗肿瘤疗法之间的新组合，并推动其他疾病领域药物在肿瘤学中的重新定位。
本文介绍了一种逐步生成靶向合成致死相互作用对的药物组合列表的方法。在该工作流程中，我们（i）利用来自 BioGRID 的合成致死相互作用数据，（ii）从 Ensembl 获取同源基因信息，（iii）从 DrugBank 检索药物-靶点配对信息，（iv）基于 ClinicalTrials.gov 构建疾病-药物关联，（v）进而生成针对合成致死相互作用的一组药物组合。最后，在代表性结果部分，我们提供了卵巢癌和乳腺癌背景下的药物组合示例。
访问受限。请登录或开始试用以查看此内容。
方案
1. 获取合成致死基因对
- 从 BioGrid 检索数据。
- 使用网页浏览器或通过 Linux 命令行使用 curl 或 wget 从 https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip 下载最新版本的 BioGRID 相互作用文件（tab2 格式）18。
## 下载并解压最新的 BioGRID 相互作用文件
# 使用 curl 下载最新的 BioGRID 相互作用文件
curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
# 解压已下载的数据文件
unzip biogrid_latest.zip
BG="BIOGRID-ALL-3.5.171.tab2.txt"
- 下载 zip 压缩包后，必须解压该压缩包，并记录实际数据集文件的名称（BIOGRID-ALL-X.X.X.tab2.txt），以供后续步骤使用。BioGRID 数据文件包含多种类型的相互作用，将在下一步中进行筛选。
注：其他数据源（例如 DRYGIN、SynlethDB）也包含合成致死相互作用，详见讨论部分。
- 使用网页浏览器或通过 Linux 命令行使用 curl 或 wget 从 https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip 下载最新版本的 BioGRID 相互作用文件（tab2 格式）18。
- 筛选合成致死性和负遗传相互作用（实验系统）。
- 利用第 12 列“实验系统”中的信息，该列指明了支持相互作用的实验证据类型，用于识别合成致死相互作用。
- 将数据集限制为“负遗传”或“合成致死性”类别的条目。在同一操作中，筛选列并仅保留后续分析步骤相关的列，如下表 1 所列。
## 将 BioGRID 相互作用文件限制为相关列，并仅保留被归类为负遗传和合成致死性的相互作用
cut -d ""^I"" -f 1,8,9,12,16,17 "${BG}" \
| awk -F ""\t"" 'BEGIN{
OFS=""\t""
}
{
if(NR == 1){
print $0
}else if($4 == ""Negative Genetic"" || $4 == ""Synthetic Lethality""){
print $0
}
}' > bg_synlet.txt
注：在代码片段中，^I 用于表示水平制表符。可选择性包含其他 BioGRID 类别，例如合成生长缺陷。本工作流程中其他相关列见 表 1。BioGRID 还保留了每项相互作用的评分。可设置阈值以筛选强效/高置信度的相互作用。
| 列号 | 列标题名称 |
| 3 | 基因名称 |
| 12 | 物种 |
| 13 | 药物ID |
表1：BioGRID 数据文件中的相关列。
- 确定已报道存在合成致死相互作用的物种。
- 统计每种生物的合成致死相互作用伙伴的分类学编号（tax-ID）数量，以估算每个生物体中可用的合成致死相互作用数量。
##统计先前提取的合成致死相互作用中每个tax id出现的次数
cut -d "^I" -f5,6 bg_synlet.txt | tail -n +2 | tr "\t" "\n" \
| sort | uniq -c | sort -r -g
注：步骤1的结果为一份合成致死相互作用列表，其中包含在相应生物体中确定的基因符号。大多数合成致死相互作用是在模式生物中确定的。将文件载入电子表格程序（例如 Excel）时，应避免破坏基因符号19,20。
- 统计每种生物的合成致死相互作用伙伴的分类学编号（tax-ID）数量，以估算每个生物体中可用的合成致死相互作用数量。
2. 将合成致死基因对转化为人类直系同源基因
- 检索在步骤1.3中确定的相关模式生物中的人类同源基因。
- 从 Ensembl BioMart 获取人类直系同源基因21 通过将相应模式生物基因数据集与人类基因数据集进行关联。在此任务中使用表示模式生物基因及其直系同源人类基因的基因符号。利用 Ensembl BioMart Web 服务自动化获取过程，并将查询直接发送至 BioMart RESTful 接口以获取直系同源基因对（参见下文示例及 Ensembl BioMart 帮助文档）。 & 有关更多详细信息，请参阅文档。
##使用 curl 向 Ensembl BioMart 的 BioMart RESTful 服务直接发送查询，以检索酿酒酵母的直系同源人类基因
curl -o s_cerevisiae.txt --data-urlencode 'query=<?xml version="1.0" 编码="UTF-8"?>
<!DOCTYPE Query>
<查询虚拟模式名称 = "默认" 格式化程序 = "TSV" 标题 = "0" uniqueRows = "1" 计数 = "" datasetConfigVersion = "0.6" >
<数据集名称 = "酿酒酵母基因_Ensembl" 界面 = "默认" >
<属性名称 = "外部基因名称" />
</数据集>
<数据集名称 = "hsapiens_gene_ensembl" 界面 = "默认" >
<属性名称 = "外部基因名称" />
</数据集>
</查询>
' "http://www.ensembl.org/biomart/martservice"
为了获取其他模式生物对应的直系同源人类基因，需将第一个 Dataset 元素的 name 属性值替换为相应的 Ensembl 数据集名称，并重新执行查询。
注：直系同源基因映射过程在 Ensembl BioMart 帮助文档中有详细说明 & 文档（http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html）
- 通过以下网址访问用于查询酿酒酵母（Saccharomyces cerevisiae）对应的人类直系同源基因的 BioMart 示例查询，该物种为步骤 1.3 中确定的主要物种：http://www.ensembl.org/biomart/martview/9b71da1415aba480a52b8dc7dd554d63?VIRTUALSCHEMANAME=default&ATTRIBUTES=scerevisiae_gene_ensembl.default.feature_page.external_gene_name|hsapiens_gene_ensembl.default.feature_page.external_gene_name&FILTERS=&VISIBLEPANEL=linkattributepanel
注：其他同源性比对资源（例如 roundup、oma browser、HomoloGene、inparanoid）在本文手稿的讨论部分已有概述。
- 从 Ensembl BioMart 获取人类直系同源基因21 通过将相应模式生物基因数据集与人类基因数据集进行关联。在此任务中使用表示模式生物基因及其直系同源人类基因的基因符号。利用 Ensembl BioMart Web 服务自动化获取过程，并将查询直接发送至 BioMart RESTful 接口以获取直系同源基因对（参见下文示例及 Ensembl BioMart 帮助文档）。 & 有关更多详细信息，请参阅文档。
- 将人类直系同源基因添加到提取出的合成致死相互作用中。
- 根据生物体分类ID和基因符号，将合成致死相互作用与步骤2.1中获取的直系同源基因对进行关联。对于人类的合成致死相互作用对，可为数据集中存在的每个人类基因创建人工直系同源对，或确保在关联过程中保留人类合成致死相互作用，并将人类基因符号填入新添加的列中。
##将直系同源映射收集到单个文件中，并与合成致死相互作用文件合并
#创建一个带有表头的目标文件，用于收集直系同源基因的映射信息
回声 "tax_id/基因符号^I人类基因符号" > mapping.txt
#对每种模式生物重复此步骤，注意调整输入文件名和物种分类编号（tax-ID）
#为 s_cerevisiae.txt 中的每一对直系同源基因在 mapping.txt 中添加一个新条目：基因符号前加上物种分类编号（tax id），以便后续与合成致死相互作用文件进行合并
awk -F "当两个基因中的任意一个被敲除时均不影响细胞活力，但同时敲除这两个基因会导致细胞活力丧失或细胞死亡，这种关系被称为合成致死相互作用。研究最为深入的合成致死相互作用存在于BRCA1/2与PARP1之间，目前临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计可作用于合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验研究阶段的药物信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。" BEGIN{
OFS="当两个基因中的任意一个被敲除时均不影响细胞活力，但同时敲除这两个基因会导致细胞活力丧失或细胞死亡，这种关系被称为合成致死相互作用。研究最为深入的合成致死相互作用存在于BRCA1/2与PARP1之间，目前临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计针对合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源性映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验阶段的药物相关信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。"
org_tax_id="559292"
}
{
如果（$1 不等于 "" && $2 != ""){
打印物种分类ID"/"$1, $2
}
}' s_cerevisiae.txt >> mapping.txt
#为人类基因创建人工映射条目
awk -F "合成致死相互作用是指当两个基因中的任意一个被敲除时，细胞活力不受影响，但同时敲除这两个合成致死互作基因则会导致细胞活力丧失或细胞死亡。目前研究最为深入的合成致死相互作用是BRCA1/2与PARP1之间的关系，临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选，已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计针对合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源性映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验研究阶段的药物信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。" BEGIN{
OFS="合成致死相互作用是指当两个基因中的任意一个被敲除时，细胞活力不受影响，但同时敲除这两个合成致死互作基因则会导致细胞活力丧失或细胞死亡。目前研究最为深入的合成致死相互作用是BRCA1/2与PARP1之间的关系，临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选，已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计靶向合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源性映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验研究阶段的药物信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。"
human_tax_id="9606"
}
{
如果第五列等于 human_tax_id
输出第五列"/"$2, $2
}
如果($6 == human_tax_id){
输出第6列"/"$3, $3
}
}' bg_synlet.txt | sort -u >> mapping.txt
#为合成致死相互作用添加必需的连接键（物种分类编号/基因符号）
awk -F "当两个基因中的任意一个被敲除时均不影响细胞存活，但同时敲除这两个基因会导致细胞活力丧失或细胞死亡，此时这两个基因之间存在合成致死相互作用。研究最为深入的合成致死相互作用是BRCA1/2与PARP1之间的关系，目前临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计针对合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源性映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验研究阶段的药物信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。" 开始{
OFS="合成致死相互作用是指当两个基因中的任意一个被敲除时，细胞活力不受影响，但同时敲除这两个合成致死互作基因则会导致细胞活力丧失或细胞死亡。目前研究最为深入的合成致死相互作用是BRCA1/2与PARP1之间的关系，临床上已使用PARP1抑制剂治疗携带BRCA1/2突变肿瘤的患者。在模式生物以及单倍体人类细胞系中开展的大规模遗传筛选，已鉴定了大量其他合成致死相互作用基因对，这些基因对均为开发新型肿瘤疗法的潜在靶点。其中一种策略是针对在特定肿瘤中发生突变或显著下调的合成致死互作基因进行治疗性靶向。第二种策略是设计针对合成致死相互作用的药物组合。本文概述了一种数据整合工作流程，用于评估和识别靶向合成致死相互作用的药物组合。我们利用了现有的合成致死相互作用基因对数据集、同源性映射资源、专业数据库中的药物-靶点关联信息，以及在特定疾病领域正处于临床试验阶段的药物相关信息。此外，我们还重点介绍了本课题组近期在卵巢癌和乳腺癌药物组合评估方面的两项研究中的关键发现。"
}
{
如果(NR == 1){
输出 $0, "关键互作因子 A", "关键互作因子B"
否则{
打印 $0 和 $5"/"$2, $6"/"$3
}
}' bg_synlet.txt > 合成致死相互作用，药物组合，BRCA1/2，PARP1，基因筛选，同源映射，药物靶点关联，临床试验，卵巢癌，乳腺癌
#整合合成致死相互作用与直系同源基因对
合并 tmp_bg_synlet_w_keys.txt 与 mapping.txt 的第 7 列和第 1 列 > 请提供需要翻译的源文本内容（位于 CONTEXT 区块下方的待译文本），以便我根据上述专业规范进行翻译。当前提供的文件名 "tmp.txt" 无实际内容，无法执行翻译任务。
合并 tmp.txt 与 mapping.txt 的第 8 列和第 1 列 > bg_synlet_mapped.txt
注意：本示例中使用的 merge 命令并非标准的 Unix 命令。然而，借助 GNU Core Utilities 中的 sort 和 join 命令可轻松实现该功能。引入此命令的目的是为了隐藏在使用 join 命令合并文件之前对文件进行排序的复杂性。merge 命令的实现可在 https://github.com/aheinzel/merge-sh 获取。
- 为获得最佳结果，使用可在特定命名空间中唯一标识该基因的任意基因标识符。
注意：步骤2将生成来自多种生物体的合成致死相互作用列表，这些相互作用已映射至人类基因。
- 根据生物体分类ID和基因符号，将合成致死相互作用与步骤2.1中获取的直系同源基因对进行关联。对于人类的合成致死相互作用对，可为数据集中存在的每个人类基因创建人工直系同源对，或确保在关联过程中保留人类合成致死相互作用，并将人类基因符号填入新添加的列中。
3. 将合成致死相互作用伙伴映射到药物
- 从 DrugBank 获取药物-靶点配对信息。
- 从 DrugBank 网站的下载部分获取 DrugBank 数据，若尚未注册，请先创建账户22。使用包含药物靶点标识符的 CSV 文件（蛋白质标识符部分：https://www.drugbank.ca/releases/latest#protein-identifiers）以及包含 DrugBank 标识符和名称的 DrugBank 词汇表（开放数据部分：https://www.drugbank.ca/releases/latest#open-data）。或者，也可从 XML 数据库转储文件中提取所需信息。
##将 DrugBank 药物靶点文件限制为相关列，并仅保留针对人类分子实体的条目
DB_TARGETS="all.csv"
DB_NAMES="drugbank vocabulary.csv"
#提取相关列并重新格式化，使用制表符作为列分隔符
csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt
awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1 || $2 == "Humans"){
print $1, $3
}
}' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt
注：DrugBank 数据以两种主要格式提供。完整数据库可作为 XML 文件获取，此外，大部分数据还以一系列逗号分隔值（CSV）文件的形式提供。
- 请注意，DrugBank 也记录了非人类的药物-靶点相互作用。可通过物种列（第 12 列）提取人类的药物-靶点信息。
注：为便于阅读，提取列的名称见表 2。其他来源（例如 Therapeutic Target Database 或 ChEMBL）也提供药物-靶点关联信息，详见讨论部分。
- 从 DrugBank 网站的下载部分获取 DrugBank 数据，若尚未注册，请先创建账户22。使用包含药物靶点标识符的 CSV 文件（蛋白质标识符部分：https://www.drugbank.ca/releases/latest#protein-identifiers）以及包含 DrugBank 标识符和名称的 DrugBank 词汇表（开放数据部分：https://www.drugbank.ca/releases/latest#open-data）。或者，也可从 XML 数据库转储文件中提取所需信息。
| 列号 | 列标题名称 |
| 3 | 基因名称 |
| 12 | 物种 |
| 13 | 药物 ID |
- 将药物名称添加至药物靶点。
- 由于药物名称和药物靶点信息分别存储在两个独立的 CSV 文件中，需合并这两个文件的信息，以便后续将靶向合成致死相互作用伙伴的药物名称添加到合成致死相互作用数据中。使用共同的 DrugBank 药物 ID 列对两个数据集进行关联。首先对药物靶点数据集进行标准化处理，确保每一行仅包含一个 DrugBank 药物 ID，因为原始文件中若多个药物共同靶向同一蛋白，可能会在单行中包含多个 DrugBank 药物 ID。
##生成一个包含药物靶点基因符号、DrugBank 药物 ID 和药物名称的单一文件
#标准化药物靶点数据集
awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1){
print $0
}else if($1 != "" && $2 != ""){
split($2, drug_targets, ";")
for(i in drug_targets){
drug_target = drug_targets[i]
gsub(/ /, "", drug_target)
print $1, drug_target | "sort -u"
}
}
}' human_target_to_drugs_agg.txt > human_target_to_drug.txt
#提取相关列并重新格式化，使用制表符作为列分隔符
csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt
merge human_target_to_drug.txt \
drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt
注：drugbank vocabulary.csv 文件中的第一列和第三列分别包含 DrugBank 药物 ID 及其对应的名称。
- 由于药物名称和药物靶点信息分别存储在两个独立的 CSV 文件中，需合并这两个文件的信息，以便后续将靶向合成致死相互作用伙伴的药物名称添加到合成致死相互作用数据中。使用共同的 DrugBank 药物 ID 列对两个数据集进行关联。首先对药物靶点数据集进行标准化处理，确保每一行仅包含一个 DrugBank 药物 ID，因为原始文件中若多个药物共同靶向同一蛋白，可能会在单行中包含多个 DrugBank 药物 ID。
- 将靶向合成致死相互作用配对基因的药物添加到合成致死相互作用数据集中。
- 使用基因符号列，将合成致死相互作用数据集与上一步生成的药物-靶点药物名称文件进行关联，从而为合成致死相互作用添加对应的药物。注意需为每对合成致死相互作用中的两个配对基因均添加相应的药物名称。
##通过添加靶向各合成致死相互作用配对基因的药物来增强合成致死相互作用文件
merge bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
merge tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt
注意：第3步得到的是来自多种生物的合成致死相互作用，及其对应的人类同源基因和靶向这些基因的药物。
- 使用基因符号列，将合成致死相互作用数据集与上一步生成的药物-靶点药物名称文件进行关联，从而为合成致死相互作用添加对应的药物。注意需为每对合成致死相互作用中的两个配对基因均添加相应的药物名称。
4. 建立当前在临床试验中测试的药物组合集合
- 获取 ClinicalTrials.gov 数据的访问权限。
- 从 ClinicalTrials.gov 获取以 XML 格式呈现的临床试验信息，获取方式包括：(i) 单个试验，(ii) 检索查询结果中的试验，或 (iii) 数据库中的所有试验。或者，可使用临床试验转化倡议（clinical trials transformation initiative）提供的资源，该资源也将 ClinicalTrials.gov 的全部数据存储在关系型数据库中。详见步骤 4.4。
注意：访问由临床试验转化倡议组织托管的云数据库实例需要注册免费账户。此外，还需要一个 PL/SQL 客户端。
- 从 ClinicalTrials.gov 获取以 XML 格式呈现的临床试验信息，获取方式包括：(i) 单个试验，(ii) 检索查询结果中的试验，或 (iii) 数据库中的所有试验。或者，可使用临床试验转化倡议（clinical trials transformation initiative）提供的资源，该资源也将 ClinicalTrials.gov 的全部数据存储在关系型数据库中。详见步骤 4.4。
- 重点关注干预性试验。
- 筛选针对目标适应症的临床试验。
注意：ClinicalTrials.gov 使用美国国家生物技术信息中心（NCBI）医学主题词（MeSH）受控词汇表中的疾病名称。与提交者提供的疾病名称不同，受控词汇表可有效识别特定适应症的相关临床试验。然而，需注意 NCBI MeSH 受控词汇表是一种主题词表，因此应查阅 MeSH 浏览器（https://meshb.nlm.nih.gov），确认感兴趣的广义适应症是否包含任何子级/更具体的术语，并在适当情况下将其纳入检索。 - 检索已确定的试验及其在这些试验中测试的药物。以下提供了针对卵巢癌总体适应症的试验查询。
##从临床试验转化计划（Clinical Trials Transformation Initiative）托管的关系型数据库（包含ClinicalTrials.gov数据）中检索针对卵巢癌这一总体适应症的干预性临床试验
猫 <<EOF
\pset footer off
SELECT DISTINCT s.nct_id, s.简要标题, i.干预类型, i.名称
来自研究的 s
INNER JOIN browse_conditions c ON(s.nct_id = c.nct_id)
INNER JOIN 干预措施 i ON(s.nct_id = i.nct_id)
WHERE s.study_type = '干预性'
且 c.mesh_term 属于 (
卵巢肿瘤
卵巢上皮性癌
颗粒细胞瘤
遗传性乳腺癌和卵巢癌综合征
黄体瘤
米格斯综合征
支持细胞-间质细胞瘤
卵泡膜细胞瘤
)
按 s.nct_id 和 i.intervention_type 排序；
EOF
psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --no-align --field-separator="^I" --输出="临床试验.txt" aact
- 提取药物名称并映射到 DrugBank 名称。
注意：尽管直接使用从相关临床试验中检索到的药物名称看似方便，但需注意 ClinicalTrials.gov 中的干预措施名称由提交者以自由文本形式录入。因此，这些名称并未标准化，可能使用商品名而非通用化合物名称，且无法保证数据归一化的准确性（例如，单个条目中包含多个药物名称）。此外，药物常以不同于“药物”的其他干预类型提交。因此，最好手动将检索到的干预名称映射至 DrugBank 药物名称。
##获取先前检索到的临床试验集合中所使用的干预措施列表。
cut -d "^I" -f3,4 clinical_trials.txt | tail -n +2 | sort -u
注意：第三列和第四列分别为干预类型和干预名称。
- 根据指南中已用于临床的药物进行补充
注意：第 4 步将得到一份针对目标适应症正在评估或已使用的药物列表。
5. 靶向合成致死相互作用的药物组合鉴定
- 搜索由两种目标药物靶向的合成致死相互作用。通过筛选文件中同时包含药物A和药物B的行，将第3步中的数据集限制为目标药物范围。
##仅保留那些合成致死相互作用及其触发药物的条目，其中相互作用的两个伙伴均被两种目标药物（drug_a 和 drug_b）所靶向
awk -F "\t" '{
if( ($12 == drug_a && $14 == drug_b) || ($12 == drug_b && $14 == drug_a) ){
print $0
}
}' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
- 确保两种药物中任何一种单独使用时均不同时靶向两个合成致死相互作用伙伴。检查步骤 3.2 数据集中每种已鉴定药物的药物靶点，并评估这两种已鉴定的合成致死伙伴是否均为该特定药物的靶点。
##查找给定药物名称的所有药物靶点条目
awk -F "\t" '{
if($3 == drug){
print $0
}
}' drug="XXX" db_human_drug_targets.txt
注意：若某种药物同时靶向两个合成致死相互作用通路，则会对所有细胞产生毒性，因此理论上不具备作为多靶点药物的价值。这正是该算法步骤中排除此类情况的原因。
6. 体外测试选定的新药物组合
- 在37 °C、5% CO2的湿化环境中，采用标准的体外培养方法培养人乳腺癌细胞系和人良性乳腺上皮细胞，并用多种药物组合进行处理。
- 使用添加了胎牛血清以及青霉素和硫酸链霉素的培养基，以防止细菌污染。
- 根据药物既往确定的IC50（抑制浓度），将其溶解于DMSO或磷酸盐缓冲液等溶剂中，配制成至少四种不同浓度，并单独或联合用于细胞处理。
- 进行细胞活力检测和凋亡检测（如AnnexinV/7-AAD染色），以评估处理引起的细胞毒性效应。
- 通过Western印迹法监测对预期分子靶点的药理学抑制情况。
- 按照Chou等人23所述方法计算联合指数（CI），以区分合成致死效应与单纯的相加效应。
访问受限。请登录或开始试用以查看此内容。
结果
本课题组近期发表了两项研究，应用本文所示的工作流程，在卵巢癌和乳腺癌背景下识别靶向合成致死相互作用的药物组合24,25。在第一项研究中，我们评估了目前正处于晚期临床试验（III期和IV期）或已在临床实践中用于治疗卵巢癌患者的药物组合，分析其对合成致死相互作用的影响。此外，我们还识别出目前尚未进入临床试验但具有靶向合成致死相互作用理论依据的药物组合。为此，我们评估了所有可能的药物组合，药物来源为所有处于晚期卵巢癌临床试验阶段的化合物。我们共识别出一组独特的61种药物组合，这些组合已在68项晚期卵巢癌临床试验中被研究。在这61种组合中，有12种针对至少一种合成致死相互作用。另有84种药物组合被提出可用于靶向合成致死相互作用，但截至目前尚未在临床试验中被研究。这84种识别出的药物组合涉及21种独特的药物，共同靶向一组39个合成致死互作分子，如图1所示。
访问受限。请登录或开始试用以查看此内容。
讨论
我们提出了一种用于识别影响合成致死相互作用的药物组合的工作流程。该工作流程利用了以下五类信息：（i）来自模式生物的合成致死相互作用数据，（ii）人类直系同源基因信息，（iii）药物-靶点关联信息，（iv）癌症背景下药物在临床试验中的相关信息，以及（v）从科学文献中提取的药物-疾病和基因-疾病关联信息。整合后的信息可用于评估特定待研究药物组合对合成致死基因对的影响。此外，整合数据还可用于评估一组当前正在癌症相关临床试验中研究或测试的药物，以发现能够靶向最重要合成致死相互作用的药物组合，从而更有可能影响肿瘤细胞的存活。最后，所生成的数据可用于筛选由最初并非为肿瘤治疗开发的药物组成的药物组合，从而为基于计算的药物重定位研究提供途径。
在数据整合工作流程的每一步中，我们列出了完成完整数据流程的关键数据来源，同时指出该流程在各个阶段还可通过利用其他数据来源进一步优化。在我们的工作流程中，合成致死相互作用对是从 BioGRID 数据库中提取的18。我们特别关注实验类型为“合成致死”和“负遗传”的相互作用。BioGRID 中关于合成致死相互作用的信...
访问受限。请登录或开始试用以查看此内容。
披露
AH 和 PP 在进行代表性结果部分所述分析时，为 emergentec biodevelopment GmbH 的员工。MM 和 MK 无任何利益冲突需要披露。
致谢
数据整合工作流程的开发资金来自欧洲共同体第七框架计划，资助协议编号为279113（OCTIPS）。本出版物中数据的使用已获得公共科学图书馆出版部门和Impact Journals, LLC的许可。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| BioGRID | n/a | n/a | thebiogrid.org |
| ClinicalTrials.gov | n/a | n/a | ClinicalTrials.gov |
| DrugBank | n/a | n/a | drugbank.ca |
| Ensembl BioMart | n/a | n/a | ensembl.org |
| 其他计算数据库请参见原文手稿 | |||
| 7-AAD | ebioscience | 00-6993-50 | |
| AnnexinV-APC | BD Bioscience | 550474 | |
| celecoxib | Sigma-Aldrich | PZ0008-25MG | |
| CellTiter-Blue 细胞活力检测试剂盒 | Promega | G8080 | |
| FACS Canto II | BD Bioscience | n/a | |
| 胎牛血清 | Fisher Scientific/Gibco | 16000044 | |
| FloJo 软件 | FloJo LLC | V10 | |
| McCoy's 5a 改良培养基 | Fisher Scientific/Gibco | 16600082 | |
| 青霉素G/硫酸链霉素 | Fisher Scientific/Gibco | 15140122 | |
| SKBR-3 细胞 | 美国模式培养物集存库 (ATCC) | ATCC HTB-30 | |
| 唑来膦酸 | Sigma-Aldrich | SML0223-50MG | |
| 其他材料或设备可根据要求提供 |
参考文献
- Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
- Hartwell, L. H., Szankasi, P., Roberts, C. J., Murray, A. W., Friend, S. H. Integrating genetic approaches into the discovery of anticancer drugs. Science. 278 (5340), New York, N.Y. 1064-1068 (1997).
- D'Amours, D., Desnoyers, S., D'Silva, I., Poirier, G. G. Poly(ADP-ribosyl)ation reactions in the regulation of nuclear functions. The Biochemical Journal. 342 (2), 249-268 (1999).
- Gudmundsdottir, K., Ashworth, A. The roles of BRCA1 and BRCA2 and associated proteins in the maintenance of genomic stability. Oncogene. 25 (43), 5864-5874 (2006).
- Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
- McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540(2018).
- Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
- Ashworth, A., Lord, C. J. Synthetic lethal therapies for cancer: what’s next after PARP inhibitors. Nature Reviews. Clinical Oncology. 15 (9), 564-576 (2018).
- Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, Pt B 201-219 (2013).
- Thompson, J. M., Nguyen, Q. H., Singh, M., Razorenova, O. V. Approaches to identifying synthetic lethal interactions in cancer. The Yale Journal of Biology and Medicine. 88 (2), 145-155 (2015).
- Ruiz, S., et al. A Genome-wide CRISPR Screen Identifies CDC25A as a Determinant of Sensitivity to ATR Inhibitors. Molecular Cell. 62 (2), 307-313 (2016).
- Housden, B. E., Nicholson, H. E., Perrimon, N. Synthetic Lethality Screens Using RNAi in Combination with CRISPR-based Knockout in Drosophila Cells. Bio-Protocol. 7 (3), (2017).
- Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), New York, N.Y. 1092-1096 (2015).
- Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
- Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
- Madhukar, N. S., Elemento, O., Pandey, G. Prediction of Genetic Interactions Using Machine Learning and Network Properties. Frontiers in Bioengineering and Biotechnology. 3, 172(2015).
- Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
- Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, D1 529-541 (2019).
- Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80(2004).
- Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177(2016).
- Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, D1 802-808 (2018).
- Wishart, D. S., et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Research. 46, D1 1074-1082 (2018).
- Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
- Marhold, M., et al. Synthetic lethal combinations of low-toxicity drugs for breast cancer identified in silico by genetic screens in yeast. Oncotarget. 9 (91), 36379-36391 (2018).
- Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859(2019).
- Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
- Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
- Guo, J., Liu, H., Zheng, J. SynLethDB: synthetic lethality database toward discovery of selective and sensitive anticancer drug targets. Nucleic Acids Research. 44, 1011-1017 (2016).
- NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
- Altenhoff, A. M., et al. The OMA orthology database in 2018: retrieving evolutionary relationships among all domains of life through richer web and programmatic interfaces. Nucleic Acids Research. 46 (1), 477-485 (2018).
- Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, Database issue 234-239 (2015).
- Li, Y. H., et al. Therapeutic target database update 2018: enriched resource for facilitating bench-to-clinic research of targeted therapeutics. Nucleic Acids Research. 46 (1), 1121(2018).
- Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
- Heinzel, A., Mühlberger, I., Fechete, R., Mayer, B., Perco, P. Functional molecular units for guiding biomarker panel design. Methods in Molecular Biology. 1159 (12), 109-133 (2014).
- Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
- Piñero, J., et al. DisGeNET: a comprehensive platform integrating information on human disease-associated genes and variants. Nucleic acids research. 45 (1), 833-839 (2017).
访问受限。请登录或开始试用以查看此内容。
重印与许可
