数据集成工作流，以识别针对合成致命相互作用的药物组合
2021年5月27日
模型生物体中的大型基因筛选导致对负基因相互作用的识别。在这里，我们使用模型生物体中遗传筛选的数据来描述数据集成工作流，以描述针对癌症中合成致命相互作用的药物组合。
当两个基因的单次击倒不影响细胞生存能力，但两个合成致命伙伴的击倒会导致细胞生存能力丧失或细胞死亡时，就会发生两个基因之间的合成致命相互作用。结合异构数据集可识别合成致命相互作用，这些相互作用可成为癌症等疾病药物组合的目标，目的是阻止细胞增殖。合成杀伤力的概念对于任何细胞增殖是一个问题的疾病都感兴趣。
至于癌症，合成致命基因相互作用已经通过使用PARP抑制剂在BRCA突变肿瘤中成为目标。像我们这样的努力可以扩大其他基因相互作用和癌症实体的概念的使用。在我们的实验室中，我们测试了针对乳腺癌背景下合成致命相互作用的计算预测药物组合。
首先从生物电网检索数据。使用 Web 浏览器以 tab2 格式下载最新的 BioGRID 交互文件。筛选列仅保留相关用于后续分析步骤的列。
其次，过滤合成杀伤力和负基因相互作用。使用实验系统列中的信息将数据集限制为具有负遗传或合成杀伤力值的条目。通过确定合成致命相互作用伙伴税项 ID 的数量来确定报告合成致命相互作用的物种，这将提供每个有机体可用的这些相互作用数量的估计值。
要从 Ensembl BioMart 中检索相关模型生物体的人类矫型细胞，请选择相应的模型生物数据集，单击属性，并选择基因名称。然后单击数据集，选择人类基因。再次单击属性，然后选择基因名称。
然后单击"结果"。仅检查唯一的结果，然后单击 Go.自动化检索过程，并将查询直接发送到 BioMart RESTful 访问以检索正交基因对。如果通过 Ensembl BioMart Web 界面手动检索数据，请重命名并注意自动添加标头行。
为了为其他模型生物检索直观人类基因，请用各自的 Ensembl 数据集名称替换第一个数据集元素的名称属性值。接下来，丢弃任何没有同源基因的输入，在单个文件中收集所有同源映射，并为人类基因添加虚拟映射。此外，为人类基因添加人工条目。
通过为每个交互伙伴添加一个持有税务 ID 和基因符号组合的新列，为后续加入准备合成文件。加入基于生物体税ID和基因符号的合成致命相互作用与检索回的矫直对。从药物银行从下载部分检索药物目标对，如有必要，首先创建一个帐户。
将药品银行药品目标文件限制在相关栏目。仅保留人类分子实体的条目。然后，提取相关列，并过滤人类物种的数据。
由于药物名称和药物靶点信息在两个单独的 CSV 文件中提供，必须合并两个文件中的信息。为此，必须首先使药品名称条目正常化。然后使药物靶点文件正常化，使每个药物有一条线。
继续使用药物银行词汇文件，并提取相关列。由于药物名称和药物靶点信息在两个单独的CSV文件中提供，因此使用通用的药物银行 ID 合并两个文件中的信息。最后，从 ClinicalTrials.gov 检索有关临床试验的信息。
为了便于访问，请使用临床试验转化倡议提供的关系数据库，如有必要，请先创建一个帐户。将建议的药物溶解在适当的溶剂中，如DMSO或PBS，至少四种不同的浓度。将药物添加到96井板中播种的人类乳腺癌细胞中，并在所需的时间内孵育，以确定抑制浓度值。
使用选择的生存能力或凋亡检测，以确定细胞生存能力与各种药物组合和浓度，从先前建立的IC50开始。然后，通过计算药物组合的组合指数来确定药物组合的协同细胞毒性作用。这种方法用于识别针对卵巢癌合成致命相互作用的药物组合。
研究发现，21种独特的药物促成了84种已查明的药物组合，这些药物组合针对的是一组39种合成致命相互作用器。同样的工作流程被用来识别243个有前途的药物组合，针对乳腺癌背景下的166个合成致命基因对。精选组合被测试对两个乳腺癌细胞系的细胞生存能力和凋亡的影响。
对西勒科西布、佐勒德龙酸以及SK-BR-3乳腺癌细胞系中佐勒德龙酸和西勒科西布的结合的可行性检测结果表明，当合并后，这些药物对细胞的生存能力有显著的协同作用。附件五和7-AAD染色SK-BR-3细胞自行治疗，并结合表明，晚凋亡细胞和坏死细胞的百分比增加后，治疗与药物组合。在尝试此协议时，需要花时间确定所有药物和从临床试验中检索到的干预措施的相应药物库药物名称。
将基因表达特征或研究中该疾病合成致命相互作用者的注释程度等额外数据纳入研究中的疾病，可进一步用于确定合成致命相互作用的优先级。由于可用生物医学数据的数量不断增加，与计算生物学家联手是一种有益的相互作用，导致新的假设在实验室中测试。在与细胞静止剂合作时，请务必遵循您当地的指南，处理实验室安全设备和危险试剂的处理。
在任何时候，避免直接接触，并确保在开始实验之前收集有关所用物质的信息。
查看完整文字稿并访问数千部科学视频
概述
本研究探讨了基因之间的合成致死相互作用，特别是在癌症治疗的背景下。通过整合模型生物遗传筛选数据，研究旨在识别可以针对这些相互作用的有效药物组合。
研究的关键组成部分
科学领域
- 遗传学
- 癌症生物学
- 药理学
背景
- 合成致死发生在同时敲除两个基因导致细胞死亡，而单独敲除任意一个基因则不会导致细胞死亡的情况。
- 这个概念在癌症中特别相关，其中某些基因相互作用可以被用于治疗目的。
- 当前的疗法，如PARP抑制剂，针对BRCA突变肿瘤中的合成致死相互作用。
- 结合异质数据集可以增强对潜在药物组合的识别。
研究目的
- 明确针对癌症中合成致死相互作用的药物组合。
- 将合成致死的应用扩展到BRCA突变之外的其他基因相互作用和癌症类型。
- 在乳腺癌环境中测试计算预测的药物组合。
使用的方法
- 模型生物遗传筛选的数据整合工作流。
- 药物组合的计算预测。
- 在实验室环境中的实验验证。
- 分析细胞活力对药物组合的反应。
主要结果
- 识别可针对癌症治疗的新型合成致死相互作用。
- 成功在乳腺癌模型中测试预测的药物组合。
- 展示在肿瘤学中扩展合成致死应用的潜力。
- 洞察这些相互作用相关的细胞死亡机制。
结论
- 该研究提供了一个框架，用于识别利用合成致死的药物组合。
- 研究结果可能导致各种癌症类型的新治疗策略。
- 需要进一步研究以在临床环境中验证这些相互作用。
常见问题
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
