Artículo de método

Un flujo de trabajo de integración de datos para identificar combinaciones de fármacos dirigidas a interacciones letales sintéticas

DOI:

10.3791/60328

⸱

27 de mayo de 2021

 ,  ,  ,  , 
1Department of Internal Medicine I - Division of Oncology, Comprehensive Cancer Center, Medical University of Vienna, 2Department of Nephrology, Medical University of Vienna, 3Department of Internal Medicine IV, Medical University Innsbruck

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Las pantallas genéticas grandes en organismos modelo han llevado a la identificación de interacciones genéticas negativas. Aquí, describimos un flujo de trabajo de integración de datos utilizando datos de pantallas genéticas en organismos modelo para delinear combinaciones de fármacos dirigidas a interacciones letales sintéticas en el cáncer.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Una interacción letal sintética entre dos genes se da cuando el knock-out de cualquiera de los dos genes no afecta a la viabilidad celular, pero el knock-out de ambos interactores letales sintéticos conduce a la pérdida de viabilidad celular o la muerte celular. La interacción letal sintética mejor estudiada es entre BRCA1/2 y PARP1, con inhibidores de PARP1 que se utilizan en la práctica clínica para tratar a pacientes con tumores mutados de BRCA1/2. Las pantallas genéticas grandes en organismos modelo pero también en variedades de células humanas haploides han llevado a la identificación de los pares mortales sintéticos numerosos adicionales de la interacción, todos siendo blancos potenciales del interés en el desarrollo de terapias nuevas del tumor. Un acercamiento es terapéutico a los genes de la blanco con un interactor mortal sintético que se mute o downregulated perceptiblemente en el tumor del interés. Un segundo enfoque es formular combinaciones de fármacos que aborden las interacciones letales sintéticas. En este artículo, se describe un flujo de trabajo de integración de datos para evaluar e identificar combinaciones de fármacos dirigidas a las interacciones letales sintéticas. Hacemos uso de los conjuntos de datos disponibles sobre pares de interacción letal sintética, recursos de mapeo de homología, enlaces de fármacos objetivo de bases de datos dedicadas, así como información sobre medicamentos que se están investigando en ensayos clínicos en el área de interés de la enfermedad. Destacamos además los hallazgos clave de dos estudios recientes de nuestro grupo sobre la evaluación de la combinación de fármacos en el contexto del cáncer de ovario y de mama.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La letalidad sintética define una asociación de dos genes, donde la pérdida de un gen no afecta a la viabilidad, pero la pérdida de ambos genes conduce a la muerte celular. Fue descrito por primera vez en 1946 por Dobzhansky mientras analizaba varios fenotipos de drosophila mediante la cría de mutantes homocigóticos1. Los mutantes que no produjeron descendencia viable, aunque viables ellos mismos, exhibieron fenotipos letales cuando se cruzaron con ciertos otros mutantes, sentando las bases para el establecimiento de la teoría de la letalidad sintética. Hartwell y sus colegas sugirieron que este concepto podría ser aplicable a la terapia contra el cáncer en humanos2. La letalidad sintética provocada farmacológicamente podría basarse en una sola mutación, dado que la pareja letal sintética del gen mutado es atacable por un compuesto farmacológico. El primer par del gene para permitir la inducción farmacológica de la mortalidad sintética era BRCA (1/2) y PARP1. PARP1 funciona como un sensor para el daño en el ADN, y está vinculado a sitios de doble y simple cadena de ADN-roturas, supercoils y cruces3. BRCA1 y 2 juegan un papel importante en la reparación de las roturas de doble cadena de ADN a través de la recombinación homóloga4. El granjero y los colegas publicaron hallazgos que las células deficientes para BRCA1/2 eran susceptibles a la inhibición de PARP, mientras que no se observó citotoxicidad en las células de tipo salvaje de BRCA5. En última instancia, los inhibidores de PARP fueron aprobados para el tratamiento del cáncer de mama y ovario deficiente en BRCA6,7. Además, los pares de genes de letalidad sintética que conducen a la aprobación clínica de compuestos farmacológicos son muy esperados y un área importante de los esfuerzos recientes de investigación del cáncer8.

Las interacciones genéticas letales sintéticas se modelaron en múltiples organismos, incluidas las moscas de la fruta, C. elegans y la levadura2. Utilizando varios enfoques, incluyendo knockouts de ARN-interferencia y CRISPR/CAS-biblioteca, se descubrieron nuevos pares de genes letales sintéticos en los últimos años9,10,11. Housden y suscolegaspublicaron recientemente un protocolo sobre los procedimientos experimentales de RNAi en combinación con CRISPR/CAS. Mientras tanto, los investigadores también realizaron grandes pantallas en células humanas haploides para identificar interacciones letales sintéticas13,14. Los métodos in silico como el análisis biológico de redes y el aprendizaje automático también han demostrado ser prometedores en el descubrimiento de interacciones letales sintéticas15,16.

Concepciónmente, un acercamiento para hacer uso de interacciones mortales sintéticas en el contexto de la terapia antitumores es identificar las proteínas transformadas o no-funcionales en células del tumor, haciendo a sus socios mortales sintéticos de la interacción que prometen las blancos de la droga para la intervención terapéutica. Debido a la heterogeneidad de la mayoría de los tipos de tumores, los investigadores han comenzado la búsqueda de las llamadas proteínas sintéticas letales del cubo. Estos cubos mortales sintéticos tienen un número de socios mortales sintéticos de la interacción que sean transformados y por lo tanto no funcionales o downregulated perceptiblemente en muestras del tumor. Abordar estos centros letales sintéticos es prometedor para aumentar la eficacia de los fármacos o superar la resistencia a los medicamentos, como podría demostrarse, por ejemplo, en el contexto del neuroblastoma resistente a la vincristina17. Un segundo enfoque para mejorar el tratamiento farmacológico haciendo uso del concepto de interacciones letales sintéticas es identificar combinaciones de fármacos dirigidas a interacciones letales sintéticas. Esto podría conducir a nuevas combinaciones de terapias antitumorales únicas ya aprobadas y al reposicionamiento de fármacos de otras áreas de la enfermedad al campo de la oncología.

En este artículo, presentamos un procedimiento paso a paso para producir una lista de combinaciones de fármacos que se dirigen a pares de interacción letales sintéticas. En este flujo de trabajo, (i) utilizamos datos sobre interacciones letales sintéticas de BioGRID y (ii) información sobre genes homólogos de Ensembl, (iii) recuperamos pares fármaco-diana de DrugBank, (iv) creamos asociaciones enfermedad-fármaco de ClinicalTrials.gov, y (v) por lo tanto generamos un conjunto de combinaciones de fármacos que abordan interacciones letales sintéticas. Por último, proporcionamos combinaciones de fármacos en el contexto del cáncer de ovario y de mama en la sección de resultados representativos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Recuperación de pares de genes letales sintéticos

  1. Recuperación de datos de BioGrid.
    1. Descargue el último archivo de interacción BioGRID en formato tab2 desde https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip ya sea utilizando un navegador web o directamente desde la línea de comandos de Linux usando curl o wget18.

      ##download y desempaquetar el último archivo de interacción bioGRID
      #download último archivo de interacción bioGRID utilizando curl
      curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack el archivo de datos descargado
      descomprimir biogrid_latest.zip
      BG="BIOGRID-ALL-3.5.171.tab2.txt"
       
    2. Una vez descargado el archivo zip, desempaquetar el archivo debe y anotar el nombre del archivo de conjunto de datos real (BIOGRID-ALL-X. X.X.tab2.txt) para los pasos posteriores. El archivo de datos BioGRID contiene interacciones de diferentes tipos que se filtrarán en el paso siguiente.
      NOTA: Existen otras fuentes (por ejemplo, DRYGIN, SynlethDB) que contienen interacciones letales sintéticas, como se describe en la discusión.
  2. Filtro de letalidad sintética e interacciones genéticas negativas (Sistema Experimental).
    1. Utilice la información de la columna "Sistema experimental" (columna número 12) que indica la naturaleza de la evidencia de apoyo para una interacción para identificar interacciones letales sintéticas.
    2. Restrinja el conjunto de datos a las entradas con un valor de Mortalidad genética o sintética negativa. En el mismo paso, filtre las columnas y conserve solo las columnas relevantes para los pasos de análisis posteriores, como se indica en la tabla 1 a continuación.

      ##restrict el archivo de interacción BioGRID a las columnas relevantes y solo conserva las interacciones clasificadas como letalidad genética y sintética negativa
      cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      imprimir $0
      }else if($4 == "Genética negativa" || $4 == "Letalidad sintética"){
      imprimir $0
      }
      }' > bg_synlet.txt

      Nota : en los fragmentos de código ^ I se utiliza para representar fichas horizontales. Se pueden incluir categorías adicionales de BioGRID, como el defecto de crecimiento sintético. Otras columnas relevantes para este flujo de trabajo se enumeran en la tabla 1. BioGRID también conserva las puntuaciones de las interacciones individuales. Los puntos de corte se pueden utilizar para identificar interacciones de confianza fuerte/alta.
Número de columnaNombre de encabezado de columna
3Nombre del gen
12especie
13Mos.000

Tabla 1: Columnas relevantes del archivo de datos BioGRID.

  1. Identificar las especies para las que se informaron interacciones letales sintéticas.
    1. Determinar el número de identificadores de impuestos de socios de interacción letal sintética para obtener una estimación del número de interacciones letales sintéticas disponibles por organismo.

      ##count el número de apariciones de cada identificación fiscal en las interacciones letales sintéticas extraídas previamente
      cut -d "^I" -f5,6 bg_synlet.txt | cola -n +2 | tr "\t" "\n" \
      | | de ordenación uniq -c | ordenar -r -g

      NOTA: Como resultado del paso 1, una lista de interacciones letales sintéticas con símbolos genéticos de organismos en los que se determinaron las interacciones. La mayoría de las interacciones letales sintéticas se han determinado en organismos modelo. Al cargar archivos en un programa de hoja de cálculo (por ejemplo, Excel) evite arruinar Gene Symbols19,20.

2. Traducción de pares de genes letales sintéticos a ortólogos humanos

  1. Recuperar ortólogos humanos para los organismos modelo relevantes identificados en el paso 1.3.
    1. Recupere ortólogos humanos de Ensembl BioMart21 vinculando el conjunto de datos de genes del organismo modelo respectivo con el conjunto de datos de genes humanos. Utilice los símbolos del gen que denotan el gen en el organismo modelo y los genes humanos ortólogos para esta tarea. Utilice el servicio web Ensembl BioMart para automatizar el proceso de recuperación y enviar la consulta directamente a BioMart RESTful access para recuperar los pares de genes ortólogos (consulte el ejemplo a continuación y la Ayuda y documentación de Ensembl BioMart para obtener más detalles).

      ##retrieve ortólogo humano para Saccharomyces Cerevisiae de Ensembl BioMart utilizando curl para enviar la consulta de BioMart directamente al servicio de acceso BioMart RESTful
      curl -o s_cerevisiae.txt --data-urlencode 'query=



      "default"



      "default"



      ' "http://www.ensembl.org/biomart/martservice"

      Para recuperar los genes humanos ortólogos para otros organismos modelo, reemplace el valor del atributo name del primer elemento dataset por el nombre del conjunto de datos Ensembl respectivo y vuelva a ejecutar la consulta.

      NOTA: El proceso de mapeo de ortólogos está bien documentado en la Ayuda y documentación de Ensembl BioMart (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
    1. Acceda a un ejemplo de consulta de BioMart para ortólogos humanos para Saccharomyces cerevisiae, las principales especies identificadas en el paso 1.3, a través de la URL 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.
      NOTA: Existen otras fuentes (por ejemplo, roundup, oma browser, HomoloGene, inparanoid) para el mapeo de homología, como se describe en la sección de discusión de este manuscrito.
  2. Agregue ortólogos humanos a las interacciones letales sintéticas extraídas.
    1. Una las interacciones letales sintéticas basadas en la identificación fiscal del organismo y el símbolo de genes con los pares ortólogos recuperados en el paso 2.1. Para los pares de interacción letal sintética humana, cree pares ortólogos artificiales para cada gen humano presente en el conjunto de datos o asegúrese de que las interacciones letales sintéticas humanas no se descarten al unir y transferir los símbolos de genes humanos a las columnas recién agregadas.

      ##collect asignaciones de ortólogos en un solo archivo y se une con el archivo de interacción letal sintética
      #create un archivo de destino con encabezados para recopilar asignaciones de ortólogos
      echo "tax_id/gene_symbol^Ihuman_gene_symbol" > asignación.txt

      #repeat este paso para cada organismo modelo, tenga cuidado de adaptar el nombre del archivo de entrada y la identificación fiscal
      #adds para cada par de ortólogos en s_cerevisiae.txt una nueva entrada en el mapeo.txt: El símbolo del gen tiene el prefijo de la identificación fiscal para facilitar la posterior unión con el archivo de interacciones letales sintéticas
      awk -F "\t" 'BEGIN{
      OFS="\t"
      org_tax_id="559292"
      }
      {
      if($1 != "" && $2 != ""){
      imprimir org_tax_id"/"$1, $2
      }
      }' asignación de s_cerevisiae.txt >>.txt

      #create entradas de mapeo artificial para genes humanos
      awk -F "\t" 'BEGIN{
      OFS="\t"
      human_tax_id="9606"
      }
      {
      if($5 == human_tax_id){
      imprimir $5"/"$2, $2
      }
      if($6 == human_tax_id){
      imprimir $6"/"$3, $3
      }
      }' bg_synlet.txt | asignación de >> sort -u.txt

      #add claves de unión necesarias (identificación fiscal/símbolo de gen) a interacciones letales sintéticas
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      imprimir $0, "Interactor clave A", "Interactor clave B"
      }else{
      imprimir $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join interacciones letales sintéticas con pares ortólogos
      combinar asignación de tmp_bg_synlet_w_keys.txt.txt 7 1 > tmp.txt
      Combinar asignación de TMP.txt.txt 8 1 > bg_synlet_mapped.txt

      Nota : el comando merge utilizado en este ejemplo no es un comando estándar de Unix. Sin embargo, su implementación con la ayuda de gnu core utilities sort and join es sencilla. El comando se ha introducido para ocultar la complejidad de ordenar los archivos antes de que se puedan unir con el comando join. Puede encontrar una implementación de merge en https://github.com/aheinzel/merge-sh.
    1. Uso de cualquier identificador de gen que identifique de forma única el gen en un determinado espacio de nombres para obtener los mejores resultados posibles.
      NOTA: El paso 2 da como resultado una lista de interacciones letales sintéticas de múltiples organismos asignados a genes humanos.

3. Mapeo de socios de interacción letal sintética a las drogas

  1. Recupere los pares droga-blanco de DrugBank.
    1. Descargue los datos de DrugBank de la sección de descargas de DrugBank y cree primero una cuenta si aún no se ha creado22. Use el archivo CSV con identificadores de destino de medicamentos (sección de identificadores de proteínas: https://www.drugbank.ca/releases/latest#protein-identifiers) y el vocabulario de DrugBank (sección de datos abiertos: https://www.drugbank.ca/releases/latest#open-data) con identificadores y nombres de DrugBank. Como alternativa, extraiga la información necesaria del volcado de base de datos XML.

      ##restrict el archivo objetivo de drogas de DrugBank a columnas relevantes y solo retiene las entradas para entidades moleculares humanas
      DB_TARGETS="todos.csv"
      DB_NAMES="vocabulario de drugbank.csv"

      #extract las columnas relevantes y volver a formatear para utilizar la ficha como separador de columnas
      csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt

      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1 || $2 == "Humanos"){
      imprimir $1, $3
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt

      NOTA: Los datos de DrugBank se proporcionan en dos formatos principales. La base de datos completa está disponible como archivo XML. Además, la mayoría de los datos están disponibles en una serie de archivos de valores separados por comas (CSV).
    1. Tenga en cuenta que DrugBank también registra objetivos de drogas no humanos. La columna de especies (columna número 12) se puede utilizar para extraer dianas farmacológicas humanas.
      Nota : para una mejor legibilidad, los nombres de las columnas extraídas se proporcionan en la tabla 2. Existen otras fuentes (por ejemplo, la Base de Datos de Dianas Terapéuticas o Chembl) que contienen enlaces fármaco-diana, como se describe en la sección de discusión.
Número de columnaNombre de encabezado de columna
3Nombre del gen
12especie
13Mos.000
  1. Agregue nombres de medicamentos a los objetivos de los medicamentos.
    1. Dado que el nombre de la droga y la información de la droga-blanco se proporcionan en dos archivos CSV separados, combine la información de los dos archivos para agregar posteriormente los nombres de las drogas dirigidas a un socio de interacción letal sintética a las interacciones letales sintéticas. Combine los dos conjuntos de datos mediante la columna común DrugBank-drug-ID. Normalice primero el conjunto de datos de drug-target que solo contiene un solo DrugBank-drug-ID por fila, ya que el archivo inicial puede contener varios ID de fármacos de DrugBank en una fila si una proteína es el objetivo de varios fármacos.

      ##generate un solo archivo con el símbolo del gen objetivo de la droga, la identificación de la droga de DrugBank y el nombre de la droga
      #normalize conjunto de datos de dianas farmacológicas
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      imprimir $0
      }else if($1 != "" && $2 != ""){
      split($2, drug_targets, ";")
      for(i en drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, "", drug_target)
      imprimir $1, drug_target | "ordenar -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      #extract las columnas relevantes y volver a formatear para utilizar la ficha como separador de columnas
      csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt

      combinar human_target_to_drug.txt \
      drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt

      NOTA: Columna uno y tres en el vocabulario drugbank.csv archivo contienen la identificación de drogas DrugBank y el nombre respectivo.
  1. Agregue medicamentos dirigidos a socios de interacción letal sintética al conjunto de datos de interacción letal sintética.
    1. Únase al conjunto de datos de interacción letal sintética con el archivo de nombre de fármaco objetivo generado en el paso anterior utilizando las columnas de símbolos de genes para agregar fármacos a las interacciones letales sintéticas. Tenga cuidado de agregar nombres de medicamentos para ambos socios de cada interacción letal sintética.
       
      ##enhance el archivo de interacción letal sintética mediante la adición de fármacos dirigidos a los socios de cada interacción letal sintética
      combinar bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      Combinar TMP.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      NOTA: El paso 3 da lugar a la interacción mortal sintética de organismo múltiple con sus genes humanos ortólogos y las drogas apuntando a estos genes.

4. Establecer el conjunto de combinaciones de fármacos actualmente probadas en ensayos clínicos

  1. Obtenga acceso a los datos de ClinicalTrials.gov.
    1. Recupere información sobre ensayos clínicos en formato XML de ClinicalTrials.gov sobre (i) ensayos individuales, (ii) ensayos resultantes de una consulta de búsqueda o (iii) todos los ensayos de la base de datos. Alternativamente, utilice los recursos proporcionados por la iniciativa de transformación de ensayos clínicos que también aloja todos los datos de ClinicalTrials.gov en una base de datos relacional. Consulte el paso 4.4 para obtener más detalles.
      NOTA: Se requiere una cuenta gratuita para acceder a la instancia de base de datos hospedada en la nube hospedada por la iniciativa de transformación de ensayos clínicos. Además, se requiere un cliente plsql.
  2. Concéntrese en los ensayos intervencionistas.
  3. Filtrar por ensayos específicos para la indicación de interés.
    NOTA: ClinicalTrials.gov proporciona nombres de enfermedades del vocabulario controlado ncbi medical subject headings (MeSH). Contrariamente a los nombres de enfermedad proporcionados por el remitente, el vocabulario controlado permite identificar eficientemente los ensayos para la indicación de interés. Sin embargo, hay que tener en cuenta que el vocabulario controlado por NCBI MeSH es un tesauro. Por lo tanto, verifique el Navegador MeSH (https://meshb.nlm.nih.gov) si la indicación general de interés tiene términos secundarios / más estrechos e inclúyalos si corresponde.
  4. Recupere los ensayos identificados junto con los fármacos probados en estos ensayos. A continuación se proporciona una consulta para los ensayos en la indicación general de cáncer de ovario.

    ##retrieve ensayos intervencionistas para la indicación general cáncer de ovario de la iniciativa de transformación de ensayos clínicos alojada en la base de datos relacional que contiene datos ClinicalTrials.gov
    <\pset pie de página desactivado
    SELECCIONAR s.nct_id, s.brief_title, i.intervention_type, i.name
    DE estudios s
    INNER JOIN browse_conditions c ON(s.nct_id = c.nct_id)
    Intervenciones INTERNAS JOIN i ON(s.nct_id = i.nct_id)
    WHERE s.study_type = 'Intervencionista'
    Y c.mesh_term IN (
    «Neoplasias ováricas»,
    'Carcinoma Epitelial Ovárico',
    «Tumor de células de granulosa»,
    «Síndrome hereditario de cáncer de mama y ovario»,
    «Luteoma»
    «Síndrome de Meigs»,
    «Tumor de células de Sertoli-Leydig»,
    'Thecoma'
    )
    ORDEN POR s.nct_id, i.intervention_type;
    Ef
    psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --no-align --field-separator="^I" --output="clinical_trials.txt" aact
  1. Extraiga los nombres de los medicamentos y asigne los nombres de DrugBank.
    NOTA: Si bien es tentador usar directamente los nombres de medicamentos recuperados de los ensayos clínicos de interés, uno debe tener en cuenta que los nombres de intervención en ClinicalTrials.gov son ingresados por el remitente como texto libre. Como consecuencia, los nombres no están estandarizados, los nombres de marca se pueden utilizar en lugar del nombre compuesto común y no hay garantía de normalización de datos adecuada (por ejemplo, múltiples nombres de medicamentos en una entrada). Además, es común que los fármacos se someten con un tipo de intervención diferente, diferenciándose del fármaco. Por lo tanto, el mapeo de los nombres de intervención recuperados a los nombres de medicamentos de DrugBank se lleva a cabo mejor manualmente.

      ##Obtain una lista de intervenciones utilizadas en el conjunto de ensayos clínicos previamente recuperados.
    cortar -d "^I" -f3,4 clinical_trials.txt | cola -n +2 | ordenar -u

    Nota : columnas tres y cuatro contienen el tipo de intervención y el nombre de intervención, respectivamente.

  1. Complemento con fármacos ya en uso clínico de guías
    NOTA: El paso 4 da como resultado una lista de medicamentos en evaluación/en uso para la indicación de interés.

5. Identificación de combinaciones de fármacos dirigidas a interacciones letales sintéticas

  1. Búsqueda de interacciones letales sintéticas dirigidas por dos fármacos de interés. Restrinja el conjunto de datos del paso 3 a los medicamentos de interés filtrando las líneas del archivo que contiene tanto el medicamento A como el medicamento B.

    ##only retener entradas para interacciones letales sintéticas y drogas que las desencadenan donde ambos miembros de la pareja son el objetivo de los dos fármacos de interés (drug_a y drug_b)
    awk -F "\t" '{
    if( ($12 == drug_a && $14 == drug_b) || ($12 == drug_b &&&$14 == drug_a) ) {
    imprimir $0
    }
    }' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
  1. Asegúrese de que ninguno de los dos fármacos por sí solo se dirige a ambos socios de interacción letal sintética. Compruebe los objetivos de fármacos de cada fármaco identificado en el conjunto de datos del paso 3.2 y evalúe si ambos socios letales sintéticos identificados son objetivos del fármaco específico.

    ##find todas las entradas objetivo de medicamentos para un nombre de medicamento dado
    awk -F "\t" '{
    if($3 == droga){
    imprimir $0
    }
    }' droga="XXX" db_human_drug_targets.txt

    NOTA: Un fármaco que se dirigiría a ambas vías de interacción letal sintética sería tóxico para cualquier célula, por lo que teóricamente no es un valioso agente multi-objetivo. Esa es la razón por la que esta posibilidad se excluye en este paso del algoritmo.
     

6. Probar nuevas combinaciones de fármacos seleccionadas in vitro

  1. Tratar las líneas celulares de cáncer de mama humano y las células epiteliales mamarias benignas humanas cultivadas en métodos de cultivo in vitro estándar en una atmósfera humidificada de 37 °C con 5% de CO2 con varias combinaciones de fármacos.
  2. Utilice medios complementados con suero fetal bovino y penicilina, así como sulfato de estreptomicina para dificultar la infección bacteriana.
  3. Diluya los fármacos en disolventes como DMSO o solución salina tamponada con fosfato en al menos cuatro concentraciones diferentes en función de su IC50 previamente establecido (concentración inhibitoria) y utilícelos en combinación o solos para el tratamiento de las células.
  4. Realizar ensayos de viabilidad celular y ensayos de apoptosis tales tinciones AnnexinV/7-AAD para determinar los efectos citotóxicos causados por los tratamientos.
  5. Supervisar la inhibición farmacológica de las dianas moleculares sospechosas utilizando manchas o manchas occidente.
  6. Distinguir la letalidad sintética de los efectos puramente aditivos calculando el índice combinatorio (IC) descrito por Chou y otros23.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nuestro grupo ha publicado recientemente dos estudios que aplican el flujo de trabajo descrito en este manuscrito para identificar combinaciones de fármacos dirigidas a interacciones letales sintéticas en el contexto del cáncer de ovario y mama24,25. En el primer estudio, se evaluaron las combinaciones de fármacos que actualmente se prueban en ensayos clínicos en etapa tardía (fase III y IV) o que ya se utilizan en la práctica clínica para tratar a pacientes con ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hemos esbozado un flujo de trabajo para identificar combinaciones de fármacos que afectan las interacciones letales sintéticas. Este flujo de trabajo hace uso de (i) datos sobre interacciones letales sintéticas de organismos modelo, (ii) información de ortólogos humanos, (iii) información sobre asociaciones fármaco-diana, (iv) información sobre fármacos sobre ensayos clínicos en el contexto del cáncer, así como (v) información sobre asociaciones fármaco-enfermedad y gen-enfermedad extraídas de la literatura científica. L...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

AH y PP eran empleados de emergentec biodevelopment GmbH en el momento de realizar los análisis que condujeron a los resultados presentados en la sección de resultados representativos. MM y MK no tienen nada que revelar.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La financiación para desarrollar el flujo de trabajo de integración de datos se obtuvo del Séptimo Programa Marco de la Comunidad Europea en virtud del acuerdo de subvención nu. 279113 (OCTIPS). La adaptación de los datos dentro de esta publicación fue amablemente aprobada por public library of sciences publications and impact journals, LLC.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
BioGRIDn/an/athebiogrid.org
ClinicalTrials.govn/an/aClinicalTrials.gov
DrugBankn/an/adrugbank.ca
Ensembl BioMartn/an/aensembl.org
para bases de datos computacionales alternativas, consulte el manuscrito
7-AADebioscience00-6993-50
AnnexinV-APCBD Bioscience550474
celecoxibSigma-AldrichPZ0008-25MG
CellTiter-Blue Ensayo de viabilidadPromegaG8080
FACS Canto IIBD Biosciencen/a
suero fetal bovinoFisher Scientific/Gibco
FloJo SoftwareFloJo LLCV10
McCoy's 5a Medium ModifiedFisher Scientific/Gibco16600082
penicilina G/sulfato de estreptomicinaFisher Scientific/Gibco15140122
Células SKBR-3 Colección Americana deCultivos Tipo (ATCC)ATCC HTB-30
ácido zoledrónicoSigma-AldrichSML0223-50MG
se pondrán a disposición materiales o equipos adicionales a pedido
16000044

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
  2. 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).
  3. 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).
  4. 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).
  5. Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
  6. McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540(2018).
  7. Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
  8. 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).
  9. Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, Pt B 201-219 (2013).
  10. 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).
  11. 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).
  12. 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).
  13. Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), New York, N.Y. 1092-1096 (2015).
  14. Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
  15. Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
  16. 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).
  17. Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
  18. Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, D1 529-541 (2019).
  19. Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80(2004).
  20. Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177(2016).
  21. Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, D1 802-808 (2018).
  22. 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).
  23. Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
  24. 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).
  25. Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859(2019).
  26. Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
  27. Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
  28. 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).
  29. NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
  30. 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).
  31. Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, Database issue 234-239 (2015).
  32. 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).
  33. Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
  34. 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).
  35. Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
  36. 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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Drug Combination WorkflowBioGRID Data RetrievalEnsembl BioMart OrthologsDrugBank Target MappingClinical Trials DataCell Viability AssayCombinatorial Index CalculationBreast Cancer ModelsOvarian Cancer Models

Artículos relacionados