Waiting
Traitement de la connexion…

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

Een workflow voor gegevensintegratie om medicijncombinaties te identificeren die gericht zijn op synthetische dodelijke interacties

Published: May 27, 2021 doi: 10.3791/60328
Automatic Translation
1, 2, 1, 3, 1
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

Summary

Grote genetische schermen in modelorganismen hebben geleid tot de identificatie van negatieve genetische interacties. Hier beschrijven we een workflow voor gegevensintegratie met behulp van gegevens van genetische schermen in modelorganismen om medicijncombinaties af te bakenen die gericht zijn op synthetische dodelijke interacties bij kanker.

Abstract

Een synthetische letale interactie tussen twee genen wordt gegeven wanneer knock-out van een van de twee genen geen invloed heeft op de levensvatbaarheid van de cel, maar knock-out van beide synthetische dodelijke interactoren leidt tot verlies van cel levensvatbaarheid of celdood. De best bestudeerde synthetische letale interactie is tussen BRCA1/2 en PARP1, waarbij PARP1-remmers in de klinische praktijk worden gebruikt voor de behandeling van patiënten met BRCA1/2 gemuteerde tumoren. Grote genetische schermen in modelorganismen, maar ook in haploïde menselijke cellijnen hebben geleid tot de identificatie van tal van extra synthetische dodelijke interactieparen, allemaal potentiële doelwitten van belang bij de ontwikkeling van nieuwe tumortherapieën. Een benadering is om genen therapeutisch te targeten met een synthetische dodelijke interactor die gemuteerd of significant downregulated is in de tumor van belang. Een tweede benadering is het formuleren van drugscombinaties die synthetische letale interacties aanpakken. In dit artikel schetsen we een workflow voor gegevensintegratie om medicijncombinaties te evalueren en te identificeren die gericht zijn op synthetische dodelijke interacties. We maken gebruik van beschikbare datasets over synthetische dodelijke interactieparen, homologie mapping resources, drug-target links uit speciale databases, evenals informatie over geneesmiddelen die worden onderzocht in klinische proeven in het ziektegebied van belang. We belichten verder de belangrijkste bevindingen van twee recente studies van onze groep over de beoordeling van geneesmiddelencombinaties in de context van eierstok- en borstkanker.

Introduction

Synthetische letaliteit definieert een associatie van twee genen, waarbij verlies van één gen de levensvatbaarheid niet beïnvloedt, maar verlies van beide genen leidt tot celdood. Het werd voor het eerst beschreven in 1946 door Dobzhansky tijdens het analyseren van verschillende fenotypes van drosophila door homozygote mutanten te fokken1. Mutanten die geen levensvatbare nakomelingen voortkwamen, hoewel ze zelf levensvatbaar waren, vertoonden dodelijke fenotypen wanneer ze werden gekruist met bepaalde andere mutanten, waardoor de basis werd gevonden voor de vaststelling van de theorie van synthetische letaliteit. Hartwell en collega's suggereerden dat dit concept van toepassing zou kunnen zijn op kankertherapie bij mensen2. Farmacologisch uitgelokte synthetische letaliteit kan vertrouwen op slechts één mutatie, gezien het feit dat de synthetische dodelijke partner van het gemuteerde gen kan worden doelwit van een farmacologische verbinding. Het eerste genpaar dat farmacologische inductie van synthetische letaliteit mogelijk maakte, was BRCA(1/2) en PARP1. PARP1 functioneert als een sensor voor DNA-schade en is gebonden aan locaties van dubbele en enkele DNA-strengbreuken, supercoils en crossovers3. BRCA1 en 2 spelen een belangrijke rol bij het herstel van DNA-dubbelstrengsbreuken door homologe recombinatie4. Farmer en collega's publiceerden bevindingen dat cellen met een tekort aan BRCA1/2 gevoelig waren voor PARP-remming, terwijl er geen cytotoxiciteit werd waargenomen in BRCA-cellen van het wilde type5. Uiteindelijk werden PARP-remmers goedgekeurd voor de behandeling van BRCA-deficiënte borst- en eierstokkanker6,7. Verder worden synthetische letaliteitsgenparen die leiden tot klinische goedkeuring van farmacologische verbindingen lang verwacht en een belangrijk gebied van recente inspanningen op het gebied van kankeronderzoek8.

Synthetische dodelijke geninteracties werden gemodelleerd in meerdere organismen, waaronder fruitvliegen, C. elegans en gist2. Met behulp van verschillende benaderingen, waaronder RNA-interferentie- en CRISPR/CAS-bibliotheek knock-outs, werden in de afgelopen jaren nieuwe synthetische dodelijke genparen ontdekt9,10,11. Housden en collega's12hebben onlangs een protocol gepubliceerd over de experimentele procedures van RNAi in combinatie met CRISPR/CAS . Ondertussen voerden onderzoekers ook grote schermen uit in haploïde menselijke cellen om synthetische dodelijke interacties te identificeren13,14. In silico hebben methoden zoals biologische netwerkanalyse en machine learning ook veelbelovend getoond bij de ontdekking van synthetische letale interacties15,16.

Conceptie, een benadering om gebruik te maken van synthetische letale interacties in de context van anti-tumortherapie is het identificeren van gemuteerde of niet-functionele eiwitten in tumorcellen, waardoor hun synthetische dodelijke interactiepartners veelbelovende medicijndoelen voor therapeutische interventie. Vanwege de heterogeniteit van de meeste tumortypes zijn onderzoekers de zoektocht gestart naar zogenaamde synthetische letale hub-eiwitten. Deze synthetische letale hubs hebben een aantal synthetische dodelijke interactiepartners die ofwel gemuteerd zijn en daarom niet-functioneel of significant downregulated in tumormonsters. Het aanpakken van dergelijke synthetische dodelijke hubs houdt belofte in het verhogen van de werkzaamheid van het geneesmiddel of het overwinnen van drug resistentie zoals bijvoorbeeld kan worden aangetoond in de context van vincristine resistent neuroblastoom17. Een tweede benadering om de behandeling van geneesmiddelen te verbeteren door gebruik te maken van het concept van synthetische dodelijke interacties, is het identificeren van medicijncombinaties die gericht zijn op synthetische letale interacties. Dit zou kunnen leiden tot nieuwe combinaties van reeds goedgekeurde enkelvoudige antitumortherapieën en tot de herpositionering van geneesmiddelen uit andere ziektegebieden naar het gebied van oncologie.

In dit artikel presenteren we een stapsgewijze procedure om een lijst met medicijncombinaties op te leveren die gericht zijn op synthetische dodelijke interactieparen. In deze workflow gebruiken we (i) gegevens over synthetische letale interacties van BioGRID en (ii) informatie over homologe genen van Ensembl, (iii) halen we drugdoelparen op bij DrugBank, (iv) bouwen we ziekte-medicijnassociaties op uit ClinicalTrials.gov en (v) genereren we dus een reeks medicijncombinaties die synthetische letale interacties aanpakken. Ten slotte bieden we medicijncombinaties in de context van eierstok- en borstkanker in de representatieve resultatensectie.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Het ophalen van synthetische dodelijke genparen

  1. Gegevens ophalen van BioGrid.
    1. Download het nieuwste BioGRID-interactiebestand in tab2-indeling van https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip met behulp van een webbrowser of rechtstreeks vanaf de Linux-opdrachtregel met curl of wget18.

      ##download en pak het nieuwste BioGRID interactiebestand uit
      #download nieuwste BioGRID-interactiebestand met curl
      krul -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack het gedownloade gegevensbestand
      biogrid_latest.zip uitpakken
      BG="BIOGRID-ALLE-3.5.171.tab2.txt"
       
    2. Nadat het zip-archief is gedownload, moet u het archief uitpakken en de naam van het werkelijke gegevenssetbestand (BIOGRID-ALL-X) noteren. X.X.tab2.txt) voor volgende stappen. Het BioGRID-gegevensbestand bevat interacties van verschillende typen die in de volgende stap worden gefilterd.
      OPMERKING: Er bestaan andere bronnen (bijv. DRYGIN, SynlethDB) met synthetische letale interacties, zoals beschreven in de discussie.
  2. Filter op synthetische letaliteit en negatieve genetische interacties (Experimental System).
    1. Gebruik informatie in de kolom "Experimenteel systeem" (kolomnummer 12) die de aard van ondersteunend bewijs voor een interactie aangeeft om synthetische letale interacties te identificeren.
    2. Beperk de gegevensset tot vermeldingen met een waarde van negatieve genetische of synthetische letaliteit. Filter in dezelfde stap kolommen en bewaar alleen kolommen die relevant zijn voor volgende analysestappen, zoals vermeld in tabel 1 hieronder.

      ##restrict het BioGRID-interactiebestand naar relevante kolommen en behouden alleen interacties die zijn geclassificeerd als negatieve genetische en synthetische letaliteit
      cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" "BEGIN{
      OFS="\t"
      }
      {
      als(NR == 1){
      afdrukken $0
      }else if($4 == "Negative Genetic" || $4 == "Synthetische letaliteit"){
      afdrukken $0
      }
      }' > bg_synlet.txt

      OPMERKING: In de codefragmenten wordt ^I gebruikt om horizontale tabbladen weer te geven. Aanvullende BioGRID-categorieën zoals synthetische groeiafwijkingen kunnen worden opgenomen. Andere kolommen die relevant zijn voor deze werkstroom worden weergegeven in tabel 1. BioGRID behoudt ook de scores voor individuele interacties. Cutoffs kunnen worden gebruikt om sterke/hoge vertrouwensinteracties te identificeren.
Kolomnummer Kolomkopnaam
3 Gennaam
12 soort
13 Drugs-ID's

Tabel 1: Relevante kolommen van het BioGRID-gegevensbestand.

  1. Identificeer soorten waarvoor synthetische letale interacties werden gemeld.
    1. Bepaal het aantal synthetische dodelijke interactie partner belasting-ID's om een schatting te krijgen van het aantal synthetische letale interacties dat beschikbaar is per organisme.

      ##count het aantal verschijningen van elk belastingnummer in de eerder geëxtraheerde synthetische letale interacties
      cut -d "^I" -f5,6 bg_synlet.txt | staart -n +2 | tr "\t" "\n" \
      | sorteren | uniq -c | sorteren -r -g

      OPMERKING: Als gevolg van stap 1, een lijst van synthetische letale interacties met gensymbolen van organismen waarin de interacties werden bepaald. De meeste synthetische letale interacties zijn bepaald in modelorganismen. Vermijd bij het laden van bestanden in een spreadsheetprogramma (bijv. Excel) het verpesten van gensymbolen19,20.

2. Vertalen van synthetische dodelijke genparen naar menselijke orthesen

  1. Haal menselijke orthelogen op voor relevante modelorganismen die in stap 1.3 zijn geïdentificeerd.
    1. Haal menselijke orthelogen op van Ensembl BioMart21 door de respectievelijke modelorganismegengegevensset te koppelen aan de dataset van het menselijk gen. Gebruik hiervoor de gensymbolen die het gen in het modelorganisme en orthologe menselijke genen aanduiden. Gebruik de Ensembl BioMart webservice om het ophaalproces te automatiseren en stuur de query rechtstreeks naar BioMart RESTful access voor het ophalen van de orthologe genparen (zie voorbeeld hieronder en Ensembl BioMart Help & Documentation voor meer informatie).

      ##retrieve menselijke orthologie voor Saccharomyces Cerevisiae van Ensembl BioMart door curl te gebruiken om de BioMart-query rechtstreeks naar de BioMart RESTful access-service te sturen
      curl -o s_cerevisiae.txt --data-urlencode 'query=











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

      Om de orthologe menselijke genen voor andere modelorganismen op te halen, vervangt u de waarde van het naamkenmerk van het eerste datasetelement door de naam van de respectieve Ensembl-gegevensset en voert u de query opnieuw uit.

      OPMERKING: Het proces van ortholog mapping is goed gedocumenteerd in Ensembl BioMart Help & Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
    1. Open een voorbeeld van een BioMart-query voor menselijke orthelogen voor Saccharomyces cerevisiae, de bovenste soort die in stap 1.3 is geïdentificeerd, via de 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.
      OPMERKING: Er bestaan andere bronnen (bijv. roundup, oma browser, HomoloGene, inparanoid) voor homologie mapping, zoals beschreven in het discussiegedeelte van dit manuscript.
  2. Voeg menselijke orthesen toe aan geëxtraheerde synthetische letale interacties.
    1. Sluit synthetische letale interacties op basis van de belasting-ID en het gensymbool van het organisme aan met de ortheseparen die in stap 2.1 zijn opgehaald. Voor menselijke synthetische letale interactieparen maakt u kunstmatige orthloge paren voor elk menselijk gen dat in de gegevensset aanwezig is of zorgen ze ervoor dat menselijke synthetische letale interacties niet worden weggegooid tijdens het samenvoegen en overbrengen van de menselijke gensymbolen naar de nieuw toegevoegde kolommen.

      ##collect ortholog mappings in één bestand en voeg je aan bij synthetisch dodelijk interactiebestand
      #create een doelbestand met kopteksten voor het verzamelen van orthologtoewijzingen
      echo "tax_id/gene_symbol^Ihuman_gene_symbol" > mapping.txt

      #repeat deze stap voor elk modelorganisme, zorg ervoor dat u de invoerbestandsnaam en belasting-ID aanpast
      #adds voor elk orthologpaar in s_cerevisiae.txt een nieuwe vermelding in mapping.txt: Het gensymbool wordt voorafgegaan door het belastingnummer om de daaropvolgende verbinding met het bestand synthetische dodelijke interacties te vergemakkelijken
      awk -F "\t" "BEGIN{
      OFS="\t"
      org_tax_id="559292"
      }
      {
      als($1 != "" && $2 != ""){
      afdrukken org_tax_id"/"$1, $2
      }
      }' s_cerevisiae.txt >> mapping.txt

      #create kunstmatige mapping entries voor menselijke genen
      awk -F "\t" "BEGIN{
      OFS="\t"
      human_tax_id="9606"
      }
      {
      als($5 == human_tax_id){
      afdrukken $5"/"$2, $2
      }
      als($6 == human_tax_id){
      afdrukken $6"/"$3, $3
      }
      }' bg_synlet.txt | sorteer -u >> mapping.txt

      #add vereiste joinsleutels (belasting-ID/Gen-symbool) voor synthetische dodelijke interacties
      awk -F "\t" "BEGIN{
      OFS="\t"
      }
      {
      als(NR == 1){
      print $0, "Key Interactor A", "Key Interactor B"
      }anders{
      afdrukken $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join synthetische letale interacties met orthogene paren
      samenvoegen tmp_bg_synlet_w_keys.txt toewijzing.txt 7 1 > tmp.txt
      samenvoegen tmp.txt mapping.txt 8 1 > bg_synlet_mapped.txt

      OPMERKING: De samenvoegopdracht die in dit voorbeeld wordt gebruikt, is geen standaard Unix-opdracht. De implementatie ervan met behulp van de GNU Core Utilities sort and join is echter eenvoudig. De opdracht is geïntroduceerd om de complexiteit van het sorteren van de bestanden te verbergen voordat ze kunnen worden samengevoegd met de opdracht join. Een implementatie van merge is te vinden op https://github.com/aheinzel/merge-sh.
    1. Gebruik van een genidentificatie die het gen uniek identificeert in een bepaalde naamruimte voor de best mogelijke resultaten.
      OPMERKING: Stap 2 resulteert in een lijst van synthetische letale interacties van meerdere organismen die zijn toegewezen aan menselijke genen.

3. Synthetische dodelijke interactiepartners in kaart brengen met drugs

  1. Haal drugsdoelparen van DrugBank.
    1. Download DrugBank-gegevens uit het gedeelte downloads van DrugBank en maak eerst een account aan als u nog geen account hebt aangemaakt22. Gebruik het CSV-bestand met drug target identifiers (eiwit identifiers sectie: https://www.drugbank.ca/releases/latest#protein-identifiers) en de DrugBank woordenschat (open data sectie: https://www.drugbank.ca/releases/latest#open-data) met DrugBank identifiers en namen. U kunt ook de vereiste informatie extraheren uit de XML-databasedump.

      ##restrict het drugbank-doelbestand naar relevante kolommen en bewaar alleen vermeldingen voor menselijke moleculaire entiteiten
      DB_TARGETS="alles.csv"
      DB_NAMES="drugbank woordenschat.csv"

      #extract relevante kolommen en formatteer opnieuw om tabblad te gebruiken als kolomscheider
      csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt

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

      OPMERKING: DrugBank-gegevens worden geleverd in twee hoofdformaten. De volledige database is beschikbaar als XML-bestand. Bovendien wordt het grootste deel van de gegevens beschikbaar gesteld in een reeks csv-bestanden (Comma-separated value).
    1. Houd er rekening mee dat DrugBank ook niet-menselijke drugsdoelen registreert. De soortkolom (kolomnummer 12) kan worden gebruikt om menselijke drugsdoelen te extraheren.
      OPMERKING: Tabel 2geeft voor een betere leesbaarheid namen van de geëxtraheerde kolommen . Er bestaan andere bronnen (bijv. de Therapeutic Target Database of Chembl) met verbanden tussen geneesmiddelen en doelwitten, zoals beschreven in de discussiesectie.
Kolomnummer Kolomkopnaam
3 Gennaam
12 soort
13 Drugs-ID's
  1. Voeg drugsnamen toe aan drugsdoelen.
    1. Aangezien drugsnaam en drugsdoelinformatie in twee afzonderlijke CSV-bestanden worden verstrekt, voegt u de informatie uit de twee bestanden samen om vervolgens namen van drugs die gericht zijn op een synthetische dodelijke interactiepartner toe te voegen aan synthetische dodelijke interacties. Voeg je bij de twee datasets met behulp van de gemeenschappelijke drugbank-drug-ID kolom. Normaliseer eerst de dataset met geneesmiddelentargets dat deze slechts één DrugBank-drug-ID per rij bevat, omdat het oorspronkelijke bestand meerdere DrugBank-medicijn-ID's op een rij kan bevatten als een eiwit het doelwit is van meerdere geneesmiddelen.

      ##generate een enkel bestand met het gensymbool van het medicijndoel, drugbankdrugs-ID en medicijnnaam
      #normalize dataset voor drugsdoel
      awk -F "\t" "BEGIN{
      OFS="\t"
      }
      {
      als(NR == 1){
      afdrukken $0
      }anders als($1 != "" && $2 != ""){
      split($2, drug_targets, ;")
      voor(i in drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, "", drug_target)
      print $1, drug_target | "sorteren -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      #extract relevante kolommen en formatteer opnieuw om tabblad als kolomscheidingsteken te gebruiken
      csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt

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

      OPMERKING: Kolom één en drie in de woordenschat van de drugbank.csv bestand bevatten de DrugBank-drugs-ID en de respectieve naam.
  1. Voeg drugs gericht op synthetische dodelijke interactiepartners toe aan de dataset voor synthetische dodelijke interactie.
    1. Sluit u aan bij de gegevensset synthetische dodelijke interactie met het medicijndoelgeneesmiddelennaambestand dat in de vorige stap is gegenereerd met behulp van de kolom met het gensymbool om geneesmiddelen toe te voegen aan synthetische dodelijke interacties. Zorg ervoor dat u medicijnnamen toevoegt voor beide partners van elke synthetische dodelijke interactie.
       
      ##enhance het synthetische dodelijke interactiebestand door drugs toe te voegen die gericht zijn op de partners van elke synthetische dodelijke interactie
      samenvoegen bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      samenvoegen tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      OPMERKING: Stap 3 resulteert in synthetische letale interactie van meerdere organismen met hun orthologe menselijke genen en geneesmiddelen gericht op deze genen.

4. Vaststellen van de reeks momenteel geteste geneesmiddelcombinaties in klinische proeven

  1. Krijg toegang tot ClinicalTrials.gov gegevens.
    1. Haal informatie over klinische proeven in XML-indeling op uit ClinicalTrials.gov op (i) individuele onderzoeken, (ii) proeven die voortvloeien uit een zoekopdracht, of (iii) alle onderzoeken in de database. U kunt ook gebruikmaken van de middelen van het initiatief voor de transformatie van klinische proeven, dat ook alle gegevens van ClinicalTrials.gov in een relationele database herbergt. Zie stap 4.4 voor meer informatie.
      OPMERKING: Er is een gratis account vereist om toegang te krijgen tot het door de cloud gehoste database-exemplaar dat wordt gehost door het initiatief voor de transformatie van klinische proeven. Bovendien is een plsql-klant vereist.
  2. Focus op interventionele proeven.
  3. Filter voor proeven die specifiek zijn voor de indicatie van interesse.
    OPMERKING: ClinicalTrials.gov geeft ziektenamen uit de NCBI Medical Subject Headings (MeSH) gecontroleerde woordenschat. In tegenstelling tot de verstrekte ziektenamen, maakt de gecontroleerde woordenschat het mogelijk om proeven efficiënt te identificeren voor de indicatie van interesse. Niettemin moet men in gedachten houden dat de ncbi mesh gecontroleerde woordenschat een thesaurus is. Controleer daarom de MeSH-browser (https://meshb.nlm.nih.gov) of de algemene indicatie van belang onderliggende/ smallere termen bevat en voeg deze indien nodig toe.
  4. Haal de geïdentificeerde proeven samen met de geneesmiddelen die in deze proeven zijn getest op. Hieronder vindt u een vraag voor onderzoeken naar de algemene indicatie van eierstokkanker.

    ##retrieve interventionele studies voor de algemene indicatie eierstokkanker uit het initiatief voor de transformatie van klinische studies gehost relationele database met ClinicalTrials.gov gegevens
    cat <\pset voettekst uit
    SELECTEER VERSCHILLENDE s.nct_id, s.brief_title, i.intervention_type i.name
    VAN studies s
    INNER JOIN browse_conditions c AAN(s.nct_id = c.nct_id)
    INNER JOIN interventies i ON(s.nct_id = i.nct_id)
    WAAR s.study_type = 'Interventioneel'
    EN c.mesh_term IN (
    "ovariële neoplasmata",
    "Carcinoom, eierstokepitheel",
    "Granulosaceltumor",
    "Erfelijk borst- en eierstokkankersyndroom",
    "Luteoma",
    'Syndroom van Meigs',
    "Sertoli-Leydig-celtumor",
    "Thecoma"
    )
    BESTELLING BIJ s.nct_id, i.intervention_type;
    EOF
    psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --no-align --field-separator="^I" --output="clinical_trials.txt" aact
  1. Extract drug namen en kaart naar DrugBank namen.
    OPMERKING: Hoewel het verleidelijk is om de namen van geneesmiddelen die zijn opgehaald uit klinische onderzoeken van belang direct te gebruiken, moet men zich ervan bewust zijn dat interventienamen in ClinicalTrials.gov door de indiener als vrije tekst worden ingevoerd. Als gevolg hiervan zijn de namen niet gestandaardiseerd, kunnen merknamen worden gebruikt in plaats van de gebruikelijke samengestelde naam en is er geen garantie voor een goede gegevensnormalisatie (bijv. meerdere medicijnnamen in één vermelding). Bovendien is het gebruikelijk dat geneesmiddelen worden ingediend met een ander interventietype, verschillend van drugs. Daarom kan het in kaart brengen van de opgehaalde interventienamen naar drugbank-medicijnnamen het beste handmatig worden uitgevoerd.

      ##Obtain een lijst met interventies die worden gebruikt in de eerder opgehaalde reeks klinische onderzoeken.
    cut -d "^I" -f3,4 clinical_trials.txt | staart -n +2 | sorteren -u

    OPMERKING: Kolommen drie en vier bevatten respectievelijk het type interventie en de interventienaam.

  1. Aanvulling met geneesmiddelen die al in klinisch gebruik zijn volgens richtlijnen
    OPMERKING: Stap 4 resulteert in een lijst van geneesmiddelen die worden geëvalueerd/gebruikt voor de indicatie van interesse.

5. Identificatie van medicijncombinaties gericht op synthetische letale interacties

  1. Zoek naar synthetische dodelijke interacties die het doelwit zijn van twee drugs van belang. Beperk de dataset van stap 3 tot geneesmiddelen van belang door lijnen in het bestand met zowel drug A als drug B uit te filteren.

    ##only vermeldingen behouden voor synthetische dodelijke interacties en drugs die hen triggeren waar beide partners het doelwit zijn van de twee geneesmiddelen van belang (drug_a en drug_b)
    awk -F "\t" '{
    als( ($12 == drug_a & $14 == drug_b) || ($12 == drug_b & $14 == drug_a) ) {
    afdrukken $0
    }
    }' drug_a="XXX" drug_b="JJJ" bg_synlet_mapped_drugs.txt
  1. Zorg ervoor dat geen van de twee drugs alleen gericht is op beide synthetische dodelijke interactiepartners. Controleer de drugdoelen van elk geïdentificeerd medicijn in de dataset vanaf stap 3.2 en evalueer of beide geïdentificeerde synthetische dodelijke partners doelwitten zijn van het specifieke medicijn.

    ##find alle vermeldingen van drugsdoel voor een bepaalde medicijnnaam
    awk -F "\t" '{
    als($3 == drug){
    afdrukken $0
    }
    }' drug="XXX" db_human_drug_targets.txt

    OPMERKING: Een medicijn dat zich op beide synthetische dodelijke interactieroutes zou richten, zou giftig zijn voor elke cel, dus theoretisch is het geen waardevol multi-target middel. Dat is de reden waarom deze mogelijkheid wordt uitgesloten in deze stap van het algoritme.
     

6. Testen van geselecteerde nieuwe medicijncombinaties in vitro

  1. Behandel menselijke borstkankercellijnen en menselijke goedaardige borstepitheelcellen gekweekt in standaard in vitro cultiveringsmethoden in een bevochtigde atmosfeer van 37 °C met 5% CO2 met verschillende medicijncombinaties.
  2. Gebruik media aangevuld met foetale runderserum en penicilline en streptomycinesulfaat om bacteriële infectie te voorkomen.
  3. Verdun geneesmiddelen in oplosmiddelen zoals DMSO of fosfaatgebufferde zoutoplossing in ten minste vier verschillende concentraties op basis van hun eerder vastgestelde IC50 (remmende concentratie) en gebruik ze in combinatie of alleen voor de behandeling van cellen.
  4. Voer cel levensvatbaarheidstesten en apoptosetesten uit zoals AnnexinV/7-AAD-kleuringen om cytotoxische effecten veroorzaakt door behandelingen te bepalen.
  5. Controleer farmacologische remming van vermoedelijke moleculaire doelen met behulp van westerse vlekken.
  6. Onderscheid synthetische letaliteit van zuiver additieve effecten bij de berekening van de combinatorische index (CI) zoals beschreven door Chou en anderen23.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Onze groep heeft onlangs twee studies gepubliceerd die de workflow toepassen die in dit manuscript wordt afgebeeld om medicijncombinaties te identificeren die gericht zijn op synthetische letale interacties in de context van eierstok- en borstkanker24,25. In de eerste studie evalueerden we medicijncombinaties die momenteel worden getest in klinische onderzoeken in een laat stadium (fase III en IV) of die al in de klinische praktijk worden gebruikt om eierstokkankerpatiënten te behandelen met betrekking tot hun impact op synthetische letale interacties. Daarnaast hebben we medicijncombinaties geïdentificeerd die momenteel niet worden getest in klinische studies, maar een redenering bieden vanuit het perspectief van het richten op synthetische dodelijke interacties. We evalueerden daarom alle mogelijke medicijncombinaties die geneesmiddelen uit de pool van alle verbindingen kozen in onderzoeken naar eierstokkanker in een laat stadium. We identificeerden een unieke set van 61 medicijncombinaties die waren onderzocht in 68 onderzoeken naar eierstokkanker in een laat stadium. Twaalf van deze 61 drugscombinaties richtten zich op ten minste één synthetische dodelijke interactie. 84 extra geneesmiddelcombinaties werden voorgesteld om synthetische letale interacties aan te pakken zonder tot op heden in klinische studies te worden onderzocht. 21 unieke geneesmiddelen droegen bij aan de 84 geïdentificeerde drugscombinaties gericht op een set van 39 synthetische dodelijke interactoren zoals gegeven in figuur 1.

Figure 1
Figuur 1: Netwerk van voorgestelde nieuwe medicijncombinaties in de context van eierstokkanker. Figuur 1 toont synthetische letale interacties waarbij interactoren worden aangepakt door twee geneesmiddelen die momenteel niet worden getest in klinische studies. Synlet-interacties worden in rood weergegeven, terwijl drug-target links worden aangegeven door grijze randen. Stippellijnen vertegenwoordigen synthetische letale interacties die worden aangepakt door andere geneesmiddelcombinaties in klinische studies met eierstokkanker in een laat stadium. Deze onderzochte geneesmiddelcombinaties worden aangegeven met een asterisk (*), elk in combinatie met paclitaxel waarbij de extra onderzochte combinatie van cediranib en olaparib wordt aangegeven door een cirkel (o) [aangepast vanaf 25]. Klik hier om een grotere versie van deze afbeelding te bekijken.

Met behulp van dezelfde workflow in een tweede studie identificeerden we 243 veelbelovende medicijncombinaties gericht op 166 synthetische dodelijke genparen in de context van borstkanker. We testten experimenteel geselecteerde medicijncombinaties met betrekking tot hun impact op de levensvatbaarheid van cellen en apoptose in twee borstkankercellijnen. Met name de voorgestelde combinatie van celecoxib en zoledroninezuur met lage toxiciteit vertoonde cytotoxiciteit die verder ging dan additieve effecten in borstkankercellijnen, zoals bepaald door hun combinatorische index. Resultaten van levensvatbaarheid en apoptose-testen voor deze geneesmiddelencombinatie worden weergegeven in figuur 2.

Figure 2
Figuur 2: Impact van celecoxib en zoledroninezuur op levensvatbaarheid en apoptose in SKBR-3 cellen. (A) Resultaten van de levensvatbaarheidstest voor celecoxib (CEL), zoledroninezuur (ZOL) en de combinatie van zoledroninezuur en celecoxib (ZOL + CEL) in SKBR-3 borstkankercellijnen. De gebruikte lage en hoge CEL-concentraties waren 50μM en 75μM. De gebruikte lage en hoge ZOL-concentraties waren 500μM en 750μM. De combinatie van geneesmiddelen had een significant synergetisch effect op de levensvatbaarheid van de cellen (** p < 0,001). (B, C) Annexine V (ANXA5) en 7-AAD-kleuringen van SKBR-3-cellen behandeld met CEL, ZOL en de geneesmiddelencombinatie ZOL + CEL. Het percentage 7-AADpos/ANXA5pos-cellen werd verhoogd na behandeling met de geneesmiddelencombinatie ZOL + CEL [aangepast van 24]. Klik hier om een grotere versie van deze afbeelding te bekijken.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

We hebben een workflow geschetst om drugscombinaties te identificeren die synthetische dodelijke interacties beïnvloeden. Deze workflow maakt gebruik van (i) gegevens over synthetische letale interacties van modelorganismen, (ii) informatie van menselijke ortheologen, (iii) informatie over geneesmiddeldoelassociaties, (iv) geneesmiddelinformatie over klinische proeven in de context van kanker, evenals (v) informatie over geneesmiddelenziekte en genziekteverenigingen uit wetenschappelijke literatuur. De geconsolideerde informatie kan worden gebruikt om de impact van een bepaalde onderzochte medicijncombinatie op synthetische letale genparen te evalueren. Bovendien kunnen geconsolideerde gegevens worden gebruikt om een reeks geneesmiddelen te evalueren die momenteel worden onderzocht of getest in klinische onderzoeken in de context van kanker om combinaties te vinden die gericht zijn op de meest relevante synthetische letale interacties, waardoor de kans op het beïnvloeden van de overleving van tumorcellen groter is. Ten slotte kunnen de gegenereerde gegevens worden gebruikt om te screenen op medicijncombinaties die bestaan uit geneesmiddelen die niet in eerste instantie zijn ontwikkeld voor tumorbehandeling, waardoor een manier wordt geboden voor een computationeel aangedreven geval van herpositionering van geneesmiddelen.

Voor elke stap in de workflow voor gegevensintegratie presenteren we belangrijke gegevensbronnen om de volledige gegevensworkflow te voltooien, maar wijzen we erop dat de workflow in verschillende fasen verder kan worden verbeterd door gebruik te maken van extra gegevensbronnen. In onze workflow hebben we synthetische dodelijke interactieparen geëxtraheerd uit de BioGRID-database18. We richtten ons specifiek op interacties van experimenttypen "synthetische letaliteit" en "negatief genetisch". Informatie in BioGRID over synthetische letale interacties bevat datasets van groot genetisch scherm zoals bijvoorbeeld een dataset gepubliceerd door Costanzo en collega's26, die ook beschikbaar is in de DRYGIN-database27, evenals gegevens over enkelvoudige synthetische letale interacties zoals beschreven in individuele experimenten in wetenschappelijke literatuur. Er zijn extra gegevensbronnen die synthetische dodelijke interacties verzamelen en opslaan, zoals bijvoorbeeld SynLethDB28. Verder bestaan er op het gebied van orthologie mapping een groot aantal verschillende tools en databases. We presenteren een manier om gebruik te maken van Ensembl biomart om synthetische dodelijke interactiepartners geïdentificeerd in modelorganismen in kaart te brengen aan hun overeenkomstige menselijke orthelogen. Andere orthologische databanken en -diensten omvatten NCBI's HomoloGene-databank29, de OMA-orthologiedatabase van het Zwitsers Instituut voor Bioinformatica30, of de inparanoïde orthologe groependatabase die wordt bijgehouden door het Stockholm Bioinformatics Center31. In onze workflow richtten we ons op synthetische letale interacties van meerdere modelorganismen, met het grootste aantal synthetische letale interacties afkomstig van gist. Men zou kunnen overwegen om de invoerset voor de orthologietoewijzing te beperken tot gegevens van alleen muis en rat, die evolutionair dichter bij de mens staan. Een extra manier om de inputset van synthetische letale interacties te definiëren, is door alleen te focussen op synthetische letale interacties die bij meerdere soorten worden bewaard, waardoor de kans toeneemt dat de synthetische letale interactie echt positief is. Dit aan de andere kant kan de set synthetische letale interacties drastisch verminderen, omdat er al een groot verschil is in de geïdentificeerde synthetische letale interacties tussen S. cerevisiae en S. pombe. Een andere aanpak is om in het begin niet al te streng te zijn en zelfs de reeks experimentele synthetische dodelijke interacties uit te breiden met machine learning-algoritmen, zoals we deden in de twee studies die in de sectie representatieve resultaten worden vermeld. Kortom, een willekeurig bosmodel werd gebruikt om synthetische letale interacties te voorspellen voor menselijke genen waarvoor geen orthologe genen in gist bestonden. Het willekeurige bosmodel werd getraind op de set synthetische dodelijke interactieparen van gist en hun orthologe menselijke genen met behulp van gegevens over pathway-associaties, Gen Ontology-toewijzing en ziekte - en medicijnassociaties zoals eerder beschreven24,25. Dit stelde ons in staat om menselijke genen te overwegen waarvoor geen ortholog mapping-informatie beschikbaar was in onze integratieworkflow. Een veelgebruikte database met informatie over drug-target associaties is DrugBank, die ook de primaire bron van interacties in de workflow is. Andere databanken met tot op zekere hoogte aanvullende informatie over geneesmiddeldoelen zijn de Therapeutic Target Database (TTD)32 of ChEMBL33. Belangrijke onderdelen van de workflow zijn ook opgenomen in het e.valuation platform van emergentec en SynLethDB, dat is ontwikkeld door onderzoekers van de Nanyang Technological University. De laatste update van SynLethDB in 2015 was echter gebaseerd op de datasets die zijn opgeslagen in het downloadgedeelte op hun respectieve webpagina28.

Een manier om geïdentificeerde drugscombinaties en gerichte synthetische dodelijke interactieparen te rangschikken, is door de associatie van synthetische dodelijke partners en/of geneesmiddelen met de ziekte van belang te gebruiken via literatuurminingsmethoden. In ons werk over de evaluatie van medicijncombinaties in de context van eierstokkanker hebben we nieuwe voorgestelde medicijncombinaties gerangschikt op basis van het aantal publicaties over eierstokkanker waarin een van de twee synthetische dodelijke interactoren van een respectieve medicijncombinatie wordt genoemd. MeSH-annotatie in Pubmed kan worden gebruikt om publicaties voor een specifieke ziekte te identificeren met behulp van de exacte ziektetermen zoals gegeven in de belangrijkste MeSH-tak C. Informatie over genen in de geïdentificeerde publicaties kan worden geëxtraheerd met behulp van NCBI's gen2pubmed-kaartbestand zoals elders beschreven34. Verder zijn er speciale databases met genziekte en/of geneesmiddel-ziekte links zoals de Comparative Toxicogenomics Database35, DisGeNET36, of het e.valuation software platform. Rangschikking van geneesmiddelcombinaties op basis van ziekteverenigingen is een manier om de uiteindelijke selectie van medicijncombinaties voor experimentele tests te ondersteunen. Bij de keuze van geneesmiddelcombinaties voor verdere tests moet rekening worden gehouden met aanvullende aspecten, zoals bijvoorbeeld individuele toxiciteitsprofielen van de geneesmiddelen of de expressiestatus van synthetische letale interactoren in het respectieve doelorgaan.

In de sectie representatieve resultaten presenteren we gegevens voor de medicijncombinatie van celecoxib en zoledroninezuur, die werd geïdentificeerd na de workflow om medicijncombinaties in de context van borstkanker te identificeren. Deze specifieke geneesmiddelcombinatie werd geselecteerd voor experimentele tests vanwege de lage toxiciteitsprofielen van beide verbindingen. We gebruikten verschillende concentraties in in-vitro experimenten om de impact van de medicijncombinatie op de levensvatbaarheid van cellen en apoptose te evalueren. Idealiter kunnen de medicijnconcentraties aanzienlijk worden verlaagd voor individuele geneesmiddelen om bijwerkingen te minimaliseren en tegelijkertijd de werkzaamheid te maximaliseren door twee geneesmiddelen te combineren. Het zien van de impact op de levensvatbaarheid bij lagere doses is nog zinvoller, omdat medicijnconcentraties die worden gebruikt voor in-vitrotests kunnen worden bekritiseerd als supratherapeutisch, die niet worden bereikt in in vivo modellen. De concentraties werden echter gekozen op basis van celkweekexperimenten met deze gegeven geneesmiddelen in de literatuur. Dosering van geneesmiddelen kan verder van invloed zijn op welke doelen voornamelijk worden beïnvloed, omdat de meeste verbindingen meer dan één geneesmiddeldoel hebben, wat mogelijk ook van invloed is op een grote reeks bekende en onbekende downstreammoleculen. Geneesmiddelencombinaties die synergetische effecten op de levensvatbaarheid van cellen in in-vitrocelkweeksystemen aantonen, moeten daarom verder worden onderzocht in 3D- of in-vivomodellen.

Samenvattend presenteren we een workflow die informatie uit verschillende gegevensbronnen integreert om medicijncombinaties te evalueren en voor te stellen die gericht zijn op synthetische dodelijke interacties. Tot op heden komt de grootste informatie over synthetische letale interacties nog steeds van modelorganismen, wat een verplichte orthologische mappingstap naar het menselijk genoom vereist. De eerste schermen in menselijke haploïde cellen hebben geleid tot de identificatie van synthetische dodelijke interacties in menselijke cellen. Bovendien heeft de CRISPR/CAS-technologie nieuwe manieren geopend om synthetische dodelijke interacties op cellulair niveau te bestuderen. Nu er meer hoogwaardige biologische synthetische letale interactiegegevens beschikbaar komen, stellen we voor dat gegevensintegratie-inspanningen zoals de onze de klinische kankerbehandeling in de toekomst zullen transformeren, door nieuwe en klinisch betekenisvolle synthetische letale genparen te ontdekken, afgezien van BRCA(1/2)/PARP1.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AH en PP waren medewerkers van emergentec biodevelopment GmbH op het moment van het uitvoeren van de analyses die leidden tot de resultaten die in de sectie representatieve resultaten werden gepresenteerd. MM en MK hebben niets te onthullen.

Acknowledgments

De financiering voor de ontwikkeling van de workflow voor gegevensintegratie is verkregen uit het zevende kaderprogramma van de Europese Gemeenschap in het kader van de subsidieovereenkomst nu. 279113 (OCTIPS). Aanpassing van gegevens binnen deze publicatie werd vriendelijk goedgekeurd door Public Library of Sciences Publications and Impact Journals, LLC.

Materials

Name Company Catalog Number Comments
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
for alternative computational databases please refer to the manuscript
7-AAD ebioscience 00-6993-50
AnnexinV-APC BD Bioscience 550474
celecoxib Sigma-Aldrich PZ0008-25MG
CellTiter-Blue Viability Assay Promega G8080
FACS Canto II BD Bioscience n/a
fetal bovine serum Fisher Scientific/Gibco 16000044
FloJo Software FloJo LLC V10
McCoy's 5a Medium Modified Fisher Scientific/Gibco 16600082
penicillin G/streptomycin sulfate Fisher Scientific/Gibco 15140122
SKBR-3 cells American Type Culture Collection (ATCC) ATCC HTB-30
zoledronic acid Sigma-Aldrich SML0223-50MG
further materials or equipment will be made available upon request

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Cancer Research synthetische letaliteit genetische schermen data-integratie homologie mapping medicijncombinaties borstkanker behandeling cel levensvatbaarheidstest
Een workflow voor gegevensintegratie om medicijncombinaties te identificeren die gericht zijn op synthetische dodelijke interacties
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Marhold, M., Heinzel, A., Merchant,… More

Marhold, M., Heinzel, A., Merchant, A., Perco, P., Krainer, M. A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions. J. Vis. Exp. (171), e60328, doi:10.3791/60328 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter