27 mei 2021
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.
Een synthetische letale interactie tussen twee genen treedt op wanneer een enkele knockdown van een van beide genen de levensvatbaarheid van de cel niet beïnvloedt, maar knockdown van beide synthetische dodelijke partners leidt tot verlies van cel levensvatbaarheid of celdood. Het combineren van heterogene datasets kan leiden tot de identificatie van synthetische letale interacties die kunnen worden gericht door medicijncombinaties bij ziekten zoals kanker, met als doel de celproliferatie te stoppen. Het concept van synthetische letaliteit is van belang voor elke ziekte waarbij celproliferatie een probleem is.
Wat kanker betreft, worden synthetische letale geninteracties al gericht op BRCA-gemuteerde tumoren met behulp van PARP-remmers. Inspanningen zoals de onze kunnen het gebruik van het concept voor andere geninteracties en kankerentiteiten uitbreiden. In ons laboratorium hebben we computationeel voorspelde medicijncombinaties getest die gericht zijn op synthetische dodelijke interacties in de context van borstkanker.
Begin met het ophalen van gegevens van BioGRID. Gebruik de webbrowser om het nieuwste BioGRID-interactiebestand in tab2-indeling te downloaden. Filter de kolommen om alleen de kolommen te behouden die relevant zijn voor volgende analysestappen.
Filter vervolgens op synthetische letaliteit en negatieve genetische interacties. Gebruik de informatie in de kolom Experimenteel systeem om de gegevensset te beperken tot vermeldingen met een waarde van negatieve genetische of synthetische letaliteit. Identificeer de soort waarvoor synthetische letale interacties zijn gerapporteerd door het aantal belasting-ID's van synthetische dodelijke interactiepartners te bepalen, wat een schatting zal geven van het aantal beschikbare interacties per organisme.
Als u menselijke orthelogen voor relevante modelorganismen van Ensembl BioMart wilt ophalen, selecteert u de betreffende dataset van het modelorganisme, klikt u op Kenmerken en selecteert u Gennaam. Klik vervolgens op Dataset en selecteer Menselijke genen. Klik nogmaals op Kenmerken en selecteer Gennaam.
Klik vervolgens op Resultaten. Controleer alleen unieke resultaten en klik op Go.Automatize the retrieval process en stuur de query rechtstreeks naar BioMart RESTful access voor het ophalen van de orthologe genparen. Als u de gegevens handmatig ophaalt via de Ensembl BioMart-webinterface, wijzigt u de naam en houdt u er rekening mee dat de koptekstregel automatisch is toegevoegd.
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-dataset. Gooi vervolgens alle vermeldingen voor genen zonder homologen weg, verzamel alle homologe toewijzingen in één bestand en voeg dummy-toewijzingen voor menselijke genen toe. Voeg daarnaast kunstmatige vermeldingen toe voor menselijke genen.
Bereid het synletbestand voor op volgende deelname door voor elke interactiepartner een nieuwe kolom toe te voegen met de combinatie van belasting-ID en gensymbool. Sluit je aan bij synthetische letale interacties op basis van organismebelasting-ID en gensymbool met de opgehaalde orthologieparen. Haal drugdoelparen op van DrugBank uit de sectie Downloads en maak indien nodig eerst een account aan.
Beperk het drugbank-doelbestand tot relevante kolommen. Bewaar alleen vermeldingen voor menselijke moleculaire entiteiten. Pak vervolgens de relevante kolommen uit en filter de gegevens voor menselijke soorten.
Aangezien de naam van het geneesmiddel en de doelinformatie van het geneesmiddel in twee afzonderlijke CSV-bestanden worden verstrekt, moet de informatie uit de twee bestanden worden samengevoegd. Om dit te doen, moeten de vermeldingen van de medicijnnaam eerst worden genormaliseerd. Normaliseer dan het medicijndoelbestand om één regel per medicijn te hebben.
Ga verder met het woordenschatbestand van de DrugBank en pak de relevante kolommen uit. Aangezien de drugnaam en drugdoelinformatie in twee afzonderlijke CSV-bestanden worden verstrekt, voegt u de informatie uit de twee bestanden samen met behulp van de gemeenschappelijke DrugBank ID.Join de synthetische dodelijke interactie dataset met het drug target drug naam bestand gegenereerd in de vorige stap met behulp van de gen symbool kolommen, ervoor te zorgen om drug namen toe te voegen voor beide partners van elke synthetische dodelijke interactie. Haal ten slotte informatie over klinische onderzoeken op uit ClinicalTrials.gov.
Gebruik voor gemakkelijke toegang de relationele database van het Clinical Trials Transformation Initiative en maak indien nodig eerst een account aan. Los de voorgestelde geneesmiddelen op in geschikte oplosmiddelen, zoals DMSO of PBS, in ten minste vier verschillende concentraties. Voeg de geneesmiddelen toe aan menselijke borstkankercellen die in een 96-putplaat zijn gezaaid en incubeer ze gedurende de gewenste hoeveelheid tijd om remmende concentratiewaarden te bepalen.
Gebruik een levensvatbaarheids- of apoptosetest naar keuze om de levensvatbaarheid van cellen te bepalen met verschillende medicijncombinaties en concentraties, te beginnen met de eerder vastgestelde IC50. Bepaal vervolgens de synergetische cytotoxische effecten van de medicijncombinaties door hun combinatorische index te berekenen. Deze methode werd gebruikt om medicijncombinaties te identificeren die gericht zijn op synthetische letale interacties bij eierstokkanker.
Er werd vastgesteld dat 21 unieke geneesmiddelen hebben bijgedragen aan 84 geïdentificeerde drugscombinaties gericht op een set van 39 synthetische dodelijke interactoren. Dezelfde workflow werd gebruikt om 243 veelbelovende medicijncombinaties te identificeren die gericht zijn op 166 synthetische dodelijke genparen in de context van borstkanker. Bepaalde combinaties werden getest op hun impact op de levensvatbaarheid van cellen en apoptose in twee borstkankercellijnen.
Levensvatbaarheidstestresultaten voor celecoxib, zoledroninezuur en de combinatie van zoledroninezuur en celecoxib in SK-BR-3 borstkankercellijnen toonden aan dat de geneesmiddelen in combinatie een significant synergetisch effect hadden op de levensvatbaarheid van de cellen. Annexine V- en 7-AAD-kleuring van SK-BR-3-cellen die zelf met de twee geneesmiddelen werden behandeld en gecombineerd, toonden aan dat het percentage late apoptotische en necrotische cellen na behandeling met de combinatie van geneesmiddelen was verhoogd. Neem bij het proberen van dit protocol de tijd die nodig is om de overeenkomstige drugbank-medicijnnamen te identificeren voor alle geneesmiddelen en interventies die uit klinische onderzoeken zijn opgehaald.
De opname van aanvullende gegevens zoals genexpressieprofielen of de annotatiegraad in de wetenschappelijke literatuur van synthetische letale interactoren voor de onderzochte ziekte kan verder worden gebruikt om synthetische letale interacties te prioriteren. Door de groeiende hoeveelheid beschikbare biomedische gegevens is het bundelen van de krachten met computationele biologen een nuttige interactie die leidt tot nieuwe hypothesen die in het lab moeten worden getest. Wanneer u met cytostatica werkt, moet u uw lokale richtlijnen volgen met betrekking tot laboratoriumveiligheidsapparatuur en de behandeling van gevaarlijke reagentia.
Vermijd op elk moment direct contact en zorg ervoor dat u informatie verzamelt over de stof die wordt gebruikt voordat u met het experiment begint.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Deze studie onderzoekt synthetisch lethale interacties tussen genen, in het bijzonder in de context van cancerbehandeling. Door gegevens uit genetische screens in modelorganismen te integreren, streeft het onderzoek naar het identificeren van effectieve medicijncombinaties die deze interacties kunnen targeten.
De integratie van heterogene genetische en farmacologische datasets maakt een systematische identificatie mogelijk van drugcombinaties die gebruikmaken van synthetische letale interacties, wat direct bijdraagt aan de uitdaging van targetvalidatie en mechanistische risicoreductie in oncologische discovery-pipelines. Deze workflow verhoogt de voorspellende betrouwbaarheid bij het prioriteren van drugparen met synergetische cytotoxiciteit, wat risico-gecorrigeerde beslissingen ondersteunt voor de verdere ontwikkeling binnen vroege discovery- en preklinische oncologieportfolio's.
Deze workflow voor data-integratie slaat een brug tussen vroege ontdekking, targetvalidatie en preklinische evaluatie door systematisch genetische interactiedata, ortholoog-mapping, geneesmiddel-target-associaties en informatie over klinische studies aan elkaar te koppelen.