Przepływ pracy integracji danych w celu identyfikacji kombinacji leków ukierunkowanych na syntetyczne interakcje śmiertelne

Podsumowanie

Duże badania genetyczne w organizmach modelowych doprowadziły do identyfikacji negatywnych interakcji genetycznych. W tym miejscu opisujemy proces integracji danych z wykorzystaniem danych z badań genetycznych w organizmach modelowych w celu wyznaczenia kombinacji leków ukierunkowanych na syntetyczne śmiertelne interakcje w raku.

Streszczenie

Syntetyczna śmiertelna interakcja między dwoma genami ma miejsce, gdy wyeliminowanie jednego z dwóch genów nie wpływa na żywotność komórki, ale wyeliminowanie obu syntetycznych śmiertelnych interaktorów prowadzi do utraty żywotności komórki lub śmierci komórki. Najlepiej zbadaną syntetyczną interakcją śmiertelną jest interakcja między BRCA1/2 i PARP1, przy czym inhibitory PARP1 są stosowane w praktyce klinicznej w leczeniu pacjentów z nowotworami z mutacją BRCA1/2. Duże badania genetyczne w organizmach modelowych, ale także w haploidalnych liniach komórek ludzkich doprowadziły do zidentyfikowania wielu dodatkowych par syntetycznych interakcji letalnych, z których wszystkie są potencjalnymi celami zainteresowania przy opracowywaniu nowych terapii przeciwnowotworowych. Jednym z podejść jest terapeutyczne celowanie w geny za pomocą syntetycznego śmiertelnego interaktora, który jest zmutowany lub znacznie obniżony w badanym guzie. Drugim podejściem jest sformułowanie kombinacji leków rozwiązujących syntetyczne interakcje śmiertelne. W tym artykule przedstawiamy proces integracji danych w celu oceny i identyfikacji kombinacji leków ukierunkowanych na syntetyczne interakcje śmiertelne. Korzystamy z dostępnych zbiorów danych na temat par syntetycznych oddziaływań letalnych, zasobów mapowania homologii, powiązań lek-cel z dedykowanych baz danych, a także informacji o lekach badanych w badaniach klinicznych w obszarze choroby będącym przedmiotem zainteresowania. Podkreślamy również kluczowe wyniki dwóch ostatnich badań naszej grupy dotyczących oceny kombinacji leków w kontekście raka jajnika i piersi.

Wprowadzenie

Syntetyczna śmiertelność definiuje związek dwóch genów, gdzie utrata jednego genu nie wpływa na żywotność, ale utrata obu genów prowadzi do śmierci komórki. Po raz pierwszy został opisany w 1946 roku przez Dobzhansky'ego podczas analizy różnych fenotypów drosophila poprzez hodowlę homozygotycznych mutantów¹. Mutanty, które nie dały zdolnego do życia potomstwa, chociaż same były zdolne do życia, wykazywały letalne fenotypy po skrzyżowaniu z niektórymi innymi mutantami, tworząc podstawy do ustanowienia teorii syntetycznej śmiertelności. Hartwell i współpracownicy zasugerowali, że ta koncepcja może mieć zastosowanie w terapii raka u ludzi². Farmakologicznie sprowokowana syntetyczna śmiertelność może opierać się tylko na jednej mutacji, biorąc pod uwagę, że syntetyczny śmiertelny partner zmutowanego genu jest celem związku farmakologicznego. Pierwszą parą genów umożliwiającą farmakologiczną indukcję syntetycznej śmiertelności były BRCA(1/2) i PARP1. PARP1 funkcjonuje jako czujnik uszkodzeń DNA i jest powiązany z miejscami podwójnych i pojedynczych pęknięć nici DNA, superscoils i crossoverów³. BRCA1 i 2 odgrywają główną rolę w naprawie pęknięć dwuniciowych DNA poprzez rekombinację homologiczną⁴. Farmer i współpracownicy opublikowali wyniki, że komórki z niedoborem BRCA1/2 były podatne na hamowanie PARP, podczas gdy nie zaobserwowano cytotoksyczności w komórkach BRCA typu dzikiego⁵. Ostatecznie inhibitory PARP zostały zatwierdzone do leczenia raka piersi i jajnika z niedoborem BRCA^6,7. Co więcej, pary genów syntetycznej śmiertelności prowadzące do klinicznego zatwierdzenia związków farmakologicznych są bardzo oczekiwane i stanowią główny obszar ostatnich badań nad rakiem⁸.

Syntetyczne interakcje genów śmiertelnych były modelowane w wielu organizmach, w tym u muszek owocowych, C. elegans i drożdży². Korzystając z różnych podejść, w tym interferencji RNA i nokautów biblioteki CRISPR/CAS, w ostatnich latach odkryto nowe syntetyczne pary genów letalnych^9,10,11. Protokół dotyczący procedur eksperymentalnych RNAi w połączeniu z CRISPR/CAS został niedawno opublikowany przez Housdena i współpracowników¹². W międzyczasie naukowcy przeprowadzili również duże badania przesiewowe w haploidalnych komórkach ludzkich, aby zidentyfikować syntetyczne śmiertelne interakcje^13,14. Metody in silico, takie jak analiza sieci biologicznych i uczenie maszynowe, również okazały się obiecujące w odkrywaniu syntetycznych oddziaływań letalnych^15,16.

Koncepcyjnie, jednym z podejść do wykorzystania syntetycznych śmiertelnych interakcji w kontekście terapii przeciwnowotworowej jest identyfikacja zmutowanych lub niefunkcjonalnych białek w komórkach nowotworowych, co sprawia, że ich syntetyczni partnerzy w interakcjach śmiertelnych stają się obiecującymi celami terapeutycznymi. Ze względu na niejednorodność większości typów nowotworów, naukowcy rozpoczęli poszukiwania tzw. syntetycznych śmiertelnych białek piasty. Te syntetyczne śmiertelne koncentratory mają wielu syntetycznych partnerów w interakcjach letalnych, którzy są albo zmutowani, a zatem niefunkcjonalni, albo znacznie obniżeni w próbkach guza. Zajęcie się takimi syntetycznymi ośrodkami letalnymi daje nadzieję na zwiększenie skuteczności leków lub przezwyciężenie oporności na leki, co można wykazać na przykład w kontekście neuroblastoma opornego na winkrystynę¹⁷. Drugim podejściem do poprawy leczenia farmakologicznego wykorzystującym koncepcję syntetycznych oddziaływań śmiertelnych jest identyfikacja kombinacji leków ukierunkowanych na syntetyczne interakcje śmiertelne. Może to doprowadzić do powstania nowych kombinacji już zatwierdzonych pojedynczych terapii przeciwnowotworowych oraz do przeniesienia leków z innych obszarów chorobowych do dziedziny onkologii.

W tym artykule przedstawiamy krok po kroku procedurę, która pozwala uzyskać listę kombinacji leków, które są ukierunkowane na pary syntetycznych interakcji letalnych. W tym przepływie pracy (i) wykorzystujemy dane o syntetycznych interakcjach letalnych z BioGRID i (ii) informacje o genach homologicznych z Ensembl, (iii) pobieramy pary lek-cel z DrugBank, (iv) budujemy asocjacje choroba-lek z ClinicalTrials.gov oraz (v) generujemy w ten sposób zestaw kombinacji leków dotyczących syntetycznych interakcji letalnych. Na koniec podajemy kombinacje leków w kontekście raka jajnika i piersi w sekcji reprezentatywnych wyników.

Protokół

1. Odzyskiwanie syntetycznych par genów śmiercionośnych

1. Pobieranie danych z BioGrid.
   1. Pobierz najnowszy plik interakcji BioGRID w formacie tab2 z https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip za pomocą przeglądarki internetowej lub bezpośrednio z wiersza poleceń systemu Linux za pomocą curl lub wget¹⁸.
      
      ##download i rozpakuj najnowszy plik interakcji BioGRID
      #download najnowszego pliku interakcji BioGRID za pomocą curl
      curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack pobrany plik danych
      Rozpakuj biogrid_latest.zip
      BG="BIOGRID-ALL-3.5.171.tab2.txt"
       
   2. Po pobraniu archiwum zip należy rozpakować archiwum i zanotować nazwę właściwego pliku zestawu danych (BIOGRID-ALL-X. X.X.tab2.txt) dla kolejnych kroków. Plik danych BioGRID zawiera interakcje różnych typów, które zostaną przefiltrowane w następnym kroku.
      UWAGA: Istnieją inne źródła (np. DRYGIN, SynlethDB) mówiące o syntetycznych oddziaływaniach letalnych, jak opisano w dyskusji.
2. Filtr do syntetycznej śmiertelności i negatywnych interakcji genetycznych (system eksperymentalny).
   1. Należy wykorzystać informacje w kolumnie "System eksperymentalny" (kolumna numer 12), które wskazują charakter dowodów potwierdzających interakcję, aby zidentyfikować syntetyczne oddziaływania letalne.
   2. Ogranicz zestaw danych do wpisów o wartości negatywnej śmiertelności genetycznej lub syntetycznej. W tym samym kroku przefiltruj kolumny i zachowaj tylko kolumny istotne dla kolejnych kroków analizy, jak wymieniono w tabeli 1 poniżej.
      
      ##restrict plik interakcji BioGRID do odpowiednich kolumn i zachowaj tylko interakcje sklasyfikowane jako negatywna śmiertelność genetyczna i syntetyczna
      cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      drukuj $0
      }else if($4 == "Negatywna genetyka" || $4 == "Syntetyczna śmiertelność"){
      drukuj $0
      }
      }' > bg_synlet.txt
      
      UWAGA: We fragmentach kodu ^I jest używany do reprezentowania tabulatorów poziomych. Można uwzględnić dodatkowe kategorie BioGRID, takie jak syntetyczna wada wzrostu. Inne kolumny istotne dla tego przepływu pracy są wymienione w tabeli 1. BioGRID zachowuje również wyniki dla poszczególnych interakcji. Punkty odcięcia mogą być używane do identyfikowania interakcji o silnym/wysokim poziomie ufności.

Numer kolumny	Nazwa nagłówka kolumny
3	Nazwa genu
12	gatunek
13	Identyfikatory leków

Tabela 1: Odpowiednie kolumny pliku danych BioGRID.

3. Zidentyfikować gatunki, w odniesieniu do których zgłoszono syntetyczne interakcje letalne.
   1. Określ liczbę identyfikatorów podatkowych partnerów w zakresie syntetycznych śmiertelnych interakcji, aby uzyskać szacunkową liczbę syntetycznych interakcji letalnych dostępnych dla każdego organizmu.
      
      ##count liczba wystąpień każdego identyfikatora podatkowego w uprzednio wyodrębnionych syntetycznych interakcjach letalnych
      cut -d "^I" -f5,6 bg_synlet.txt | ogon -n +2 | tr "\t" "\n" \
      | sortować | uniq -c | sortować -r -g
      
      UWAGA: W wyniku kroku 1 lista syntetycznych śmiertelnych oddziaływań z symbolami genów z organizmów, w których określono interakcje. Większość syntetycznych oddziaływań letalnych została określona w organizmach modelowych. Podczas ładowania plików do arkusza kalkulacyjnego (np. Excel) unikaj niszczenia symboli genów^19,20.

2. Tłumaczenie syntetycznych par genów śmiercionośnych na ludzkie ortologi

1. Pobierz ludzkie ortologi dla odpowiednich organizmów modelowych zidentyfikowanych w kroku 1.3.
   1. Pobierz ludzkie ortologi z Ensembl BioMart²¹, łącząc odpowiedni zestaw danych genów organizmu modelowego ze zbiorem danych genów ludzkich. Do tego zadania należy użyć symboli genów oznaczających gen w organizmie modelowym oraz ortologicznych genów ludzkich. Użyj usługi internetowej Ensembl BioMart, aby zautomatyzować proces pobierania i wyślij zapytanie bezpośrednio do dostępu BioMart RESTful w celu pobrania ortologicznych par genów (patrz przykład poniżej oraz Pomoc i dokumentacja Ensembl BioMart, aby uzyskać więcej informacji).
      
      ##retrieve ludzka ortologia dla Saccharomyces Cerevisiae z Ensembl BioMart za pomocą curl do wysłania zapytania BioMart bezpośrednio do usługi dostępu BioMart RESTful
      curl -o s_cerevisiae.txt --data-urlencode 'query=
      
      
      
      
      
      
      
      
      
      
      
      ' "http://www.ensembl.org/biomart/martservice"
      
      Aby pobrać ortologiczne geny człowieka dla innych organizmów modelowych, zastąp wartość atrybutu name pierwszego elementu Dataset nazwą odpowiedniego zestawu danych Ensembl i ponownie wykonaj zapytanie.
      
      UWAGA: Proces mapowania ortologów jest dobrze udokumentowany w Ensembl BioMart Help & Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
   2. Uzyskaj dostęp do przykładowego zapytania BioMart dla ludzkich ortologów dla Saccharomyces cerevisiae, najwyższego gatunku zidentyfikowanego w kroku 1.3, za pośrednictwem adresu 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.
      UWAGA: Istnieją inne źródła (np. roundup, przeglądarka oma, HomoloGene, inparanoid) do mapowania homologii, jak opisano w sekcji dyskusji tego manuskryptu.
2. Dodaj ludzkie ortologi do wyodrębnionych syntetycznych oddziaływań letalnych.
   1. Połącz syntetyczne interakcje letalne oparte na numerze identyfikacji podatkowej organizmu i symbolu genu z parami ortologicznymi pobranymi w kroku 2.1. W przypadku par syntetycznych interakcji letalnych u ludzi należy utworzyć sztuczne pary ortologiczne dla każdego ludzkiego genu obecnego w zbiorze danych lub upewnić się, że ludzkie syntetyczne interakcje letalne nie są odrzucane podczas łączenia i przenoszenia symboli genów ludzkich do nowo dodanych kolumn.
      
      ##collect odwzorowania ortologów w jednym pliku i połącz z syntetyczną śmiertelną interakcją file
      #create plik docelowy z nagłówkami do zbierania odwzorowań ortologów
      echo "tax_id/gene_symbol^Ihuman_gene_symbol" > mapping.txt
      
      #repeat tym kroku dla każdego organizmu modelowego należy dostosować nazwę pliku wejściowego oraz numer identyfikacji podatkowej
      #adds dla każdej pary ortologów w s_cerevisiae.txt nowy wpis w mapping.txt: Symbol genu jest poprzedzony identyfikatorem podatkowym, aby ułatwić późniejsze łączenie z plikiem syntetycznych oddziaływań letalnych
      awk -F "\t" 'BEGIN{
      OFS="\t"
      org_tax_id="559292"
      }
      {
      if($1 != "" && $2 != ""){
      drukuj org_tax_id"/"$1, $2
      }
      }' s_cerevisiae.txt >> mapping.txt
      
      #create wpisy w sztucznym mapowaniu genów ludzkich
      awk -F "\t" 'BEGIN{
      OFS="\t"
      human_tax_id="9606"
      }
      {
      if($5 == human_tax_id){
      drukuj $5"/"$2, $2
      }
      if($6 == human_tax_id){
      drukuj $6"/"$3, $3
      }
      }' bg_synlet.txt | sortowanie -u >> mapping.txt
      
      #add wymagane klucze łączenia (identyfikator podatkowy/symbol genu) do syntetycznych śmiertelnych interakcji
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      print $0, "Kluczowy Interaktor A", "Kluczowy Interaktor B"
      }else{
      drukuj $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt
      
      #join syntetyczne śmiertelne interakcje z parami ortologicznymi
      scalanie tmp_bg_synlet_w_keys.txt mapping.txt 7 1 > tmp.txt
      scalanie tmp.txt mapping.txt 8 1 > bg_synlet_mapped.txt
      
      UWAGA: Polecenie scalania użyte w tym przykładzie nie jest standardowym poleceniem systemu Unix. Jednak jego implementacja za pomocą narzędzi GNU Core Utilities sortowania i łączenia jest prosta. Polecenie zostało wprowadzone w celu ukrycia złożoności sortowania plików przed ich połączeniem za pomocą polecenia join. Implementację scalania można znaleźć na stronie https://github.com/aheinzel/merge-sh.
   2. Użycie dowolnego identyfikatora genu jednoznacznie identyfikującego gen w określonej przestrzeni nazw w celu uzyskania najlepszych możliwych wyników.
      UWAGA: Krok 2 daje listę syntetycznych śmiertelnych interakcji z wieloma organizmami zmapowanymi na ludzkie geny.

3. Mapowanie syntetycznych partnerów do śmiertelnej interakcji z narkotykami

1. Pobierz pary lek-cel z DrugBank.
   1. Pobierz dane DrugBank z sekcji pobierania DrugBank i najpierw utwórz konto, jeśli nie zostało jeszcze utworzone²². Użyj pliku CSV z identyfikatorami docelowymi leków (sekcja identyfikatorów białek: https://www.drugbank.ca/releases/latest#protein-identifiers) oraz słownictwa DrugBank (sekcja otwartych danych: https://www.drugbank.ca/releases/latest#open-data) z identyfikatorami i nazwami DrugBank. Alternatywnie wyodrębnij wymagane informacje z bazy danych XML dump.
      
      ##restrict plik docelowy leku DrugBank do odpowiednich kolumn i zachowaj tylko wpisy dotyczące ludzkich jednostek molekularnych
      DB_TARGETS="all.csv"
      DB_NAMES="drugbank vocabulary.csv"
      
      #extract odpowiednie kolumny i sformatuj ponownie, aby używać karty jako separatora kolumn
      csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt
      
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1 || $2 == "Ludzie"){
      Drukuj $1, $3
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt
      
      UWAGA: Dane DrugBank są dostarczane w dwóch głównych formatach. Kompletna baza danych jest dostępna w postaci pliku XML. Ponadto większość danych jest udostępniana w serii plików z wartościami rozdzielanymi przecinkami (CSV).
   2. Należy pamiętać, że DrugBank rejestruje również cele związane z narkotykami, które nie są przeznaczone dla ludzi. Kolumna gatunków (kolumna numer 12) może być używana do wyodrębniania ludzkich celów dla narkotyków.
      UWAGA: Dla lepszej czytelności nazwy wyodrębnionych kolumn znajdują się w tabeli 2. Istnieją inne źródła (np. Baza Danych Celów Terapeutycznych lub Chembl) zawierające powiązania między lekiem a celem, jak opisano w części poświęconej dyskusji.

Numer kolumny	Nazwa nagłówka kolumny
3	Nazwa genu
12	gatunek
13	Identyfikatory leków

2. Dodawanie nazw leków do celów leków.
   1. Ponieważ nazwa leku i informacje o celu leku znajdują się w dwóch oddzielnych plikach CSV, należy scalić informacje z tych dwóch plików, aby następnie dodać nazwy leków ukierunkowanych na syntetycznego partnera w interakcji letalnej do syntetycznych interakcji letalnych. Połącz te dwa zestawy danych przy użyciu wspólnej kolumny DrugBank-drug-ID. Najpierw znormalizuj zestaw danych leku docelowego, tak aby zawierał tylko jeden identyfikator leku DrugBank na wiersz, ponieważ początkowy plik może zawierać wiele identyfikatorów leków DrugBank z rzędu, jeśli białko jest celem wielu leków.
      
      ##generate pojedynczy plik zawierający symbol genu docelowego leku, identyfikator leku DrugBank i nazwę leku
      #normalize zestaw danych lek-cel
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1){
      drukuj $0
      }else if($1 != "" && $2 != ""){
      split(2 USD, drug_targets, "; ")
      for(i in drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, "", drug_target)
      Wydruk $1, drug_target | "sort -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt
      
      #extract odpowiednie kolumny i sformatuj ponownie, aby używać karty jako separatora kolumn
      csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt
      
      scalanie human_target_to_drug.txt \
      drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt
      
      UWAGA: Kolumny pierwsza i trzecia w pliku vocabulary.csv banku leków zawierają numer identyfikacyjny leku DrugBank i odpowiednią nazwę.

3. Dodaj leki ukierunkowane na partnerów interakcji syntetycznych letalnych do zestawu danych interakcji syntetycznych letalnych.
   1. Dołącz zestaw danych syntetycznych interakcji letalnych do pliku nazwy leku docelowego wygenerowanego w poprzednim kroku przy użyciu kolumn symboli genów, aby dodać leki do syntetycznych interakcji letalnych. Zadbaj o to, aby dodać nazwy leków dla obu partnerów każdej syntetycznej interakcji letalnej.
      
      ##enhance plik syntetycznej śmiertelnej interakcji, dodając leki ukierunkowane na partnerów każdej syntetycznej śmiertelnej interakcji
      scalanie bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      scalanie tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt
      
      UWAGA: Krok 3 powoduje syntetyczną śmiertelną interakcję wielu organizmów z ich ortologicznymi ludzkimi genami i lekami ukierunkowanymi na te geny.

4. Ustalanie zestawu aktualnie testowanych kombinacji leków w badaniach klinicznych

1. Uzyskaj dostęp do ClinicalTrials.gov danych.
   1. Pobieraj informacje o badaniach klinicznych w formacie XML z ClinicalTrials.gov na temat (i) poszczególnych badań, (ii) badań wynikających z zapytania wyszukiwania lub (iii) wszystkich badań w bazie danych. Alternatywnie możesz skorzystać z zasobów udostępnionych przez inicjatywę transformacji badań klinicznych, która również przechowuje wszystkie dane z ClinicalTrials.gov w relacyjnej bazie danych. Zobacz krok 4.4, aby uzyskać więcej informacji.
      UWAGA: Aby uzyskać dostęp do instancji bazy danych hostowanej w chmurze, hostowanej przez inicjatywę transformacji badań klinicznych, wymagane jest bezpłatne konto. Ponadto wymagany jest klient plsql.
2. Skoncentruj się na badaniach interwencyjnych.
3. Filtruj badania specyficzne dla wskazania zainteresowania.
   UWAGA: ClinicalTrials.gov zawiera nazwy chorób ze słownika kontrolowanego NCBI Medical Subject Headings (MeSH). W przeciwieństwie do nazw chorób podawanych przez zgłaszającego, kontrolowany słownik pozwala na sprawną identyfikację badań pod kątem wskazania zainteresowania. Niemniej jednak należy pamiętać, że słownictwo kontrolowane przez NCBI MeSH jest tezaurusem. W związku z tym sprawdź przeglądarkę MeSH (https://meshb.nlm.nih.gov), czy ogólne wskazanie zainteresowania zawiera jakieś pochodne/węższe terminy i dołącz je, jeśli to konieczne.
4. Pobranie zidentyfikowanych badań wraz z lekami przetestowanymi w tych badaniach. Zapytanie dotyczące badań klinicznych w ogólnym wskazaniu raka jajnika znajduje się poniżej.
   
   ##retrieve Badania interwencyjne dla ogólnego wskazania Rak jajnika z inicjatywy Clinical Trials Transformation hostowały relacyjną bazę danych zawierającą ClinicalTrials.gov danych
   kat. < \pset stopka off
   WYBIERZ ODRĘBNE s.nct_id, s.brief_title, i.intervention_type, i.name
   Z badań s
   SPRZĘŻENIE WEWNĘTRZNE browse_conditions C ON(s.nct_id = c.nct_id)
   Interwencje INNER JOIN i ON(s.nct_id = i.nct_id)
   WHERE s.study_type = 'Interwencyjny'
   I c.mesh_term W (
   'Nowotwory jajnika',
   'Rak, nabłonek jajnika',
   'Guz ziarnistokomórkowy',
   "Zespół dziedzicznego raka piersi i jajnika",
   'Luteoma',
   "Zespół Meigsa",
   'Guz Sertoliego-Leydiga',
   'Thecoma'
   )
   ZAMÓW WEDŁUG 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

5. Wyodrębnij nazwy leków i zmapuj je do nazw DrugBank.
   UWAGA: Chociaż kuszące jest bezpośrednie korzystanie z nazw leków pochodzących z interesujących badań klinicznych, należy mieć świadomość, że nazwy interwencji w ClinicalTrials.gov są wprowadzane przez zgłaszającego jako dowolny tekst. W konsekwencji nazwy nie są ustandaryzowane, zamiast wspólnej nazwy złożonej mogą być używane nazwy marek i nie ma gwarancji prawidłowej normalizacji danych (np. wiele nazw leków w jednym wpisie). Ponadto często zdarza się, że leki są zgłaszane z innym rodzajem interwencji, różniącym się od leku. Dlatego mapowanie pobranych nazw interwencji do nazw leków DrugBank najlepiej przeprowadzić ręcznie.
   
   ##Obtain lista interwencji zastosowanych w poprzednio pobranym zestawie badań klinicznych.
   cut -d "^I" -f3,4 clinical_trials.txt | ogon -n +2 | sortować -u
   
   UWAGA: W kolumnach trzeciej i czwartej znajdują się odpowiednio rodzaj interwencji i nazwa interwencji.

6. Uzupełnienie o leki już stosowane klinicznie zgodnie z wytycznymi
   UWAGA: Krok 4 skutkuje sporządzeniem wykazu leków poddawanych ocenie/stosowanych w celu wskazania zainteresowania.

5. Identyfikacja kombinacji leków ukierunkowanych na syntetyczne śmiertelne interakcje

1. Poszukiwanie syntetycznych śmiertelnych interakcji, które są celem dwóch interesujących leków. Zawęź zestaw danych od kroku 3 do leków będących przedmiotem zainteresowania, odfiltrowując wiersze w pliku zawierającym zarówno lek A, jak i lek B.
   
   ##only zachować wpisy dotyczące syntetycznych śmiertelnych interakcji i leków je wywołujących, w przypadku gdy obaj partnerzy są celem dwóch interesujących ich leków (drug_a i drug_b)
   awk -F "\t" '{
   if( ($12 == drug_a && $14 == drug_b) || ($12 == drug_b && $14 == drug_a) ){
   drukuj $0
   }
   }' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt

2. Upewnij się, że żaden z dwóch leków osobno nie jest ukierunkowany na obu syntetycznych partnerów w interakcji. Sprawdź cele każdego zidentyfikowanego leku w zestawie danych z kroku 3.2 i oceń, czy obaj zidentyfikowani syntetyczni letalni partnerzy są celami konkretnego leku.
   
   ##find wszystkie wpisy dotyczące danego leku o nazwie
   awk -F "\t" '{
   if($3 == lek){
   drukuj $0
   }
   }' drug="XXX" db_human_drug_targets.txt
   
   UWAGA: Lek, który byłby ukierunkowany na oba syntetyczne szlaki interakcji letalnych, byłby toksyczny dla każdej komórki, więc teoretycznie nie jest to wartościowy środek wielokierunkowy. To jest powód, dla którego ta możliwość jest wykluczona w tym kroku algorytmu.
    

6. Testowanie wybranych nowych kombinacji leków in vitro

1. Leczyć ludzkie linie komórkowe raka piersi i ludzkie łagodne komórki nabłonka sutka hodowane standardowymi metodami hodowli in vitro w wilgotnej atmosferze o temperaturze 37 °C z 5% CO₂ za pomocą różnych kombinacji leków.
2. Stosuj pożywkę uzupełnioną płodową surowicą bydlęcą i penicyliną, a także siarczanem streptomycyny, aby zapobiec infekcji bakteryjnej.
3. Rozcieńczyć leki w rozpuszczalnikach, takich jak DMSO lub sól fizjologiczna buforowana fosforanami, w co najmniej czterech różnych stężeniach w oparciu o ich wcześniej ustalone IC50 (stężenie hamujące) i stosować je w połączeniu lub samodzielnie do leczenia komórek.
4. Wykonaj testy żywotności komórek i testy apoptozy, takie jak barwienia AnnexinV / 7-AAD, aby określić efekty cytotoksyczne spowodowane leczeniem.
5. Monitorowanie farmakologicznego hamowania podejrzanych celów molekularnych za pomocą Western Bloc.
6. Odróżnij syntetyczną śmiertelność od efektów czysto addytywnych, obliczając indeks kombinacyjny (CI) zgodnie z opisem Chou i innych²³.

Wyniki

Nasza grupa opublikowała ostatnio dwa badania, w których wykorzystuje sposób pracy przedstawiony w tym manuskrypcie do identyfikacji kombinacji leków ukierunkowanych na syntetyczne śmiertelne interakcje w kontekście raka jajnika i piersi^24,25. W pierwszym badaniu oceniliśmy kombinacje leków, które są obecnie testowane w późnych fazach badań klinicznych (faza III i IV) lub są już stosowane w praktyce klinicznej w leczeniu pacjentek z rakiem jajnika pod kątem ich w...

Dyskusja

Nakreśliliśmy przepływ pracy w celu identyfikacji kombinacji leków wpływających na syntetyczne interakcje śmiertelne. Ten przepływ pracy wykorzystuje (i) dane na temat syntetycznych śmiertelnych interakcji z organizmami modelowymi, (ii) informacje o ludzkich ortologach, (iii) informacje o powiązaniach lek-cel, (iv) informacje o lekach na temat badań klinicznych w kontekście raka, a także (v) informacje o powiązaniach lek-choroba i gen-choroba wyodrębnione z literatury naukowej. Skonsolidowane informacje mogą być wykorzys...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
BioGRID	n/a	n/a	thebiogrid.org
ClinicalTrials.gov	n	/a n/a	ClinicalTrials.gov
DrugBank	n/a	/a	drugbank.ca
Ensembl BioMart	n/a	n/a	ensembl.org
alternatywne obliczeniowe bazy danych znajdują się w manuskrypcie
7-AAD	ebioscience	00-6993-50
ZałącznikV-APC	BD Bioscience	550474
celecoxib	Sigma-Aldrich	PZ0008-25MG
Test żywotności CellTiter-Blue	Promega	G8080
FACS Canto II	BD Bioscience	n/a
płodowa surowica bydlęca	Fisher Scientific/Gibco
Oprogramowanie	FloJo FloJo LLC	V10
McCoy's 5a Średnio zmodyfikowany	Fisher Scientific/Gibco	16600082
penicylina G/siarczan streptomycyny	Fisher Scientific/Gibco	15140122
Komórki SKBR-3	Amerykańska kolekcja kultur typu amerykańskiego (ATCC)	ATCC HTB-30
kwas zoledronowy	Sigma-Aldrich	SML0223-50MG
strong>dalsze materiały lub sprzęt zostaną udostępnione na życzenie