Przepływ pracy integracji danych w celu identyfikacji kombinacji leków ukierunkowanych na syntetyczne interakcje śmiertelne
27 maja 2021
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.
Syntetyczna letalna interakcja między dwoma genami występuje, gdy pojedynczy knockdown któregokolwiek z nich nie wpływa na żywotność komórki, ale knockdown obu syntetycznych letalnych partnerów prowadzi do utraty żywotności komórki lub śmierci komórki. Połączenie heterogenicznych zbiorów danych może prowadzić do identyfikacji syntetycznych śmiertelnych interakcji, które mogą być celem kombinacji leków w chorobach takich jak rak, w celu zatrzymania proliferacji komórek. Koncepcja syntetycznej śmiertelności jest interesująca w przypadku każdej choroby, w której problemem jest proliferacja komórek.
Jeśli chodzi o raka, syntetyczne śmiertelne interakcje genowe są już ukierunkowane na nowotwory z mutacją BRCA za pomocą inhibitorów PARP. Wysiłki takie jak nasze mogą poszerzyć zastosowanie tej koncepcji w przypadku innych interakcji genów i jednostek nowotworowych. W naszym laboratorium przetestowaliśmy obliczeniowo przewidywane kombinacje leków ukierunkowane na syntetyczne interakcje letalne w kontekście raka piersi.
Zacznij od pobrania danych z BioGRID. Użyj przeglądarki internetowej, aby pobrać najnowszy plik interakcji BioGRID w formacie tab2. Przefiltruj kolumny, aby zachować tylko te, które są istotne dla kolejnych kroków analizy.
Następnie przefiltruj pod kątem syntetycznej śmiertelności i negatywnych interakcji genetycznych. Użyj informacji w kolumnie System eksperymentalny, aby ograniczyć zestaw danych do wpisów o wartości ujemnej śmiertelności genetycznej lub syntetycznej. Zidentyfikuj gatunki, w odniesieniu do których zgłoszono syntetyczne interakcje letalne, określając liczbę identyfikatorów podatkowych partnerów w zakresie syntetycznych śmiertelnych interakcji, które pozwolą oszacować liczbę tych interakcji dostępnych dla każdego organizmu.
Aby pobrać ludzkie ortologi dla odpowiednich organizmów modelowych z Ensembl BioMart, wybierz odpowiedni zestaw danych organizmu modelowego, kliknij Atrybuty i wybierz Nazwa genu. Następnie kliknij Zestaw danych i wybierz Geny ludzkie. Ponownie kliknij Atrybuty i wybierz Nazwa genu.
Następnie kliknij przycisk Wyniki. Zaznacz opcję Tylko unikalne wyniki i kliknij przycisk Przejdź.Zautomatyzuj proces pobierania i wyślij zapytanie bezpośrednio do dostępu BioMart RESTful w celu pobrania par genów ortologicznych. Jeśli pobierasz dane ręcznie za pośrednictwem interfejsu internetowego Ensembl BioMart, zmień nazwę i zanotuj, że wiersz nagłówka został dodany automatycznie.
Aby pobrać ortologiczne geny człowieka dla innych organizmów modelowych, należy zastąpić wartość atrybutu name pierwszego elementu zestawu danych nazwą odpowiedniego zestawu danych Ensembl. Następnie odrzuć wszystkie wpisy dotyczące genów bez homologów, zbierz wszystkie mapowania homologiczne w jednym pliku i dodaj fikcyjne mapowania dla genów ludzkich. Ponadto dodaj sztuczne wpisy dotyczące ludzkich genów.
Przygotuj plik synletu do późniejszego łączenia, dodając dla każdego partnera interakcji nową kolumnę zawierającą kombinację numeru identyfikacji podatkowej i symbolu genu. Dołącz syntetyczne interakcje letalne oparte na numerze identyfikacji podatkowej organizmu i symbolu genu z pobranymi parami ortologicznymi. Pobierz docelowe pary leków z DrugBank z sekcji Do pobrania, tworząc najpierw konto, jeśli to konieczne.
Ogranicz plik docelowy leku DrugBank do odpowiednich kolumn. Zachowaj tylko wpisy dla ludzkich jednostek molekularnych. Następnie wyodrębnij odpowiednie kolumny i przefiltruj dane pod kątem gatunków ludzkich.
Ponieważ nazwa leku i informacje o celu działania leku znajdują się w dwóch oddzielnych plikach CSV, informacje z tych dwóch plików muszą zostać połączone. W tym celu należy najpierw znormalizować wpisy dotyczące nazw leków. Następnie znormalizuj plik docelowy leku, aby zawierał jedną linię na lek.
Kontynuuj pracę z plikiem słownictwa DrugBank i wyodrębnij odpowiednie kolumny. Ponieważ nazwa leku i informacje o celu leku są podane w dwóch oddzielnych plikach CSV, scal informacje z tych dwóch plików, używając wspólnego identyfikatora DrugBank.Połącz zestaw danych syntetycznych interakcji lethalowych z plikiem nazwy leku docelowego leku wygenerowanym w poprzednim kroku, używając kolumn symboli genów, upewniając się, że dodano nazwy leków dla obu partnerów każdej syntetycznej interakcji letalnej. Na koniec pobierz informacje na temat badań klinicznych z ClinicalTrials.gov.
Aby uzyskać łatwy dostęp, skorzystaj z relacyjnej bazy danych udostępnionej przez Inicjatywę Transformacji Badań Klinicznych, tworząc najpierw konto, jeśli to konieczne. Rozpuść proponowane leki w odpowiednich rozpuszczalnikach, takich jak DMSO lub PBS, w co najmniej czterech różnych stężeniach. Dodaj leki do ludzkich komórek raka piersi wysianych na 96-dołkowej płytce i inkubuj je przez żądany czas, aby określić wartości stężenia hamującego.
Użyj wybranego testu żywotności lub apoptozy, aby określić żywotność komórek przy różnych kombinacjach i stężeniach leków, zaczynając od wcześniej ustalonego IC50. Następnie należy określić synergiczne efekty cytotoksyczne kombinacji leków, obliczając ich indeks kombinatoryczny. Metodę tę wykorzystano do identyfikacji kombinacji leków ukierunkowanych na syntetyczne śmiertelne interakcje w raku jajnika.
Stwierdzono, że 21 unikalnych leków przyczyniło się do 84 zidentyfikowanych kombinacji leków ukierunkowanych na zestaw 39 syntetycznych śmiertelnych interaktorów. Ten sam przepływ pracy wykorzystano do zidentyfikowania 243 obiecujących kombinacji leków ukierunkowanych na 166 syntetycznych par genów letalnych w kontekście raka piersi. Wybrane kombinacje przetestowano pod kątem ich wpływu na żywotność komórek i apoptozę w dwóch liniach komórkowych raka piersi.
Wyniki testów żywotności celekoksybu, kwasu zoledronowego i kombinacji kwasu zoledronowego i celekoksybu w liniach komórkowych raka piersi SK-BR-3 wykazały, że po połączeniu leki miały znaczący synergistyczny wpływ na żywotność komórek. Barwienie aneksyną V i 7-AAD komórek SK-BR-3 leczonych samodzielnie tymi dwoma lekami i połączonych wykazało, że odsetek komórek późnoapoptotycznych i martwiczych był zwiększony po leczeniu kombinacją leków. Próbując skorzystać z tego protokołu, poświęć trochę czasu na zidentyfikowanie odpowiednich nazw leków DrugBank dla wszystkich leków i interwencji uzyskanych z badań klinicznych.
Włączenie dodatkowych danych, takich jak profile ekspresji genów lub stopień adnotacji w literaturze naukowej syntetycznych letalnych interaktorów dla badanej choroby, może być dalej wykorzystywane do ustalania priorytetów syntetycznych interakcji letalnych. Ze względu na rosnącą ilość dostępnych danych biomedycznych, połączenie sił z biologami obliczeniowymi jest korzystną interakcją prowadzącą do nowych hipotez do przetestowania w laboratorium. Podczas pracy z cytostatykami należy postępować zgodnie z lokalnymi wytycznymi dotyczącymi laboratoryjnego sprzętu bezpieczeństwa i obchodzenia się z niebezpiecznymi odczynnikami.
W dowolnym momencie unikaj bezpośredniego kontaktu i upewnij się, że zebrałeś informacje o użytej substancji przed rozpoczęciem eksperymentu.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie dotyczy syntetycznej letalności interakcji między genami, szczególnie w kontekście leczenia raka. Integrując dane z badań genetycznych na modelowych organizmach, badania mają na celu zidentyfikowanie skutecznych kombinacji leków, które mogą ukierunkować się na te interakcje.
Kluczowe elementy badania
Dziedzina nauki
- Genetyka
- Biologia raka
- Farmakologia
Tło
- Syntetyczna letalność występuje, gdy jednoczesne wyłączenie dwóch genów prowadzi do śmierci komórki, podczas gdy wyłączenie każdego z nich samodzielnie nie powoduje tego.
- Koncepcja ta jest szczególnie istotna w przypadku raka, gdzie pewne interakcje genów mogą być wykorzystane do celów terapeutycznych.
- Obecne terapie, takie jak inhibitory PARP, ukierunkowane są na syntetyczne interakcje letalne w guzach z mutacjami BRCA.
- Łączenie heterogenicznych zestawów danych może poprawić identyfikację potencjalnych kombinacji leków.
Cel badania
- Wyznaczenie kombinacji leków, które ukierunkują się na syntetyczne interakcje letalne w raku.
- Rozszerzenie zastosowania syntetycznej letalności poza mutacje BRCA na inne interakcje genów i typy raka.
- Testowanie przewidzianych obliczeniowo kombinacji leków w kontekście raka piersi.
Zastosowane metody
- Przepływ integracji danych z badań genetycznych na modelowych organizmach.
- Obliczeniowe przewidywanie kombinacji leków.
- Walidacja eksperymentalna w warunkach laboratoryjnych.
- Analiza żywotności komórek w odpowiedzi na kombinacje leków.
Główne wyniki
- Identyfikacja nowych syntetycznych interakcji letalnych, które mogą być ukierunkowane na terapię raka.
- Udane testowanie przewidzianych kombinacji leków w modelach raka piersi.
- Demonstracja potencjału rozszerzenia zastosowań syntetycznej letalności w onkologii.
- Wgląd w mechanizmy śmierci komórkowej związane z tymi interakcjami.
Wnioski
- Badanie dostarcza ram dla identyfikacji kombinacji leków, które wykorzystują syntetyczną letalność.
- Wyniki mogą prowadzić do nowych strategii terapeutycznych dla różnych typów raka.
- Wymagane są dalsze badania w celu walidacji tych interakcji w warunkach klinicznych.
Często zadawane pytania
Executive Industry Relevance
Integrating heterogeneous genetic and pharmacological datasets enables systematic identification of drug combinations that exploit synthetic lethal interactions, directly addressing the challenge of target validation and mechanistic de-risking in oncology discovery pipelines. This workflow enhances predictive confidence for prioritizing drug pairs with synergistic cytotoxicity, supporting risk-adjusted advancement decisions in early discovery and preclinical oncology portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven identification of synthetic lethal gene pairs relevant to disease models.
- Supports functional target validation by linking genetic interactions to actionable drug targets.
- Facilitates mechanistic de-risking by integrating ortholog mapping and literature annotation.
- Improves predictive confidence for triaging candidate drug combinations.
Screening & Assay Development
- Prepares validated gene-drug interaction datasets for downstream compound screening.
- Standardizes assay development by leveraging curated drug-target and clinical trial data.
- Enables reproducible evaluation of drug synergy using quantitative viability and apoptosis assays.
- Supports scalable screening of drug pairs across multiple cancer cell lines.
Translational & Preclinical Research
- Aligns candidate drug combinations with disease-relevant genetic backgrounds, such as BRCA-mutated tumors.
- Ensures continuity from computational prediction to in vitro validation in preclinical models.
- Enables risk-adjusted selection of drug pairs for further translational investigation.
- Supports biomarker-driven prioritization when gene expression or literature annotation is integrated.
Pipeline & Workflow Integration
This data integration workflow bridges early discovery, target validation, and preclinical evaluation by systematically linking genetic interaction data, ortholog mapping, drug-target associations, and clinical trial information.
- Discovery Biology: Supports hypothesis testing and pathway clarification by mapping synthetic lethal pairs to human orthologs.
- Screening: Provides assay-ready drug-gene interaction lists for reproducible compound evaluation.
- Analytics: Delivers quantitative outputs such as combinatorial index and viability metrics for condition comparison.
- Translational Research: Connects in silico predictions to in vitro validation in disease-relevant systems.
- Enterprise Reuse: Establishes a scalable, reusable workflow for ongoing drug combination discovery across oncology indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in drug combination selection.
- Operational Value: Standardizes data integration and assay workflows for reproducibility and scalability.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio advancement.
- Portfolio Impact: Supports risk-adjusted prioritization of drug combinations for preclinical and translational progression.
Implementation Considerations
- Requires expertise in computational biology, data integration, and oncology pharmacology.
- Needs access to curated genetic interaction, ortholog mapping, drug-target, and clinical trial databases.
- Demands cross-team standardization of data formats and nomenclature for seamless integration.
- Must adapt workflow for different model organisms and cancer types as supported by available data.
- Dependent on the completeness and annotation quality of public datasets for prioritization accuracy.
Biopharma FAQs
Chapters in this video
0:04
Introduction
1:03
Retrieving Synthetic Lethal Gene Pairs
1:48
Translating Synthetic Lethal Gene Pairs to Human Orthologs
3:20
Mapping Synthetic Lethal Interaction Partners to Drugs
4:28
Establish the Set of Currently Tested Drug Combinations in Clinical Trials
4:45
Testing Proposed Drug Combinations In Vitro
5:28
Results: Proposed Novel Drug Combinations for Ovarian and Breast Cancer
6:37
Conclusion
