Рабочий процесс интеграции данных для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия

Maximilian Marhold; Andreas Heinzel; Almas Merchant; Paul Perco; Michael Krainer

doi:10.3791/60328

Методическая статья

Рабочий процесс интеграции данных для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия

DOI:

10.3791/60328

⸱

27 мая 2021 г.

Maximilian Marhold¹ , Andreas Heinzel² , Almas Merchant¹ , Paul Perco³ , Michael Krainer¹

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

В этой статье

Краткое содержание

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

Большие генетические скрининги в модельных организмах привели к выявлению негативных генетических взаимодействий. Здесь мы описываем рабочий процесс интеграции данных с использованием данных генетических скринингов в модельных организмах для определения комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия при раке.

Аннотация

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

Синтетическое летальное взаимодействие между двумя генами дается, когда нокаут одного из двух генов не влияет на жизнеспособность клеток, но нокаут обоих синтетических смертельных интеракторов приводит к потере жизнеспособности клеток или гибели клеток. Наиболее изученным синтетическим летальным взаимодействием является взаимодействие между BRCA1/2 и PARP1, причем ингибиторы PARP1 используются в клинической практике для лечения пациентов с мутированными опухолями BRCA1/2. Большие генетические скрининги в модельных организмах, а также в гаплоидных клеточных линиях человека привели к выявлению многочисленных дополнительных синтетических пар летального взаимодействия, которые являются потенциальными целями, представляющими интерес для разработки новых методов лечения опухолей. Один из подходов заключается в терапевтическом нацеливание генов с синтетическим смертельным интерактором, который мутирует или значительно понижается в интересуемой опухоли. Второй подход заключается в разработке комбинаций лекарств, направленных на синтетические смертельные взаимодействия. В этой статье мы описываем рабочий процесс интеграции данных для оценки и идентификации комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия. Мы используем доступные наборы данных о синтетических парах летального взаимодействия, ресурсы картирования гомологий, ссылки на лекарственные средства из специализированных баз данных, а также информацию о лекарствах, исследуемых в клинических испытаниях в интересующих заболевания областях. Мы также выделяем ключевые результаты двух недавних исследований нашей группы по оценке комбинации лекарств в контексте рака яичников и молочной железы.

Введение

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

Синтетическая летальность определяет ассоциацию двух генов, где потеря одного гена не влияет на жизнеспособность, но потеря обоих генов приводит к гибели клеток. Впервые он был описан в 1946 году Добжанским при анализе различных фенотипов дрозофилы путем разведения гомозиготных мутантов^1. Мутанты, которые не производили жизнеспособного потомства, хотя и жизнеспособны сами, демонстрировали смертельные фенотипы при скрещивались с некоторыми другими мутантами, создавая почву для создания теории синтетической летальности. Хартвелл и его коллеги предположили, что эта концепция может быть применима для терапии рака у людей^2. Фармакологически спровоцированная синтетическая летальность может зависеть только от одной мутации, учитывая, что синтетический смертельный партнер мутированного гена является мишенью фармакологического соединения. Первой парой генов, которая обеспечила фармакологическую индукцию синтетической летальности, были BRCA(1/2) и PARP1. PARP1 функционирует как датчик повреждения ДНК и привязан к участкам двойных и одиночных разрывов нитей ДНК, суперкатушек и кроссоверов^3. BRCA1 и 2 играют важную роль в репарации двухцепочечных разрывов ДНК через гомологичную рекомбинацию^4. Фармер и его коллеги опубликовали результаты того, что клетки с дефицитом BRCA1/2 были восприимчивы к ингибированию PARP, в то время как цитотоксичность не наблюдалась в клетках дикого типа BRCA^5. В конечном счете, ингибиторы PARP были одобрены для лечения BRCA-дефицита рака молочной железы и яичников^6,^7. Кроме того, пары генов синтетической летальности, ведущие к клиническому одобрению фармакологических соединений, являются долгожданным и основной областью недавних исследований рака^8.

Синтетические смертельные взаимодействия генов были смоделированы у нескольких организмов, включая плодовых мушек, C. elegans и дрожжи^2. Используя различные подходы, включая РНК-интерференции и нокауты CRISPR/CAS-библиотеки, в последние годы были обнаружены новые синтетические смертельные пары генов^9,^10,^11. Протокол об экспериментальных процедурах РНКи в сочетании с CRISPR/CAS был недавно опубликован Хузденом и его коллегами^12. Между тем, исследователи также провели большие экраны в гаплоидных клетках человека для выявления синтетических летальных взаимодействий^13,^14. Методы in silico, такие как биологический сетевой анализ и машинное обучение, также показали перспективность в открытии синтетических смертельных взаимодействий^15,^16.

С точки зрения концепции, одним из подходов к использованию синтетических летальных взаимодействий в контексте противоопухолевой терапии является идентификация мутированных или нефункциональных белков в опухолевых клетках, что делает их синтетических партнеров по летальному взаимодействию перспективными лекарственными мишенями для терапевтического вмешательства. Из-за неоднородности большинства типов опухолей исследователи начали поиск так называемых синтетических летальных белков-концентраторов. Эти синтетические летальные центры имеют ряд синтетических летальных партнеров по взаимодействию, которые либо мутируют и, следовательно, нефункциональны, либо значительно понижаются в образцах опухолей. Устранение таких синтетических смертельных узлов обещает повысить эффективность лекарств или преодолеть лекарственную устойчивость, что может быть показано, например, в контексте винкристин-резистентной нейробластомы^17. Второй подход к улучшению лечения наркомании с использованием концепции синтетических летальных взаимодействий заключается в выявлении комбинаций лекарств, нацеленных на синтетические летальные взаимодействия. Это может привести к новым комбинациям уже одобренных одиночных противоопухолевых методов лечения и к перемещению лекарств из других областей заболевания в область онкологии.

В этой статье мы представляем пошаговую процедуру получения списка комбинаций лекарств, нацеленных на синтетические пары летального взаимодействия. В этом рабочем процессе мы (i) используем данные о синтетических летальных взаимодействиях из BioGRID и (ii) информацию о гомологичных генах из Ensembl, (iii) извлекаем пары лекарств-мишеней из DrugBank, (iv) строим ассоциации между болезнями и лекарствами из ClinicalTrials.gov и (v) следовательно, генерируем набор комбинаций лекарств, направленных на синтетические смертельные взаимодействия. Наконец, мы предоставляем комбинации лекарств в контексте рака яичников и молочной железы в разделе репрезентативных результатов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Извлечение синтетических летальных пар генов

Извлечение данных из BioGrid.
1. Загрузите последний файл взаимодействия BioGRID в формате tab2 с https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip либо с помощью веб-браузера, либо непосредственно из командной строки Linux с помощью curl или wget^18.
  
  ##download и распакуйте последний файл взаимодействия BioGRID
  #download новейшего файла взаимодействия BioGRID с помощью curl
  завиток -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
  #unpack загруженный файл данных
  распакуем biogrid_latest.zip
  BG="БИОГРИД-ВСЕ-3.5.171.tab2.txt"
2. После того, как zip-архив был загружен, необходимо распаковать архив и отметить имя фактического файла набора данных (BIOGRID-ALL-X. X.X.tab2.txt) для последующих шагов. Файл данных BioGRID содержит взаимодействия различных типов, которые будут отфильтрованы на следующем шаге.
  ПРИМЕЧАНИЕ: Существуют и другие источники (например, DRYGIN, SynlethDB), хучащие синтетические летальные взаимодействия, как указано в обсуждении.
Фильтр для синтетической летальности и отрицательных генетических взаимодействий (Экспериментальная система).
1. Используйте информацию в графе «Экспериментальная система» (столбец No 12), которая указывает на характер подтверждающих доказательств взаимодействия для выявления синтетических летальных взаимодействий.
2. Ограничьте набор данных записями со значением отрицательной генетической или синтетической летальности. На этом же этапе фильтруйте столбцы и сохраняйте только столбцы, относящиеся к последующим этапам анализа, как указано в таблице 1 ниже.
  
  ##restrict файл взаимодействия BioGRID в соответствующие столбцы и сохраняет только взаимодействия, классифицированные как отрицательная генетическая и синтетическая летальность
  cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
  | awk -F "\t" 'BEGIN{
  ОЦС="\t"
  }
  {
  if(NR == 1){
  распечатать $0
  }else if($4 == "Negative Genetic" || $4 == "Synthetic Lethality"){
  распечатать $0
  }
  }' > bg_synlet.txt
  
  ПРИМЕЧАНИЕ: В фрагментах кода ^I используется для представления горизонтальных табуляций. Могут быть включены дополнительные категории BioGRID, такие как синтетический дефект роста. Другие столбцы, имеющие отношение к этому рабочему процессу, перечислены в таблице 1. BioGRID также сохраняет оценки для отдельных взаимодействий. Отсечки могут использоваться для выявления сильных/высокоуверенных взаимодействий.

Номер столбца	Имя заголовка столбца
3	Имя гена
12	вид
13	Идентификаторы лекарств

Таблица 1: Соответствующие столбцы файла данных BioGRID.

Определите виды, для которых сообщалось о синтетических смертельных взаимодействиях.
1. Определите количество налоговых идентификаторов партнеров по синтетическому летальному взаимодействию, чтобы получить оценку количества синтетических летальных взаимодействий, доступных для каждого организма.
  
  ##count количество появлений каждого налогового идентификатора в ранее извлеченных синтетических смертельных взаимодействиях
  cut -d "^I" -f5,6 bg_synlet.txt | хвост -n +2 | тр "\t" "\n" \
  | сортировать | uniq -c | сортировать -r -g
  
  ПРИМЕЧАНИЕ: В результате шага 1 приведен список синтетических летальных взаимодействий с генными символами организмов, в которых были определены взаимодействия. Большинство синтетических летальных взаимодействий были определены в модельных организмах. При загрузке файлов в программу для работы с электронными таблицами (например, Excel) избегайте разрушения Gene Symbols¹⁹^,²⁰.

2. Перевод синтетических летальных пар генов в ортологи человека

Извлечение человеческих ортологов для соответствующих модельных организмов, идентифицированных на этапе 1.3.
1. Извлеките человеческие ортологи из Ensembl BioMart^21, связав соответствующий набор данных генов модельного организма с набором данных генов человека. Для этой задачи используйте генные символы, обозначающие ген в модельном организме и ортологичные гены человека. Используйте веб-службу Ensembl BioMart для автоматизации процесса извлечения и отправки запроса непосредственно в доступ BioMart RESTful для извлечения ортологичных пар генов (см. пример ниже и справку и документацию Ensembl BioMart для получения дополнительной информации).
  
  ##retrieve человеческий ортологич для Saccharomyces Cerevisiae от Ensembl BioMart с помощью curl для отправки запроса BioMart непосредственно в службу доступа BioMart RESTful
  curl -o s_cerevisiae.txt --data-urlencode 'query=
  
  <Имя набора данных = интерфейс "scerevisiae_gene_ensembl" = > "по умолчанию"
  <Атрибутное имя = "external_gene_name" />
  
  <Имя набора данных = интерфейс "hsapiens_gene_ensembl" = > "по умолчанию"
  <Атрибутное имя = "external_gene_name" />
  
  ' "http://www.ensembl.org/biomart/martservice"
  
  Чтобы получить ортологичные человеческие гены для других модельных организмов, замените значение атрибута name первого элемента Dataset именем соответствующего набора данных Ensembl и повторно выполните запрос.
  
  ПРИМЕЧАНИЕ: Процесс ортолог-картирования хорошо документирован в справке и документации Ensembl BioMart (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
1. Доступ к примеру запроса BioMart для человеческих ортологов для Saccharomyces cerevisiae, основных видов, идентифицированных на шаге 1.3, по URL-адресу 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.
  ПРИМЕЧАНИЕ: Существуют и другие источники (например, roundup, oma browser, HomoloGene, inparanoid) для гомологического отображения, как описано в разделе обсуждения этой рукописи.
Добавьте человеческие ортологи к извлеченным синтетическим смертельным взаимодействиям.
1. Соедините синтетические летальные взаимодействия, основанные на идентификаторе и символе гена организма, с ортологичными парами, полученными на шаге 2.1. Для синтетических пар летального взаимодействия человека либо создают искусственные ортологичные пары для каждого человеческого гена, присутствующего в наборе данных, либо следят за тем, чтобы синтетические смертельные взаимодействия человека не отбрасывались при объединении и передаче символов генов человека во вновь добавленные столбцы.
  
  ##collect ортологопоставлений в одном файле и соединяются с синтетическим файлом летального взаимодействия
  #create целевого файла с заголовками для сбора ортолог-сопоставлений
  эхо "tax_id/gene_symbol^Ihuman_gene_symbol" > отображении.txt
  
  #repeat этом шаге для каждого модельного организма, позаботьтесь о том, чтобы адаптировать имя входного файла и идентификатор налогоплательщика
  #adds для каждой пары ортологов в s_cerevisiae.txt новую запись в картографировании.txt: Символ гена префиксируется с налоговым идентификатором, чтобы облегчить последующее соединение с файлом синтетических смертельных взаимодействий
  awk -F "\t" 'BEGIN{
  ОЦС="\t"
  org_tax_id="559292"
  }
  {
  if($1 != "" && $2 != ""){
  распечатать org_tax_id"/"$1, $2
  }
  }' s_cerevisiae.txt >> картографирование.txt
  
  #create записи искусственного картирования для генов человека
  awk -F "\t" 'BEGIN{
  ОЦС="\t"
  human_tax_id="9606"
  }
  {
  if($5 == human_tax_id){
  печать $5"/"$2, $2
  }
  if($6 == human_tax_id){
  печать $6"/"$3, $3
  }
  }' bg_synlet.txt | сортировка -u >> отображение.txt
  
  #add необходимых ключей соединения (идентификационный номер налогоплательщика / символ гена) к синтетическим смертельным взаимодействиям
  awk -F "\t" 'BEGIN{
  ОЦС="\t"
  }
  {
  if(NR == 1){
  печать $0, "Ключ Интерактор A", "Ключ Интерактор B"
  }else{
  печать $0, $5"/"$2, $6"/"$3
  }
  }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt
  
  #join синтетических летальных взаимодействий с ортологичными парами
  слияние tmp_bg_synlet_w_keys.txt сопоставление.txt 7 1 > tmp.txt
  слияние tmp.txt сопоставление.txt 8 1 > bg_synlet_mapped.txt
  
  ПРИМЕЧАНИЕ: Команда merge, используемая в этом примере, не является стандартной командой Unix. Однако его реализация с помощью GNU Core Utilities сортирует и объединяет просты. Команда была введена, чтобы скрыть сложность сортировки файлов до того, как их можно будет соединить с командой join. С реализацией слияния можно ознакомиться по адресу https://github.com/aheinzel/merge-sh.
1. Использование любого идентификатора гена, однозначно идентифицирующего ген в определенном пространстве имен для достижения наилучших возможных результатов.
  ПРИМЕЧАНИЕ: Шаг 2 приводит к списку синтетических смертельных взаимодействий от нескольких организмов, сопоставленных с генами человека.

3. Сопоставление синтетических партнеров по летальному взаимодействию с наркотиками

Извлеките пары из DrugBank.
1. Скачайте данные DrugBank из раздела загрузок DrugBank и создайте учетную запись первой, если еще не создана^22. Используйте CSV-файл с идентификаторами мишеней лекарств (раздел идентификаторов белка: https://www.drugbank.ca/releases/latest#protein-identifiers) и словарь DrugBank (раздел открытых данных: https://www.drugbank.ca/releases/latest#open-data) с идентификаторами и названиями DrugBank. Кроме того, можно извлечь необходимую информацию из дампа базы данных XML.
  
  ##restrict файл drugBank drug target в соответствующие столбцы и сохранить записи только для молекулярных сущностей человека
  DB_TARGETS="все.csv"
  DB_NAMES="словарь наркобанка.csv"
  
  #extract соответствующие столбцы и переформатировать для использования табуляции в качестве разделителя столбцов
  csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt
  
  awk -F "\t" 'BEGIN{
  ОЦС="\t"
  }
  {
  if(NR == 1 || $2 == "Люди"){
  печать $1, $3
  }
  }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt
  
  ПРИМЕЧАНИЕ: Данные DrugBank предоставляются в двух основных форматах. Полная база данных доступна в виде XML-файла. Кроме того, большая часть данных предоставляется в виде серии файлов с разделиемыми запятыми (CSV).
1. Имейте в виду, что DrugBank также регистрирует нечеловеческие мишени для наркотиков. Видовая колонка (колонка No 12) может быть использована для извлечения человеческих лекарственных мишеней.
  ПРИМЕЧАНИЕ: Для лучшей удобочитаемости имена извлеченных столбцов приведены в таблице 2. Существуют и другие источники (например, База данных терапевтических мишеней или Chembl), в которых содержатся ссылки на лекарственные средства, как указано в разделе обсуждения.

Номер столбца	Имя заголовка столбца
3	Имя гена
12	вид
13	Идентификаторы лекарств

Добавьте названия лекарств к лекарственным мишеням.
1. Поскольку название препарата и информация о мишени лекарства предоставляются в двух отдельных файлах CSV, объедините информацию из двух файлов, чтобы впоследствии добавить названия лекарств, нацеленных на синтетического партнера по летальному взаимодействию, к синтетическим смертельным взаимодействиям. Объедините два набора данных, используя общий столбец DrugBank-drug-ID. Сначала нормализуйте набор данных о лекарственных средствах, чтобы он содержал только один идентификатор drugBank-drug-ID на строку, так как исходный файл может содержать несколько идентификаторов лекарств DrugBank подряд, если белок нацелен на несколько лекарств.
  
  ##generate один файл, вмещенный символ гена-мишени лекарственного средства, идентификатор препарата DrugBank и название препарата
  набор данных #normalize о лекарственных средствах
  awk -F "\t" 'BEGIN{
  ОЦС="\t"
  }
  {
  if(NR == 1){
  распечатать $0
  }else if($1 != "" && $2 != ""){
  сплит($2, drug_targets, ";")
  for(i в drug_targets){
  drug_target = drug_targets[i]
  gsub(/ /, "", drug_target)
  распечатать $1, drug_target | "сортировать -u"
  }
  }
  }' human_target_to_drugs_agg.txt > human_target_to_drug.txt
  
  #extract соответствующих столбцов и переформатировать для использования табуляции в качестве разделителя столбцов
  csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt
  
  слияние human_target_to_drug.txt \
  drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt
  
  ПРИМЕЧАНИЕ: В первой и третьей колонках словаря drugbank.csv файл содержит идентификатор препарата DrugBank и соответствующее название.

Добавьте препараты, нацеленные на синтетических партнеров по летальному взаимодействию, в набор данных о синтетическом летальном взаимодействии.
1. Объедините набор данных о синтетическом летальном взаимодействии с файлом названия лекарственного средства-мишени, созданным на предыдущем шаге, используя столбцы символов генов, чтобы добавить лекарства к синтетическим смертельным взаимодействиям. Позаботьтесь о том, чтобы добавить названия лекарств для обоих партнеров каждого синтетического летального взаимодействия.
  
  ##enhance файл синтетического летального взаимодействия, добавив лекарства, нацеленные на партнеров каждого синтетического летального взаимодействия
  объединить bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
  объединить tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt
  
  ПРИМЕЧАНИЕ: Шаг 3 приводит к синтетическому летальному взаимодействию нескольких организмов с их ортологичными человеческими генами и препаратами, нацеленными на эти гены.

4. Установление набора тестируемых в настоящее время комбинаций лекарственных средств в клинических испытаниях

Получите доступ к ClinicalTrials.gov данным.
1. Получение информации о клинических испытаниях в формате XML из ClinicalTrials.gov по (i) отдельным испытаниям, (ii) испытаниям, полученным в результате поискового запроса, или (iii) по всем испытаниям в базе данных. В качестве альтернативы используйте ресурсы, предоставляемые инициативой по трансформации клинических испытаний, которая также содержит все данные из ClinicalTrials.gov в реляционной базе данных. Более подробную информацию см. в шаге 4.4.
  ПРИМЕЧАНИЕ: Для доступа к облачному экземпляру базы данных, размещенному в рамках инициативы по трансформации клинических испытаний, требуется бесплатная учетная запись. Кроме того, требуется plsql клиент.
Сосредоточьтесь на интервенционных испытаниях.
Фильтр для испытаний, специфичных для указания интереса.
ПРИМЕЧАНИЕ: ClinicalTrials.gov приводит названия заболеваний из контролируемого словаря NCBI Medical Subject Headings (MeSH). В отличие от названий заболеваний, предоставленных заявителем, контролируемый словарь позволяет эффективно идентифицировать испытания для указания интереса. Тем не менее, нужно иметь в виду, что контролируемый словарь NCBI MeSH является тезаурусом. Поэтому проверьте Браузер MeSH (https://meshb.nlm.nih.gov), если общее указание интереса имеет какие-либо дочерние / более узкие термины, и включите их, если это необходимо.
Получить идентифицированные испытания вместе с препаратами, протестированными в этих испытаниях. Запрос на испытания с общим показанием рака яичников приведен ниже.

##retrieve интервенционные испытания для рака яичников с общим показанием из инициативы по трансформации клинических испытаний, размещенной реляционной базой данных, содержащей ClinicalTrials.gov данные
кошка <\pset нижний колонтитул выключен
ВЫБЕРИТЕ ОТДЕЛЬНЫЕ s.nct_id, s.brief_title, i.intervention_type i.name
ОТ исследований
ВНУТРЕННЕЕ СОЕДИНЕНИЕ browse_conditions c ON(s.nct_id = c.nct_id)
Внутреннее соединение интервенций i ON(s.nct_id = i.nct_id)
ГДЕ s.study_type = «Интервенционный»
И c.mesh_term В (
'Новообразования яичников',
'Карцинома, эпителия яичников',
'Гранулезо-клеточная опухоль',
«Наследственный синдром рака молочной железы и яичников»,
'Лютеома',
'Синдром Мейгса',
'Клеточная опухоль Сертоли-Лейдига',
'Thecoma'
)
ЗАКАЗ ПО s.nct_id, i.intervention_type;
ЕОФ
psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --no-align --field-separator="^I" --output="clinical_trials.txt" aact

Извлеките названия лекарств и сопоставьте с названиями DrugBank.
ПРИМЕЧАНИЕ: Хотя заманчиво напрямую использовать названия лекарств, полученные из клинических испытаний, представляющих интерес, необходимо знать, что названия вмешательств в ClinicalTrials.gov вводятся заявителем в качестве свободного текста. Как следствие, названия не стандартизированы, вместо общего названия соединения могут использоваться фирменные наименования, и нет никаких гарантий надлежащей нормализации данных (например, несколько наименований лекарственных средств в одной позиции). Кроме того, распространено, что препараты подаются с другим типом вмешательства, отличающимся от лекарственного. Поэтому сопоставление полученных названий вмешательств с названиями лекарств DrugBank лучше всего проводить вручную.

##Obtain список вмешательств, используемых в ранее полученном наборе клинических испытаний.
вырезать -d "^I" -f3,4 clinical_trials.txt | хвост -n +2 | сортировать -u

ПРИМЕЧАНИЕ: В колонках три и четыре содержатся тип вмешательства и название вмешательства, соответственно.

Дополнение к препаратам, уже использующимся в клинических условиях из руководящих принципов
ПРИМЕЧАНИЕ: Этап 4 приводит к составлению перечня препаратов, оцениваемых/используемых для индикации интереса.

5. Идентификация комбинаций лекарственных средств, нацеленных на синтетические летальные взаимодействия

Поиск синтетических летальных взаимодействий, нацеленных на два препарата, представляющих интерес. Ограничьте набор данных от этапа 3 до препаратов, представляющих интерес, отфильтровав строки в файле, в которых содержится как лекарство А, так и лекарство В.

##only сохраняют записи о синтетических смертельных взаимодействиях и препаратах, вызывающих их, когда оба партнера являются мишенью двух интересующих препаратов (drug_a и drug_b).
awk -F "\t" '{
if( ($12 == drug_a && $14 == drug_b) || ($12 == drug_b && $14 == drug_a) ) {
распечатать $0
}
}' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt

Убедитесь, что ни один из двух препаратов в одиночку не нацелен на обоих синтетических партнеров по летальному взаимодействию. Проверьте мишени каждого идентифицированного препарата в наборе данных из шага 3.2 и оцените, являются ли оба идентифицированных синтетических смертельных партнера мишенями конкретного препарата.

##find все записи о мишенях лекарств для данного названия препарата
awk -F "\t" '{
if($3 == лекарство){
распечатать $0
}
}' drug="XXX" db_human_drug_targets.txt

ПРИМЕЧАНИЕ: Препарат, который будет нацелен на оба синтетических пути летального взаимодействия, будет токсичен для любой клетки, поэтому теоретически он не является ценным многоцелевым агентом. Именно по этой причине эта возможность исключена на данном этапе алгоритма.

6. Тестирование выбранных новых комбинаций препаратов in vitro

Лечить клеточные линии рака молочной железы человека и доброкачественные эпителиальные клетки молочной железы человека, культивированные стандартными методами культивирования in vitro в увлажненной атмосфере 37 ° C с 5% CO₂ с различными комбинациями лекарств.
Используйте средства, дополненные фетальной бычим сывороткой и пенициллином, а также сульфатом стрептомицина, чтобы предотвратить бактериальную инфекцию.
Разбавляют лекарственные средства в растворителях, таких как ДМСО или фосфатно-буферный физиологический раствор, по меньшей мере в четырех различных концентрациях на основе их ранее установленного IC50 (ингибирующая концентрация) и используют их в комбинации или отдельно для лечения клеток.
Выполняйте анализы жизнеспособности клеток и анализы апоптоза, такие как окрашивания AnnexinV / 7-AAD, чтобы определить цитотоксические эффекты, вызванные лечением.
Мониторинг фармакологического ингибирования подозреваемых молекулярных мишеней с использованием вестерн-блотов.
Различают синтетическую летальность от чисто аддитивных эффектов, вычисляя комбинаторный индекс (КИ), как описано Чоу и др.^23.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Наша группа недавно опубликовала два исследования, применяющих рабочий процесс, изображенный в этой рукописи, для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия в контексте рака яичников и молочной железы^24,^25. В первом исследовании мы оценили комбинации лекарств, которые в настоящее время тестируются на поздней стадии клинических испытаний (фазы III и IV) или уже используются в клинической практике для лечения пациентов с р...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Мы наметили рабочий процесс для выявления комбинаций лекарств, влияющих на синтетические смертельные взаимодействия. Этот рабочий процесс использует (i) данные о синтетических летальных взаимодействиях из модельных организмов, (ii) информацию ортологов человека, (iii) информацию об ассоциациях лекарственного средства-мишени, (iv) информацию о лекарственных средствах о клинических испытаниях в контексте рака, а также (v) информацию о лекарственных средствах и ассоциациях генов-болезней, извлеченную из научной литературы. ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

AH и PP были сотрудниками emergentec biodevelopment GmbH на момент проведения анализов, приведших к результатам, представленным в репрезентативном разделе результатов. ММ и МК нечего раскрывать.

Благодарности

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

Финансирование для разработки рабочего процесса интеграции данных было получено из Седьмой рамочной программы Европейского сообщества в рамках грантового соглашения nu. 279113 (OCTIPS). Адаптация данных в рамках этой публикации была любезно одобрена Публичной библиотекой научных публикаций и Impact Journals, LLC.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
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
альтернативные вычислительные базы данных см. в рукописи
7-AAD	ebioscience	00-6993-50
AnnexinV-APC	BD Bioscience	550474
целекоксиб	Sigma-Aldrich	PZ0008-25MG
CellTiter-Blue Viability Assay	Promega	G8080
FACS Canto II	BD Bioscience	н/д
фетальная бычья сыворотка	Fisher Scientific/Gibco
FloJo Software	FloJo LLC	V10
McCoy's 5a Medium Modified	Fisher Scientific/Gibco	16600082
пенициллином G/стрептомицина сульфатом	Fisher Scientific/Gibco	15140122
SKBR-3 клетки	American Type Culture Collection (ATCC)	ATCC HTB-30
золедроновая кислота	Sigma-Aldrich	SML0223-50MG
strong > дополнительные материалы или оборудование будут предоставлены по запросу

16000044<

Ссылки

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

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Рабочий процесс интеграции данных для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия

В этой статье

Краткое содержание

Аннотация

Введение

Протокол

Результаты

Обсуждение

Раскрытие информации

Благодарности

Материалы

Ссылки

Перепечатки и разрешения

Теги

Похожие статьи