Рабочий процесс интеграции данных для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия
27 мая 2021 г.
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.
Синтетическое летальное взаимодействие между двумя генами происходит, когда один нокдаун любого из них не влияет на жизнеспособность клеток, но нокдаун обоих синтетических смертельных партнеров приводит к потере жизнеспособности клеток или гибели клеток. Объединение гетерогенных наборов данных может привести к выявлению синтетических летальных взаимодействий, которые могут быть нацелены на комбинации лекарств при таких заболеваниях, как рак, с целью остановки пролиферации клеток. Концепция синтетической летальности представляет интерес для любого заболевания, при котором пролиферация клеток является проблемой.
Что касается рака, синтетические смертельные генные взаимодействия уже нацелены на BRCA-мутированные опухоли с использованием ингибиторов PARP. Такие усилия, как наши, могут расширить использование концепции для других генных взаимодействий и раковых образований. В нашей лаборатории мы протестировали вычислительно предсказанные комбинации лекарств, нацеленные на синтетические смертельные взаимодействия в контексте рака молочной железы.
Начните с извлечения данных из BioGRID. Используйте веб-браузер для загрузки последнего файла взаимодействия BioGRID в формате tab2. Отфильтруйте столбцы, чтобы сохранить только те, которые имеют отношение к последующим этапам анализа.
Далее фильтр по синтетической летальности и негативным генетическим взаимодействиям. Используйте информацию в столбце Экспериментальная система, чтобы ограничить набор данных записями со значением отрицательной генетической или синтетической летальности. Определите виды, для которых сообщалось о синтетических смертельных взаимодействиях, путем определения количества налоговых идентификаторов партнеров по синтетическому летальному взаимодействию, что даст оценку количества этих взаимодействий, доступных для каждого организма.
Чтобы получить человеческие ортологи для соответствующих модельных организмов из Ensembl BioMart, выберите соответствующий набор данных модельных организмов, нажмите Атрибуты и выберите Имя гена. Затем нажмите «Набор данных» и выберите «Человеческие гены». Снова нажмите атрибуты и выберите Имя гена.
Затем нажмите Результаты. Проверьте только уникальные результаты и нажмите кнопку Go.Automatize процесс извлечения и отправьте запрос непосредственно в Доступ BioMart RESTful для извлечения ортологичных пар генов. При получении данных вручную через веб-интерфейс Ensembl BioMart переименуйте и обратите внимание, что строка заголовка была добавлена автоматически.
Чтобы получить ортологичные человеческие гены для других модельных организмов, замените значение атрибута name первого элемента набора данных именем соответствующего набора данных Ensembl. Затем отбросьте любые записи для генов без гомологов, соберите все гомологичные карты в одном файле и добавьте фиктивные карты для генов человека. Кроме того, добавьте искусственные записи для генов человека.
Подготовьте файл synlet для последующего объединения, добавив для каждого партнера по взаимодействию новый столбец, вмещая комбинацию идентификатора налогоплательщика и символа гена. Присоединяйтесь к синтетическим летальным взаимодействиям, основанным на идентификаторе налога организма и символе гена, с полученными ортологическими парами. Извлеките пары тарешек лекарств из DrugBank из раздела «Загрузки», создав учетную запись в первую очередь, если это необходимо.
Ограничьте файл drugBank до соответствующих столбцов. Сохраняются записи только для молекулярных объектов человека. Затем извлеките соответствующие столбцы и отфильтруйте данные для человеческих видов.
Поскольку название лекарственного средства и информация о мишени лекарственного средства предоставляются в двух отдельных файлах CSV, информация из двух файлов должна быть объединена. Для этого необходимо сначала нормализовать записи о названии препарата. Затем нормализуйте файл мишени препарата, чтобы он был иметь одну строку на лекарство.
Продолжайте с файлом словаря DrugBank и извлеките соответствующие столбцы. Поскольку название лекарственного средства и информация о мишени лекарственного средства предоставляются в двух отдельных файлах CSV, объедините информацию из двух файлов, используя общий идентификатор DrugBank.Объедините набор данных о синтетическом летальном взаимодействии с файлом названия лекарственного средства-мишени, созданным на предыдущем шаге, используя столбцы символов генов, обязательно добавив названия лекарств для обоих партнеров каждого синтетического летального взаимодействия. Наконец, получите информацию о клинических испытаниях из ClinicalTrials.gov.
Для удобства доступа используйте реляционную базу данных, предоставляемую Инициативой по трансформации клинических испытаний, создав учетную запись в первую очередь, если это необходимо. Растворяют предложенные препараты в соответствующих растворителях, таких как ДМСО или ПБС, по меньшей мере в четырех различных концентрациях. Добавьте препараты к клеткам рака молочной железы человека, посеянным в 96-колоденую пластину, и инкубируем их в течение желаемого количества времени для определения значений ингибирующей концентрации.
Используйте анализ жизнеспособности или апоптоза по выбору для определения жизнеспособности клеток с различными комбинациями и концентрациями лекарств, начиная с ранее установленного IC50. Затем определяют синергетические цитотоксические эффекты комбинаций препаратов путем расчета их комбинаторного индекса. Этот метод использовался для идентификации комбинаций лекарств, нацеленных на синтетические летальные взаимодействия при раке яичников.
Было обнаружено, что 21 уникальный препарат внес свой вклад в 84 идентифицированные комбинации лекарств, нацеленные на набор из 39 синтетических смертельных интеракторов. Тот же рабочий процесс был использован для идентификации 243 перспективных комбинаций лекарств, нацеленных на 166 синтетических летальных генных пар в контексте рака молочной железы. Отдельные комбинации были протестированы на их влияние на жизнеспособность клеток и апоптоз в двух клеточных линиях рака молочной железы.
Результаты анализа жизнеспособности целекоксиба, золедроновой кислоты и комбинации золедроновой кислоты и целекоксиба в клеточных линиях рака молочной железы SK-BR-3 показали, что при объединении препараты оказали значительное синергетическое влияние на жизнеспособность клеток. Окрашивание аннексином V и 7-AAD клеток SK-BR-3, обработанных двумя препаратами сами по себе и объединенных, показало, что процент поздних апоптотических и некротических клеток был увеличен после лечения комбинацией препарата. При попытке этого протокола потратьте время, необходимое для идентификации соответствующих названий лекарств DrugBank для всех лекарств и вмешательств, полученных в результате клинических испытаний.
Включение дополнительных данных, таких как профили экспрессии генов или степень аннотации, в научную литературу синтетических летальных интеракторов для изучаемого заболевания может быть дополнительно использовано для определения приоритетности синтетических летальных взаимодействий. Из-за растущего количества доступных биомедицинских данных объединение усилий с вычислительными биологами является полезным взаимодействием, ведущим к новым гипотезам, которые будут проверены в лаборатории. При работе с цитостатическими агентами обязательно следуйте местным рекомендациям, касающимся лабораторного оборудования для обеспечения безопасности и обращения с опасными реагентами.
В любой момент времени избегайте прямого контакта и обязательно соберите информацию об используемом веществе до начала эксперимента.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Это исследование изучает синтетические летальные взаимодействия между генами, особенно в контексте лечения рака. Интегрируя данные из генетических скринингов в модельных организмах, исследование направлено на выявление эффективных комбинаций лекарств, которые могут нацеливаться на эти взаимодействия.
Ключевые компоненты исследования
Область науки
- Генетика
- Онкобиология
- Фармакология
Предпосылки
- Синтетическая летальность возникает, когда одновременное подавление двух генов приводит к гибели клеток, в то время как подавление каждого гена в отдельности не делает этого.
- Этот концепт особенно актуален в онкологии, где определенные генетические взаимодействия могут быть использованы в терапевтических целях.
- Современные терапии, такие как ингибиторы PARP, нацеливаются на синтетические летальные взаимодействия в опухолях с мутациями BRCA.
- Комбинирование гетерогенных наборов данных может улучшить идентификацию потенциальных комбинаций лекарств.
Цель исследования
- Определить комбинации лекарств, которые нацеливаются на синтетические летальные взаимодействия в раке.
- Расширить применение синтетической летальности за пределы мутаций BRCA на другие генетические взаимодействия и типы рака.
- Протестировать вычислительно предсказанные комбинации лекарств в контексте рака молочной железы.
Использованные методы
- Рабочий процесс интеграции данных из генетических скринингов в модельных организмах.
- Вычислительное предсказание комбинаций лекарств.
- Экспериментальное подтверждение в лабораторных условиях.
- Анализ живучести клеток в ответ на комбинации лекарств.
Основные результаты
- Идентификация новых синтетических летальных взаимодействий, которые могут быть нацелены для терапии рака.
- Успешное тестирование предсказанных комбинаций лекарств в моделях рака молочной железы.
- Демонстрация потенциала расширения применения синтетической летальности в онкологии.
- Взгляд на механизмы гибели клеток, связанные с этими взаимодействиями.
Выводы
- Исследование предоставляет рамки для идентификации комбинаций лекарств, которые эксплуатируют синтетическую летальность.
- Результаты могут привести к новым терапевтическим стратегиям для различных типов рака.
- Необходимо провести дальнейшее исследование для валидации этих взаимодействий в клинических условиях.
Часто задаваемые вопросы
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
