Summary

Identification de haut débit synergique des associations de médicaments par la méthode2 de chevauchement

Published: May 21, 2018
doi:

Summary

Combinaisons de drogues synergiques sont difficile et fastidieux d’identifier empiriquement. Nous décrivons ici une méthode pour identifier et valider synergiques petites molécules.

Abstract

Bien que les médicaments antimicrobiens ont considérablement augmenté la durée de vie et de la qualité de vie au 20ème siècle, la résistance aux antimicrobien menace capacité de notre société tout entière pour traiter les infections systémiques. Dans les seuls États-Unis, les infections résistantes aux antibiotiques tuent environ 23 000 personnes par an et le coût environ 20 milliards USD en soins de santé supplémentaires. Une approche pour lutter contre la résistance aux antimicrobien est la thérapie de combinaison, qui est particulièrement utile dans la phase critique au début de l’infection, avant que le micro-organisme infectieux et son profil de résistance de drogue ont été identifiés. De nombreux traitements antimicrobiens recours à des thérapies de combinaison. Cependant, la plupart de ces combinaisons sont additifs, ce qui signifie que l’efficacité combinée est identique à la somme de l’efficacité des antibiotiques. Certaines thérapies de combinaison sont synergiques : l’efficacité combinée est beaucoup plus grande que l’additif. Combinaisons synergiques sont particulièrement utiles car ils peuvent inhiber la croissance des souches résistantes aux médicaments antimicrobiens. Cependant, ces combinaisons sont rares et difficiles à identifier. C’est en raison du nombre considérable de molécules nécessaires pour être analysées d’une manière par paires : une bibliothèque de 1 000 molécules a 1 million de combinaisons possibles. Ainsi, s’est efforcé de prédire des molécules de synergie. Cet article décrit notre méthode de haut-débit pour la prévision des paires synergique petite molécule appelées le chevauchement2 méthode (O2M). O2M utilise des modèles d’ensembles de données chimiques et génétiques pour identifier les mutants qui sont hypersensibles à chaque molécule dans une paire synergique mais pas à d’autres molécules. Le laboratoire brun exploite cette différence de croissance en effectuant un écran haut débit de molécules qui inhibent la croissance du mutant mais pas sauvage-type cellules. Travaux du laboratoire a déjà identifié des molécules qui agir en synergie avec l’antibiotique triméthoprime et le médicament antifongique fluconazole à l’aide de cette stratégie. Ici, les auteurs présentent une méthode à l’écran pour des combinaisons nouvelles synergiques, qui peut être modifié pour les micro-organismes multiples.

Introduction

Bactéries résistantes aux antibiotiques causent plus de 2 millions d’infections et de 23 000 décès chaque année aux États-Unis selon la CDC1. Nouveaux traitements sont nécessaires pour surmonter ces infections. Stratégies pour identifier ces nouveaux traitements comprennent le développement de nouveaux médicaments antimicrobiens ou la réutilisation des petites molécules approuvés pour d’autres conditions traiter les infections microbiennes2,3,4. Toutefois, la découverte de nouveaux médicaments est très coûteux et long. Réaffectation des médicaments peut ne pas identifier de nouveaux médicaments ou drogues vise5,6. Notre laboratoire se concentre sur une troisième stratégie dite de thérapies de combinaison synergique. Combinaison synergique se produire lorsque deux petites molécules ensemble, ont une efficacité supérieure à l’effet additif de leur efficacité individuelle7. En outre, les combinaisons synergétiques peuvent être efficaces contre un pathogène résistant à l’une des petites molécules dans la paire en plus d’avoir moins d’indésirables effets hors cible, rendant le grand potentiel de8,9, 10.

Synergiques paires sont rares, survenant chez environ 4 à 10 % des drogues combinaisons11,12,13. Ainsi, des techniques traditionnelles telles que les écrans sont difficiles et longues, avec des milliers de combinaisons possibles d’une petite bibliothèque d’une centaine de molécules. De plus, des interactions synergiques généralement est imprévisible de l’activité des composés14. Cependant, les auteurs ont développé une approche de haut débit pour dépister les paires synergiques, appelé le chevauchement2 méthode (O2M)12. Cette méthode, décrite ici, permet l’identification plus rapide et plus efficace de ces paires synergiques. O2M nécessite l’utilisation d’une paire de synergique connue et un ensemble de données de produits chimiques-génétique. Produit chimique-génétique des ensembles de données sont générées lorsqu’une bibliothèque de mutants de knock-out est cultivée en présence de nombreuses petites molécules différentes. Si une molécule dans une paire synergique connue induit le même phénotype d’un mutant de knockout particulière que la deuxième molécule synergique, toute autre petite molécule qui provoque le phénotype de ce même mutant doit aussi agir en synergie avec chaque membre de la dite paire de synergique. Ce raisonnement a été utilisé dans le laboratoire de brun pour identifier synergique antibiotique actif contre Escherichia coli (e. coli) et antifongique synergique en paires actives contre le champignon pathogène Cryptococcus neoformans (C. neoformans)11,12. O2M est non seulement adaptable pour différents agents pathogènes, mais permet le dépistage des grandes bibliothèques de molécules pour identifier des paires synergiques facilement et rapidement. Projection avec le mutant génétique identifié par O2M permet de ne valider que ces petites molécules prévues de synergie. Ainsi, tester une bibliothèque 2 000 molécules pairwise prendrait mois, considérant que s’il y avait seulement 20 molécules dans cette bibliothèque prévue à agir en synergie, maintenant l’essai de synergie a été une question de jours. O2M ne nécessite pas de compétences en programmation, et l’équipement nécessaire est disponible dans la plupart des laboratoires ou des installations de base. En plus de chercheurs qui s’intéressent à des combinaisons de médicaments, analyse O2M est d’intérêt pour toute personne qui a complété un dépistage de drogues et veut étendre leurs succès en identifiant des interactions médicamenteuses importantes. Voici le protocole d’identification synergiques petites molécules chez les bactéries, mais aussi de valider les interactions synergiques prédites dans les dosages connus15,16.

Protocol

1. identifier la synergie des Mutants de prédiction du Dataset génétique chimique par la méthode2 de chevauchement (O2M) NOTE : Ceci est la méthode d’identification des mutants de prédiction de synergie à l’aide de l’ensemble de données publiée de Nichols et al.. 17 chez e. coli. Toutefois, cela peut être fait sur n’importe quel dataset chimique-génétique et de microorganismes. Ces ensembles de données contie…

Representative Results

Les dosages de damier sont une méthode semi-quantitative pour mesurer les interactions synergiques. Le score final de sortie, FICI, détermine si une combinaison de médicaments est considérée comme synergique (FICI ≤0, 5), sans interaction (0,5 < FICI < 4), ou antagonistes (FICI ≥4.0). La figure 1 illustre comment configurer les gradients de drogue lors d’un essai de damier. La figure 2 illustre les résultats communs. …

Discussion

Synergique petite molécule paires peuvent être un outil puissant dans le traitement des infections microbiennes, et pourtant ils n’ont pas atteint leur potentiel clinique complète car synergiques paires sont difficiles à identifier. Cet article décrit une méthode pour identifier les paires synergiques beaucoup plus rapides que des combinaisons simples par paires. En utilisant des ensembles de données de produits chimiques-génétique, O2M identifie des mutants avec débouchures de gène qui peuvent alors servir …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce travail a été soutenu par une subvention de démarrage du département de pathologie, Université de l’Utah à J.C.S.B.

Materials

Bioscreen C instrument Growth Curves USA
Synergy H1 instrument BioTek
M9 broth reagent Amresco J863-500G
Casamino Acids reagent Fisher Scientific BP1424-500
Glucose reagent Sigma G7021-10KG
Nicotinic Acid reagent Alfa Aesar A12683
Thiamine reagent Acros Organics 148991000
CaCl2 Dihydrate reagent Fisher C79-500
MgSO4 Heptahydrate reagent Fisher M63-500
chemical-genetics dataset dataset examples include Nichols et al., Cell, 2011, Brown et al, Cell, 2014, and others cited in the text.
trimethoprim (example input drug; any can be used) reagent Fisher Scientific ICN19552701
sulfamethoxazole (example test drug; any can be used) reagent Fisher Scientific ICN15671125

References

  1. Michael, C. A., Dominey-Howes, D., Labbate, M. The Antimicrobial Resistance Crisis: Causes, Consequences, and Management. Front Public Health. 2, 145 (2014).
  2. Butts, A., Krysan, D. J. Antifungal Drug Discovery: Something Old and Something New. PLOS Pathogens. 8 (9), e1002870 (2012).
  3. Roemer, T., Krysan, D. J. Antifungal Drug Development: Challenges, Unmet Clinical Needs, and New Approaches. Cold Spring Harb Perspect Med. 4 (5), a019703 (2014).
  4. Oprea, T. I., Mestres, J. Drug Repurposing: Far Beyond New Targets for Old Drugs. AAPS J. 14 (4), 759-763 (2012).
  5. Scannell, J. W., Blanckley, A., Boldon, H., Warrington, B. Diagnosing the decline in pharmaceutical R&D efficiency. Nat Rev Drug Discov. 11 (3), 191-200 (2012).
  6. Rangel-Vega, A., Bernstein, L. R., Mandujano-Tinoco, E. A., García-Contreras, S. J., García-Contreras, R. Drug repurposing as an alternative for the treatment of recalcitrant bacterial infections. Front Microbiol. 6, 282 (2015).
  7. Torella, J. P., Chait, R., Kishony, R. Optimal Drug Synergy in Antimicrobial Treatments. PLoS Comput Biol. 6 (6), e1000796 (2010).
  8. Cowen, L. E., et al. Harnessing Hsp90 function as a powerful, broadly effective therapeutic strategy for fungal infectious disease. P Natl Acad Sci. 106 (8), 2818-2823 (2009).
  9. Zuo, G. -. Y., et al. Synergistic Antibacterial and Antibiotic Effects of Bisbenzylisoquinoline Alkaloids on Clinical Isolates of Methicillin-Resistant Staphylococcus Aureus (MRSA). Molecules. 16 (12), 9819 (2011).
  10. Jia, J., et al. Mechanisms of drug combinations: interaction and network perspectives. Nat Rev Drug Discov. 8 (2), 111-128 (2009).
  11. Wambaugh, M. A., Shakya, V. P. S., Lewis, A. J., Mulvey, M. A., Brown, J. C. S. High-throughput identification and rational design of synergistic small-molecule pairs for combating and bypassing antibiotic resistance. PLOS Biol. 15 (6), e2001644 (2017).
  12. Brown, J. C. S., et al. Unraveling the biology of a fungal meningitis pathogen using chemical genetics. Cell. 159 (5), 1168-1187 (2014).
  13. Cokol, M., et al. Systematic exploration of synergistic drug pairs. Mol Syst Biol. 7, 544-544 (2011).
  14. Borisy, A. A., et al. Systematic discovery of multicomponent therapeutics. Proc Natl Acad Sci USA. 100 (13), 7977-7982 (2003).
  15. Tang, J., Wennerberg, K., Aittokallio, T. What is synergy? The Saariselkä agreement revisited. Front Pharmacol. 6, 181 (2015).
  16. Hsieh, M. H., Yu, C. M., Yu, V. L., Chow, J. W. Synergy assessed by checkerboard. A critical analysis. Diagn Microbiol Infect Dis. 16 (4), 343-349 (1993).
  17. Nichols, R. J., et al. Phenotypic Landscape of a Bacterial Cell. Cell. 144 (1), 143-156 (2011).
  18. Chandrasekaran, S., et al. Chemogenomics and orthology-based design of antibiotic combination therapies. Mol Syst Biol. 12 (5), (2016).
  19. Pradhan, A., et al. Chemogenomic profiling of Plasmodium falciparum as a tool to aid antimalarial drug discovery. Sci Rep. 5, 15930 (2015).
  20. Pethe, K., et al. A chemical genetic screen in Mycobacterium tuberculosis identifies carbon-source-dependent growth inhibitors devoid of in vivo efficacy. Nat Commun. 1 (5), 1-8 (2010).
  21. Diezmann, S., Michaut, M., Shapiro, R. S., Bader, G. D., Cowen, L. E. Mapping the Hsp90 Genetic Interaction Network in Candida albicans Reveals Environmental Contingency and Rewired Circuitry. PLoS Genetics. 8 (3), e1002562 (2012).
  22. Robbins, N., et al. An Antifungal Combination Matrix Identifies a Rich Pool of Adjuvant Molecules that Enhance Drug Activity Against Diverse Fungal Pathogens. Cell reports. 13 (7), 1481-1492 (2015).
  23. Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Syst. 1 (6), 383-395 (2015).
  24. Spitzer, M., et al. Cross-species discovery of syncretic drug combinations that potentiate the antifungal fluconazole. Mol Syst Biol. 7, 499-499 (2011).

Play Video

Cite This Article
Wambaugh, M. A., Brown, J. C. S. High-throughput Identification of Synergistic Drug Combinations by the Overlap2 Method. J. Vis. Exp. (135), e57241, doi:10.3791/57241 (2018).

View Video