Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

سير عمل تكامل البيانات لتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية

Published: May 27, 2021 doi: 10.3791/60328
Automatic Translation
1, 2, 1, 3, 1
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

Summary

وقد أدت الشاشات الجينية الكبيرة في الكائنات الحية النموذجية إلى تحديد التفاعلات الجينية السلبية. هنا، نصف سير عمل تكامل البيانات باستخدام بيانات من الشاشات الجينية في الكائنات الحية النموذجية لتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية في السرطان.

Abstract

يتم إعطاء تفاعل قاتل اصطناعي بين جينين عندما لا يؤثر خروج أي من الجينين على صلاحية الخلية ولكن خروج كل من المتفاعلين القاتلين الاصطناعيين يؤدي إلى فقدان صلاحية الخلية أو موت الخلية. أفضل تفاعل قاتل اصطناعي مدروس هو بين BRCA1/2 وPARP1 ، مع استخدام مثبطات PARP1 في الممارسة السريرية لعلاج المرضى الذين يعانون من أورام متحولة BRCA1/2. وقد أدت الشاشات الوراثية الكبيرة في الكائنات الحية النموذجية ولكن أيضا في خطوط الخلايا البشرية haploid إلى تحديد العديد من أزواج التفاعل الاصطناعية القاتلة إضافية، وكلها أهداف محتملة للاهتمام في تطوير علاجات الأورام الجديدة. أحد النهج هو استهداف الجينات علاجيا مع التفاعل القاتل الاصطناعية التي تحور أو downregulated بشكل كبير في الورم من الفائدة. والنهج الثاني هو صياغة مجموعات من المخدرات تعالج التفاعلات القاتلة الاصطناعية. في هذه المقالة، نوضح سير عمل تكامل البيانات لتقييم وتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية. نحن نستفيد من مجموعات البيانات المتاحة عن أزواج التفاعل القاتل الاصطناعي، وموارد رسم خرائط الأوهام، والروابط المستهدفة بالمخدرات من قواعد البيانات المخصصة، فضلا عن المعلومات المتعلقة بالعقاقير التي يجري التحقيق فيها في التجارب السريرية في مجال المرض المثير للاهتمام. كما نسلط الضوء على النتائج الرئيسية لدرايتين حديثتين لمجموعتنا حول تقييم تركيبة الأدوية في سياق سرطان المبيض والثدي.

Introduction

تعرف الفتك الاصطناعية ارتباط جينين، حيث لا يؤثر فقدان جين واحد على الجدوى، ولكن فقدان كلا الجينين يؤدي إلى موت الخلية. وقد وصفت لأول مرة في عام 1946 من قبل دوبجانسكي أثناء تحليل الأنماط الظاهرية المختلفة من drosophila عن طريق تربية المسوخ homozygous1. المسوخ التي لم تنتج ذرية قابلة للحياة، على الرغم من أن تكون قابلة للحياة أنفسهم، أظهرت الأنماط الظاهرية القاتلة عندما عبرت مع بعض المسوخ الأخرى، مما يمهد الطريق لإنشاء نظرية الفتك الاصطناعية. اقترح هارتويل وزملاؤه أن هذا المفهوم قد يكون قابلا للتطبيق على علاج السرطان في البشر2. يمكن أن تعتمد الفتك الاصطناعية التي أثارتها الأدوية على طفرة واحدة فقط ، بالنظر إلى أن شريك الجين المتحول القاتل الاصطناعي قابل للاستهداف من قبل مركب دوائي. وكان أول زوج الجينات لتمكين التعريفي الدوائية من الفتك الاصطناعية BRCA(1/2) وPARP1. PARP1 يعمل كمستشعر لتلف الحمض النووي، ويرتبط إلى مواقع مزدوجة واحدة من الحمض النووي حبلا فواصل، supercoils وكروس3. BRCA1 و 2 تلعب أدوارا رئيسية في إصلاح الحمض النووي المزدوج حبلا فواصل من خلال إعادة التركيب متجانسة4. نشر المزارع وزملاؤه النتائج التي تفيد بأن الخلايا الناقصة لBRCA1/2 كانت عرضة لتثبيط PARP ، في حين لم يلاحظ أي سمية خلوية في الخلايا البرية BRCA5. في نهاية المطاف، تمت الموافقة على مثبطات PARP لعلاج سرطان الثدي والمبيض BRCA ناقص6،7. وعلاوة على ذلك، أزواج الجينات الفتك الاصطناعية مما يؤدي إلى الموافقة السريرية للمركبات الدوائية ومن المتوقع كثيرا ومجالا رئيسيا من الجهود الحديثة لأبحاث السرطان8.

تم تصميم التفاعلات الجينية القاتلة الاصطناعية في كائنات متعددة بما في ذلك ذباب الفاكهة ، C. elegans والخميرة2. باستخدام نهج مختلفة بما في ذلك التدخل الجيش الملكي النيبالي - و CRISPR / CAS مكتبة بالضربة القاضية ، تم اكتشاف أزواج الجينات القاتلة الاصطناعية رواية في السنوات الأخيرة9،10،11. وقد نشر مؤخرا بروتوكول بشأن الإجراءات التجريبية للRNAi بالاشتراك مع CRISPR / CAS من قبل هوسدن وزملاؤه12. وفي الوقت نفسه، أجرى الباحثون أيضا شاشات كبيرة في الخلايا البشرية haploid لتحديد التفاعلات القاتلة الاصطناعية13،14. في أساليب silico مثل تحليل الشبكة البيولوجية والتعلم الآلي كما أظهرت وعدا في اكتشاف التفاعلات القاتلة الاصطناعية15،16.

من الناحية الحملية، يتمثل أحد النهج للاستفادة من التفاعلات القاتلة الاصطناعية في سياق العلاج المضاد للورم في تحديد البروتينات المتحولة أو غير الوظيفية في الخلايا السرطانية، مما يجعل شركاء التفاعل القاتل الاصطناعية واعدين بأهداف المخدرات للتدخل العلاجي. بسبب عدم التجانس في معظم أنواع الأورام، بدأ الباحثون البحث عن ما يسمى البروتينات المحورية القاتلة الاصطناعية. هذه المحاور القاتلة الاصطناعية لديها عدد من شركاء التفاعل القاتل الاصطناعية التي هي إما تحور وبالتالي غير وظيفية أو downregulated بشكل كبير في عينات الورم. معالجة مثل هذه المحاور القاتلة الاصطناعية يبشر بالخير في زيادة فعالية الأدوية أو التغلب على مقاومة الأدوية كما يمكن أن يظهر على سبيل المثال في سياق الورم الأرومي العصبي المقاوم للفينكريستين17. 10- والنهج الثاني لتعزيز العلاج من المخدرات باستخدام مفهوم التفاعلات القاتلة الاصطناعية هو تحديد تركيبات العقاقير التي تستهدف التفاعلات القاتلة الاصطناعية. وهذا يمكن أن يؤدي إلى مجموعات جديدة من العلاجات المضادة للورم واحدة وافقت بالفعل وإعادة وضع الأدوية من مناطق الأمراض الأخرى إلى مجال الأورام.

في هذه المقالة، نقدم إجراء خطوة بخطوة لتقديم قائمة من تركيبات المخدرات التي تستهدف أزواج التفاعل القاتل الاصطناعية. في سير العمل هذا، نستخدم (1) بيانات عن التفاعلات القاتلة الاصطناعية من BioGRID و (2) معلومات عن الجينات المتجانسة من Ensembl، (3) استرداد أزواج المخدرات المستهدفة من DrugBank، (4) بناء جمعيات الأمراض والمخدرات من ClinicalTrials.gov، و (5) وبالتالي توليد مجموعة من تركيبات المخدرات التي تعالج التفاعلات القاتلة الاصطناعية. وأخيرا، نحن نقدم تركيبات الأدوية في سياق سرطان المبيض والثدي في قسم النتائج التمثيلية.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. استرجاع أزواج الجينات القاتلة الاصطناعية

  1. استرجاع البيانات من BioGrid.
    1. تحميل أحدث ملف التفاعل BioGRID في شكل tab2 من https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip إما باستخدام متصفح ويب أو مباشرة من سطر الأوامر لينكس باستخدام حليقة أو wget18.

      ##download وفك أحدث ملف تفاعل BioGRID
      #download أحدث ملف تفاعل BioGRID باستخدام حليقة
      حليقة -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack ملف البيانات التي تم تنزيلها
      فك ضغط biogrid_latest.zip
      BG ="BIOGRID-ALL-3.5.171.tab2.txt"
       
    2. بعد تحميل الأرشيف البريدي، يجب أن يكون الأرشيف unpack وملاحظة اسم ملف مجموعة البيانات الفعلية (BIOGRID-ALL-X. X.X.tab2.txt) للخطوات اللاحقة. ملف البيانات BioGRID يحمل التفاعلات من أنواع مختلفة التي سيتم تصفيتها في الخطوة التالية.
      ملاحظة: توجد مصادر أخرى (مثل DRYGIN, SynlethDB) التي تحتفظ بتفاعلات قاتلة اصطناعية، على النحو المبين في المناقشة.
  2. فلتر للقاتل الاصطناعي والتفاعلات الجينية السلبية (النظام التجريبي).
    1. استخدم المعلومات الواردة في العمود "النظام التجريبي" (العمود رقم 12) التي تشير إلى طبيعة الأدلة الداعمة للتفاعل لتحديد التفاعلات القاتلة الاصطناعية.
    2. تقييد مجموعة البيانات إلى إدخالات بقيمة إما الوراثية السلبية أو الفتك الاصطناعية. في الخطوة نفسها، قم بتصفية الأعمدة والاحتفاظ فقط بالأعمدة ذات الصلة بخطوات التحليل اللاحقة كما هو مذكور في الجدول 1 أدناه.

      ##restrict ملف التفاعل BioGRID إلى الأعمدة ذات الصلة والاحتفاظ فقط بالتفاعلات المصنفة على أنها فتك وراثي واصطناعي سلبي
      قطع -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" 'BEGIN{
      OFS ="\t"
      }
      {
      إذا (NR == 1){
      طباعة $0
      }آخر إذا ($4 == "الوراثية السلبية" || $4 == "الفتك الاصطناعية"){
      طباعة $0
      }
      }' > bg_synlet.txt

      ملاحظة: في أجزاء التعليمات البرمجية ^ يتم استخدام لتمثيل علامات التبويب الأفقية. ويمكن تضمين فئات BioGRID إضافية مثل عيب النمو الاصطناعية. يتم سرد أعمدة أخرى ذات صلة لسير العمل هذا في الجدول 1. BioGRID يحتفظ أيضا عشرات للتفاعلات الفردية. ويمكن استخدام قطع لتحديد التفاعلات قوية / عالية الثقة.
رقم العمود اسم رأس العمود
3 اسم الجينات
12 جنس
13 معرفات المخدرات

الجدول 1: الأعمدة ذات الصلة من ملف البيانات BioGRID.

  1. تحديد الأنواع التي تم الإبلاغ عن تفاعلات قاتلة اصطناعية لها.
    1. تحديد عدد التفاعلات الاصطناعية القاتلة شريك معرفات الضرائب للحصول على تقدير لعدد التفاعلات القاتلة الاصطناعية المتاحة لكل كائن حي.

      ##count عدد المظاهر لكل معرف ضريبي في التفاعلات القاتلة الاصطناعية المستخرجة سابقا
      قطع -d "^I" -f5,6 bg_synlet.txt | الذيل -n +2 | tr "\t" "\n" \
      | فرز | uniq -c | فرز -r-g

      ملاحظة: نتيجة الخطوة 1، قائمة بالتفاعلات القاتلة الاصطناعية مع الرموز الجينية من الكائنات الحية التي تم تحديد التفاعلات فيها. وقد تم تحديد غالبية التفاعلات القاتلة الاصطناعية في الكائنات الحية النموذجية. عند تحميل الملفات في برنامج جدول البيانات (على سبيل المثال، Excel) تجنب تخريب الرموز الجينية19،20.

2. ترجمة أزواج الجينات القاتلة الاصطناعية إلى تقويم العظام البشري

  1. استرجاع تقويم العظام البشري للكائنات النموذجية ذات الصلة المحددة في الخطوة 1.3.
    1. استرجاع تقويم العظام البشري من Ensembl BioMart21 عن طريق ربط مجموعة بيانات الجينات الحية النموذجية ذات الصلة بمجموعة بيانات الجينات البشرية. استخدم رموز الجينات التي تدل على الجين في الكائن الحي النموذجي والجينات البشرية التقويمية لهذه المهمة. استخدم خدمة Ensembl BioMart webservice لأتمتة عملية الاسترجاع وإرسال الاستعلام مباشرة إلى BioMart RESTful للوصول لاسترداد أزواج الجينات التقويمية (انظر المثال أدناه ومساعدة Ensembl BioMart والوثائق لمزيد من التفاصيل).

      ##retrieve تقويم العظام البشري لSaccharomyces Cerevisiae من Ensembl BioMart باستخدام حليقة لإرسال استعلام BioMart مباشرة إلى خدمة الوصول BioMart RESTful
      حليقة -o s_cerevisiae.txt --البيانات urlencode 'الاستعلام = <؟xml الإصدار = "1.0" ترميز = "UTF - 8"؟>

      <الصرير virtualSchemaName = "الافتراضي" المنسق = "TSV" رأس = "0" uniqueRows = "1" العد = "" datasetConfigVersion = "0.6" >

      < اسم مجموعة البيانات = واجهة "scerevisiae_gene_ensembl" = "افتراضي" >
      <اسم الريبوت = "external_gene_name" / >


      < اسم مجموعة البيانات = واجهة "hsapiens_gene_ensembl" = "افتراضي" >
      <اسم الريبوت = "external_gene_name" / >


      "http://www.ensembl.org/biomart/martservice"

      من أجل استرداد الجينات البشرية التقويمية للكائنات الحية النموذجية الأخرى ، استبدل قيمة سمة اسم عنصر Dataset الأول باسم مجموعة بيانات Ensembl المعنية وإعادة تنفيذ الاستعلام.

      ملاحظة: عملية تعيين تقويم العظام موثقة جيدا في تعليمات ووثائق Ensembl BioMart (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
    1. الوصول إلى مثال BioMart الاستعلام عن تقويم العظام البشرية لSaccharomyces cerevisiae، الأنواع الأعلى المحددة في الخطوة 1.3، عبر عنوان 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&؛&؛ VISIBLEPANEL =linkattributepanel.
      ملاحظة: توجد مصادر أخرى (مثل الجولة، متصفح أوما، HomoloGene، inparanoid) لرسم خرائط الأوهام، كما هو موضح في قسم المناقشة في هذه المخطوطة.
  2. إضافة تقويم العظام البشرية إلى التفاعلات القاتلة الاصطناعية المستخرجة.
    1. انضم إلى التفاعلات القاتلة الاصطناعية استنادا إلى معرف ضريبة الكائن الحي ورمز الجينات مع أزواج تقويم العظام التي تم استردادها في الخطوة 2.1. بالنسبة لأزواج التفاعل القاتل الاصطناعي البشري، إما إنشاء أزواج تقويم عظام اصطناعية لكل جين بشري موجود في مجموعة البيانات أو التأكد من عدم التخلص من التفاعلات القاتلة الاصطناعية البشرية أثناء الانضمام إلى رموز الجينات البشرية ونقلها إلى الأعمدة المضافة حديثا.

      ##collect تعيينات تقويم العظام في ملف واحد والانضمام مع ملف التفاعل القاتل الاصطناعية
      #create ملف هدف مع رؤوس لتجميع تعيينات تقويم العظام
      > رسم خرائط > "tax_id/gene_symbol^Ihuman_gene_symbol.txt

      #repeat هذه الخطوة لكل كائن حي نموذجي ، احرص على تكييف اسم ملف الإدخال والضريبة معرف
      #adds لكل زوج تقويم العظام في s_cerevisiae.txt إدخال جديد في رسم الخرائط.txt: يتم تثبيت رمز الجين مع معرف الضريبة لتسهيل الانضمام اللاحق مع ملف التفاعلات القاتلة الاصطناعية
      awk -F "\t" 'BEGIN{
      OFS ="\t"
      org_tax_id ="559292"
      }
      {
      إذا ($1 != "" و $2 != ""){
      طباعة org_tax_id"/"$1, $2
      }
      }' تعيين s_cerevisiae.txt >>.txt

      #create إدخالات رسم الخرائط الاصطناعية للجينات البشرية
      awk -F "\t" 'BEGIN{
      OFS ="\t"
      human_tax_id="9606"
      }
      {
      إذا ($5 == human_tax_id){
      طباعة $5"/"$2, $2
      }
      إذا ($6 == human_tax_id){
      طباعة 6 دولارات "/ "3 دولارات ، 3 دولارات
      }
      }' bg_synlet.txt | فرز -u >> التعيين.txt

      #add مفاتيح الصلة المطلوبة (معرف الضريبة / رمز الجينات) إلى التفاعلات القاتلة الاصطناعية
      awk -F "\t" 'BEGIN{
      OFS ="\t"
      }
      {
      إذا (NR == 1){
      طباعة $0, "مفتاح التفاعل A", "مفتاح التفاعل B"
      }آخر{
      طباعة 0 دولار ، 5 دولارات "/ "2 دولار ، 6 دولارات " / "3 دولارات
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join التفاعلات القاتلة الاصطناعية مع أزواج تقويم العظام
      دمج tmp_bg_synlet_w_keys.txt تعيين.txt 7 1 > tmp.txt
      دمج tmp.txt تعيين.txt 8 1 > bg_synlet_mapped.txt

      ملاحظة: الأمر دمج المستخدمة في هذا المثال ليس الأمر Unix قياسي. ومع ذلك، فإن تنفيذه بمساعدة من فرز GNU Core Utilities والانضمام إليه أمر واضح. تم تقديم الأمر لإخفاء تعقيد فرز الملفات قبل أن يمكن ضمها مع صلة الأمر. يمكن العثور على تنفيذ دمج في https://github.com/aheinzel/merge-sh.
    1. استخدام أي معرف جيني يحدد الجين بشكل فريد في مساحة اسم معينة للحصول على أفضل النتائج الممكنة.
      ملاحظة: تؤدي الخطوة 2 إلى قائمة بالتفاعلات القاتلة الاصطناعية من كائنات حية متعددة تم تعيينها إلى جينات بشرية.

3- رسم خرائط شركاء التفاعل الاصطناعي المميت بالمخدرات

  1. استرداد أزواج المخدرات المستهدفة من DrugBank.
    1. تحميل بيانات DrugBank من قسم التنزيلات من DrugBank وإنشاء حساب أولا إن لم يكن بالفعل إنشاء22. استخدم ملف CSV مع معرفات هدف الدواء (قسم معرفات البروتين: https://www.drugbank.ca/releases/latest#protein-identifiers) ومفردات DrugBank (قسم البيانات المفتوحة: https://www.drugbank.ca/releases/latest#open-data) مع معرفات وأسماء DrugBank. بدلا من ذلك، استخراج المعلومات المطلوبة من تفريغ قاعدة بيانات XML.

      ##restrict ملف الهدف الدوائي ل DrugBank إلى الأعمدة ذات الصلة والاحتفاظ فقط بالإدخالات للكيانات الجزيئية البشرية
      DB_TARGETS ="كل.csv"
      DB_NAMES ="مفردات بنك المخدرات.csv"

      #extract الأعمدة ذات الصلة وإعادة تهيئة لاستخدام علامة التبويب كمفصل عمود
      csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt

      awk -F "\t" 'BEGIN{
      OFS ="\t"
      }
      {
      إذا (NR == 1 || $2 == "البشر"){
      طباعة 1 دولار ، 3 دولارات
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt

      ملاحظة: يتم توفير بيانات بنك المخدرات في شكلين رئيسيين. قاعدة البيانات الكاملة متوفرة كملف XML. بالإضافة إلى ذلك، يتم توفير معظم البيانات في سلسلة من الملفات (CSV) القيمة مفصولة بفاصلة.
    1. كن على علم بأن DrugBank يسجل أيضا أهدافا غير بشرية للمخدرات. ويمكن استخدام عمود الأنواع (العمود رقم 12) لاستخراج أهداف المخدرات البشرية.
      ملاحظة: للحصول على أفضل قراءة يتم توفير أسماء الأعمدة المستخرجة في الجدول 2. وتوجد مصادر أخرى (مثل قاعدة بيانات الهدف العلاجي أو Chembl) التي تربط بين المخدرات المستهدفة، على النحو المبين في قسم المناقشة.
رقم العمود اسم رأس العمود
3 اسم الجينات
12 جنس
13 معرفات المخدرات
  1. إضافة أسماء المخدرات إلى أهداف المخدرات.
    1. وبما أن اسم المخدرات والمعلومات المتعلقة باستهداف المخدرات تقدم في ملفين منفصلين من ملفات CSV، فإنهما يدمجان المعلومات الواردة في الملفين لإضافة أسماء المخدرات التي تستهدف لاحقا شريكا اصطناعيا في التفاعل القاتل إلى التفاعلات القاتلة الاصطناعية. انضم إلى مجموعتي البيانات باستخدام عمود DrugBank-Drug-ID الشائع. تطبيع مجموعة البيانات المستهدفة المخدرات أولا أنه يحتوي فقط على معرف واحد DrugBank المخدرات في الصف الواحد، كما قد يحمل الملف الأولي معرفات المخدرات DrugBank متعددة في صف واحد إذا تم استهداف البروتين من قبل أدوية متعددة.

      ##generate ملف واحد يحمل رمز الجين المستهدف للمخدرات، معرف المخدرات DrugBank واسم الدواء
      #normalize مجموعة بيانات تستهدف المخدرات
      awk -F "\t" 'BEGIN{
      OFS ="\t"
      }
      {
      إذا (NR == 1){
      طباعة $0
      }آخر إذا ($1 != "" و $2 != ""){
      تقسيم ($2, drug_targets, ";")
      ل(i في drug_targets){
      drug_target = drug_targets[i]
      gsub(/,",", drug_target)
      طباعة $1, drug_target | "فرز -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      #extract الأعمدة ذات الصلة وإعادة تهيئة لاستخدام علامة التبويب كفاصل عمود
      csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt

      human_target_to_drug.txt الدمج \
      drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt

      ملاحظة: العمود الأول وثلاثة في المفردات drugbank.csv ملف عقد معرف المخدرات DrugBank واسم كل منهما.
  1. أضف المخدرات التي تستهدف شركاء التفاعل القاتل الاصطناعي إلى مجموعة بيانات التفاعل القاتل الاصطناعي.
    1. انضم إلى مجموعة بيانات التفاعل القاتل الاصطناعي مع ملف اسم الدواء المستهدف بالمخدرات الذي تم إنشاؤه في الخطوة السابقة باستخدام أعمدة رمز الجين لإضافة المخدرات إلى التفاعلات القاتلة الاصطناعية. الحرص على إضافة أسماء المخدرات لكلا الشريكين من كل تفاعل قاتل الاصطناعية.
       
      ##enhance ملف التفاعل القاتل الاصطناعي بإضافة عقاقير تستهدف شركاء كل تفاعل قاتل اصطناعي
      دمج bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      دمج tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      ملاحظة: تؤدي الخطوة 3 إلى تفاعل قاتل اصطناعي من كائن حي متعدد مع جيناتها البشرية التقويمية والأدوية التي تستهدف هذه الجينات.

4. تحديد مجموعة من تركيبات الأدوية المختبرة حاليا في التجارب السريرية

  1. الحصول على الوصول إلى البيانات ClinicalTrials.gov.
    1. استرجاع المعلومات عن التجارب السريرية في شكل XML من ClinicalTrials.gov على ما إذا كان (1) التجارب الفردية، '2' التجارب الناتجة عن استعلام البحث، أو '3' جميع التجارب في قاعدة البيانات. بدلا من ذلك استخدام الموارد التي توفرها مبادرة تحويل التجارب السريرية التي تستضيف أيضا جميع البيانات من ClinicalTrials.gov في قاعدة بيانات علائقية. راجع الخطوة 4.4 لمزيد من التفاصيل.
      ملاحظة: مطلوب حساب مجاني للوصول إلى مثيل قاعدة البيانات التي تستضيفها مجموعة النظراء التي تستضيفها مبادرة تحويل التجارب السريرية. بالإضافة إلى ذلك، مطلوب عميل plsql.
  2. التركيز على التجارب التدخلية.
  3. تصفية للتجارب المحددة للإشارة إلى الاهتمام.
    ملاحظة: ClinicalTrials.gov يوفر أسماء الأمراض من NCBI عناوين الموضوع الطبي (MeSH) المفردات التي تسيطر عليها. خلافا لأسماء الأمراض المقدمة المقدمة ، تسمح المفردات الخاضعة للرقابة بتحديد التجارب بكفاءة للإشارة إلى الاهتمام. ومع ذلك ، يجب على المرء أن نضع في اعتبارنا أن NCBI MeSH تسيطر على المفردات هو المكنز. لذلك، تحقق من مستعرض MeSH (https://meshb.nlm.nih.gov) إذا كان للإشارة العامة إلى الاهتمام أية شروط تابعة/أضيق وتضمينها إذا كان ذلك مناسبا.
  4. استرجاع التجارب التي تم تحديدها جنبا إلى جنب مع الأدوية التي تم اختبارها في هذه التجارب. يتم توفير استعلام للتجارب في الإشارة العامة لسرطان المبيض أدناه.

    استضافت ##retrieve التجارب التدخلية لسرطان المبيض المؤشر العام من مبادرة تحويل التجارب السريرية قاعدة بيانات علائقية تحتوي على بيانات ClinicalTrials.gov
    | <\pset تذييل قبالة
    حدد s.nct_id المميزة s.brief_title i.intervention_type i.name
    من الدراسات s
    INNER JOIN browse_conditions c ON(s.nct_id = c.nct_id)
    التدخلات الداخلية الانضمام i ON (s.nct_id = i.nct_id)
    أين s.study_type = "التدخلي"
    و c.mesh_term IN (
    "الأورام المبيضية"،
    "سرطان، ظهارية المبيض"،
    "ورم الخلايا الجرانولوزا"،
    "متلازمة سرطان الثدي والمبيض الوراثية"،
    "لوتوما"،
    "متلازمة ميغس"،
    "سيرتولي ليديج ورم الخلية" ،
    'اكوما'
    )
    النظام حسب s.nct_id، i.intervention_type؛
    EOF
    psql --host ="aact-db.ctti-clinicaltrials.org" -- اسم المستخدم = "XXX" -- كلمة المرور -- لا محاذاة -- حقل فاصل = "^I" -- الإخراج = "clinical_trials.txt" aact
  1. استخراج أسماء المخدرات وخريطة لأسماء DrugBank.
    ملاحظة: في حين أنه من المغري استخدام أسماء الأدوية التي تم استردادها مباشرة من التجارب السريرية ذات الأهمية ، يجب على المرء أن يدرك أن أسماء التدخل في ClinicalTrials.gov يتم إدخالها من قبل مقدم الطلب كنص حر. ونتيجة لذلك، فإن الأسماء ليست موحدة، ويمكن استخدام الأسماء التجارية بدلا من الاسم المركب الشائع، ولا يوجد ضمان لتطبيع البيانات بشكل صحيح (مثل أسماء العقاقير المتعددة في إدخال واحد). بالإضافة إلى ذلك ، من الشائع أن يتم تقديم الأدوية بنوع تدخل مختلف ، يختلف عن الدواء. ولذلك، فإن رسم خرائط أسماء التدخل المستردة لأسماء المخدرات في مصرف المخدرات هو أفضل إجراء يدوي.

      ##Obtain قائمة بالتدخلات المستخدمة في مجموعة التجارب السريرية التي تم استرجاعها سابقا.
    قطع -d "^I" -f3,4 clinical_trials.txt | الذيل -n +2 | فرز -u

    ملاحظة: الأعمدة ثلاثة وأربعة عقد نوع من التدخل واسم التدخل، على التوالي.

  1. تكملة مع الأدوية المستخدمة بالفعل السريرية من المبادئ التوجيهية
    ملاحظة: الخطوة 4 النتائج في قائمة من الأدوية قيد التقييم / قيد الاستخدام للإشارة إلى الاهتمام.

5- تحديد تركيبات المخدرات التي تستهدف التفاعلات القاتلة الاصطناعية

  1. البحث عن التفاعلات القاتلة الاصطناعية التي تستهدفها اثنين من المخدرات ذات الأهمية. تقييد مجموعة البيانات من الخطوة 3 إلى الأدوية ذات الأهمية عن طريق تصفية الخطوط في الملف الذي يحمل كلا من الدواء A والمخدرات B.

    ##only الاحتفاظ بإدخالات للتفاعلات القاتلة الاصطناعية والمخدرات التي تؤدي إليها حيث يتم استهداف كلا الشريكين من قبل اثنين من المخدرات ذات الأهمية (drug_a drug_b)
    awk -F "\t" '{
    إذا ( 12 دولار = = drug_a و 14 دولار = = drug_b) || ($12 == drug_b و14 دولار == drug_a) ) {
    طباعة $0
    }
    }' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
  1. تأكد من أن أيا من العقارين وحدهما لا يستهدف كلا الشريكين في التفاعل القاتل الاصطناعي. تحقق من أهداف المخدرات لكل دواء تم تحديده في مجموعة البيانات من الخطوة 3.2 وتقييم ما إذا كان كلا الشريكين القاتلين الاصطناعيين المحددين هدفين للدواء المحدد.

    ##find جميع إدخالات هدف الدواء لاسم دواء معين
    awk -F "\t" '{
    إذا ($3 == المخدرات){
    طباعة $0
    }
    }' المخدرات = "XXX" db_human_drug_targets.txt

    ملاحظة: الدواء الذي من شأنه أن يستهدف كلا مسارات التفاعل القاتلة الاصطناعية سيكون ساما لأي خلية ، لذلك من الناحية النظرية ليس عاملا قيما متعدد الأهداف. هذا هو السبب في استبعاد هذا الاحتمال في هذه الخطوة من الخوارزمية.
     

6. اختبار تركيبات الأدوية الجديدة المختارة في المختبر

  1. علاج خطوط خلايا سرطان الثدي البشري والخلايا الظهارية الثديية الحميدة البشرية المستزرعة في طرق الزرع المختبري القياسية في جو رطب 37 درجة مئوية مع 5٪ CO2 مع تركيبات الأدوية المختلفة.
  2. استخدام وسائل الإعلام تكملها مصل الأبقار الجنينية البنسلين وكذلك كبريتات الستربتومايسين لعرقلة العدوى البكتيرية.
  3. الأدوية المخففة في المذيبات مثل DMSO أو المالحة العازلة بالفوسفات في أربعة تركيزات مختلفة على الأقل استنادا إلى IC50 التي تم إنشاؤها سابقا (تركيز مثبط) واستخدامها في تركيبة أو وحدها لعلاج الخلايا.
  4. إجراء اختبارات قابلية بقاء الخلية و المقايسات المبرمج مثل تلطيخات الملحقينV/7-AAD لتحديد الآثار السامة للخلايا الناجمة عن العلاجات.
  5. رصد تثبيط الدوائية للأهداف الجزيئية المشتبه بها باستخدام البقع الغربية.
  6. تمييز الفتك الاصطناعية من الآثار المضافة بحتة حساب مؤشر الجمع (CI) كما وصفها تشو وغيرها23.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

نشرت مجموعتنا مؤخرا دراستين تطبقان سير العمل الموضح في هذه المخطوطة لتحديد تركيبات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية في سياق سرطان المبيض والثدي24و25. في الدراسة الأولى، قمنا بتقييم تركيبات الأدوية التي يتم اختبارها حاليا في التجارب السريرية في المراحل المتأخرة (المرحلة الثالثة والرابعة) أو التي تستخدم بالفعل في الممارسة السريرية لعلاج مرضى سرطان المبيض فيما يتعلق بتأثيرها على التفاعلات القاتلة الاصطناعية. بالإضافة إلى ذلك، حددنا تركيبات الأدوية التي لا يتم اختبارها حاليا في التجارب السريرية ولكنها توفر مبررا من منظور استهداف التفاعلات القاتلة الاصطناعية. لذلك قمنا بتقييم جميع تركيبات الأدوية الممكنة التي تختار الأدوية من مجموعة جميع المركبات في تجارب سرطان المبيض في مرحلة متأخرة. حددنا مجموعة فريدة من 61 تركيبة أدوية تم التحقيق فيها في 68 تجربة سرطان المبيض في مرحلة متأخرة. وتناولت اثنتا عشرة مركبة من هذه العقاقير ال 61 تفاعلا قاتلا اصطناعيا واحدا على الأقل. واقترحت 84 تركيبة إضافية من العقاقير لمعالجة التفاعلات القاتلة الاصطناعية دون التحقيق فيها في التجارب السريرية حتى الآن. 21 المخدرات الفريدة ساهمت في 84 مجموعات المخدرات المحددة التي تستهدف مجموعة من 39 التفاعل الاصطناعية القاتلة على النحو المبين في الشكل 1.

Figure 1
الشكل 1: شبكة من تركيبات الأدوية الجديدة المقترحة في سياق سرطان المبيض. يعرض الشكل 1 التفاعلات القاتلة الاصطناعية حيث يتم تناول المتفاعلين بواسطة عقارين لا يتم اختبارهما حاليا في التجارب السريرية. يتم عرض تفاعلات Synlet باللون الأحمر ، في حين يشار إلى الروابط المستهدفة بالمخدرات بواسطة الحواف الرمادية. تمثل الخطوط المنقطة تفاعلات قاتلة اصطناعية يتم معالجتها من خلال تركيبات أدوية أخرى في التجارب السريرية لسرطان المبيض في مرحلة متأخرة. ويشار إلى هذه المجموعات المخدرات التحقيق مع النجمة (*)، كل في تركيبة مع باكليتاكسيل مع مزيج التحقيق إضافية من cediranib وolaparib يشار إليها من قبل دائرة (س) [مقتبس من 25]. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

باستخدام نفس سير العمل في دراسة ثانية، حددنا 243 تركيبة أدوية واعدة تستهدف 166 زوجا من الجينات القاتلة الاصطناعية في سياق سرطان الثدي. اختبرنا تجريبيا تركيبات أدوية مختارة فيما يتعلق بتأثيرها على صلاحية الخلايا وموت الخلايا المبرمج في خطين لخلايا سرطان الثدي. وعلى وجه الخصوص، أظهر مزيج الأدوية المنخفضة السمية المقترح من حمض السيليكوكسيب والزوليدرونيك السمية الخلوية خارج الآثار المضافة في خطوط خلايا سرطان الثدي على النحو الذي يحدده مؤشرها الجمعي. يتم عرض نتائج الصلاحية و المقايسات المبرمج لهذا المزيج من المخدرات في الشكل 2.

Figure 2
الشكل 2: تأثير حمض السيليكوكسيب والزوليدرونيك على الجدوى وموت الخلايا المبرمج في خلايا SKBR-3. (أ)نتائج فحص الجدوى لcelecoxib (CEL), حمض الزوليدروك (زول) والجمع بين حمض الزوليدروك وسيليكوسيب (زول + CEL) في خطوط خلايا سرطان الثدي SKBR-3. وكانت تركيزات CEL المنخفضة والعالية المستخدمة هي 50μM و 75μM. وكانت تركيزات زول منخفضة وعالية المستخدمة 500μM و 750μM. وكان لتركيبة الدواء تأثير تآزري كبير على صلاحية الخلية (** ص < 0.001). (ب، ج) الملحق الخامس (ANXA5) و 7-AAD تلطيخ من خلايا SKBR-3 تعامل مع CEL, زول, ومزيج من المخدرات زول + CEL. زيادة النسبة المئوية للخلايا 7-AADpos/ANXA5pos بعد العلاج مع تركيبة المخدرات زول + CEL [تكييفها من 24]. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

لقد حددنا سير العمل لتحديد تركيبات المخدرات التي تؤثر على التفاعلات القاتلة الاصطناعية. ويستخدم سير العمل هذا البيانات '1' المتعلقة بالتفاعلات القاتلة الاصطناعية من الكائنات الحية النموذجية، '2' معلومات تقويم العظام البشرية، '3' معلومات عن الرابطات المستهدفة بالمخدرات، '4' معلومات عن العقاقير المتعلقة بالتجارب السريرية في سياق السرطان، وكذلك '5' معلومات عن رابطات أمراض المخدرات والأمراض الجينية المستخرجة من المؤلفات العلمية. ويمكن استخدام المعلومات الموحدة لتقييم أثر تركيبة معينة من العقاقير قيد التحقيق على أزواج الجينات القاتلة الاصطناعية. بالإضافة إلى ذلك، يمكن استخدام البيانات الموحدة لتقييم مجموعة من الأدوية التي يجري التحقيق فيها أو اختبارها حاليا في التجارب السريرية في سياق السرطان للعثور على مجموعات تستهدف التفاعلات القاتلة الاصطناعية الأكثر صلة، وبالتالي لديها فرصة أكبر للتأثير على بقاء الخلايا السرطانية. وأخيرا، يمكن استخدام البيانات التي تم إنشاؤها لفحص تركيبات الأدوية التي تتكون من أدوية لم يتم تطويرها في البداية لعلاج الورم، مما يوفر طريقة لحالة إعادة وضع الدواء المدفوعة حسابيا.

لكل خطوة في سير عمل تكامل البيانات نقدم مصادر البيانات الرئيسية لإكمال سير العمل الكامل للبيانات ولكن نشير إلى أنه يمكن تعزيز سير العمل في مراحل مختلفة من خلال الاستفادة من مصادر بيانات إضافية. في سير العمل لدينا استخرجنا الاصطناعية أزواج التفاعل القاتل من قاعدة بيانات BioGRID18. ركزنا على وجه التحديد على التفاعلات بين أنواع التجارب "الفتك الاصطناعي" و "الوراثية السلبية". المعلومات في BioGRID على التفاعلات القاتلة الاصطناعية تحتوي على مجموعات بيانات من شاشة وراثية كبيرة على سبيل المثال مجموعة بيانات نشرتها كوستانزو وزملاؤه26، والتي تتوفر أيضا في قاعدة بيانات DRYGIN27، وكذلك بيانات عن التفاعلات القاتلة الاصطناعية الفردية كما هو موضح في التجارب الفردية في الأدبيات العلمية. هناك مصادر بيانات إضافية جمع وتخزين التفاعلات القاتلة الاصطناعية، على سبيل المثال SynLethDB28. وعلاوة على ذلك، على مستوى رسم خرائط علم الطبيعة، يوجد عدد كبير من الأدوات وقواعد البيانات المختلفة. نحن نقدم طريقة للاستفادة من الكتلة الحيوية Ensembl لرسم خريطة شركاء التفاعل القاتل الاصطناعية التي تم تحديدها في الكائنات الحية النموذجية لتقويم العظام البشري المقابلة لها. قواعد البيانات الأخرى orthology والخدمات تشمل قاعدة بيانات HomoloGene NCBI29، وقاعدة بيانات أوما علم الأحياء من المعهد السويسري للمعلوماتية الحيوية30، أو قاعدة بيانات مجموعات تقويم العظام InParanoid التي يحتفظ بها مركز المعلوماتية الحيوية ستوكهولم31. في سير عملنا، ركزنا على التفاعلات القاتلة الاصطناعية من كائنات نموذجية متعددة، مع أكبر عدد من التفاعلات القاتلة الاصطناعية القادمة من الخميرة. يمكن للمرء أن ينظر في تقييد مجموعة المدخلات لرسم خرائط علم الأورثولوجيا إلى البيانات من الماوس والفأر فقط ، والتي هي تطورية أقرب إلى البشر. وثمة طريقة إضافية لتحديد مجموعة مدخلات التفاعلات القاتلة الاصطناعية هي التركيز فقط على التفاعلات القاتلة الاصطناعية التي يتم الحفاظ عليها في أنواع متعددة، وبالتالي زيادة فرص أن التفاعل القاتل الاصطناعي إيجابي حقا. ومن ناحية أخرى، قد يقلل ذلك من مجموعة التفاعلات القاتلة الاصطناعية بشكل كبير، حيث يوجد بالفعل فرق كبير في التفاعلات القاتلة الاصطناعية المحددة بين S. cerevisiae و S. pombe. وثمة نهج آخر هو أن لا تكون صارمة جدا في البداية وحتى توسيع مجموعة من التفاعلات القاتلة الاصطناعية التجريبية عن طريق خوارزميات التعلم الآلي كما فعلنا في الدراستين المذكورة في قسم النتائج التمثيلية. وباختصار، استخدم نموذج غابات عشوائي للتنبؤ بالتفاعلات القاتلة الاصطناعية للجينات البشرية التي لا توجد لها جينات تقويمية في الخميرة. تم تدريب نموذج الغابات العشوائية على مجموعة من أزواج التفاعل القاتل الاصطناعية من الخميرة وجيناتها البشرية التقويمية باستخدام بيانات عن ارتباطات المسار ، وتخصيص علم الجينات وكذلك جمعيات الأمراض والأدوية كما هو موضح سابقا24،25. هذا سمح لنا للنظر في الجينات البشرية التي لم تكن متاحة معلومات رسم الخرائط ortholog في سير العمل التكامل لدينا. وهناك قاعدة بيانات تستخدم على نطاق واسع تخزن المعلومات عن الرابطات المستهدفة بالمخدرات هي مصرف المخدرات، وهو أيضا المصدر الرئيسي للتفاعلات في سير العمل. قواعد البيانات الأخرى التي تحتفظ إلى حد ما بمعلومات تكميلية عن أهداف المخدرات هي قاعدة البيانات المستهدفة العلاجية (TTD)32 أو ChEMBL33. كما تم دمج المكونات الرئيسية لسير العمل في منصة التقييم الإلكتروني من Emergentec و SynLethDB ، والتي طورها باحثون من جامعة نانيانغ التكنولوجية. ومع ذلك ، استند التحديث الأخير ل SynLethDB في عام 2015 إلى مجموعات البيانات المخزنة في قسم التنزيل على صفحة الويب الخاصة بهم28.

وهناك طريقة لتصنيف تركيبات المخدرات المحددة وأزواج التفاعل القاتل الاصطناعية المستهدفة هي استخدام ارتباط الشركاء القاتلين الاصطناعية و / أو المخدرات مع المرض المثير للاهتمام عن طريق أساليب التعدين الأدب. في عملنا على تقييم تركيبات المخدرات في سياق سرطان المبيض، صنفنا تركيبات الأدوية المقترحة الجديدة على أساس عدد المنشورات حول سرطان المبيض التي تذكر أي من المتفاعلين القاتلين الاصطناعيين لمزيج من الأدوية. يمكن استخدام الشرح MeSH في Pubmed لتحديد المنشورات لمرض معين باستخدام مصطلحات المرض الدقيق كما هو موضح في فرع MeSH الرئيسي C. يمكن استخراج المعلومات حول الجينات في المنشورات المحددة باستخدام ملف رسم الخرائط gene2pubmed NCBI كما هو موضح في مكان آخر34. علاوة على ذلك ، هناك قواعد بيانات مخصصة تحمل روابط الأمراض الجينية و / أو أمراض المخدرات مثل قاعدة بيانات Toxicogenomics المقارنة35، DisGeNET36، أو منصة برامج التقييم الإلكتروني. ترتيب تركيبات الأدوية على أساس جمعيات الأمراض هو أحد السبل لدعم الاختيار النهائي لتركيبات الأدوية للاختبار التجريبي. وينبغي النظر في جوانب إضافية عند اختيار تركيبات العقاقير لإجراء مزيد من الاختبارات، مثل خصائص السمية الفردية للعقاقير أو حالة التعبير عن المتفاعلات القاتلة الاصطناعية في الجهاز المستهدف المعني.

في قسم النتائج التمثيلية، نقدم بيانات عن تركيبة الدواء من حمض السيليكوكسيب والزوليدرونيك، والتي تم تحديدها بعد سير العمل لتحديد تركيبات الأدوية في سياق سرطان الثدي. وقد تم اختيار هذا المزيج من الأدوية الخاصة للاختبار التجريبي بسبب انخفاض ملامح السمية لكلا المركبين. استخدمنا تركيزات مختلفة في التجارب في المختبر لتقييم تأثير تركيبة الدواء على صلاحية الخلايا وموت الخلايا المبرمج. من الناحية المثالية ، يمكن خفض تركيزات الأدوية بشكل كبير للأدوية الفردية لتقليل الآثار الجانبية مع تعظيم الفعالية في الوقت نفسه من خلال الجمع بين عقارين. رؤية تأثير على الجدوى بجرعات أقل هو أكثر وضوحا، كما تركيزات المخدرات المستخدمة في الاختبار المختبري يمكن انتقادها لتكون فوق العلاج، التي لم يتم التوصل إليها في نماذج الجسم الحي. ومع ذلك ، تم اختيار التركيزات على أساس تجارب زراعة الخلايا مع هذه الأدوية المعطاة في الأدب. وقد يؤثر التعاطي بالعقاقير كذلك على الأهداف التي تتأثر في المقام الأول، لأن معظم المركبات لها أكثر من هدف واحد للمخدرات، مما قد يؤثر على مجموعة كبيرة من جزيئات المصب المعروفة وغير المعروفة أيضا. ولذلك ينبغي مواصلة التحقيق في تركيبات الأدوية التي تظهر آثارا تآزرية على قدرة الخلية على البقاء في نظم زراعة الخلايا المختبرية في نماذج ثلاثية الأبعاد أو في الجسم الحي.

تلخيصا، نقدم سير العمل الذي يدمج المعلومات من مصادر البيانات المختلفة لتقييم واقتراح مجموعات المخدرات التي تستهدف التفاعلات القاتلة الاصطناعية. وحتى الآن، لا تزال أكبر المعلومات عن التفاعلات القاتلة الاصطناعية تأتي من الكائنات الحية النموذجية، مما يتطلب خطوة إلزامية لرسم خرائط علم الكائنات الحية إلى الجينوم البشري. وقد أدت الشاشات الأولى في الخلايا البشرية haploid إلى تحديد التفاعلات القاتلة الاصطناعية في الخلايا البشرية. بالإضافة إلى ذلك، فتحت تقنية CRISPR/CAS طرقا جديدة لدراسة التفاعلات القاتلة الاصطناعية على المستوى الخلوي. مع توافر بيانات تفاعل بيولوجي قاتلة بيولوجية عالية الجودة ، نقترح أن تؤدي جهود تكامل البيانات مثل جهودنا إلى تحويل علاج السرطان السريري في المستقبل ، من خلال اكتشاف أزواج جينات قاتلة اصطناعية جديدة وذات مغزى سريري بصرف النظر عن BRCA(1/2)/PARP1.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

وكان AH وPP موظفين في شركة التنمية الحيوية الناشئة GmbH في وقت إجراء التحليلات المؤدية إلى النتائج المعروضة في قسم النتائج التمثيلية. MM وMK ليس لديهم ما يكشفون عنه.

Acknowledgments

وتم الحصول على تمويل لتطوير سير العمل الخاص بدمج البيانات من البرنامج الإطاري السابع للجماعة الأوروبية بموجب اتفاق المنحة nu. 279113 (OCTIPS). وقد تمت الموافقة على تكييف البيانات داخل هذا المنشور من قبل المكتبة العامة للمنشورات العلمية ومجلات التأثير، ذ.م.م.

Materials

Name Company Catalog Number Comments
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
for alternative computational databases please refer to the manuscript
7-AAD ebioscience 00-6993-50
AnnexinV-APC BD Bioscience 550474
celecoxib Sigma-Aldrich PZ0008-25MG
CellTiter-Blue Viability Assay Promega G8080
FACS Canto II BD Bioscience n/a
fetal bovine serum Fisher Scientific/Gibco 16000044
FloJo Software FloJo LLC V10
McCoy's 5a Medium Modified Fisher Scientific/Gibco 16600082
penicillin G/streptomycin sulfate Fisher Scientific/Gibco 15140122
SKBR-3 cells American Type Culture Collection (ATCC) ATCC HTB-30
zoledronic acid Sigma-Aldrich SML0223-50MG
further materials or equipment will be made available upon request

DOWNLOAD MATERIALS LIST

References

  1. Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
  2. 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).
  3. 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).
  4. 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).
  5. Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
  6. McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540 (2018).
  7. Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
  8. 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).
  9. Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, Pt B 201-219 (2013).
  10. 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).
  11. 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).
  12. 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).
  13. Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), New York, N.Y. 1092-1096 (2015).
  14. Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
  15. Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
  16. 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).
  17. Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
  18. Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, D1 529-541 (2019).
  19. Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80 (2004).
  20. Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
  21. Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, D1 802-808 (2018).
  22. 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).
  23. Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
  24. 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).
  25. Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859 (2019).
  26. Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
  27. Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
  28. 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).
  29. NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
  30. 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).
  31. Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, Database issue 234-239 (2015).
  32. 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).
  33. Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
  34. 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).
  35. Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
  36. 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).

Tags

أبحاث السرطان، العدد 171، الفتك الاصطناعي، الشاشات الوراثية، تكامل البيانات، رسم خرائط الأوهام، تركيبات الأدوية، سرطان الثدي، العلاج، فحص صلاحية الخلية
سير عمل تكامل البيانات لتحديد مجموعات الأدوية التي تستهدف التفاعلات القاتلة الاصطناعية
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Marhold, M., Heinzel, A., Merchant,… More

Marhold, M., Heinzel, A., Merchant, A., Perco, P., Krainer, M. A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions. J. Vis. Exp. (171), e60328, doi:10.3791/60328 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter