Waiting
Login processing...

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

Cancer Research

数据集成工作流,以识别针对合成致命相互作用的药物组合

Published: May 27, 2021 doi: 10.3791/60328

Summary

模型生物体中的大型基因筛选导致对负基因相互作用的识别。在这里,我们使用模型生物体中遗传筛选的数据来描述数据集成工作流,以描述针对癌症中合成致命相互作用的药物组合。

Abstract

当两个基因中的任何一个被击倒时,两个基因之间的合成致命相互作用不会影响细胞的生存能力,但两个合成致命相互作用器的淘汰会导致细胞生存能力丧失或细胞死亡。研究最好的合成致命相互作用是BRCA1+2和PARP1之间,PARP1抑制剂用于临床实践治疗BRCA1/2突变肿瘤患者。模型生物体中以及人细胞系中的大型基因筛选导致识别出许多额外的合成致命相互作用对,所有这些都成为开发新型肿瘤疗法的潜在目标。一种方法是用一种合成的致命相互作用器对基因进行治疗,这种相互作用器在感兴趣的肿瘤中发生变异或显著降低调节。第二种方法是制定药物组合,解决合成致命相互作用问题。在本文中,我们概述了数据集成工作流程,以评估和识别针对合成致命相互作用的药物组合。我们利用现有的合成致命相互作用对数据集、同源映射资源、专用数据库中的药物目标链接,以及有关相关疾病领域临床试验中正在调查的药物信息。我们进一步强调了我们小组最近关于卵巢癌和乳腺癌药物组合评估的两项研究的主要发现。

Introduction

合成杀伤力定义了两个基因的关联,其中一个基因的丧失不影响生存能力,但两个基因的丧失会导致细胞死亡。它第一次描述于1946年由多布赞斯基,同时分析各种表型的嗜血杆菌通过繁殖同源突变体1。没有产生可行后代的突变体虽然本身也可行,但与某些其他突变体交叉时表现出致命的表型,为建立合成杀伤力理论奠定了基础。哈特威尔和他的同事认为,这个概念可能适用于人类癌症治疗2。药理学引起的合成杀伤力可能只依赖于一个突变,因为突变基因的合成致命伙伴是药理化合物的目标。第一个能够使合成杀伤力的药理诱导基因对是BRCA(1/2)和PARP1。PARP1 作为 DNA 损伤的传感器,与双和单 DNA 链断裂、超线圈和交叉3的位点相连。BRCA1和2在修复DNA双链断裂通过同源重组4方面发挥着重要作用。农民和他的同事公布了发现,缺乏BRCA1/2的细胞易受PARP抑制,而在BRCA野生型细胞5中未观察到细胞毒性。最终,PARP抑制剂被批准用于治疗BRCA缺乏乳房和卵巢癌6,7。此外,合成致死基因对导致药理化合物的临床批准是备受期待的,是最近癌症研究的主要领域8。

合成致命基因相互作用在多种生物体中建模,包括果蝇、C.elegans和酵母2。近年来,利用RNA干扰和CRISPR/CAS-库淘汰等多种方法,发现了新的合成致命基因对9、10、11。胡斯登及其同事最近发表了一份关于RNAi与CRISPR/CAS结合的实验程序的议定书。同时,研究人员还在人细胞中进行了大屏幕,以确定合成的致命相互作用13、14。在生物网络分析和机器学习等硅学方法中,在发现合成致命相互作用方面也显示出了希望。

从概念上讲,在抗肿瘤治疗中利用合成致命相互作用的一种方法是识别肿瘤细胞中的变异或非功能性蛋白质,使其合成致命相互作用伙伴有望成为治疗干预的药物目标。由于大多数肿瘤类型的异质性,研究人员已经开始寻找所谓的合成致命中枢蛋白。这些合成致命中心有许多合成致命相互作用伙伴,这些伙伴要么发生变异,要么因此在肿瘤样本中不起作用或显著降低管制。解决这种合成致命中心在提高药物疗效或克服耐药性方面是有希望的,例如在耐葡萄抗神经母细胞瘤17的背景下可以证明这一点。利用合成致命相互作用的概念加强药物治疗的第二种方法是确定针对合成致命相互作用的药物组合。这可能导致已经批准的单一抗肿瘤疗法的新组合,并使药物从其他疾病领域重新定位到肿瘤学领域。

在本文中,我们提出了一个分步过程,以生成针对合成致命相互作用对的药物组合列表。在此工作流程中,我们(一) 使用来自 BioGRID 的合成致命相互作用的数据和 (ii) 来自 Ensembl 的同源基因信息,(iii) 从药物库检索药物靶向对,(iv) 从 ClinicalTrials.gov 建立疾病-药物关联,(v) 从而生成一组解决合成致命相互作用的药物组合。最后,我们在代表性结果部分提供卵巢癌和乳腺癌背景下的药物组合。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. 检索合成致命基因对

  1. 从生物电网检索数据。
    1. 使用 web 浏览器或直接从 Linux 命令行使用卷发或 wget18从 https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip 下载最新的 BioGRID 交互文件,以 tab2 格式下载。

      ##download并拆开最新的生物GRID交互文件
      使用卷发的#download最新的生物格栅交互文件
      卷曲-o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      下载的数据文件#unpack
      解开biogrid_latest.zip
      BG="生物电网-全部-3.5.171.tab2.txt"

       
    2. 下载 zip 存档后,必须拆开存档并注明实际数据集文件的名称(BIOGRID-ALL-X)。X.X.tab2.txt)用于后续步骤。BioGRID 数据档案具有不同类型的交互,将在下一步进行过滤。
      注:其他来源(如DRYGIN,合成DB)存在合成致命相互作用,如讨论所述。
  2. 合成杀伤力和负遗传相互作用的过滤器(实验系统)。
    1. 使用"实验系统"(第 12 列)列中的信息,该列指示相互作用支持证据的性质,以确定合成致命相互作用。
    2. 将数据集限制为具有负遗传或合成致命性的条目。在同一步骤中,筛选列并仅保留与下表 1 中列出的后续分析步骤相关的列。

      ##restrict生物GRID交互文件到相关列,只保留被归类为负遗传和合成杀伤力的相互作用
      切-d"^I"-f 1,8,9,12,16,17"${BG}"\
      |awk-F"\t""贝金"
      "不"
      }
      {
      如果(NR==1){
      打印$0
      [否则如果($4==="负遗传"||$4=="合成致命性")]
      打印$0
      }
      }'> bg_synlet.txt


      注:在代码片段^I中,我用于表示水平选项卡。其他生物GRID类别,如合成生长缺陷,可能包括在内。与此工作流程相关的其他列列列于表 1中。生物格里德还保留了个人互动的分数。截止时间可用于识别强/高置信度交互。
列号 列标题名称
3 基因名称
12 物种
13 药物 ID

表1:生物GRID数据档案的相关列。

  1. 识别报告合成致命相互作用的物种。
    1. 确定合成致命相互作用伙伴税-ID的数量,以估算每个生物体可用的合成致命相互作用的数量。

      ##count在以前提取的合成致命相互作用中每个税务ID的出现次数
      切割 -d "^I" -f5,6 bg_synlet.txt |尾-n+2|"t""\n"

      |排序|优衣库-c|排序-r-g

      注:由于第1步,一个合成致命相互作用的列表与来自生物体的基因符号,其中相互作用被确定。大多数合成致命相互作用是在模型生物体中确定的。当将文件加载到电子表格程序(例如,Excel)时,避免破坏基因符号19,20。

2. 将合成致命基因对转化为人类正石

  1. 为步骤 1.3 中识别的相关模型生物检索人类矫型。
    1. 通过将各自的模型生物基因数据集与人类基因数据集连接起来,从 Ensembl BioMart21 中检索人类矫型细胞。使用模型生物体和正畸人类基因中表示基因的基因符号执行此任务。使用 Ensembl BioMart 网络服务实现检索过程自动化,并将查询直接发送到 BioMart RESTful 访问,以检索正交基因对(见下示例和 Ensembl 生物智能帮助和文档以获取更多详细信息)。

      ##retrieve人类正交的糖精Cerevisiae从恩森布尔生物马特使用卷曲发送生物马特查询直接到生物奇迹RESTful访问服务
      curl -o s_cerevisiae.txt - 数据 - 乌伦编码 "查询" =<? xml 版本 = "1.0" 编码 = "Utf- 8">?

      <查询虚拟搜索名="默认"格式="TSV"标题="0"唯一的箭头="1"计数=""数据集配置="0.6">


      <数据集名称="scerevisiae_gene_ensembl"界面="默认">
      <特写名称="external_gene_name"/>


      <数据集名称="hsapiens_gene_ensembl"界面="默认">
      <特写名称="external_gene_name"/>


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


      为了检索其他模型生物体的矫直人类基因,请用各自的 Ensembl 数据集名称替换第一个数据集元素的名称属性值,并重新执行查询。

      注:正字图谱绘制过程在 Ensembl 生物地图帮助和文档 (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html) 中记录得很好。
    1. 通过 URL http://www.ensembl.org/biomart/martview/9b71da1415aba480a52b8dc7dd554d63?VIRTUALSCHEMANAME=default&ATTRIBUTES=scerevisiae_gene_ensembl.default.feature_page.external_gene_name|hsapiens_gene_ensembl.default.特写.page.外部_gene_名称和筛选器[可见面板]链接面板,访问 BioMart 查询第 1.3 步中确定的顶级物种糖精子宫颈的人类矫形器查询。
      注:存在同源映射的其他来源(如汇总、oma 浏览器、同源基因、类胡萝卜素),如本手稿讨论部分所概述的。
  2. 添加人类矫色器以提取合成致命相互作用。
    1. 加入基于生物体税ID和基因符号的合成致命相互作用,加入步骤2.1中检索的直观对。对于人类合成的致命相互作用对,要么为数据集中存在的每个人类基因创建人工正交对,要么确保在连接并将人类基因符号转移到新添加的列中时,不丢弃人类合成致命相互作用。

      ##collect在单个文件中的矫直图,并与合成致命交互文件连接
      #create一个目标文件,标题用于收集矫年期映射
      回声"tax_id/gene_symbol^Ihuman_gene_symbol">映射.txt

      #repeat每个模型有机体的这一步骤,注意调整输入文件名称和税 ID
      #adds,s_cerevisiae.txt地图中的每对正交对都提供了新的条目.txt:基因符号以税 ID 为前缀,以简化随后加入合成致命相互作用文件
      awk-F"\t""贝金"
      "不"
      org_tax_id="559292"
      }
      {
      如果(1美元)"=2美元"
      打印org_tax_id"/"$1,$2
      }
      }'s_cerevisiae.txt >>映射.txt


      #create人类基因的人工映射条目
      awk-F"\t""贝金"
      "不"
      human_tax_id="9606"
      }
      {
      如果(5美元==human_tax_id){
      打印 $5"/"$2, $2
      }
      如果(6美元==human_tax_id){
      打印 $6"/"$3, $3
      }
      }'bg_synlet.txt |排序-u>>映射.txt

      合成致命交互所需的#add连接键(税 ID/Gene 符号)
      awk-F"\t""贝金"
      "不"
      }
      {
      如果(NR==1){
      打印 $0, "关键交互器 A", "键交互器 B"
      {其他{
      打印 $0, $5" /"$2, $6"/"$3
      }
      }'bg_synlet.txt > tmp_bg_synlet_w_keys.txt


      #join与直肠对的合成致命相互作用
      合并tmp_bg_synlet_w_keys.txt映射.txt 7 1 > tmp.txt
      合并 tmp .txt 映射.txt 8 1 > bg_synlet_mapped.txt


      注:此示例中使用的合并命令不是标准的 Unix 命令。然而,在 GNU 核心公用事业排序和加入的帮助下实施该计划是简单的。已引入该命令,以隐藏在文件加入命令加入之前对文件进行排序的复杂性。合并的实现可以在 https://github.com/aheinzel/merge-sh 找到。
    1. 使用任何基因标识符在特定名称空间中唯一识别该基因,以获得最佳效果。
      注:第2步导致从多个生物体映射到人类基因的合成致命相互作用列表。

3. 绘制合成致命相互作用伙伴与药物的地图

  1. 从毒品银行取回毒品目标对。
    1. 从药物银行的下载部分下载药物银行数据,并创建一个帐户,如果还没有创建22。使用 CSV 文件与药物目标标识符(蛋白质标识符部分: https://www.drugbank.ca/releases/latest#protein-identifiers) 和药物银行词汇 (开放数据部分: https://www.drugbank.ca/releases/latest#open-data) 与药物银行标识符和名称.或者,从 XML 数据库转储中提取所需信息。

      ##restrict药物银行药物靶点文件到相关列,只保留人类分子实体的条目
      DB_TARGETS]"全部.csv"
      DB_NAMES="银行词汇.csv"


      #extract相关列和改革使用选项卡作为列分离器
      csvtool 科尔 3, 12, 13 - u Tab "$[DB_TARGETS]" > target_to_drugs_agg.txt


      awk-F"\t""贝金"
      "不"
      }
      {
      如果(NR==1||$2=="人类")]
      打印$1,$3
      }
      }'target_to_drugs_agg.txt > human_target_to_drugs_agg.txt


      注:药品银行数据主要以两种格式提供。完整的数据库可作为 XML 文件提供。此外,大多数数据在一系列逗号分离值 (CSV) 文件中提供。
    1. 请注意,药物银行也记录了非人类毒品目标。物种列(第12列)可用于提取人类药物靶点。
      注:为了更好地可读性,在 表 2中提供了提取列的名称。其他来源(如治疗目标数据库或Chembl)存在药物靶点链接,如讨论部分所述。
列号 列标题名称
3 基因名称
12 物种
13 药物 ID
  1. 将药物名称添加到药物目标中。
    1. 由于药物名称和药物目标信息在两个单独的 CSV 文件中提供,因此将两个文件中的信息合并,随后将针对合成致命相互作用伙伴的药物名称添加到合成致命相互作用中。使用通用的药物银行-药物 ID 列加入两个数据集。首先,将药物目标数据集规范化,即它每行只包含一个药物银行-药物 ID,因为初始文件可能会连续持有多个药物银行药物 ID,如果蛋白质被多种药物瞄准。

      ##generate一个文件,持有药物靶向基因符号,药物银行药物ID和药物名称
      #normalize毒品目标数据集
      awk-F"\t""贝金"
      "不"
      }
      {
      如果(NR==1){
      打印$0
      [否则如果($1!]"=$2"=""
      拆分(2美元,drug_targets美元,":")
      (我在drug_targets){
      drug_target=drug_targets]i]
      格苏布(//,",drug_target)
      打印$1,drug_target |"排序-u"
      }
      }
      }'human_target_to_drugs_agg.txt > human_target_to_drug.txt


      #extract相关列和改造使用选项卡作为列分离器
      csvtool 科尔 1, 3 - u Tab "$[DB_NAMES]" > drugbank_id_to_name.txt


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


      注:药库词汇第一栏和第三栏.csv文件上保存着药品银行的药品ID和名称。
  1. 将针对合成致命相互作用伙伴的药物添加到合成致命相互作用数据集中。
    1. 将合成致命相互作用数据集与上一步生成的药物靶点药物名称文件连接起来,使用基因符号列将药物添加到合成致命相互作用中。注意为每个合成致命相互作用的两个伙伴添加药物名称。
       
      ##enhance合成致命相互作用文件,通过添加针对每个合成致命相互作用伙伴的药物
      合并bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > 大麻.txt
      合并大麻.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt


      注:第3步导致多个生物体与针对这些基因的直面人类基因和药物的合成致命相互作用。

4. 在临床试验中建立一套目前测试的药物组合

  1. 访问 ClinicalTrials.gov 数据。
    1. 从 ClinicalTrials.gov 检索有关 XML 格式临床试验的信息,无论是 (i) 单个试验、(ii) 搜索查询产生的试验,还是数据库中的所有试验(iii)。或者使用临床试验转化倡议提供的资源,该倡议还托管关系数据库中 ClinicalTrials.gov 的所有数据。有关更多详细信息,请参阅步骤 4.4。
      注:需要一个免费帐户才能访问由临床试验转化计划托管的云托管数据库实例。此外,还需要一个plsql客户端。
  2. 专注于介入试验。
  3. 过滤器,用于特定于表示兴趣的试验。
    注:ClinicalTrials.gov 提供来自NCBI医学科目标题(MESH)控制词汇的疾病名称。与提交者提供的疾病名称相反,受控词汇允许有效地识别用于表示兴趣的试验。然而,我们必须记住,NCBI网格控制的词汇是同义词库。因此,如果兴趣的一般指示有任何儿童/窄条款,请检查 MESH 浏览器 (https://meshb.nlm.nih.gov),并在适当时包括它们。
  4. 检索已确定的试验以及在这些试验中测试的药物。以下是卵巢癌一般指示试验的查询。

    ##retrieve临床试验转化倡议中卵巢癌一般指示性肿瘤的介入试验托管关系数据库,其中包含 ClinicalTrials.gov 数据
    猫<<|
    \脚踏车关闭
    选择不同的s.nct_id,s.brief_title,i.intervention_type,i.name
    从研究s
    内联browse_conditions c 打开(s.nct_id = c.nct_id)
    内在加入干预 i 打开 (s.nct_id = i.nct_id)
    s.study_type的地方="干预"
    并c.mesh_term在(
    "卵巢肿瘤",
    "癌,卵巢上皮",
    "格拉努洛萨细胞肿瘤",
    "遗传性乳腺癌和卵巢癌综合症",
    "卢泰玛",
    "梅格斯综合症",
    "塞尔托利-莱迪格细胞肿瘤",
    "特科马"
    )
    按s.nct_id、i.intervention_type订购;
    欧洲经济、
    psql - 主机="aact-db.ctti-clinicaltrials.org" - 用户名="XXX" - 密码 - 无对齐 - 字段分离器= "^I" - 输出="clinical_trials.txt"aact
  1. 提取药物名称并映射到药物银行名称。
    注:虽然直接使用从感兴趣的临床试验中检索到的药物名称是诱人的,但必须注意,提交者以免费文本形式输入 ClinicalTrials.gov 中的干预名称。因此,名称不标准化,可以使用品牌名称而不是常见的复合名称,并且不能保证适当的数据正常化(例如,一个条目中的多个药物名称)。此外,药物的提交类型不同,与药物不同,这是很常见的。因此,最好手动绘制药品银行药品名称检索干预名称的映射。

      ##Obtain先前检索到的一组临床试验中使用的干预措施列表。
    切 -d "^I" -f3,4 clinical_trials.txt |尾-n+2|排序-u


    注:第三栏和第四栏分别保留干预和干预名称类型。

  1. 补充指南中已经在临床使用的药物
    注:第4步的结果是评估/用于表示兴趣的药物清单。

5. 确定针对合成致命相互作用的药物组合

  1. 寻找两种感兴趣的药物所针对的合成致命相互作用。通过过滤掉文件中同时持有药物 A 和药物 B 的行,将数据集从第 3 步限制为感兴趣的药物。

    ##only保留合成致命相互作用和药物的条目,在双方成为感兴趣的两种药物的目标时触发它们(drug_a和drug_b)
    awk-F"\t"'{
    如果 (12 美元 = drug_a = 14 美元 = drug_b美元) ||(12美元==drug_b=14美元=drug_a){
    打印$0
    }
    ""drug_a"="X"drug_b="YYY"bg_synlet_mapped_drugs.txt
  1. 确保这两种药物都没有针对两个合成致命相互作用伙伴。从步骤 3.2 中检查数据集中每个已识别药物的药物目标,并评估两个已识别的合成致命伙伴是否是特定药物的目标。

    ##find给定药物名称的所有药物目标条目
    awk-F"\t"'{
    如果(3==药物){
    打印$0
    }

    "药物"="X"db_human_drug_targets.txt

    注:一种同时针对合成致命相互作用途径的药物对任何细胞都是有毒的,因此理论上它不是一种有价值的多目标制剂。这就是在算法的这一步骤中排除此可能性的原因。
     

6. 在体外测试选定的新药物组合

  1. 治疗人类乳腺癌细胞系和人类良性乳腺上皮细胞培养在标准体外培养方法在潮湿的37°C大气与5%的CO2 与各种药物组合。
  2. 使用补充胎儿牛血清和青霉素以及硫酸链霉素的介质来阻止细菌感染。
  3. 根据先前建立的IC50(抑制浓度),在溶剂(如DMSO或磷酸盐缓冲盐水)中稀释药物,并结合或单独用于治疗细胞。
  4. 执行细胞生存性检测和凋亡检测,以检测此类附件V/7-AAD染色,以确定治疗引起的细胞毒性作用。
  5. 使用西斑监测疑似分子靶点的药理抑制。
  6. 区分合成杀伤力与计算组合指数(CI)的纯添加剂效应,如周等人描述的23。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

我们的小组最近发表了两项研究,应用本手稿中描述的工作流程,以确定针对卵巢癌和乳腺癌24,25背景下合成致命相互作用的药物组合。在第一项研究中,我们评估了目前在晚期临床试验(第三阶段和第四阶段)中测试的药物组合,或在临床实践中已经用于治疗卵巢癌患者对合成致命相互作用的影响。此外,我们确定了目前尚未在临床试验中测试的药物组合,但从针对合成致命相互作用的角度提供了理由。因此,在晚期卵巢癌试验中,我们评估了所有可能的药物组合,从所有化合物池中选择药物。我们确定了一组独特的61种药物组合,在68个晚期卵巢癌试验中进行了调查。在这61种药物组合中,有12种涉及至少一种合成致命相互作用。迄今,在临床试验中未进行研究的情况下,还提出了84种额外的药物组合,以解决合成致命相互作用问题。21种独特的药物促成了84种已确定的药物组合,目标为图1中给出的39种合成致命相互作用器。

Figure 1
图1:卵巢癌背景下新药组合网络。图1显示合成致命相互作用,其中相互作用者由两种目前在临床试验中尚未测试的药物处理。Synlet 交互以红色显示,而药物目标链接则以灰色边缘表示。点状线表示其他药物组合在晚期卵巢癌临床试验中正在处理的合成致命相互作用。这些被调查的药物组合用星号(*)表示,每个组合与帕利塔塞尔结合,另外被调查的塞迪拉尼布和奥拉帕里布组合由一个圆(o)[改编自 25]表示。 请单击此处查看此图的较大版本。

在第二项研究中,我们利用同样的工作流程,确定了243种有前途的药物组合,针对乳腺癌背景下的166个合成致命基因对。我们实验测试了选定的药物组合,它们对两个乳腺癌细胞系的细胞生存能力和凋亡的影响。特别是,建议的低毒性药物组合的西勒科西布和佐勒德龙酸显示细胞毒性超出由其组合指数确定的乳腺癌细胞系中的添加剂作用。这种药物组合的生存能力和凋亡检测结果显示在 图2中。

Figure 2
图2:西勒科西布和佐勒德龙酸对SKBR-3细胞的生存能力和凋亡的影响。A) 在SKBR-3乳腺癌细胞系中,对芹菜菌(CEL)、佐勒德龙酸(ZOL)和佐勒科西布(ZOL +CEL)的结合进行可行性检测结果。使用的低和高 CEL 浓度为 50μM 和 75μM。使用的低和高 ZOL 浓度为 500μM 和 750μM。药物组合对细胞生存能力有显著的协同作用 (**p <0.001)。 (B, C) 附件 V (ANXA5) 和 7 - AAD 染色 SKBR-3 细胞与 CEL, ZOL 和药物组合 ZOL + CEL 治疗.7-AADpos/ANXA5pos细胞的百分比在使用药物组合ZOL +CEL[从 24]调整后增加。 请单击此处查看此图的较大版本。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

我们概述了一个工作流程,以确定影响合成致命相互作用的药物组合。该工作流程利用(一) 模型生物合成致命相互作用的数据、(ii) 人类矫形器信息、(三) 药物靶向关联信息、(四) 癌症临床试验药物信息,以及从科学文献中提取的药物疾病和基因疾病关联信息(五) 。综合信息可用于评估正在调查的特定药物组合对合成致命基因对的影响。此外,综合数据可用于评估目前在癌症临床试验中调查或测试的一组药物,以找到针对最相关的合成致命相互作用的组合,因此影响肿瘤细胞存活的几率更高。最后,生成的数据可用于筛选药物组合,包括最初未开发用于肿瘤治疗的药物,从而为计算驱动的药物重新定位案例提供了一种方法。

对于数据集成工作流中的每一步,我们都会提供关键数据源以完成完整的数据工作流,但指出,通过使用其他数据源,可以在不同阶段进一步加强工作流。在我们的工作流程中,我们从 BioGRID 数据库18中提取了合成致命交互对。我们特别关注实验类型"合成杀伤力"和"负遗传"的相互作用。《生物信息》中关于合成致命相互作用的信息包含来自大基因屏幕的数据集,例如Costanzo及其同事26日发布的数据集,该数据集也可在DRYGIN数据库27中找到,以及科学文献中个别实验中描述的单一合成致命相互作用的数据集。还有其他数据源收集和存储合成致命相互作用,例如SynLethDB28。此外,在矫体学测绘方面,还存在大量不同的工具和数据库。我们提出了一种利用 Ensembl 生物地图的方法,将模型生物体中识别的合成致命相互作用伙伴映射到相应的人类正交中。其他骨科数据库和服务包括NCBI的同源基因数据库29,瑞士生物信息学研究所OMA矫形学数据库30,或斯德哥尔摩生物信息学中心31维护的异位矫形组数据库。在我们的工作流程中,我们专注于来自多个模型生物体的合成致命相互作用,其中来自酵母的合成致命相互作用数量最多。人们可以考虑将正交映射的输入集限制在仅来自小鼠和大鼠的数据上,这些数据在进化过程中更接近人类。定义合成致命相互作用输入集的另一种方法是只关注在多个物种中保存的合成致命相互作用,从而增加合成致命相互作用真正积极的机会。另一方面,这可能会大大减少合成致命相互作用,因为S.cerevisiae和S.pombe之间已识别的合成致命相互作用已经有很大的差异。另一种方法是,在开始时不要太严格,甚至像我们在代表性结果部分列出的两项研究中所做的那样,通过机器学习算法扩展一组实验合成致命相互作用。简言之,一个随机的森林模型被用来预测人类基因的合成致命相互作用,而酵母中不存在正交基因。随机森林模型是利用路径关联、基因本体分配以及疾病和药物关联的数据,对酵母及其正交人类基因的合成致命相互作用对进行训练的。这使我们能够考虑在我们的集成工作流程中没有正统映射信息的人类基因。储存毒品目标协会信息的广泛使用的数据库是药物银行,这也是工作流程中相互作用的主要来源。其他在一定程度上掌握药物靶点补充信息的数据库是治疗目标数据库(TTD)32或CHEMBL33。工作流程的主要组成部分也由南洋理工大学的研究人员开发的新兴和SynLethDB的e.评估平台中。然而,SynLethDB 在 2015 年的最后一次更新是基于存储在各自网页28上的下载部分的数据集。

通过文献挖掘方法,对已确定的药物组合和有针对性的合成致命相互作用对进行排名的一种方法是使用合成致命伙伴和/或药物与感兴趣的疾病关联。在评估卵巢癌背景下的药物组合的工作中,我们根据关于卵巢癌的出版物数量对新建议的药物组合进行了排名,其中提到了各自药物组合的两种合成致命相互作用体之一。Pubmed 中的 MESH 注释可用于使用主要 MESH 分支 C 中给出的确切疾病术语来识别特定疾病的出版物。此外,还有专门的数据库,如比较毒基因组学数据库35,DisGeNET36,或电子评估软件平台,具有基因疾病和/或药物疾病链接。基于疾病关联的药物组合排名是支持最终选择药物组合进行实验测试的一种方式。在选择药物组合进行进一步测试时,需要考虑其他方面,例如药物的单个毒性特征或各自目标器官中合成致命相互作用器的表达状态。

在具有代表性的结果部分,我们提供了西勒科西布和佐勒德龙酸的药物组合数据,这些数据是在工作流程之后确定的,用于识别乳腺癌背景下的药物组合。由于两种化合物的毒性都很低,因此选择这种特殊的药物组合进行实验性测试。我们在体外实验中使用了各种浓度来评估药物组合对细胞生存能力和凋亡的影响。理想情况下,单个药物的药物浓度可以显著降低,以尽量减少副作用,同时通过合并两种药物最大化疗效。看到对低剂量生存能力的影响更有意义,因为用于体外测试的药物浓度可能被批评为超治疗性的,在体内模型中是无法达到的。然而,这些浓度是根据文献中这些给定药物的细胞培养实验选择的。药物给药可能会进一步影响主要受影响的目标,因为大多数化合物有不止一个药物靶点,可能也会影响一大堆已知和未知的下游分子。因此,应进一步研究在体外细胞培养系统中显示对细胞生存能力协同作用的药物组合。

总结一下,我们提出了一个工作流程,整合来自不同数据源的信息,以评估和提出针对合成致命相互作用的药物组合。迄今为止,关于合成致命相互作用的最大信息仍然来自模型生物体,需要对人类基因组进行强制性的矫正学映射步骤。人类类固醇细胞的第一个屏幕已经导致人类细胞中合成致命相互作用的识别。此外,CRISPR/CAS技术为研究细胞层面的合成致命相互作用开辟了新途径。随着更多高质量的生物合成致命相互作用数据的出现,我们建议,像我们这样的数据整合工作将改变临床癌症治疗的未来,通过发现新颖和临床意义的合成致命基因对除了BRCA(1/2)/PARP1。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AH 和 PP 是紧急生物开发有限公司的员工,在执行分析时,这些分析导致在具有代表性的结果部分提出的结果。MM和MK没有什么可透露的。

Acknowledgments

开发数据一体化工作流程的资金是根据赠款协定从欧洲共同体第七框架方案获得的。279113(奥克西普斯)。本出版物中的数据改编已获得公共科学图书馆出版物和影响期刊有限责任公司的批准。

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

癌症研究,第171期,合成杀伤力,基因筛选,数据整合,同源映射,药物组合,乳腺癌,治疗,细胞生存能力检测
数据集成工作流,以识别针对合成致命相互作用的药物组合
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