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

En dataintegrationsarbejdsgang til identifikation af lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner

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

Store genetiske skærme i modelorganismer har ført til identifikation af negative genetiske interaktioner. Her beskriver vi en dataintegrationsarbejdsgang ved hjælp af data fra genetiske skærme i modelorganismer for at afgrænse lægemiddelkombinationer rettet mod syntetiske dødelige interaktioner i kræft.

Abstract

En syntetisk dødelig interaktion mellem to gener gives, når knock-out af enten en af de to gener ikke påvirker celle levedygtighed, men knock-out af både syntetiske dødelige interactors fører til tab af celle levedygtighed eller celledød. Den bedst undersøgte syntetiske dødelige interaktion er mellem BRCA1/2 og PARP1, hvor PARP1-hæmmere anvendes i klinisk praksis til behandling af patienter med BRCA1/2 muterede tumorer. Store genetiske skærme i modelorganismer, men også i haploide menneskelige cellelinjer har ført til identifikation af mange yderligere syntetiske dødelige interaktionspar, der alle er potentielle mål for interesse i udviklingen af nye tumorbehandlinger. En tilgang er at terapeutisk målrette gener med en syntetisk dødelig interactor, der er muteret eller betydeligt nedreguleret i tumor af interesse. En anden tilgang er at formulere lægemiddelkombinationer, der adresserer syntetiske dødelige interaktioner. I denne artikel skitserer vi en arbejdsgang for dataintegration for at evaluere og identificere lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner. Vi gør brug af tilgængelige datasæt om syntetiske dødelige interaktionspar, homologikortlægningsressourcer, lægemiddelmållinks fra dedikerede databaser samt oplysninger om lægemidler, der undersøges i kliniske forsøg på sygdomsområdet af interesse. Vi fremhæver yderligere de vigtigste resultater af to nylige undersøgelser af vores gruppe om vurdering af lægemiddelkombinationer i forbindelse med kræft i æggestokkene og brystkræft.

Introduction

Syntetisk dødelighed definerer en sammenslutning af to gener, hvor tab af et gen ikke påvirker levedygtigheden, men tab af begge gener fører til celledød. Det blev først beskrevet i 1946 af Dobzhansky, mens man analyserede forskellige fænotyper af drosophila ved at opdrætte homozygos mutanter1. Mutanter, der ikke producerede levedygtige afkom, selv om de selv var levedygtige, udviste dødelige fænotyper, når de blev krydset med visse andre mutanter, og lagde grunden til fastlæggelsen af teorien om syntetisk dødelighed. Hartwell og kolleger foreslog, at dette koncept kan være gældende for kræftbehandling hos mennesker2. Farmakologisk provokeret syntetisk dødelighed kunne stole på kun én mutation, da det muterede gens syntetiske dødelige partner kan målrettes af en farmakologisk forbindelse. Det første genpar, der gjorde det muligt at indføre farmakologisk induktion af syntetisk dødelighed, var BRCA(1/2) og PARP1. PARP1 fungerer som en sensor til DNA-skader, og er bundet til steder med dobbelt og enkelt DNA strand-pauser, supercoils og crossovers3. BRCA1 og 2 spiller store roller i reparation af DNA dobbelt-streng pauser gennem homolog rekombination4. Landmand og kolleger offentliggjorde resultater, som celler mangelfuld for BRCA1/2 var modtagelige for PARP-hæmning, mens der ikke blev observeret cytotoksicitet i BRCA-celler af vildtypen5. I sidste ende, PARP hæmmere blev godkendt til behandling af BRCA mangelfuld bryst-og kræft i æggestokkene6,7. Endvidere er syntetiske dødelighed genpar, der fører til klinisk godkendelse af farmakologiske forbindelser, meget forventet og et vigtigt område for den senestekræftforskningsindsats 8.

Syntetiske dødelige geninteraktioner blev modelleret i flere organismer, herunder frugtfluer, C. elegans og gær2. Ved hjælp af forskellige tilgange, herunder RNA-interferens- og CRISPR/CAS-bibliotek knockouts, nye syntetiske dødelige genpar blev opdaget i de seneste år9,10,11. Housden og kollegerne12har for nylig offentliggjort en protokol om RNAi's forsøgsprocedurer i kombination med CRISPR/CAS . I mellemtiden, forskere også gennemført store skærme i haploid menneskelige celler til at identificere syntetiske dødelige interaktioner13,14. I silico metoder som biologisk netværksanalyse og maskinlæring har også vist lovende i opdagelsen af syntetiske dødelige interaktioner15,16.

Undfangelse, en tilgang til at gøre brug af syntetiske dødelige interaktioner i forbindelse med anti-tumor terapi er at identificere muterede eller ikke-funktionelle proteiner i tumorceller, hvilket gør deres syntetiske dødelige interaktion partnere lovende narkotika mål for terapeutisk intervention. På grund af heterogeniteten af de fleste tumortyper har forskere startet søgningen efter såkaldte syntetiske dødelige hubproteiner. Disse syntetiske dødelige hubs har en række syntetiske dødelige interaktionspartnere, der enten muteres og derfor ikke-funktionelle eller væsentligt nedreguleres i tumorprøver. Håndtering af sådanne syntetiske dødelige hubs holder løfte om at øge lægemiddeleffektiviteten eller overvinde lægemiddelresistens, som det f.eks. En anden tilgang til at forbedre narkotikabehandling gør brug af begrebet syntetiske dødelige interaktioner er at identificere narkotika kombinationer rettet mod syntetiske dødelige interaktioner. Dette kan føre til nye kombinationer af allerede godkendte enkelt anti-tumor behandlinger og til repositionering af lægemidler fra andre sygdomsområder til onkologi.

I denne artikel præsenterer vi en trinvis procedure for at give en liste over lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktionspar. I denne arbejdsgang bruger vi (i) data om syntetiske dødelige interaktioner fra BioGRID og (ii) oplysninger om homologe gener fra Ensembl, (iii) henter lægemiddelmålpar fra DrugBank, (iv) opbygger sygdomsmedicinske associationer fra ClinicalTrials.gov og (v) genererer derfor et sæt lægemiddelkombinationer, der adresserer syntetiske dødelige interaktioner. Endelig leverer vi lægemiddelkombinationer i forbindelse med kræft i æggestokkene og brystkræft i afsnittet om repræsentative resultater.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Hentning af syntetiske dødelige genpar

  1. Datahentning fra BioGrid.
    1. Hent den nyeste BioGRID-interaktionsfil i tab2-format fra https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip enten ved hjælp af en webbrowser eller direkte fra Linux-kommandolinjen ved hjælp af krøller eller wget18.

      ##download og pak den nyeste BioGRID-interaktionsfil ud
      #download nyeste BioGRID-interaktionsfil ved hjælp af krøller
      krølle -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack den hentede datafil
      lyne biogrid_latest.zip
      BG="BIOGRID-ALL-3.5.171.tab2.txt"
       
    2. Når zip-arkivet er hentet, skal arkivet pakkes ud, og navnet på den faktiske datasætfil (BIOGRID-ALL-X. X.X.tab2.txt) for efterfølgende trin. BioGRID-datafilen indeholder interaktioner af forskellige typer, der filtreres i næste trin.
      BEMÆRK: Der findes andre kilder (f.eks. DRYGIN, SynlethDB), der har syntetiske dødelige interaktioner, som skitseret i diskussionen.
  2. Filter for syntetisk dødelighed og negative genetiske interaktioner (Eksperimentelt System).
    1. Brug oplysningerne i kolonnen "Eksperimentelt system" (kolonne nummer 12), der angiver arten af understøttende dokumentation for en interaktion for at identificere syntetiske dødelige interaktioner.
    2. Begræns datasættet til poster med en værdi af enten negativ genetisk eller syntetisk dødelighed. I samme trin skal du filtrere kolonner og kun bevare kolonner, der er relevante for efterfølgende analysetrin som vist i tabel 1 nedenfor.

      # #restrict BioGRID interaktion fil til relevante kolonner og kun bevare interaktioner klassificeret som negativ genetisk og syntetisk dødelighed
      cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      hvis(NR == 1){
      udskrive kr. 0
      }ellers hvis ($4 == "Negativ Genetisk" || $4 == "Syntetisk dødelighed"){
      udskrive kr. 0
      }
      }' > bg_synlet.txt

      BEMÆRK: I kodestykkerne ^I bruges til at repræsentere vandrette faner. Yderligere BioGRID-kategorier såsom syntetisk vækstfejl kan medtages. Andre kolonner af relevans for denne arbejdsproces er angivet i tabel 1. BioGRID bevarer også scoren for individuelle interaktioner. Cutoffs kan bruges til at identificere stærke / høj tillid interaktioner.
Kolonnenummer Navn på kolonneoverskrift
3 Gennavn
12 art
13 Narkotika-id'er

Tabel 1: Relevante kolonner i BioGRID-datafilen.

  1. Identificere arter, for hvilke der blev rapporteret om syntetiske dødelige interaktioner.
    1. Bestem antallet af syntetiske dødelige interaktion partner skatte-id'er for at få et skøn over antallet af syntetiske dødelige interaktioner er tilgængelige pr organisme.

      # #count antallet af optrædener af hver skat id i de tidligere udvundet syntetiske dødelige interaktioner
      cut -d "^I" -f5,6 bg_synlet.txt | hale -n +2 | tr "\t" "\n" \
      | sortere | uniq -c | sort -r -g

      BEMÆRK: Som et resultat af trin 1, en liste over syntetiske dødelige interaktioner med gensymboler fra organismer, hvor interaktionerne blev bestemt. Størstedelen af syntetiske dødelige interaktioner er blevet bestemt i modelorganismer. Når du indlæser filer i et regnearksprogram (f.eks.

2. Oversættelse af syntetiske dødelige genpar til ortoploger hos mennesker

  1. Der udtages ortologer fra mennesker til relevante modelorganismer, der er identificeret i trin 1.3.
    1. Hent menneskelige ortologer fra Ensembl BioMart21 ved at forbinde det respektive modelorganismegendatasæt med det menneskelige gendatasæt. Brug gensymbolerne, der angiver genet i modelorganismen og ortopædiske menneskelige gener til denne opgave. Brug Webtjenesten Ensembl BioMart til at automatisere hentningsprocessen og sende forespørgslen direkte til BioMart RESTful-adgang til hentning af ortopædiske genpar (se eksemplet nedenfor og Ensembl BioMart Hjælp & Documentation for yderligere oplysninger).

      ##retrieve human orthologous for Saccharomyces Cerevisiae fra Ensembl BioMart ved at bruge krøller til at sende BioMart-forespørgslen direkte til BioMart RESTful-adgangstjenesten
      curl -o s_cerevisiae.txt --data-urlencode 'query=











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

      For at hente de ortologe menneskelige gener for andre modelorganismer skal du erstatte værdien af navneattributten for det første Dataset-element med navnet på det respektive Ensembl-datasæt og udføre forespørgslen igen.

      BEMÆRK: Ortholog-kortlægningsprocessen er veldokumenteret i Ensembl BioMart Help &Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
    1. Få adgang til et eksempel på BioMart-forespørgslen for orthologer fra mennesker for Saccharomyces cerevisiae, den øverste art, der er identificeret i trin 1.3, via URL-adressen 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.
      BEMÆRK: Der findes andre kilder (f.eks. roundup, oma browser, HomoloGene, inparanoid) til homologikortlægning, som skitseret i diskussionsafsnittet i dette manuskript.
  2. Tilføj menneskelige orthologs til udvundet syntetiske dødelige interaktioner.
    1. Deltag syntetiske dødelige interaktioner baseret på organisme skatte-ID og gen symbol med orthologous par hentet i trin 2.1. For humane syntetiske dødelige interaktionspar skal du enten oprette kunstige ortopædiske par for hvert menneskeligt gen, der er til stede i datasættet, eller sørge for, at syntetiske syntetiske dødelige interaktioner fra mennesker ikke kasseres, mens de sammenføjes og overfører de menneskelige gensymboler til de nyligt tilføjede kolonner.

      # #collect ortholog kortlægninger i en enkelt fil og slutte sig til syntetiske dødelige interaktion fil
      #create en destinationsfil med brevhoveder til indsamling af ortholog-tilknytninger
      echo "tax_id/gene_symbol^Ihuman_gene_symbol" > tilknytning.txt

      #repeat dette trin for hver modelorganisme skal du sørge for at tilpasse inputfilnavnet og skatte-id'et
      #adds for hvert ortologpar i s_cerevisiae.txt en ny post i kortlægning.txt: GeneSymbolet er præfikset med skatte-id'et for at lette efterfølgende sammenføjning med den syntetiske dødelige interaktionsfil
      awk -F "\t" 'BEGIN{
      OFS="\t"
      org_tax_id="559292"
      }
      {
      if($1 != "" && $2 != ""){
      udskrive org_tax_id"/"$1, $2
      }
      }' s_cerevisiae.txt >> tilknytning.txt

      #create kunstige kortlægning poster for menneskelige gener
      awk -F "\t" 'BEGIN{
      OFS="\t"
      human_tax_id="9606"
      }
      {
      hvis($5 == human_tax_id){
      udskrive $5"/"$2, $2
      }
      hvis($6 == human_tax_id){
      udskrive $6"/"$3, $3
      }
      }' bg_synlet.txt | sort -u >> tilknytning.txt

      #add krævede joinnøgler (skatte-id/genesymbol) til syntetiske dødelige interaktioner
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      hvis(NR == 1){
      udskrive $0, "Key Interactor A", "Key Interactor B"
      }ellers{
      udskrive $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join syntetiske dødelige interaktioner med ortopædiske par
      flette tmp_bg_synlet_w_keys.txt tilknytning.txt 7 1 > tMP.txt
      flette tmp.txt tilknytning.txt 8 1 > bg_synlet_mapped.txt

      BEMÆRK: Den flettekommando, der bruges i dette eksempel, er ikke en Unix-standardkommando. Men dens gennemførelse ved hjælp af GNU Core Utilities sortere og deltage er ligetil. Kommandoen er blevet introduceret for at skjule kompleksiteten ved sortering af filerne, før de kan tilsluttes kommandotilslutningen. En implementering af fletning kan findes på https://github.com/aheinzel/merge-sh.
    1. Brug af enhver genidentifikator, der entydigt identificerer genet i et bestemt navneområde for at opnå de bedst mulige resultater.
      BEMÆRK: Trin 2 resulterer i en liste over syntetiske dødelige interaktioner fra flere organismer, der er knyttet til menneskelige gener.

3. Kortlægning syntetiske dødelige interaktion partnere til narkotika

  1. Hent par fra DrugBank.
    1. Download DrugBank data fra downloads del af DrugBank og oprette en konto først, hvis ikke allerede oprettet22. Brug CSV-filen sammen med identifikatorer for narkotikamål (afsnittet protein-id'er: https://www.drugbank.ca/releases/latest#protein-identifiers) og DrugBank-ordforrådet (åbent dataafsnit: https://www.drugbank.ca/releases/latest#open-data) med DrugBank-identifikatorer og -navne. Du kan også udtrække de nødvendige oplysninger fra XML-databasedumpet.

      # #restrict DrugBank narkotika målfil til relevante kolonner og kun bevare poster for menneskelige molekylære enheder
      DB_TARGETS="alt.csv"
      DB_NAMES="drugbank ordforråd.csv"

      #extract relevante kolonner og omformatere til at bruge tabulator som kolonneseprestivator
      csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt

      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      if(NR == 1 || $2 == "Mennesker"){
      udskrive $1, $3
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt

      BEMÆRK: DrugBank-data leveres i to hovedformater. Hele databasen er tilgængelig som XML-fil. Desuden gøres de fleste data tilgængelige i en række CSV-filer (Semikolonseparerede værdier).
    1. Vær opmærksom på, at DrugBank også registrerer ikke-menneskelige narkotika-mål. Artskolonnen (kolonne nummer 12) kan bruges til at udtrække menneskelige narkotikamål.
      BEMÆRK: For bedre læsbarhed findes navnene på de udtrukne kolonner i tabel 2. Der findes andre kilder (f.eks. den terapeutiske måldatabase eller Chembl), der indeholder links til narkotikamål, som skitseret i diskussionsafsnittet.
Kolonnenummer Navn på kolonneoverskrift
3 Gennavn
12 art
13 Narkotika-id'er
  1. Føj narkotikanavne til narkomål.
    1. Da narkotika navn og narkotika-mål oplysninger er fastsat i to separate CSV-filer, fusionere oplysningerne fra de to filer til efterfølgende at tilføje navne på lægemidler rettet mod en syntetisk dødelig interaktion partner til syntetiske dødelige interaktioner. Deltag i de to datasæt ved hjælp af den fælles DrugBank-drug-ID kolonne. Normalisere narkotika-mål datasæt først, at det kun indeholder en enkelt DrugBank-drug-ID per række, som den oprindelige fil kan holde flere DrugBank narkotika id'er i træk, hvis et protein er målrettet mod flere lægemidler.

      # #generate en enkelt fil bedrift narkotika mål gensymbol, DrugBank stof ID og narkotika navn
      datasæt for #normalize narkotikamål
      awk -F "\t" 'BEGIN{
      OFS="\t"
      }
      {
      hvis(NR == 1){
      udskrive kr. 0
      }ellers hvis($1 != "" & $2 != ""){
      split($2, drug_targets;
      for(i i drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, "", drug_target)
      udskrive $1, drug_target | "Sortér -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      #extract relevante kolonner og omformatere til at bruge tabulator som kolonneseparator
      csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt

      flette human_target_to_drug.txt \
      drugbank_id_to_name.txt 21 > db_human_drug_targets.txt

      BEMÆRK: Kolonne et og tre i drugbank ordforråd.csv fil holde DrugBank stof ID og de respektive navn.
  1. Tilføj stoffer rettet mod syntetiske dødelige interaktionspartnere til syntetisk dødbringende interaktionsdatasæt.
    1. Deltag i det syntetiske dødelige interaktionsdatasæt med stofmålets navnefil, der blev genereret i det foregående trin ved hjælp af gensymbolkolonnerne for at tilføje stoffer til syntetiske dødelige interaktioner. Vær omhyggelig med at tilføje lægemiddelnavne for begge partnere i hver syntetisk dødelig interaktion.
       
      # #enhance syntetiske dødelige interaktion fil ved at tilføje narkotika rettet mod partnerne i hver syntetisk dødbringende interaktion
      bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tMP.txt
      flet tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      BEMÆRK: Trin 3 resulterer i syntetisk dødelig interaktion fra flere organismer med deres ortopædiske menneskelige gener og lægemidler rettet mod disse gener.

4. Etablering af det sæt af aktuelt testede lægemiddelkombinationer i kliniske forsøg

  1. Få adgang til ClinicalTrials.gov data.
    1. Hent oplysninger om kliniske forsøg i XML-format fra ClinicalTrials.gov på enten (i) individuelle forsøg, (ii) forsøg som følge af en søgeforespørgsel eller (iii) alle forsøg i databasen. Alternativt kan du bruge de ressourcer, der leveres af transformationsinitiativet for kliniske forsøg, som også er vært for alle data fra ClinicalTrials.gov i en relationel database. Yderligere oplysninger finder du i trin 4.4.
      BEMÆRK: Der kræves en gratis konto for at få adgang til den cloud-hostede databaseforekomst, der hostes af transformationsinitiativet for kliniske forsøg. Derudover kræves en plsql-klient.
  2. Fokuser på interventionsforsøg.
  3. Filter for forsøg, der er specifikke for angivelse af interesse.
    BEMÆRK: ClinicalTrials.gov giver sygdomsnavne fra NCBI Medical Subject Headings (MeSH) kontrollerede ordforråd. I modsætning til indsenderen forudsat sygdom navne, det kontrollerede ordforråd gør det muligt effektivt at identificere forsøg for indikation af interesse. Ikke desto mindre må man huske på, at NCBI MeSH kontrollerede ordforråd er en synonymordbog. Tjek derfor MeSH-browseren (https://meshb.nlm.nih.gov), hvis den generelle angivelse af interesse har nogen børne-/snævrere termer og omfatter dem, hvis det er relevant.
  4. Hent de identificerede forsøg sammen med de lægemidler, der er testet i disse forsøg. En forespørgsel til forsøg i den generelle indikation af kræft i æggestokkene er fastsat nedenfor.

    # #retrieve interventionelle forsøg for den generelle indikation kræft i æggestokkene fra de kliniske forsøg transformation initiativ vært relationelle database, der indeholder ClinicalTrials.gov data
    kat <\pset sidefod slukket
    VÆLG DISTINCT s.nct_id, s.brief_title, i.intervention_type i.name
    FRA undersøgelser s
    INDVENDIG SAMMENFØJNING browse_conditions c ON(s.nct_id = c.nct_id)
    INDRE JOINinterventioner i ON(s.nct_id = i.nct_id)
    HVOR s.study_type = »Interventionel«
    OG c.mesh_term IN (
    »Neoplasmer på æggestokkene«
    »Carcinom, epitel på æggestokkene«
    'Granulosa cellesvulst',
    »Arveligt bryst- og kræftsyndrom i æggestokkene«
    »Luteoma«
    "Meigs syndrom",
    'Sertoli-Leydig Celle Tumor',
    »Thecoma«
    )
    KENDELSE S.NCT_ID. i.intervention_type.
    Eof
    psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --no-align --field-separator="^I" --output="clinical_trials.txt" aact
  1. Uddrag narkotika navne og kort til DrugBank navne.
    BEMÆRK: Selv om det er fristende at bruge de lægemiddelnavne, der er hentet fra kliniske forsøg af interesse, skal man være opmærksom på, at interventionsnavne i ClinicalTrials.gov indtastes af indsenderen som fritekst. Som følge heraf er navnene ikke standardiserede, mærkenavne kan bruges i stedet for det fælles sammensatte navn, og der er ingen garanti for korrekt datanormalisering (f.eks. flere lægemiddelnavne i en post). Derudover er det almindeligt, at stoffer indsendes med en anden interventionstype, der adskiller sig fra stoffer. Derfor er kortlægning af de hentede intervention navne til DrugBank narkotika navne bedst udføres manuelt.

      # #Obtain en liste over interventioner, der anvendes i de tidligere hentede sæt af kliniske forsøg.
    cut -d "^I" -f3,4 clinical_trials.txt | hale -n +2 | sort -u

    BEMÆRK: Kolonne 3 og 4 indeholder henholdsvis interventionstype og interventionsnavn.

  1. Komplementer med lægemidler, der allerede er i klinisk brug, fra retningslinjer
    BEMÆRK: Trin 4 resulterer i en liste over lægemidler, der er under evaluering/i brug til angivelse af interesse.

5. Identifikation af lægemiddelkombinationer rettet mod syntetiske dødelige interaktioner

  1. Søg efter syntetiske dødelige interaktioner, der målrettes af to stoffer af interesse. Begræns datasættet fra trin 3 til stoffer af interesse ved at filtrere linjer i filen med både stof A og stof B.

    # #only bevare poster for syntetiske dødelige interaktioner og narkotika udløser dem, hvor begge parter er målrettet mod de to stoffer af interesse (drug_a og drug_b)
    awk -F "\t" '{
    if($12 == drug_a && $14 == drug_b) || ($12 == drug_b && $14 == drug_a) ) {
    udskrive kr. 0
    }
    }' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
  1. Sørg for, at ingen af de to stoffer alene er rettet mod både syntetiske dødelige interaktion partnere. Kontroller narkotikamålene for hvert identificeret stof i datasættet fra trin 3.2, og vurder, om begge identificerede syntetiske dødelige partnere er mål for det specifikke lægemiddel.

    # #find alle narkotika målindgange for et givet lægemiddel navn
    awk -F "\t" '{
    hvis ($3 == stof){
    udskrive kr. 0
    }
    }' stof="XXX" db_human_drug_targets.txt

    BEMÆRK: Et lægemiddel, der ville målrette både syntetiske dødelige interaktionsveje ville være giftigt for enhver celle, så teoretisk set er det ikke et værdifuldt multimålmiddel. Det er grunden til, at denne mulighed er udelukket i dette trin af algoritmen.
     

6. Test udvalgte nye lægemiddelkombinationer in vitro

  1. Behandle humane brystkræftcellelinjer og humane godartede brystkasse-epitelceller, der dyrkes i standard in vitro-dyrkningsmetoder i en befugtet atmosfære på 37 °C med 5% CO2 med forskellige lægemiddelkombinationer.
  2. Brug medier suppleret med føtal kvæg serum og penicillin samt streptomycin sulfat til at hindre bakteriel infektion.
  3. Fortyndede lægemidler i opløsningsmidler som DMSO eller fosfatbufferet saltvand i mindst fire forskellige koncentrationer baseret på deres tidligere etablerede IC50 (hæmmende koncentration) og anvende dem i kombination eller alene til behandling af celler.
  4. Udfør celle levedygtighed assays og apoptose assays såsom AnnexinV/7-AAD farvninger til at bestemme cytotoksiske virkninger forårsaget af behandlinger.
  5. Overvåg farmakologisk hæmning af formodede molekylære mål ved hjælp af vestlige blots.
  6. Syntetisk dødelighed skelnes fra rent additive virkninger, der beregner kombinatorisk indeks (CI) som beskrevet af Choum.fl.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Vores gruppe har for nylig offentliggjort to undersøgelser, der anvender arbejdsgangen afbildet i dette manuskript til at identificere lægemiddelkombinationer rettet mod syntetiske dødelige interaktioner i forbindelse med kræft i æggestokkene og brystkræft24,25. I den første undersøgelse evaluerede vi lægemiddelkombinationer, der i øjeblikket testes i kliniske forsøg i slutningen af fase (fase III og IV), eller som allerede anvendes i klinisk praksis til behandling af kræftpatienter i æggestokkene med hensyn til deres indvirkning på syntetiske dødelige interaktioner. Derudover identificerede vi lægemiddelkombinationer, der i øjeblikket ikke testes i kliniske forsøg, men giver et rationale ud fra perspektivet om at målrette syntetiske dødelige interaktioner. Vi har derfor evalueret alle mulige lægemiddelkombinationer vælge medicin fra puljen af alle forbindelser i slutningen af fase kræft i æggestokkene forsøg. Vi identificerede et unikt sæt af 61 stof kombinationer, der var blevet undersøgt i 68 sene fase kræft i æggestokkene forsøg. Tolv ud af disse 61 stofkombinationer adresserede mindst én syntetisk dødelig interaktion. Yderligere 84 lægemiddelkombinationer blev foreslået for at håndtere syntetiske dødelige interaktioner uden at blive undersøgt i kliniske forsøg til denne dato. 21 unikke stoffer bidrog til de 84 identificerede stofkombinationer rettet mod et sæt af 39 syntetiske dødelige interactorer som angivet i figur 1.

Figure 1
Figur 1: Netværk af foreslåede nye lægemiddelkombinationer i forbindelse med kræft i æggestokkene. Figur 1 viser syntetiske dødelige interaktioner, hvor interagerende stoffer behandles af to lægemidler, der i øjeblikket ikke testes i kliniske forsøg. Synletinteraktioner vises med rødt, mens links til narkotikamål er angivet med grå kanter. Punkterede linjer repræsenterer syntetiske dødelige interaktioner, der behandles af andre lægemiddelkombinationer i sene stadier af kræft i æggestokkene kliniske forsøg. Disse undersøgte lægemiddelkombinationer er angivet med en stjerne (*), hver i kombination med paclitaxel med den yderligere undersøgte kombination af cediranib og olaparib, der angives af en cirkel (o) [tilpasset fra 25]. Klik her for at se en større version af dette tal.

Ved hjælp af den samme arbejdsgang i en anden undersøgelse identificerede vi 243 lovende lægemiddelkombinationer rettet mod 166 syntetiske dødelige genpar i forbindelse med brystkræft. Vi testede eksperimentelt udvalgte lægemiddelkombinationer vedrørende deres indvirkning på celle levedygtighed og apoptose i to brystkræft cellelinjer. Navnlig viste den foreslåede kombination af lavtoksicitetsmedicin af celecoxib og zoledronsyre cytotoksicitet ud over additiv virkning i brystkræftcellelinjer som bestemt af deres kombinatoriske indeks. Resultaterne af levedygtighed og apoptoseanalyser for denne lægemiddelkombination vises i figur 2.

Figure 2
Figur 2: Celecoxib- og zoledronsyres indvirkning på levedygtigheden og apoptose i SKBR-3-celler. (A) Resultater af levedygtighedsanalyse for celecoxib (CEL), zoledronsyre (ZOL) og kombinationen af zoledronsyre og celecoxib (ZOL + CEL) i SKBR-3-cellelinjer for brystkræft. De anvendte lave og høje CEL-koncentrationer var 50μM og 75μM. De anvendte lave og høje ZOL-koncentrationer var 500μM og 750μM. Lægemiddelkombinationen havde en betydelig synergieffekt på celleydeevnen (** p < 0,001). (B, C) Annexin V (ANXA5) og 7-AAD farvninger af SKBR-3 celler behandlet med CEL, ZOL, og lægemiddelkombination zol + CEL. Procentdelen af 7-AADpos/ANXA5pos celler blev øget efter behandling med lægemiddelkombinationen ZOL + CEL [tilpasset fra 24]. Klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vi har skitseret en arbejdsgang for at identificere stofkombinationer, der påvirker syntetiske dødelige interaktioner. Denne arbejdsgang gør brug af (i) data om syntetiske dødelige interaktioner fra modelorganismer, (ii) oplysninger om humane orthologs, (iii) oplysninger om lægemiddelmålforeninger, iv) lægemiddelinformation om kliniske forsøg i forbindelse med kræft samt (v) om oplysninger om lægemiddelsygdomme og gensygdomssammenslutninger udvundet af videnskabelig litteratur. De konsoliderede oplysninger kan bruges til at vurdere virkningen af en given lægemiddelkombination, der undersøges, på syntetiske dødelige genpar. Derudover kan konsoliderede data bruges til at evaluere et sæt lægemidler, der i øjeblikket undersøges eller testes i kliniske forsøg i forbindelse med kræft for at finde kombinationer rettet mod de mest relevante syntetiske dødelige interaktioner, og derfor har en højere chance for at påvirke tumorcelle overlevelse. Endelig kan de genererede data bruges til at screene for lægemiddelkombinationer bestående af lægemidler, der ikke oprindeligt blev udviklet til tumorbehandling, hvilket giver en måde for en beregningsmæssigt drevet lægemiddelrepositioneringssag.

For hvert trin i dataintegrationsarbejdsgangen præsenterer vi vigtige datakilder for at fuldføre hele dataarbejdsgangen, men påpeger, at arbejdsprocessen kan forbedres yderligere på forskellige stadier ved at gøre brug af yderligere datakilder. I vores arbejdsgang udtrak vi syntetiske dødelige interaktionspar fra BioGRID-databasen18. Vi fokuserede specifikt på interaktioner mellem eksperimenttyper "syntetisk dødelighed" og "negativ genetisk". Information i BioGRID om syntetiske dødelige interaktioner indeholder datasæt fra stor genetisk skærm som for eksempel et datasæt udgivet af Costanzo og kolleger26, som også er tilgængelig i DRYGIN-databasen27, samt data om enkelt syntetiske dødelige interaktioner som beskrevet i individuelle eksperimenter i videnskabelig litteratur. Der er yderligere datakilder, der indsamler og gemmer syntetiske dødelige interaktioner, som for eksempel SynLethDB28. Med hensyn til orthologikortlægning findes der desuden en lang række forskellige værktøjer og databaser. Vi præsenterer en måde at gøre brug af Ensembl biomart til at kortlægge syntetiske dødelige interaktion partnere identificeret i model organismer til deres tilsvarende menneskelige orthologs. Andre orthologidatabaser og -tjenester omfatter NCBI's HomoloGene-database29, OMA-orthologidatabasen fra Swiss Institute of Bioinformatics30eller Databasen inParanoid ortholog groups , der vedligeholdes af Stockholm Bioinformatics Center31. I vores arbejdsgang fokuserede vi på syntetiske dødelige interaktioner fra flere modelorganismer, hvor det største antal syntetiske dødelige interaktioner kom fra gær. Man kunne overveje at begrænse inputsættet til ortologikortlægningen til kun data fra mus og rotter, som er evolutionære tættere på mennesker. En yderligere måde at definere input sæt syntetiske dødelige interaktioner er kun at fokusere på syntetiske dødelige interaktioner bevares i flere arter, og dermed øge chancerne for, at den syntetiske dødelige interaktion er virkelig positiv. Dette kan på den anden side reducere sættet af syntetiske dødelige interaktioner dramatisk, da der allerede er en stor forskel i de identificerede syntetiske dødelige interaktioner mellem S. cerevisiae og S. pombe. En anden tilgang er ikke at være for streng i starten og endda udvide sættet af eksperimentelle syntetiske dødelige interaktioner ved maskinlæringsalgoritmer, som vi gjorde i de to undersøgelser, der er anført i afsnittet om repræsentative resultater. Kort sagt blev en tilfældig skovmodel brugt til at forudsige syntetiske dødelige interaktioner for menneskelige gener, for hvilke der ikke fandtes ortopædiske gener i gær. Den tilfældige skov model blev uddannet på det sæt af syntetiske dødelige interaktion par fra gær og deres ortopædiske menneskelige gener ved hjælp af data om vej foreninger, Gene Ontology opgave samt sygdom og narkotika foreninger som beskrevet tidligere24,25. Dette gjorde det muligt for os at overveje menneskelige gener, for hvilke der ikke var nogen ortologkortlægningsoplysninger tilgængelige i vores integrationsarbejdsgang. En udbredt database, der gemmer oplysninger om narkotikamålforeninger, er DrugBank, som også er den primære kilde til interaktioner i arbejdsgangen. Andre databaser , der til en vis grad indeholder supplerende oplysninger om narkotikamål, er Den Terapeutiske Måldatabase (TTD)32 eller ChEMBL33. Større komponenter i arbejdsgangen er også indarbejdet i e.valuation platformen fra emergentec og SynLethDB, som er udviklet af forskere fra Nanyang Teknologisk Universitet. Den sidste opdatering af SynLethDB i 2015 var imidlertid baseret på de datasæt, der er gemt i downloadafsnittet på deres respektive webside28.

En måde at rang identificeret stof kombinationer og målrettet syntetisk dødbringende interaktion par bruger foreningen af syntetiske dødelige partnere og / eller narkotika med sygdommen af interesse via litteratur minedrift metoder. I vores arbejde med evaluering af narkotika kombinationer i forbindelse med kræft i æggestokkene, rangeret vi nye foreslåede lægemiddelkombinationer baseret på antallet af publikationer om kræft i æggestokkene nævner en af de to syntetiske dødelige interactors af en respektive stof kombination. MeSH anmærkning i Pubmed kan bruges til at identificere publikationer for en bestemt sygdom ved hjælp af de nøjagtige sygdomsudtryk som angivet i den store MeSH-gren C. Oplysninger om gener i de identificerede publikationer kan udtrækkes ved hjælp af NCBI's gene2pubmed kortlægningsfil som beskrevet andetsteds34. Desuden er der dedikerede databaser, der indeholder gensygdomme og/eller lægemiddelsygdomme, såsom Komparativ Toxicogenomics Database35, DisGeNET36eller e.valuation softwareplatformen. Rangordning af lægemiddelkombinationer baseret på sygdomsforeninger er en måde at støtte den endelige udvælgelse af lægemiddelkombinationer til eksperimentel testning. Der skal tages hensyn til yderligere aspekter ved valg af lægemiddelkombinationer til yderligere testning, f.eks. individuelle toksicitetsprofiler for stofferne eller ekspressionstilstanden for syntetiske dødelige interactorer i det respektive målorgan.

I afsnittet om repræsentative resultater præsenterer vi data for lægemiddelkombinationen af celecoxib og zoledronsyre, som blev identificeret efter arbejdsgangen for at identificere lægemiddelkombinationer i forbindelse med brystkræft. Denne særlige lægemiddelkombination blev udvalgt til eksperimentel testning på grund af de lave toksicitetsprofiler for begge forbindelser. Vi brugte forskellige koncentrationer i in-vitro eksperimenter til at evaluere virkningen af lægemidlet kombination på celle levedygtighed og apoptose. Ideelt set kunne lægemiddelkoncentrationer sænkes betydeligt for individuelle lægemidler for at minimere bivirkninger og samtidig maksimere effekten ved at kombinere to lægemidler. Det er endnu mere meningsfuldt at se indvirkningen på levedygtigheden ved lavere doser, da lægemiddelkoncentrationer, der anvendes til in vitro-test, kan kritiseres for at være supratherapeutical, der ikke nås i in vivo-modeller. Koncentrationerne blev dog valgt på baggrund af cellekultureksperimenter med disse givne stoffer i litteraturen. Drug dosering kan yderligere påvirke, hvilke mål er primært påvirket, da de fleste forbindelser har mere end ét lægemiddel mål, potentielt påvirker et stort sæt af kendte og ukendte downstream molekyler samt. Lægemiddelkombinationer, der viser synergistiske virkninger på celleydeevnen i in vitro-cellekultursystemer, bør derfor undersøges yderligere i 3D- eller in vivo-modeller.

Sammenfattende præsenterer vi en arbejdsgang, der integrerer oplysninger fra forskellige datakilder for at evaluere og foreslå lægemiddelkombinationer rettet mod syntetiske dødelige interaktioner. Til dato kommer de største oplysninger om syntetiske dødelige interaktioner stadig fra modelorganismer, hvilket kræver et obligatorisk ortologikortlægningstrin til det menneskelige genom. Første skærme i menneskelige haploide celler har ført til identifikation af syntetiske dødelige interaktioner i menneskelige celler. Derudover har CRISPR/CAS-teknologien åbnet nye måder at studere syntetiske dødelige interaktioner på celleniveau. Med mere høj kvalitet biologiske syntetiske dødelige interaktion data bliver tilgængelige, foreslår vi, at dataintegration indsats såsom vores vil omdanne klinisk kræftbehandling i fremtiden, ved at opdage nye og klinisk meningsfulde syntetiske dødelige genpar bortset fra BRCA (1 / 2)/PARP1.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AH og PP var medarbejdere hos emergentec biodevelopment GmbH på tidspunktet for udførelsen af de analyser, der førte til resultaterne i det repræsentative resultatafsnit. MM og MK har intet at afsløre.

Acknowledgments

Finansiering af udviklingen af dataintegrationsarbejdsgangen blev opnået fra Det Europæiske Fællesskabs syvende rammeprogram i henhold til tilskudsaftale nr. 279113 (OCTIPS). Tilpasning af data i denne publikation blev venligt godkendt af Public Library of Sciences Publications and Impact Journals, LLC.

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

Kræftforskning Problem 171 syntetisk dødelighed genetiske skærme dataintegration homologikortlægning lægemiddelkombinationer brystkræft behandling cellegabilitetsanalyse
En dataintegrationsarbejdsgang til identifikation af lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner
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