Summary

Een workflow voor gegevensintegratie om medicijncombinaties te identificeren die gericht zijn op synthetische dodelijke interacties

Published: May 27, 2021
doi:

Summary

Grote genetische schermen in modelorganismen hebben geleid tot de identificatie van negatieve genetische interacties. Hier beschrijven we een workflow voor gegevensintegratie met behulp van gegevens van genetische schermen in modelorganismen om medicijncombinaties af te bakenen die gericht zijn op synthetische dodelijke interacties bij kanker.

Abstract

Een synthetische letale interactie tussen twee genen wordt gegeven wanneer knock-out van een van de twee genen geen invloed heeft op de levensvatbaarheid van de cel, maar knock-out van beide synthetische dodelijke interactoren leidt tot verlies van cel levensvatbaarheid of celdood. De best bestudeerde synthetische letale interactie is tussen BRCA1/2 en PARP1, waarbij PARP1-remmers in de klinische praktijk worden gebruikt voor de behandeling van patiënten met BRCA1/2 gemuteerde tumoren. Grote genetische schermen in modelorganismen, maar ook in haploïde menselijke cellijnen hebben geleid tot de identificatie van tal van extra synthetische dodelijke interactieparen, allemaal potentiële doelwitten van belang bij de ontwikkeling van nieuwe tumortherapieën. Een benadering is om genen therapeutisch te targeten met een synthetische dodelijke interactor die gemuteerd of significant downregulated is in de tumor van belang. Een tweede benadering is het formuleren van drugscombinaties die synthetische letale interacties aanpakken. In dit artikel schetsen we een workflow voor gegevensintegratie om medicijncombinaties te evalueren en te identificeren die gericht zijn op synthetische dodelijke interacties. We maken gebruik van beschikbare datasets over synthetische dodelijke interactieparen, homologie mapping resources, drug-target links uit speciale databases, evenals informatie over geneesmiddelen die worden onderzocht in klinische proeven in het ziektegebied van belang. We belichten verder de belangrijkste bevindingen van twee recente studies van onze groep over de beoordeling van geneesmiddelencombinaties in de context van eierstok- en borstkanker.

Introduction

Synthetische letaliteit definieert een associatie van twee genen, waarbij verlies van één gen de levensvatbaarheid niet beïnvloedt, maar verlies van beide genen leidt tot celdood. Het werd voor het eerst beschreven in 1946 door Dobzhansky tijdens het analyseren van verschillende fenotypes van drosophila door homozygote mutanten te fokken1. Mutanten die geen levensvatbare nakomelingen voortkwamen, hoewel ze zelf levensvatbaar waren, vertoonden dodelijke fenotypen wanneer ze werden gekruist met bepaalde andere mutanten, waardoor de basis werd gevonden voor de vaststelling van de theorie van synthetische letaliteit. Hartwell en collega’s suggereerden dat dit concept van toepassing zou kunnen zijn op kankertherapie bij mensen2. Farmacologisch uitgelokte synthetische letaliteit kan vertrouwen op slechts één mutatie, gezien het feit dat de synthetische dodelijke partner van het gemuteerde gen kan worden doelwit van een farmacologische verbinding. Het eerste genpaar dat farmacologische inductie van synthetische letaliteit mogelijk maakte, was BRCA(1/2) en PARP1. PARP1 functioneert als een sensor voor DNA-schade en is gebonden aan locaties van dubbele en enkele DNA-strengbreuken, supercoils en crossovers3. BRCA1 en 2 spelen een belangrijke rol bij het herstel van DNA-dubbelstrengsbreuken door homologe recombinatie4. Farmer en collega’s publiceerden bevindingen dat cellen met een tekort aan BRCA1/2 gevoelig waren voor PARP-remming, terwijl er geen cytotoxiciteit werd waargenomen in BRCA-cellen van het wilde type5. Uiteindelijk werden PARP-remmers goedgekeurd voor de behandeling van BRCA-deficiënte borst- en eierstokkanker6,7. Verder worden synthetische letaliteitsgenparen die leiden tot klinische goedkeuring van farmacologische verbindingen lang verwacht en een belangrijk gebied van recente inspanningen op het gebied van kankeronderzoek8.

Synthetische dodelijke geninteracties werden gemodelleerd in meerdere organismen, waaronder fruitvliegen, C. elegans en gist2. Met behulp van verschillende benaderingen, waaronder RNA-interferentie- en CRISPR/CAS-bibliotheek knock-outs, werden in de afgelopen jaren nieuwe synthetische dodelijke genparen ontdekt9,10,11. Housden en collega’s12hebben onlangs een protocol gepubliceerd over de experimentele procedures van RNAi in combinatie met CRISPR/CAS . Ondertussen voerden onderzoekers ook grote schermen uit in haploïde menselijke cellen om synthetische dodelijke interacties te identificeren13,14. In silico hebben methoden zoals biologische netwerkanalyse en machine learning ook veelbelovend getoond bij de ontdekking van synthetische letale interacties15,16.

Conceptie, een benadering om gebruik te maken van synthetische letale interacties in de context van anti-tumortherapie is het identificeren van gemuteerde of niet-functionele eiwitten in tumorcellen, waardoor hun synthetische dodelijke interactiepartners veelbelovende medicijndoelen voor therapeutische interventie. Vanwege de heterogeniteit van de meeste tumortypes zijn onderzoekers de zoektocht gestart naar zogenaamde synthetische letale hub-eiwitten. Deze synthetische letale hubs hebben een aantal synthetische dodelijke interactiepartners die ofwel gemuteerd zijn en daarom niet-functioneel of significant downregulated in tumormonsters. Het aanpakken van dergelijke synthetische dodelijke hubs houdt belofte in het verhogen van de werkzaamheid van het geneesmiddel of het overwinnen van drug resistentie zoals bijvoorbeeld kan worden aangetoond in de context van vincristine resistent neuroblastoom17. Een tweede benadering om de behandeling van geneesmiddelen te verbeteren door gebruik te maken van het concept van synthetische dodelijke interacties, is het identificeren van medicijncombinaties die gericht zijn op synthetische letale interacties. Dit zou kunnen leiden tot nieuwe combinaties van reeds goedgekeurde enkelvoudige antitumortherapieën en tot de herpositionering van geneesmiddelen uit andere ziektegebieden naar het gebied van oncologie.

In dit artikel presenteren we een stapsgewijze procedure om een lijst met medicijncombinaties op te leveren die gericht zijn op synthetische dodelijke interactieparen. In deze workflow gebruiken we (i) gegevens over synthetische letale interacties van BioGRID en (ii) informatie over homologe genen van Ensembl, (iii) halen we drugdoelparen op bij DrugBank, (iv) bouwen we ziekte-medicijnassociaties op uit ClinicalTrials.gov en (v) genereren we dus een reeks medicijncombinaties die synthetische letale interacties aanpakken. Ten slotte bieden we medicijncombinaties in de context van eierstok- en borstkanker in de representatieve resultatensectie.

Protocol

1. Het ophalen van synthetische dodelijke genparen Gegevens ophalen van BioGrid. Download het nieuwste BioGRID-interactiebestand in tab2-indeling van https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip met behulp van een webbrowser of rechtstreeks vanaf de Linux-opdrachtregel met curl of wget18.##download en pak het nieuwste BioGRID interactiebestand uit#download nieuwste BioGRID-interactiebestand met curlkrul -o bi…

Representative Results

Onze groep heeft onlangs twee studies gepubliceerd die de workflow toepassen die in dit manuscript wordt afgebeeld om medicijncombinaties te identificeren die gericht zijn op synthetische letale interacties in de context van eierstok- en borstkanker24,25. In de eerste studie evalueerden we medicijncombinaties die momenteel worden getest in klinische onderzoeken in een laat stadium (fase III en IV) of die al in de klinische praktijk worden gebruikt om eierstokkank…

Discussion

We hebben een workflow geschetst om drugscombinaties te identificeren die synthetische dodelijke interacties beïnvloeden. Deze workflow maakt gebruik van (i) gegevens over synthetische letale interacties van modelorganismen, (ii) informatie van menselijke ortheologen, (iii) informatie over geneesmiddeldoelassociaties, (iv) geneesmiddelinformatie over klinische proeven in de context van kanker, evenals (v) informatie over geneesmiddelenziekte en genziekteverenigingen uit wetenschappelijke literatuur. De geconsolideerde i…

Disclosures

The authors have nothing to disclose.

Acknowledgements

De financiering voor de ontwikkeling van de workflow voor gegevensintegratie is verkregen uit het zevende kaderprogramma van de Europese Gemeenschap in het kader van de subsidieovereenkomst nu. 279113 (OCTIPS). Aanpassing van gegevens binnen deze publicatie werd vriendelijk goedgekeurd door Public Library of Sciences Publications and Impact Journals, LLC.

Materials

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

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), 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, 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), 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, 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, 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, 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, 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).

Play Video

Cite This Article
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).

View Video