Summary
Große genetische Screens in Modellorganismen haben zur Identifizierung negativer genetischer Interaktionen geführt. Hier beschreiben wir einen Datenintegrations-Workflow, der Daten aus genetischen Screens in Modellorganismen verwendet, um Arzneimittelkombinationen abzugrenzen, die auf synthetische tödliche Wechselwirkungen bei Krebs abzielen.
Abstract
Eine synthetische letale Interaktion zwischen zwei Genen ist gegeben, wenn das Knock-out eines der beiden Gene die Zelllebensfähigkeit nicht beeinträchtigt, aber das Knock-out beider synthetischer letaler Interaktoren zum Verlust der Zelllebensfähigkeit oder zum Zelltod führt. Die am besten untersuchte synthetische letale Wechselwirkung ist zwischen BRCA1/2 und PARP1, wobei PARP1-Inhibitoren in der klinischen Praxis zur Behandlung von Patienten mit BRCA1/2-mutierten Tumoren eingesetzt werden. Große genetische Screens in Modellorganismen, aber auch in haploiden menschlichen Zelllinien haben zur Identifizierung zahlreicher zusätzlicher synthetischer letaler Interaktionspaare geführt, die alle potenzielle Ziele von Interesse bei der Entwicklung neuartiger Tumortherapien sind. Ein Ansatz besteht darin, Gene therapeutisch mit einem synthetischen letalen Interaktor anzusprechen, der im interessierenen Tumor mutiert oder signifikant herunterreguliert ist. Ein zweiter Ansatz besteht darin, Arzneimittelkombinationen zu formulieren, die synthetische tödliche Wechselwirkungen ansprechen. In diesem Artikel skizzieren wir einen Datenintegrationsworkflow zur Bewertung und Identifizierung von Arzneimittelkombinationen, die auf synthetische tödliche Wechselwirkungen abzielen. Wir nutzen verfügbare Datensätze zu synthetischen letalen Interaktionspaaren, Homologie-Mapping-Ressourcen, Drug-Target-Links aus dedizierten Datenbanken sowie Informationen zu Medikamenten, die in klinischen Studien im Krankheitsbereich untersucht werden. Wir heben außerdem die wichtigsten Ergebnisse von zwei aktuellen Studien unserer Gruppe zur Beurteilung von Arzneimittelkombinationen im Zusammenhang mit Eierstock- und Brustkrebs hervor.
Introduction
Synthetische Letalität definiert eine Assoziation von zwei Genen, wobei der Verlust eines Gens die Lebensfähigkeit nicht beeinträchtigt, aber der Verlust beider Gene zum Zelltod führt. Es wurde erstmals 1946 von Dobzhansky beschrieben, während verschiedene Phänotypen von Drosophila durch Züchtung homozygoter Mutanten1analysiert wurden. Mutanten, die keine lebensfähigen Nachkommen produzierten, obwohl sie selbst lebensfähig waren, zeigten tödliche Phänotypen, wenn sie mit bestimmten anderen Mutanten gekreuzt wurden, was den Grundstein für die Etablierung der Theorie der synthetischen Letalität bereitete. Hartwell und Kollegen schlugen vor, dass dieses Konzept für die Krebstherapie beim Menschen anwendbar sein könnte2. Pharmakologisch provozierte synthetische Letalität könnte sich auf nur eine Mutation stützen, da der synthetische tödliche Partner des mutierten Gens durch eine pharmakologische Verbindung anvisieren kann. Das erste Genpaar, das die pharmakologische Induktion synthetischer Letalität ermöglicht, war BRCA(1/2) und PARP1. PARP1 fungiert als Sensor für DNA-Schäden und ist an Stellen von Doppel- und Einzel-DNA-Strangbrüchen, Supercoils und Crossovers gebunden3. BRCA1 und 2 spielen eine wichtige Rolle bei der Reparatur von DNA-Doppelstrangbrüchen durch homologe Rekombination4. Farmer und Kollegen veröffentlichten Ergebnisse, dass Zellen, die einen Mangel an BRCA1/2 hatten, anfällig für PARP-Hemmung waren, während in BRCA-Wildtypzellen keine Zytotoxizität beobachtet wurde5. Letztendlich wurden PARP-Inhibitoren für die Behandlung von BRCA-defizientärem Brust- und Eierstockkrebs zugelassen6,7. Darüber hinaus werden synthetische Letalitätsgenpaare, die zur klinischen Zulassung pharmakologischer Verbindungen führen, mit Spannung erwartet und sind ein wichtiger Bereich der jüngstenKrebsforschungsbemühungen 8.
Synthetische letale Geninteraktionen wurden in mehreren Organismen modelliert, darunter Fruchtfliegen, C. elegans und Hefe2. Mit verschiedenen Ansätzen, einschließlich RNA-Interferenz- und CRISPR/CAS-Bibliotheks-Knockouts, wurden in den letzten Jahren neuartige synthetische tödliche Genpaare entdeckt9,10,11. Ein Protokoll über die experimentellen Verfahren von RNAi in Kombination mit CRISPR/CAS wurde kürzlich von Housden und Kollegen veröffentlicht12. In der Zwischenzeit führten forscher auch große Bildschirme in haploiden menschlichen Zellen durch, um synthetische tödliche Wechselwirkungen zu identifizieren13,14. In silico-Methoden wie biologische Netzwerkanalyse und maschinelles Lernen haben sich auch bei der Entdeckung synthetischer tödlicher Wechselwirkungenals vielversprechend erwiesen 15,16.
Konzeptionell besteht ein Ansatz zur Nutzung synthetischer letaler Wechselwirkungen im Rahmen der Antitumortherapie darin, mutierte oder nicht-funktionelle Proteine in Tumorzellen zu identifizieren, wodurch ihre synthetischen letalen Interaktionspartner vielversprechende Wirkstoffziele für therapeutische Interventionen sind. Aufgrund der Heterogenität der meisten Tumorarten haben Forscher die Suche nach sogenannten synthetischen letalen Hub-Proteinen begonnen. Diese synthetischen letalen Naben haben eine Reihe von synthetischen letalen Interaktionspartnern, die entweder mutiert und daher nicht funktionsfähig oder in Tumorproben signifikant herunterreguliert sind. Die Behandlung solcher synthetischen tödlichen Naben ist vielversprechend für die Steigerung der Arzneimittelwirksamkeit oder die Überwindung von Arzneimittelresistenzen, wie beispielsweise im Zusammenhang mit dem Vincristin-resistenten Neuroblastom17gezeigt werden könnte. Ein zweiter Ansatz zur Verbesserung der medikamentösen Behandlung unter Verwendung des Konzepts synthetischer tödlicher Wechselwirkungen besteht darin, Arzneimittelkombinationen zu identifizieren, die auf synthetische tödliche Wechselwirkungen abzielen. Dies könnte zu neuen Kombinationen bereits zugelassener Einzel-Antitumortherapien und zur Neupositionierung von Medikamenten aus anderen Krankheitsbereichen in den Bereich der Onkologie führen.
In diesem Artikel stellen wir ein Schrittweises Verfahren vor, um eine Liste von Arzneimittelkombinationen zu erhalten, die auf synthetische tödliche Interaktionspaare abzielen. In diesem Workflow verwenden wir (i) Daten über synthetische letale Interaktionen von BioGRID und (ii) Informationen über homologe Gene von Ensembl, (iii) rufen Drug-Target-Paare aus DrugBank ab, (iv) bauen Krankheits-Wirkstoff-Assoziationen aus ClinicalTrials.gov auf und (v) generieren daher eine Reihe von Arzneimittelkombinationen, die synthetische tödliche Wechselwirkungen ansprechen. Schließlich bieten wir Arzneimittelkombinationen im Zusammenhang mit Eierstock- und Brustkrebs im Abschnitt repräsentative Ergebnisse an.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Synthetische letale Genpaare abrufen
- Datenabruf aus BioGrid.
- Laden Sie die neueste BioGRID-Interaktionsdatei im tab2-Format von https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip entweder mit einem Webbrowser oder direkt über die Linux-Befehlszeile mit curl oder wget18herunter.
##download und entpacken Sie die neueste BioGRID-Interaktionsdatei
#download neueste BioGRID-Interaktionsdatei mit curl
curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
#unpack der heruntergeladenen Datendatei
entpacken biogrid_latest.zip
BG="BIOGRID-ALL-3.5.171.tab2.txt"
- Nachdem das Zip-Archiv heruntergeladen wurde, muss das Archiv entpackt und der Name der eigentlichen Datensatzdatei (BIOGRID-ALL-X. X.X.tab2.txt) für nachfolgende Schritte. Die BioGRID-Datendatei enthält Interaktionen verschiedener Typen, die im nächsten Schritt gefiltert werden.
HINWEIS: Andere Quellen (z. B. DRYGIN, SynlethDB), die synthetische tödliche Wechselwirkungen enthalten, existieren, wie in der Diskussion beschrieben.
- Laden Sie die neueste BioGRID-Interaktionsdatei im tab2-Format von https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip entweder mit einem Webbrowser oder direkt über die Linux-Befehlszeile mit curl oder wget18herunter.
- Filter für synthetische Letalität und negative genetische Interaktionen (Experimental System).
- Verwenden Sie Informationen in der Spalte "Experimentelles System" (Spalte Nummer 12), die die Art der unterstützenden Beweise für eine Interaktion angeben, um synthetische tödliche Wechselwirkungen zu identifizieren.
- Beschränken Sie den Datensatz auf Einträge mit dem Wert Negative Genetic oder Synthetic Lethality. Filtern Sie im selben Schritt Spalten und behalten Sie nur Spalten bei, die für nachfolgende Analyseschritte relevant sind, wie in Tabelle 1 unten aufgeführt.
##restrict die BioGRID-Interaktionsdatei in relevante Spalten und behalten nur Interaktionen bei, die als negative genetische und synthetische Letalität eingestuft sind
cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
| awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1){
drucken $0
}else if($4 == "Negative Genetic" || $4 == "Synthetic Lethality"){
drucken $0
}
}' > bg_synlet.txt
HINWEIS: In den Codeausschnitten ^I wird verwendet, um horizontale Registerkarten darzustellen. Zusätzliche BioGRID-Kategorien wie synthetischer Wachstumsdefekt können einbezogen werden. Weitere spalten, die für diesen Workflow relevant sind, sind in Tabelle 1aufgeführt. BioGRID behält auch die Scores für einzelne Interaktionen bei. Cutoffs können verwendet werden, um Wechselwirkungen mit starker/hoher Zuverlässigkeit zu identifizieren.
| Spaltennummer | Name der Spaltenüberschrift |
| 3 | Genname |
| 12 | Spezies |
| 13 | Drogen-IDs |
Tabelle 1: Relevante Spalten der BioGRID-Datendatei.
- Identifizieren Sie Arten, für die synthetische tödliche Interaktionen berichtet wurden.
- Bestimmen Sie die Anzahl der Steuer-IDs synthetischer letaler Interaktionspartner, um eine Schätzung der Anzahl der synthetischen tödlichen Interaktionen zu erhalten, die pro Organismus verfügbar sind.
##count die Anzahl der Auftritte jeder Steuer-ID in den zuvor extrahierten synthetischen tödlichen Interaktionen
cut -d "^I" -f5,6 bg_synlet.txt | Schwanz -n +2 | tr "\t" "\n" \
| | sortieren uniq -c | sortieren -r -g
HINWEIS: Als Ergebnis von Schritt 1 eine Liste synthetischer tödlicher Interaktionen mit Gensymbolen von Organismen, in denen die Interaktionen bestimmt wurden. Die Mehrzahl der synthetischen letalen Wechselwirkungen wurde in Modellorganismen bestimmt. Wenn Sie Dateien in ein Tabellenkalkulationsprogramm (z. B. Excel) laden, vermeiden Sie es, die Gensymbole19,20zuruinieren.
- Bestimmen Sie die Anzahl der Steuer-IDs synthetischer letaler Interaktionspartner, um eine Schätzung der Anzahl der synthetischen tödlichen Interaktionen zu erhalten, die pro Organismus verfügbar sind.
2. Übersetzung synthetischer tödlicher Genpaare in menschliche Orthologe
- Abrufen menschlicher Orthologe für relevante Modellorganismen, die in Schritt 1.3 identifiziert wurden.
- Rufen Sie menschliche Orthologe aus Ensembl BioMart21 ab, indem Sie den jeweiligen Gendatensatz des Modellorganismus mit dem menschlichen Gendatensatz verknüpfen. Verwenden Sie für diese Aufgabe die Gensymbole, die das Gen im Modellorganismus bezeichnen, und orthologe menschliche Gene. Verwenden Sie den Ensembl BioMart Webservice, um den Abrufprozess zu automatisieren und senden Sie die Abfrage direkt an BioMart RESTful access, um die orthologen Genpaare abzurufen (siehe Beispiel unten und Ensembl BioMart Hilfe & Dokumentation für weitere Details).
##retrieve human ortholog für Saccharomyces Cerevisiae von Ensembl BioMart, indem sie curl verwenden, um die BioMart-Abfrage direkt an den BioMart RESTful-Zugangsdienst zu senden
curl -o s_cerevisiae.txt --data-urlencode 'query=
' "http://www.ensembl.org/biomart/martservice"
Um die orthologen menschlichen Gene für andere Modellorganismen abzurufen, ersetzen Sie den Wert des name-Attributs des ersten Dataset-Elements durch den Namen des jeweiligen Ensembl-Datensatzes und führen Sie die Abfrage erneut aus.
HINWEIS: Der Prozess der Ortholog-Zuordnung ist in Ensembl BioMart Help & Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html) gut dokumentiert.
- Rufen Sie über die 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&FILTERS=&VISIBLEPANEL=linkattributepanel auf eine BioMart-Beispielabfrage für menschliche Orthologe für Saccharomyces cerevisiae, die in Schritt 1.3 identifizierte Top-Spezies, zu.
HINWEIS: Andere Quellen (z. B. Roundup, Oma-Browser, HomoloGene, Inparanoid) für die Homologie-Kartierung existieren, wie im Diskussionsabschnitt dieses Manuskripts beschrieben.
- Rufen Sie menschliche Orthologe aus Ensembl BioMart21 ab, indem Sie den jeweiligen Gendatensatz des Modellorganismus mit dem menschlichen Gendatensatz verknüpfen. Verwenden Sie für diese Aufgabe die Gensymbole, die das Gen im Modellorganismus bezeichnen, und orthologe menschliche Gene. Verwenden Sie den Ensembl BioMart Webservice, um den Abrufprozess zu automatisieren und senden Sie die Abfrage direkt an BioMart RESTful access, um die orthologen Genpaare abzurufen (siehe Beispiel unten und Ensembl BioMart Hilfe & Dokumentation für weitere Details).
- Fügen Sie menschliche Orthologe zu extrahierten synthetischen tödlichen Wechselwirkungen hinzu.
- Verbinden Sie synthetische letale Interaktionen basierend auf der Steuer-ID des Organismus und dem Gensymbol mit den in Schritt 2.1 abgerufenen orthologen Paaren. Für menschliche synthetische tödliche Interaktionspaare erstellen entweder künstliche orthologe Paare für jedes menschliche Gen, das im Datensatz vorhanden ist, oder stellen Sie sicher, dass menschliche synthetische tödliche Interaktionen beim Verbinden nicht verworfen werden und übertragen Sie die menschlichen Gensymbole in die neu hinzugefügten Spalten.
##collect Ortholog-Mappings in einer einzigen Datei und verbinden Sie sich mit einer synthetischen tödlichen Interaktionsdatei
#create einer Zieldatei mit Headern zum Sammeln von Orthologzuordnungen
Echo "tax_id/gene_symbol^Ihuman_gene_symbol"->-Mapping.txt
#repeat diesem Schritt für jeden Modellorganismus achten Sie darauf, den Namen der Eingabedatei und die Steuer-ID anzupassen
#adds für jedes Ortholog-Paar in s_cerevisiae.txt einen neuen Eintrag im Mapping.txt: Dem Gensymbol wird die Steuer-ID vorangestellt, um die nachfolgende Verbindung mit der Datei für synthetische tödliche Interaktionen zu erleichtern
awk -F "\t" 'BEGIN{
OFS="\t"
org_tax_id="559292"
}
{
if($1 != "" && $2 != ""){
drucken org_tax_id"/"$1, $2
}
}' s_cerevisiae.txt >> Mapping.txt
#create künstliche Mapping-Einträge für menschliche Gene
awk -F "\t" 'BEGIN{
OFS="\t"
human_tax_id="9606"
}
{
if($5 == human_tax_id){
drucken $5"/"$2, $2
}
if($6 == human_tax_id){
drucken $6"/"$3, $3
}
}' bg_synlet.txt | sortieren -u >> Mapping.txt
#add erforderlichen Verknüpfungsschlüssel (Steuer-ID/Gensymbol) zu synthetischen tödlichen Interaktionen
awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1){
drucken $0, "Key Interactor A", "Key Interactor B"
}else{
drucken $0, $5"/"$2, $6"/"$3
}
}' bg_synlet.txt > tmp_bg_synlet_w_keys.txt
#join synthetisch letale Wechselwirkungen mit orthologen Paaren
merge tmp_bg_synlet_w_keys.txt mapping.txt 7 1 > tmp.txt
tmp zusammenführen.txt mapping.txt 8 1 > bg_synlet_mapped.txt
HINWEIS: Der in diesem Beispiel verwendete Merge-Befehl ist kein Unix-Standardbefehl. Die Implementierung mit Hilfe der GNU Core Utilities sort and join ist jedoch unkompliziert. Der Befehl wurde eingeführt, um die Komplexität des Sortierens der Dateien zu verbergen, bevor sie mit dem Befehl join verbunden werden können. Eine Implementierung von merge finden Sie unter https://github.com/aheinzel/merge-sh.
- Verwendung eines beliebigen Genidentifikators, der das Gen in einem bestimmten Namensraum eindeutig identifiziert, um bestmögliche Ergebnisse zu erzielen.
HINWEIS: Schritt 2 führt zu einer Liste synthetischer tödlicher Interaktionen von mehreren Organismen, die menschlichen Genen zugeordnet sind.
- Verbinden Sie synthetische letale Interaktionen basierend auf der Steuer-ID des Organismus und dem Gensymbol mit den in Schritt 2.1 abgerufenen orthologen Paaren. Für menschliche synthetische tödliche Interaktionspaare erstellen entweder künstliche orthologe Paare für jedes menschliche Gen, das im Datensatz vorhanden ist, oder stellen Sie sicher, dass menschliche synthetische tödliche Interaktionen beim Verbinden nicht verworfen werden und übertragen Sie die menschlichen Gensymbole in die neu hinzugefügten Spalten.
3. Kartierung synthetischer tödlicher Interaktionspartner mit Drogen
- Rufen Sie Drug-Target-Paare von DrugBank ab.
- Laden Sie DrugBank-Daten aus dem Download-Bereich von DrugBank herunter und erstellen Sie zuerst ein Konto, wenn nicht bereitserstellt 22. Verwenden Sie die CSV-Datei mit Arzneimittelzielidentifikatoren (Abschnitt Proteinidentifikatoren: https://www.drugbank.ca/releases/latest#protein-identifiers) und das DrugBank-Vokabular (Open Data-Abschnitt: https://www.drugbank.ca/releases/latest#open-data) mit DrugBank-Identifikatoren und -Namen. Alternativ können Sie die erforderlichen Informationen aus dem XML-Datenbankabbild extrahieren.
##restrict die DrugBank-Arzneimittelzieldatei in relevante Spalten und behält nur Einträge für menschliche molekulare Entitäten bei
DB_TARGETS="alle.csv"
DB_NAMES="Drugbank-Vokabular.csv"
#extract relevanten Spalten und Neuformatieren, um die Registerkarte als Spaltentrener zu verwenden
csvtool col 3,12,13 -u TAB "${DB_TARGETS}" > target_to_drugs_agg.txt
awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1 || $2 == "Menschen"){
Drucken $1, $3
}
}' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt
HINWEIS: DrugBank-Daten werden in zwei Hauptformaten bereitgestellt. Die komplette Datenbank steht als XML-Datei zur Verfügung. Darüber hinaus wird der Großteil der Daten in einer Reihe von CSV-Dateien (Comma-Separated Value) zur Verfügung gestellt.
- Beachten Sie, dass DrugBank auch nicht-menschliche Drogenziele aufzeichnet. Die Speziesspalte (Spalte Nummer 12) kann verwendet werden, um humane Drogenziele zu extrahieren.
HINWEIS: Zur besseren Lesbarkeit sind die Namen der extrahierten Spalten in Tabelle 2angegeben. Andere Quellen (z. B. die Therapeutic Target Database oder Chembl), die Drug-Target-Links enthalten, existieren, wie im Diskussionsabschnitt beschrieben.
- Laden Sie DrugBank-Daten aus dem Download-Bereich von DrugBank herunter und erstellen Sie zuerst ein Konto, wenn nicht bereitserstellt 22. Verwenden Sie die CSV-Datei mit Arzneimittelzielidentifikatoren (Abschnitt Proteinidentifikatoren: https://www.drugbank.ca/releases/latest#protein-identifiers) und das DrugBank-Vokabular (Open Data-Abschnitt: https://www.drugbank.ca/releases/latest#open-data) mit DrugBank-Identifikatoren und -Namen. Alternativ können Sie die erforderlichen Informationen aus dem XML-Datenbankabbild extrahieren.
| Spaltennummer | Name der Spaltenüberschrift |
| 3 | Genname |
| 12 | Spezies |
| 13 | Drogen-IDs |
- Fügen Sie Medikamentennamen zu Drogenzielen hinzu.
- Da Informationen zu Arzneimittelnamen und Arzneimittelzielen in zwei separaten CSV-Dateien bereitgestellt werden, führen Sie die Informationen aus den beiden Dateien zusammen, um anschließend Namen von Arzneimitteln hinzuzufügen, die auf einen synthetischen tödlichen Interaktionspartner zu synthetischen tödlichen Interaktionen abzielen. Verbinden Sie die beiden Datensätze mithilfe der gemeinsamen DrugBank-drug-ID-Spalte. Normalisieren Sie zuerst den Wirkstoffzieldatensatz, dass er nur eine einzige DrugBank-Drug-ID pro Zeile enthält, da die Ausgangsdatei mehrere DrugBank-Arzneimittel-IDs hintereinander enthalten kann, wenn ein Protein von mehreren Medikamenten angegriffen wird.
##generate eine einzige Datei mit dem Drogenziel-Gensymbol, der DrugBank-Drogen-ID und dem Arzneimittelnamen
#normalize Drogenzieldatensatz
awk -F "\t" 'BEGIN{
OFS="\t"
}
{
if(NR == 1){
drucken $0
}else if($1 != "" && $2 != ""){
Split($2, drug_targets, ";")
for(i in drug_targets){
drug_target = drug_targets[i]
gsub(/ /, "", drug_target)
Drucken $1, drug_target | "sort -u"
}
}
}' human_target_to_drugs_agg.txt > human_target_to_drug.txt
#extract relevanten Spalten und Neuformatieren, um tabulatorische Daten als Spaltentrennzeichen zu verwenden
csvtool col 1,3 -u TAB "${DB_NAMES}" > drugbank_id_to_name.txt
human_target_to_drug.txt zusammenführen \
drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt
HINWEIS: Spalte eins und drei im Drugbank-Vokabular.csv Datei enthalten die DrugBank-Medikamenten-ID und den entsprechenden Namen.
- Da Informationen zu Arzneimittelnamen und Arzneimittelzielen in zwei separaten CSV-Dateien bereitgestellt werden, führen Sie die Informationen aus den beiden Dateien zusammen, um anschließend Namen von Arzneimitteln hinzuzufügen, die auf einen synthetischen tödlichen Interaktionspartner zu synthetischen tödlichen Interaktionen abzielen. Verbinden Sie die beiden Datensätze mithilfe der gemeinsamen DrugBank-drug-ID-Spalte. Normalisieren Sie zuerst den Wirkstoffzieldatensatz, dass er nur eine einzige DrugBank-Drug-ID pro Zeile enthält, da die Ausgangsdatei mehrere DrugBank-Arzneimittel-IDs hintereinander enthalten kann, wenn ein Protein von mehreren Medikamenten angegriffen wird.
- Fügen Sie Medikamente, die auf synthetische letale Interaktionspartner abzielen, zum synthetischen tödlichen Interaktionsdatensatz hinzu.
- Verbinden Sie den Datensatz für synthetische tödliche Interaktionen mit der Im vorherigen Schritt generierten Datei mit dem Namen des Arzneimittelziels unter Verwendung der Gensymbolspalten, um Drogen zu synthetischen tödlichen Interaktionen hinzuzufügen. Achten Sie darauf, Arzneimittelnamen für beide Partner jeder synthetischen tödlichen Interaktion hinzuzufügen.
##enhance der Datei für synthetische tödliche Interaktion durch Hinzufügen von Medikamenten, die auf die Partner jeder synthetischen tödlichen Interaktion abzielen
merge bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
merge tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt
HINWEIS: Schritt 3 führt zu einer synthetischen tödlichen Interaktion mehrerer Organismen mit ihren orthologen menschlichen Genen und Medikamenten, die auf diese Gene abzielen.
- Verbinden Sie den Datensatz für synthetische tödliche Interaktionen mit der Im vorherigen Schritt generierten Datei mit dem Namen des Arzneimittelziels unter Verwendung der Gensymbolspalten, um Drogen zu synthetischen tödlichen Interaktionen hinzuzufügen. Achten Sie darauf, Arzneimittelnamen für beide Partner jeder synthetischen tödlichen Interaktion hinzuzufügen.
4. Festlegung des Satzes der derzeit getesteten Arzneimittelkombinationen in klinischen Studien
- Erhalten Sie Zugriff auf ClinicalTrials.gov Daten.
- Rufen Sie Informationen zu klinischen Studien im XML-Format von ClinicalTrials.gov entweder zu (i) einzelnen Studien, (ii) Studien, die sich aus einer Suchanfrage ergeben, oder (iii) allen Studien in der Datenbank ab. Alternativ können Sie die Ressourcen der Transformationsinitiative für klinische Studien nutzen, die auch alle Daten aus ClinicalTrials.gov in einer relationalen Datenbank hostet. Weitere Informationen finden Sie in Schritt 4.4.
HINWEIS: Für den Zugriff auf die in der Cloud gehostete Datenbankinstanz, die von der Transformationsinitiative für klinische Studien gehostet wird, ist ein kostenloses Konto erforderlich. Zusätzlich wird ein plsql-Client benötigt.
- Rufen Sie Informationen zu klinischen Studien im XML-Format von ClinicalTrials.gov entweder zu (i) einzelnen Studien, (ii) Studien, die sich aus einer Suchanfrage ergeben, oder (iii) allen Studien in der Datenbank ab. Alternativ können Sie die Ressourcen der Transformationsinitiative für klinische Studien nutzen, die auch alle Daten aus ClinicalTrials.gov in einer relationalen Datenbank hostet. Weitere Informationen finden Sie in Schritt 4.4.
- Konzentrieren Sie sich auf interventionelle Studien.
- Filter für Studien, die für die Indikation von Interesse spezifisch sind.
HINWEIS: ClinicalTrials.gov bietet Krankheitsnamen aus dem NCBI Medical Subject Headings (MeSH) kontrollierten Vokabular. Im Gegensatz zu den vom Einreicher angegebenen Krankheitsnamen ermöglicht das kontrollierte Vokabular die effiziente Identifizierung von Studien für die Indikation von Interesse. Dennoch muss man bedenken, dass das NCBI MeSH kontrollierte Vokabular ein Thesaurus ist. Überprüfen Sie daher den MeSH-Browser (https://meshb.nlm.nih.gov), ob die allgemeine Interessensbekundung kindliche/engere Begriffe enthält und fügen Sie diese gegebenenfalls hinzu. - Rufen Sie die identifizierten Studien zusammen mit den in diesen Studien getesteten Medikamenten ab. Eine Abfrage für Studien in der allgemeinen Indikation Eierstockkrebs finden Sie unten.
##retrieve interventionelle Studien für die allgemeine Indikation Eierstockkrebs aus der Transformationsinitiative für klinische Studien gehostete relationale Datenbank mit ClinicalTrials.gov Daten
Cat <\pset Fußzeile aus
WÄHLEN SIE VERSCHIEDENE s.nct_id, s.brief_title, i.intervention_type i.name
AUS Studien s
INNER JOIN browse_conditions c ON(s.nct_id = c.nct_id)
INNER JOIN Interventionen i ON(s.nct_id = i.nct_id)
WObei s.study_type = 'Interventional'
UND c.mesh_term IN (
"Ovarielle Neoplasmen",
"Karzinom, Ovarialepithel",
"Granulosa-Zelltumor",
"Hereditäres Brust- und Eierstockkrebssyndrom",
"Luteom",
"Meigs-Syndrom",
'Sertoli-Leydig-Zelltumor',
'Das Koma'
)
BESTELLUNG NACH 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
- Extrahieren Sie Arzneimittelnamen und ordnen Sie DrugBank-Namen zu.
HINWEIS: Während es verlockend ist, die Arzneimittelnamen aus klinischen Studien von Interesse direkt zu verwenden, muss man sich bewusst sein, dass Interventionsnamen in ClinicalTrials.gov vom Einreicher als Freitext eingegeben werden. Infolgedessen sind die Namen nicht standardisiert, Markennamen können anstelle des gebräuchlichen Verbindungsnamens verwendet werden und es gibt keine Garantie für eine ordnungsgemäße Datennormalisierung (z. B. mehrere Arzneimittelnamen in einem Eintrag). Darüber hinaus ist es üblich, dass Medikamente mit einem anderen Interventionstyp eingereicht werden, der sich vom Medikament unterscheidet. Daher wird die Zuordnung der abgerufenen Interventionsnamen zu DrugBank-Medikamentennamen am besten manuell durchgeführt.
##Obtain eine Liste von Interventionen, die in den zuvor abgerufenen klinischen Studien verwendet wurden.
cut -d "^I" -f3,4 clinical_trials.txt | Schwanz -n +2 | sortieren -u
HINWEIS: Die Spalten drei und vier enthalten die Art der Intervention bzw. den Namen der Intervention.
- Ergänzung mit Medikamenten, die bereits in der klinischen Anwendung aus Leitlinien verwendet werden
HINWEIS: Schritt 4 führt zu einer Liste von Medikamenten, die für die Indikation von Interesse untersucht / verwendet werden.
5. Identifizierung von Wirkstoffkombinationen, die auf synthetische tödliche Wechselwirkungen abzielen
- Suche nach synthetischen tödlichen Wechselwirkungen, die von zwei interessanten Medikamenten angegriffen werden. Beschränken Sie den Datensatz von Schritt 3 auf interessante Medikamente, indem Sie Zeilen in der Datei herausfiltern, die sowohl Medikament A als auch Medikament B ent.
##only Einträge für synthetische tödliche Wechselwirkungen und Drogen, die sie auslösen, beibehalten, wenn beide Partner von den beiden interessierenden Medikamenten (drug_a und drug_b) betroffen sind.
awk -F "\t" '{
if( ($12 == drug_a && $14 == drug_b) || ($12 == drug_b && $14 == drug_a) ) {
drucken $0
}
}' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
- Stellen Sie sicher, dass keines der beiden Medikamente allein auf beide synthetischen tödlichen Interaktionspartner abzielt. Überprüfen Sie die Wirkstoffziele jedes identifizierten Arzneimittels im Datensatz aus Schritt 3.2 und bewerten Sie, ob beide identifizierten synthetischen tödlichen Partner Ziele des spezifischen Arzneimittels sind.
##find alle Arzneimittelzieleinträge für einen bestimmten Arzneimittelnamen
awk -F "\t" '{
if($3 == Droge){
drucken $0
}
}' drug="XXX" db_human_drug_targets.txt
HINWEIS: Ein Medikament, das auf beide synthetischen tödlichen Interaktionswege abzielt, wäre für jede Zelle toxisch, daher ist es theoretisch kein wertvoller Multi-Target-Wirkstoff. Das ist der Grund, warum diese Möglichkeit in diesem Schritt des Algorithmus ausgeschlossen ist.
6. Ausgewählte neue Wirkstoffkombinationen in vitro testen
- Behandlung von menschlichen Brustkrebszelllinien und menschlichen gutartigen Brustepithelzellen, die in Standard-In-vitro-Kultivierungsmethoden in einer befeuchteten 37 °C-Atmosphäre mit 5% CO2 mit verschiedenen Arzneimittelkombinationen kultiviert wurden.
- Verwenden Sie Medien, die mit fetalem Rinderserum und Penicillin sowie Streptomycinsulfat ergänzt sind, um bakterielle Infektionen zu verhindern.
- Verdünnen Sie Arzneimittel in Lösungsmitteln wie DMSO oder phosphatgepufferter Kochsalzlösung in mindestens vier verschiedenen Konzentrationen basierend auf ihrer zuvor festgelegten IC50 (inhibitorische Konzentration) und verwenden Sie sie in Kombination oder allein zur Behandlung von Zellen.
- Durchführung von Zelllebensfähigkeitstests und Apoptose-Assays wie AnnexinV/7-AAD-Färbungen, um zytotoxische Wirkungen zu bestimmen, die durch Behandlungen verursacht werden.
- Überwachen Sie die pharmakologische Hemmung vermuteter molekularer Ziele mit Western Blots.
- Unterscheiden Sie synthetische Letalität von rein additiven Effekten, die den kombinatorischen Index (CI) berechnen, wie von Chou und anderen beschrieben23.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Unsere Gruppe hat kürzlich zwei Studien veröffentlicht, die den in diesem Manuskript dargestellten Workflow anwenden, um Arzneimittelkombinationen zu identifizieren, die auf synthetische tödliche Wechselwirkungen im Zusammenhang mit Eierstock- und Brustkrebs abzielen24,25. In der ersten Studie haben wir Wirkstoffkombinationen, die derzeit in späten klinischen Studien (Phase III und IV) getestet werden oder bereits in der klinischen Praxis zur Behandlung von Eierstockkrebspatientinnen eingesetzt werden, hinsichtlich ihrer Auswirkungen auf synthetische letale Wechselwirkungen untersucht. Darüber hinaus identifizierten wir Wirkstoffkombinationen, die derzeit nicht in klinischen Studien getestet werden, aber eine Begründung aus der Perspektive der Ausrichtung auf synthetische tödliche Wechselwirkungen liefern. Wir haben daher alle möglichen Wirkstoffkombinationen bewertet, indem wir Medikamente aus dem Pool aller Verbindungen in Studien mit Eierstockkrebs im Spätstadium ausgewählt haben. Wir identifizierten einen einzigartigen Satz von 61 Medikamentenkombinationen, die in 68 Eierstockkrebsstudien im Spätstadium untersucht wurden. Zwölf dieser 61 Arzneimittelkombinationen befassten sich mit mindestens einer synthetischen tödlichen Wechselwirkung. 84 zusätzliche Wirkstoffkombinationen wurden vorgeschlagen, um synthetische letale Wechselwirkungen zu behandeln, ohne bisher in klinischen Studien untersucht zu werden. 21 einzigartige Medikamente trugen zu den 84 identifizierten Wirkstoffkombinationen bei, die auf eine Reihe von 39 synthetischen tödlichen Interaktoren abzielten, wie in Abbildung 1 dargestellt.
Abbildung 1: Netzwerk der vorgeschlagenen neuartigen Wirkstoffkombinationen im Zusammenhang mit Eierstockkrebs. Abbildung 1 zeigt synthetische letale Wechselwirkungen, bei denen Interaktoren durch zwei Medikamente behandelt werden, die derzeit nicht in klinischen Studien getestet werden. Synlet-Interaktionen werden rot dargestellt, während Drug-Target-Links durch graue Ränder gekennzeichnet sind. Gepunktete Linien stellen synthetische letale Wechselwirkungen dar, die durch andere Arzneimittelkombinationen in klinischen Studien mit Eierstockkrebs im Spätstadium behandelt werden. Diese untersuchten Wirkstoffkombinationen sind mit einem Sternchen (*) jeweils in Kombination mit Paclitaxel angegeben, wobei die zusätzlich untersuchte Kombination von Cediranib und Olaparib durch einen Kreis (o) [angepasst von 25] angezeigt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Mit dem gleichen Workflow in einer zweiten Studie identifizierten wir 243 vielversprechende Wirkstoffkombinationen, die auf 166 synthetische tödliche Genpaare im Zusammenhang mit Brustkrebs abzielen. Wir haben ausgewählte Wirkstoffkombinationen experimentell auf ihren Einfluss auf die Zelllebensfähigkeit und Apoptose in zwei Brustkrebszelllinien getestet. Insbesondere die vorgeschlagene Wirkstoffkombination mit geringer Toxizität aus Celecoxib und Zoledronsäure zeigte eine Zytotoxizität, die über die additiven Wirkungen in Brustkrebszelllinien hinausging, die durch ihren kombinatorischen Index bestimmt wurden. Die Ergebnisse der Lebensfähigkeits- und Apoptose-Assays für diese Wirkstoffkombination sind in Abbildung 2 dargestellt.
Abbildung 2: Einfluss von Celecoxib und Zoledronsäure auf die Lebensfähigkeit und Apoptose in SKBR-3-Zellen. (A) Ergebnisse der Lebensfähigkeitsuntersuchung für Celecoxib (CEL), Zoledronsäure (ZOL) und die Kombination von Zoledronsäure und Celecoxib (ZOL + CEL) in SKBR-3-Brustkrebszelllinien. Niedrige und hohe CEL-Konzentrationen waren 50μM und 75μM. Niedrige und hohe ZOL-Konzentrationen waren 500μM und 750μM. Die Wirkstoffkombination hatte einen signifikanten synergistischen Effekt auf die Zelllebensfähigkeit (** p < 0,001). (B, C) Annexin V (ANXA5) und 7-AAD Färbungen von SKBR-3-Zellen, die mit CEL, ZOL und der Wirkstoffkombination ZOL + CEL behandelt wurden. Der Anteil der 7-AADpos/ANXA5pos-Zellen war nach Der Behandlung mit der Wirkstoffkombination ZOL + CEL [angepasst von 24] erhöht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Wir haben einen Workflow zur Identifizierung von Arzneimittelkombinationen skizziert, die sich auf synthetische tödliche Wechselwirkungen auswirken. Dieser Workflow nutzt (i) Daten über synthetische letale Interaktionen von Modellorganismen, (ii) Informationen über menschliche Orthologe, (iii) Informationen über Arzneimittel-Ziel-Assoziationen, (iv) Arzneimittelinformationen über klinische Studien im Zusammenhang mit Krebs sowie (v) Informationen über Arzneimittel-Krankheits- und Gen-Krankheits-Assoziationen, die aus der wissenschaftlichen Literatur extrahiert wurden. Die konsolidierten Informationen können verwendet werden, um die Auswirkungen einer bestimmten untersuchten Wirkstoffkombination auf synthetische letale Genpaare zu bewerten. Darüber hinaus können konsolidierte Daten verwendet werden, um eine Reihe von Medikamenten zu bewerten, die derzeit in klinischen Studien im Zusammenhang mit Krebs untersucht oder getestet werden, um Kombinationen zu finden, die auf die relevantesten synthetischen tödlichen Wechselwirkungen abzielen und daher eine höhere Chance haben, das Überleben von Tumorzellen zu beeinflussen. Schließlich können die generierten Daten verwendet werden, um nach Arzneimittelkombinationen zu suchen, die aus Medikamenten bestehen, die ursprünglich nicht für die Tumorbehandlung entwickelt wurden, und bieten so eine Möglichkeit für einen rechengesteuerten Arzneimittelrepositionierungsfall.
Für jeden Schritt im Datenintegrationsworkflow stellen wir wichtige Datenquellen vor, um den vollständigen Datenworkflow zu vervollständigen, weisen jedoch darauf hin, dass der Workflow in verschiedenen Phasen durch die Verwendung zusätzlicher Datenquellen weiter verbessert werden kann. In unserem Workflow haben wir synthetische letale Interaktionspaare aus der BioGRID-Datenbankextrahiert 18. Wir konzentrierten uns speziell auf Die Wechselwirkungen der Experimenttypen "synthetische Letalität" und "negative genetische". Informationen in BioGRID zu synthetischen letalen Interaktionen enthalten Datensätze aus großen genetischen Bildschirmen wie zum Beispiel einen von Costanzo und Kollegen26veröffentlichten Datensatz, der auch in der DRYGIN-Datenbank27verfügbar ist, sowie Daten zu einzelnen synthetischen letalen Interaktionen, wie sie in einzelnen Experimenten in der wissenschaftlichen Literatur beschrieben sind. Es gibt zusätzliche Datenquellen, die synthetische letale Wechselwirkungen sammeln und speichern, wie zum Beispiel SynLethDB28. Darüber hinaus gibt es auf der Ebene der orthologischen Kartierung eine große Anzahl verschiedener Werkzeuge und Datenbanken. Wir stellen eine Möglichkeit vor, Ensembl Biomart zu nutzen, um synthetische letale Interaktionspartner, die in Modellorganismen identifiziert wurden, auf ihre entsprechenden menschlichen Orthologe abzubilden. Weitere orthologische Datenbanken und Dienstleistungen sind die HomoloGene-Datenbank29des NCBI, die OMA-Orthologiedatenbank des Schweizerischen Instituts für Bioinformatik30oder die InParanoid-Orthologgruppendatenbank des Stockholm Bioinformatics Center31. In unserem Workflow konzentrierten wir uns auf synthetische letale Interaktionen von mehreren Modellorganismen, wobei die größte Anzahl synthetischer tödlicher Interaktionen von Hefe stammt. Man könnte erwägen, den Eingabesatz für die orthologische Kartierung auf Daten von Maus und Ratte zu beschränken, die evolutionär näher am Menschen sind. Eine zusätzliche Möglichkeit, den Inputsatz synthetischer tödlicher Interaktionen zu definieren, besteht darin, sich nur auf synthetische letale Interaktionen zu konzentrieren, die in mehreren Arten konserviert werden, wodurch die Wahrscheinlichkeit erhöht wird, dass die synthetische tödliche Interaktion wirklich positiv ist. Dies auf der anderen Seite könnte die Menge der synthetischen tödlichen Wechselwirkungen dramatisch reduzieren, da es bereits einen großen Unterschied in den identifizierten synthetischen tödlichen Wechselwirkungen zwischen S. cerevisiae und S. pombe gibt. Ein anderer Ansatz besteht darin, zu Beginn nicht zu streng zu sein und sogar den Satz experimenteller synthetischer tödlicher Interaktionen durch maschinelle Lernalgorithmen zu erweitern, wie wir es in den beiden Studien getan haben, die im Abschnitt über repräsentative Ergebnisse aufgeführt sind. Kurz gesagt, ein zufälliges Waldmodell wurde verwendet, um synthetische tödliche Interaktionen für menschliche Gene vorherzusagen, für die keine orthologen Gene in Hefe existierten. Das randome Waldmodell wurde auf der Menge synthetischer tödlicher Interaktionspaare aus Hefe und ihren orthologen menschlichen Genen unter Verwendung von Daten zu Signalwegassoziationen, Gen-Ontologie-Zuordnung sowie Krankheits- und Arzneimittelassoziationentrainiert,wie zuvor beschrieben24,25. Dies ermöglichte es uns, menschliche Gene zu berücksichtigen, für die in unserem Integrationsworkflow keine Ortholog-Mapping-Informationen verfügbar waren. Eine weit verbreitete Datenbank, die Informationen über Arzneimittel-Ziel-Assoziationen speichert, ist DrugBank, die auch die primäre Quelle für Interaktionen im Workflow ist. Andere Datenbanken, die in gewissem Maße ergänzende Informationen über Arzneimittelziele enthalten, sind die Therapeutic Target Database (TTD)32 oder ChEMBL33. Wesentliche Bestandteile des Workflows sind auch in die e.valuation-Plattform von emergentec und SynLethDB integriert, die von Forschern der Nanyang Technological University entwickelt wurde. Das letzte Update von SynLethDB im Jahr 2015 basierte jedoch auf den Datensätzen, die im Download-Bereich auf ihrer jeweiligen Webseite gespeichert waren28.
Eine Möglichkeit, identifizierte Wirkstoffkombinationen und gezielte synthetische letale Interaktionspaare zu bewerten, ist die Assoziation synthetischer tödlicher Partner und / oder Medikamente mit der interessierenden Krankheit über Literaturabbaumethoden. In unserer Arbeit zur Bewertung von Wirkstoffkombinationen im Zusammenhang mit Eierstockkrebs haben wir neuartige vorgeschlagene Arzneimittelkombinationen basierend auf der Anzahl der Publikationen zu Eierstockkrebs eingestuft, in denen einer der beiden synthetischen letalen Interaktoren einer jeweiligen Arzneimittelkombination erwähnt wird. Die MeSH-Annotation in Pubmed kann verwendet werden, um Publikationen für eine bestimmte Krankheit zu identifizieren, indem die genauen Krankheitsbegriffe verwendet werden, wie sie im Haupt-MeSH-Zweig C angegeben sind. Informationen über Gene in den identifizierten Publikationen können mit der gene2pubmed-Mapping-Datei von NCBI extrahiert werden, wie an anderer Stelle beschrieben34. Darüber hinaus gibt es dedizierte Datenbanken mit Gen-Krankheits- und/ oder Arzneimittel-Krankheits-Links wie die Comparative Toxicogenomics Database35, DisGeNET36oder die e.valuation Software-Plattform. Das Ranking von Arzneimittelkombinationen basierend auf Krankheitsassoziationen ist eine Möglichkeit, die endgültige Auswahl von Arzneimittelkombinationen für experimentelle Tests zu unterstützen. Bei der Auswahl von Wirkstoffkombinationen für weitere Tests sind weitere Aspekte zu berücksichtigen, wie z.B. individuelle Toxizitätsprofile der Wirkstoffe oder der Expressionsstatus synthetischer letaler Interaktoren im jeweiligen Zielorgan.
Im Abschnitt "Repräsentative Ergebnisse" präsentieren wir Daten zur Wirkstoffkombination aus Celecoxib und Zoledronsäure, die nach dem Workflow zur Identifizierung von Wirkstoffkombinationen im Zusammenhang mit Brustkrebs identifiziert wurde. Diese spezielle Wirkstoffkombination wurde aufgrund der niedrigen Toxizitätsprofile beider Verbindungen für experimentelle Tests ausgewählt. Wir verwendeten verschiedene Konzentrationen in In-vitro-Experimenten, um den Einfluss der Wirkstoffkombination auf die Zelllebensfähigkeit und Apoptose zu bewerten. Im Idealfall könnten die Arzneimittelkonzentrationen für einzelne Medikamente signifikant gesenkt werden, um Nebenwirkungen zu minimieren und gleichzeitig die Wirksamkeit durch die Kombination von zwei Medikamenten zu maximieren. Die Auswirkungen auf die Lebensfähigkeit bei niedrigeren Dosen zu sehen, ist noch aussagekräftiger, da Arzneimittelkonzentrationen, die für In-vitro-Tests verwendet werden, als supratherapeutisch kritisiert werden könnten, die in In-vivo-Modellen nicht erreicht werden. Die Konzentrationen wurden jedoch auf der Grundlage von Zellkulturexperimenten mit diesen in der Literatur angegebenen Medikamenten ausgewählt. Die Dosierung von Medikamenten kann weiter beeinflussen, welche Ziele hauptsächlich betroffen sind, da die meisten Verbindungen mehr als ein Wirkstoffziel haben, was sich möglicherweise auch auf eine große Anzahl bekannter und unbekannter nachgeschalteter Moleküle auswirkt. Wirkstoffkombinationen, die synergistische Effekte auf die Zelllebensfähigkeit in In-vitro-Zellkultursystemen zeigen, sollten daher in 3D- oder In-vivo-Modellen weiter untersucht werden.
Zusammenfassend stellen wir einen Workflow vor, der Informationen aus verschiedenen Datenquellen integriert, um Arzneimittelkombinationen zu bewerten und vorzuschlagen, die auf synthetische tödliche Wechselwirkungen abzielen. Bis heute stammen die größten Informationen über synthetische tödliche Interaktionen immer noch von Modellorganismen, die einen obligatorischen orthologischen Kartierungsschritt auf das menschliche Genom erfordern. Erste Screens in menschlichen haploidalen Zellen haben zur Identifizierung synthetischer tödlicher Interaktionen in menschlichen Zellen geführt. Darüber hinaus hat die CRISPR/CAS-Technologie neue Wege eröffnet, synthetische letale Wechselwirkungen auf zellulärer Ebene zu untersuchen. Da mehr qualitativ hochwertige biologische synthetische letale Interaktionsdaten verfügbar werden, schlagen wir vor, dass Datenintegrationsbemühungen wie unsere die klinische Krebsbehandlung in Zukunft verändern werden, indem neue und klinisch bedeutsame synthetische tödliche Genpaare neben BRCA(1/2)/PARP1 entdeckt werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
AH und PP waren zum Zeitpunkt der Durchführung der Analysen, die zu den im repräsentativen Ergebnisteil vorgestellten Ergebnissen führten, Mitarbeiter der emergentec biodevelopment GmbH. MM und MK haben nichts preiszugeben.
Acknowledgments
Die Mittel für die Entwicklung des Datenintegrationsworkflows wurden aus dem Siebten Rahmenprogramm der Europäischen Gemeinschaft im Rahmen der Finanzhilfevereinbarung nu. 279113 (OCTIPS). Die Anpassung der Daten innerhalb dieser Veröffentlichung wurde freundlicherweise von der Public Library of Sciences Publications und Impact Journals, LLC genehmigt.
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 |
References
- Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
- 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).
- 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).
- 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).
- Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
- McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540 (2018).
- Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
- 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).
- Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, Pt B 201-219 (2013).
- 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).
- 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).
- 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).
- Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), New York, N.Y. 1092-1096 (2015).
- Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
- Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
- 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).
- Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
- Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, D1 529-541 (2019).
- Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80 (2004).
- Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
- Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, D1 802-808 (2018).
- 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).
- Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
- 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).
- Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859 (2019).
- Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
- Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
- 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).
- NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
- 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).
- Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, Database issue 234-239 (2015).
- 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).
- Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
- 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).
- Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
- 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).
