Summary

Ein Datenintegrations-Workflow zur Identifizierung von Arzneimittelkombinationen, die auf synthetische tödliche Wechselwirkungen abzielen

Published: May 27, 2021
doi:

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.

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 curlcurl -o biogrid_la…

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 E…

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 a…

Disclosures

The authors have nothing to disclose.

Acknowledgements

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

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