Ett arbetsflöde för dataintegrering för att identifiera läkemedelskombinationer som riktar sig mot syntetiska dödliga interaktioner
Summary
Stora genetiska skärmar i modellorganismer har lett till identifiering av negativa genetiska interaktioner. Här beskriver vi ett arbetsflöde för dataintegration med data från genetiska skärmar i modellorganismer för att avgränsa läkemedelskombinationer som riktar sig mot syntetiska dödliga interaktioner vid cancer.
Abstract
En syntetisk dödlig interaktion mellan två gener ges när knock-out av någon av de två generna inte påverkar cellens livskraft men knock-out av båda syntetiska dödliga interactorer leder till förlust av cell livskraft eller celldöd. Den bäst studerade syntetiska dödliga interaktionen är mellan BRCA1/2 och PARP1, där PARP1-hämmare används i klinisk praxis för att behandla patienter med MUTERADE BRCA1/2-tumörer. Stora genetiska skärmar i modellorganismer men också i haploid mänskliga cellinjer har lett till identifiering av många ytterligare syntetiska dödliga interaktionspar, som alla är potentiella mål av intresse för utvecklingen av nya tumörterapier. Ett tillvägagångssätt är att terapeutiskt rikta gener med en syntetisk dödlig interactor som muteras eller avsevärt nedregleras i intressetumören. Ett andra tillvägagångssätt är att formulera läkemedelskombinationer som behandlar syntetiska dödliga interaktioner. I den här artikeln beskriver vi ett arbetsflöde för dataintegration för att utvärdera och identifiera läkemedelskombinationer som riktar sig till syntetiska dödliga interaktioner. Vi använder tillgängliga datamängder om syntetiska dödliga interaktionspar, homologikartläggningsresurser, läkemedelsmållänkar från dedikerade databaser samt information om läkemedel som undersöks i kliniska prövningar inom sjukdomsområdet av intresse. Vi lyfter ytterligare fram viktiga resultat av två nyligen genomförda studier av vår grupp om läkemedelskombinationsbedömning i samband med äggstockscancer och bröstcancer.
Introduction
Syntetisk dödlighet definierar en association av två gener, där förlust av en gen inte påverkar livskraften, men förlust av båda generna leder till celldöd. Det beskrevs först 1946 av Dobzhansky medan analysera olika fenotyper av drosophila genom att odla homozygous mutanter1. Mutanter som inte gav livskraftiga avkommor, även om de själva var livskraftiga, uppvisade dödliga fenotyper när de korsades med vissa andra mutanter, vilket satte mark för upprättandet av teorin om syntetisk dödlighet. Hartwell och kollegor föreslog att detta koncept kan vara tillämpligt för cancerbehandling hos människor2. Farmakologiskt provocerade syntetiska dödlighet kan förlita sig på bara en mutation, med tanke på att muterade genens syntetiska dödliga partner är målbar av en farmakologisk förening. Det första genparet som möjliggör farmakologisk induktion av syntetisk dödlighet var BRCA(1/2) och PARP1. PARP1 fungerar som en sensor för DNA-skador och är knuten till platser med dubbla och enstaka DNA-strandbrytningar, superspolar och crossovers3. BRCA1 och 2 spelar viktiga roller vid reparation av DNA dubbelsträngsbrott genom homolog rekombination4. Jordbrukare och kollegor publicerade resultaten att celler som inte hade brist på BRCA1/2 var mottagliga för PARP-hämning, medan ingen cytotoxicitet observerades i BRCA vilda celler5. I slutändan godkändes PARP-hämmare för behandling av BRCA-bristfällig bröst- och äggstockscancer6,7. Vidare är syntetiska dödligheten genpar som leder till kliniskt godkännande av farmakologiska föreningar mycket efterlängtade och ett stort område av de senaste cancerforskningsinsatserna8.
Syntetiska dödliga geninteraktioner modellerades i flera organismer inklusive fruktflugor, C. elegans och jäst2. Med hjälp av olika tillvägagångssätt inklusive RNA-interferens- och CRISPR / CAS-bibliotek knockouts upptäcktes nya syntetiska dödliga genpar under de senasteåren 9,10,11. Ett protokoll om RNAi experimentella procedurer i kombination med CRISPR/CAS publicerades nyligen av Housden och kollegor12. Under tiden genomförde forskare också stora skärmar i haploida mänskliga celler för att identifiera syntetiska dödliga interaktioner13,14. I silico metoder som biologisk nätverksanalys och maskininlärning har också visat löfte i upptäckten av syntetiska dödliga interaktioner15,16.
Konceptionellt är ett tillvägagångssätt för att använda syntetiska dödliga interaktioner i samband med antitumörbehandling att identifiera muterade eller icke-funktionella proteiner i tumörceller, vilket gör deras syntetiska dödliga interaktionspartner lovande läkemedelsmål för terapeutisk intervention. På grund av de flesta tumörtypers heterogenitet har forskare påbörjat sökandet efter så kallade syntetiska dödliga navproteiner. Dessa syntetiska dödliga nav har ett antal syntetiska dödliga interaktionspartners som antingen muteras och därför inte fungerar eller avsevärt nedregleras i tumörprover. Att ta itu med sådana syntetiska dödliga nav lovar att öka läkemedelseffektiviteten eller övervinna läkemedelsresistens, vilket kan visas till exempel i samband med vinkrisinresistent neuroblastom17. Ett andra tillvägagångssätt för att förbättra läkemedelsbehandlingen med hjälp av begreppet syntetiska dödliga interaktioner är att identifiera läkemedelskombinationer som är inriktade på syntetiska dödliga interaktioner. Detta kan leda till nya kombinationer av redan godkända enstaka anti-tumör terapier och till ompositionering av läkemedel från andra sjukdom områden till området onkologi.
I den här artikeln presenterar vi ett steg-för-steg-förfarande för att ge en lista över läkemedelskombinationer som riktar sig mot syntetiska dödliga interaktionspar. I detta arbetsflöde använder vi (i) data om syntetiska dödliga interaktioner från BioGRID och (ii) information om homologa gener från Ensembl, (iii) hämtar läkemedelsmålspar från DrugBank, (iv) bygger sjukdomsläkemedelsassociationer från ClinicalTrials.gov och (v) genererar därför en uppsättning läkemedelskombinationer som behandlar syntetiska dödliga interaktioner. Slutligen tillhandahåller vi läkemedelskombinationer i samband med äggstocks- och bröstcancer i avsnittet representativa resultat.
Protocol
Representative Results
Discussion
Vi har skisserat ett arbetsflöde för att identifiera läkemedelskombinationer som påverkar syntetiska dödliga interaktioner. Detta arbetsflöde använder sig av i) uppgifter om syntetiska dödliga interaktioner från modellorganismer, ii) information om humana ortologer, iii) information om läkemedelsmålsassociationer, iv) läkemedelsinformation om kliniska prövningar i samband med cancer samt v) om information om läkemedelssjukdomar och släktorganisationer för gensjukdomar som extraherats från vetenskaplig li…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Finansiering för att utveckla arbetsflödet för dataintegration erhölls från Europeiska gemenskapens sjunde ramprogram inom ramen för bidragsavtalet nu. 279113 (OCTIPS). Anpassning av data inom denna publikation godkändes vänligen av 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
- 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), 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, 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), 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, 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, 802-808 (2018).
- Wishart, D. S., et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Research. 46, 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, 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).
