Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

Sentetik Ölümcül Etkileşimleri Hedefleyen İlaç Kombinasyonlarını Tanımlamak için Veri Entegrasyonu İş Akışı

Published: May 27, 2021 doi: 10.3791/60328
Automatic Translation
1, 2, 1, 3, 1
1Department of Internal Medicine I - Division of Oncology, Comprehensive Cancer Center, Medical University of Vienna, 2Department of Nephrology, Medical University of Vienna, 3Department of Internal Medicine IV, Medical University Innsbruck

Summary

Model organizmalarda büyük genetik ekranlar negatif genetik etkileşimlerin tanımlanmasına yol açmıştır. Burada, kanserde sentetik ölümcül etkileşimleri hedefleyen ilaç kombinasyonlarını tanımlamak için model organizmalardaki genetik ekranlardan elde edilen verileri kullanarak bir veri entegrasyonu iş akışını açıklıyoruz.

Abstract

İki genden birinin nakavtı hücre canlılığını etkilemediğinde iki gen arasında sentetik bir ölümcül etkileşim verilir, ancak her iki sentetik ölümcül etkileşimcinin de nakavtı hücre canlılığının kaybına veya hücre ölümüne yol açar. En iyi çalışılan sentetik öldürücü etkileşim BRCA1/2 ve PARP1 arasındadır ve PARP1 inhibitörleri klinik uygulamada BRCA1/2 mutasyona uğramış tümörlü hastaları tedavi etmek için kullanılmaktadır. Model organizmalarda ve haploid insan hücre hatlarında büyük genetik ekranlar, hepsi yeni tümör tedavilerinin geliştirilmesinde potansiyel ilgi hedefleri olan çok sayıda ek sentetik ölümcül etkileşim çiftinin tanımlanmasına yol açmıştır. Bir yaklaşım, ilgi tümöründe mutasyona uğramış veya önemli ölçüde küçültülen sentetik bir ölümcül interactor ile genleri terapötik olarak hedeflemektir. İkinci bir yaklaşım, sentetik ölümcül etkileşimleri ele alarak ilaç kombinasyonlarını formüle etmektir. Bu makalede, sentetik ölümcül etkileşimleri hedefleyen uyuşturucu kombinasyonlarını değerlendirmek ve tanımlamak için bir veri entegrasyonu iş akışı özetliyoruz. Sentetik ölümcül etkileşim çiftleri, homoloji haritalama kaynakları, özel veritabanlarından uyuşturucu hedef bağlantıları ve hastalık alanındaki klinik çalışmalarda araştırılan ilaçlar hakkında bilgilerden yararlanıyoruz. Grubumuzun yumurtalık ve meme kanseri bağlamında ilaç kombinasyonu değerlendirmesi üzerine yaptığı iki yeni çalışmanın temel bulgularını daha da vurguluyoruz.

Introduction

Sentetik öldürücülük, bir genin kaybının canlılığı etkilemediği, ancak her iki genin kaybının hücre ölümüne yol açtığı iki genin bir ilişkisini tanımlar. İlk olarak 1946 yılında Dobzhansky tarafından homozigot mutantlar yetiştirilerek drosophila'nın çeşitli fenotipleri analiz ederken tanımlanmıştır1. Kendileri de canlı olmasına rağmen canlı yavrular üretmeyen mutantlar, diğer bazı mutantlarla geçildiğinde ölümcül fenotipler sergileyerek sentetik öldürücülük teorisinin kurulmasına zemin hazırlamıştır. Hartwell ve meslektaşları, bu kavramın insanlarda kanser tedavisi için geçerli olabileceğini önesürdüler 2. Farmakolojik olarak kışkırtılmış sentetik öldürücülük, mutasyona uğramış genin sentetik ölümcül ortağının farmakolojik bir bileşik tarafından hedeflenebilir olduğu göz önüne alındığında, sadece bir mutasyona dayanabilir. Sentetik öldürücülüğün farmakolojik indüksiyonunu sağlayan ilk gen çifti BRCA (1/2) ve PARP1 idi. PARP1, DNA hasarı için bir sensör görevi görür ve çift ve tek DNA iplikçik kırılmaları, süpercoiller ve geçitler3bölgelerine bağlıdır. BRCA1 ve 2, homolog rekombinasyon4'teDNA çift iplikçik kırılmalarının onarımında önemli roller oynar. Çiftçi ve meslektaşları BRCA1/2 için eksik olan hücrelerin PARP inhibisyona duyarlı olduğuna dair bulgular yayınlarken, BRCA vahşi tip hücrelerinde sitotoksiklik gözlenmedi5. Sonuçta, BRCA eksikliği meme ve yumurtalık kanseri tedavisi için PARP inhibitörleri onaylanmıştır6,7. Ayrıca, farmakolojik bileşiklerin klinik onayına yol açan sentetik öldürücülük gen çiftleri çok beklenmektedir ve son kanser araştırma çabalarının önemli bir alanı8.

Sentetik ölümcül gen etkileşimleri meyve sinekleri, C. elegans ve maya2dahil olmak üzere birden fazla organizmada modellenmiştir. RNA paraziti ve CRISPR/CAS-library nakavtları da dahil olmak üzere çeşitli yaklaşımlar kullanılarak, son yıllarda yeni sentetik ölümcül gen çiftleri keşfedildi9,10,11. CRISPR/CAS ile birlikte RNAi'nin deneysel prosedürleri hakkında bir protokol yakın zamanda Housden ve meslektaşları tarafından yayınlandı12. Bu arada, araştırmacılar sentetik ölümcül etkileşimleri tanımlamak için haploid insan hücrelerinde büyük ekranlar da yaptılar13,14. Silikoda biyolojik ağ analizi ve makine öğrenimi gibi yöntemler de sentetik ölümcül etkileşimlerin keşfinde umut vaat etti15,16.

Gebe kalmak gerekirse, anti-tümör tedavisi bağlamında sentetik ölümcül etkileşimlerden yararlanmaya yönelik bir yaklaşım, tümör hücrelerindeki mutasyona uğramış veya işlevsel olmayan proteinleri tanımlamak ve sentetik ölümcül etkileşim ortaklarını terapötik müdahale için ilaç hedefleri vaat etmektir. Çoğu tümör tipinin heterojenliği nedeniyle, araştırmacılar sentetik öldürücü merkez proteinleri aramaya başladılar. Bu sentetik öldürücü göbekler, mutasyona uğramış ve bu nedenle tümör örneklerinde işlevsel olmayan veya önemli ölçüde küçültülen bir dizi sentetik ölümcül etkileşim ortağına sahiptir. Bu tür sentetik ölümcül merkezlerin ele alınması, örneğin vincristine dirençli nöroblastom17bağlamında gösterebileceği gibi, ilaç etkinliğini artırmada veya ilaç direncinin üstesinden gelmede söz verir. Sentetik ölümcül etkileşimler kavramını kullanarak ilaç tedavisini geliştirmek için ikinci bir yaklaşım, sentetik ölümcül etkileşimleri hedefleyen ilaç kombinasyonlarını tanımlamaktır. Bu, zaten onaylanmış tek anti-tümör tedavilerinin yeni kombinasyonlarına ve diğer hastalık alanlarındaki ilaçların onkoloji alanına yeniden yerleştirilmesine yol açabilir.

Bu makalede, sentetik ölümcül etkileşim çiftlerini hedefleyen ilaç kombinasyonlarının bir listesini vermek için adım adım bir prosedür sunuyoruz. Bu iş akışında, (i) BioGRID'den sentetik öldürücü etkileşimler ve (ii) Ensembl'den homolog genler hakkındaki bilgiler, (iii) DrugBank'ten uyuşturucu hedef çiftleri almak, (iv) ClinicalTrials.gov'den hastalık-ilaç ilişkileri oluşturmak ve (v) böylece sentetik ölümcül etkileşimleri ele alan bir dizi ilaç kombinasyonu oluşturmak. Son olarak temsili sonuçlar bölümünde yumurtalık ve meme kanseri bağlamında ilaç kombinasyonları sağlıyoruz.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Sentetik ölümcül gen çiftlerinin geri alınarak

  1. BioGrid'den veri alma.
    1. En son BioGRID etkileşim dosyasını tab2 formatında indirin https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip bir web tarayıcısı kullanarak veya doğrudan Linux komut satırından curl veya wget18.

      ##download ve en son BioGRID etkileşim dosyasını açın
      #download kıvrılarak en son BioGRID etkileşim dosyası
      kıvrılma -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      İndirilen veri dosyasını #unpack
      biogrid_latest.zip fermip çöz
      BG="BIOGRID-ALL-3.5.171.tab2.txt"
       
    2. Zip arşivi indirildikten sonra, arşivi açmalı ve gerçek veri kümesi dosyasının adını not etmelidir (BIOGRID-ALL-X. X.X.tab2.txt) sonraki adımlar için. BioGRID veri dosyası, bir sonraki adımda filtrelenecek farklı türlerdeki etkileşimleri tutar.
      NOT: Tartışmada belirtildiği gibi sentetik ölümcül etkileşimlere sahip diğer kaynaklar (örneğin DRYGIN, SynlethDB) mevcuttur.
  2. Sentetik öldürücülük ve negatif genetik etkileşimler için filtre (Deneysel Sistem).
    1. Sentetik ölümcül etkileşimleri tanımlamak için bir etkileşim için destekleyici kanıtların doğasını gösteren "Deneysel Sistem" sütunundaki (sütun numarası 12) bilgileri kullanın.
    2. Veri kümesini Negatif Genetik veya Sentetik Öldürücülük değerine sahip girişlerle sınırla. Aynı adımda, sütunlara filtre uygulayın ve yalnızca aşağıdaki tablo 1'de listelendiği gibi sonraki çözümleme adımlarıyla ilgili sütunları koruyun.

      #biogrid etkileşim dosyasını ilgili sütunlara #restrict ve yalnızca negatif genetik ve sentetik öldürücülük olarak sınıflandırılan etkileşimleri koruyun
      cut -d "^I" -f 1,8,9,12,16,17 "${BG}" \
      | awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      }
      {
      if(NR == 1){
      $0 yazdırma
      }else if($4 == "Negatif Genetik" || $4 == "Sentetik Öldürücülük"){
      $0 yazdırma
      }
      }' > bg_synlet.txt

      NOT: ^I kod parçacıklarında yatay sekmeleri temsil etmek için kullanılır. Sentetik büyüme kusuru gibi ek BioGRID kategorileri dahil edilebilir. Bu iş akışıyla ilgili diğer ilgili sütunlar Tablo 1'de listelenmiştir. BioGRID ayrıca bireysel etkileşimlerin puanlarını da korur. Kesmeler, güçlü/yüksek güven etkileşimlerini tanımlamak için kullanılabilir.
Sütun numarası Sütun üstbilgi adı
3 Gen Adı
12 tür
13 İlaç Kimlikleri

Tablo 1: BioGRID veri dosyasının ilgili sütunları.

  1. Sentetik ölümcül etkileşimlerin rapor edildiği türleri tanımlayın.
    1. Organizma başına mevcut sentetik ölümcül etkileşimlerin sayısı hakkında bir tahmin almak için sentetik ölümcül etkileşim ortağı vergi kimliklerinin sayısını belirleyin.

      ##count daha önce çıkarılan sentetik öldürücü etkileşimlerdeki her bir vergi kimliğindeki görünüm sayısını
      kesme -d "^I" -f5,6 bg_synlet.txt | kuyruk -n +2 | tr "\t" "\n" \
      | sıralama | uniq -c | sıralama -r -g

      NOT: 1. adımın bir sonucu olarak, etkileşimlerin belirlendiği organizmalardan gen sembolleri ile sentetik öldürücü etkileşimlerin bir listesi. Sentetik öldürücü etkileşimlerin çoğunluğu model organizmalarda belirlenmiştir. Dosyaları bir elektronik tablo programına yüklerken (örneğin, Excel) Gen Sembollerini mahvetmekten kaçının19,20.

2. Sentetik öldürücü gen çiftlerinin insan ortologlarına çevrilmesi

  1. Adım 1.3'te tanımlanan ilgili model organizmalar için insan ortologlarını alın.
    1. İlgili model organizma gen veri kümesini insan gen veri kümesine bağlayarak Ensembl BioMart21'den insan ortezlerini alın. Bu görev için model organizmadaki geni ve ortez insan genlerini gösteren gen sembollerini kullanın. Alma işlemini otomatikleştirmek ve sorguyu doğrudan ortolog gen çiftlerini almak için BioMart RESTful erişimine göndermek için Ensembl BioMart web hizmeti'ni kullanın (aşağıdaki örneğe ve daha fazla ayrıntı için Ensembl BioMart Yardım ve Belgelerine bakın).

      BioMart sorgusunu doğrudan BioMart RESTful erişim hizmetine göndermek için kıvrılma kullanarak Ensembl BioMart'tan Saccharomyces Cerevisiae için ##retrieve insan ortezi
      curl -o s_cerevisiae.txt --data-urlencode 'query=











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

      Diğer model organizmalar için ortolog insan genlerini almak için, ilk Dataset öğesinin ad özniteliğinin değerini ilgili Ensembl veri kümesinin adıyla değiştirin ve sorguyu yeniden yürütün.

      NOT: Ortolog eşleme işlemi Ensembl BioMart Yardım ve Belgeleme (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html) alanında iyi belgelenmiştir.
    1. adım 1.3'te tanımlanan en iyi tür olan Saccharomyces cerevisiae için insan ortezleri için örnek bir BioMart sorgusuna 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 URL'si aracılığıyla erişin.
      NOT: Bu makalenin tartışma bölümünde belirtildiği gibi, homoloji haritalaması için diğer kaynaklar (örneğin toplama, oma tarayıcısı, HomoloGene, inparanoid) mevcuttur.
  2. Çıkarılan sentetik ölümcül etkileşimlere insan ortologları ekleyin.
    1. Adım 2.1'de alınan ortez çiftleri ile organizma vergi kimliğine ve gen sembolüne dayalı sentetik ölümcül etkileşimlere katılın. İnsan sentetik ölümcül etkileşim çiftleri için ya veri kümesinde bulunan her insan geni için yapay ortolog çiftler oluşturur ya da insan sentetik ölümcül etkileşimlerinin birleştirilirken atılmamasını ve insan gen sembollerini yeni eklenen sütunlara aktarmasını sağlar.

      ##collect tek bir dosyada ortolog eşlemeleri ve sentetik ölümcül etkileşim dosyasıyla birleştirme
      Ortolog eşlemelerini toplamak için üstbilgileri olan bir hedef dosya #create
      eşlemeyi "tax_id/gene_symbol^Ihuman_gene_symbol" > yankıla.txt

      Her model organizma için bu adımı #repeat, giriş dosyası adını ve vergi-kimliği'ne uyarlamaya özen
      Haritalamada yeni bir giriş s_cerevisiae.txt her ortolog çifti için #adds.txt: Gen Sembolü, sentetik ölümcül etkileşimler dosyasıyla sonraki birleştirmeyi kolaylaştırmak için vergi kimliğiyle öneklenmiştir.
      awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      org_tax_id="559292"
      }
      {
      if($1 != "" & 2 $!= ""){
      baskı org_tax_id"/"$1, $2
      }
      }' s_cerevisiae.txt >> eşlemesi.txt

      İnsan genleri için yapay haritalama girişleri #create
      awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      human_tax_id="9606"
      }
      {
      if($5 == human_tax_id){
      baskı $5"/"$2, $2
      }
      if($6 == human_tax_id){
      baskı $6"/"$3, $3
      }
      }' bg_synlet.txt | sıralama -u >> eşleme.txt

      #add sentetik ölümcül etkileşimler için birleştirme anahtarları (vergi kimliği/Gen Sembolü) gerekir
      awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      }
      {
      if(NR == 1){
      $0 yazdır, "Anahtar Etkileşimcisi A", "Anahtar Etkileşimcisi B"
      }else{
      baskı $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join ortopedik çiftlerle sentetik öldürücü etkileşimler
      eşlemeyi birleştirme tmp_bg_synlet_w_keys.txt 7 1 > tmp.txt.txt
      birleştirme tmp.txt eşleme.txt 8 1 > bg_synlet_mapped.txt

      NOT: Bu örnekte kullanılan birleştirme komutu standart bir Unix komutu değildir. Ancak, GNU Çekirdek Yardımcı Programları'nın yardımıyla uygulanması ve katılması kolaydır. Komut, dosyaları komut birleştirme ile birleştirilmeden önce sıralamanın karmaşıklığını gizlemek için tanıtılmıştır. Birleştirme uygulaması https://github.com/aheinzel/merge-sh bulunabilir.
    1. Mümkün olan en iyi sonuçlar için belirli bir ad alanındaki geni benzersiz olarak tanımlayan herhangi bir gen tanımlayıcısının kullanılması.
      NOT: Adım 2, insan genleriyle eşlenen birden fazla organizmadan sentetik ölümcül etkileşimlerin bir listesiyle sonuçlanır.

3. Sentetik ölümcül etkileşim ortaklarının uyuşturucu ile eşlenmesinin haritalandırılması

  1. DrugBank'ten uyuşturucu hedef çiftlerini alın.
    1. DrugBank verilerini DrugBank'in indirmeler bölümünden indirin ve henüz oluşturulmamışsa önce bir hesap oluşturun22. İlaç hedef tanımlayıcıları (protein tanımlayıcıları bölüm: https://www.drugbank.ca/releases/latest#protein-identifiers) ve DrugBank tanımlayıcıları ve adları ile DrugBank kelime dağarcığı (açık veri bölümü: https://www.drugbank.ca/releases/latest#open-data) içeren CSV dosyasını kullanın. Alternatif olarak, XML veritabanı dökümünden gerekli bilgileri ayıklayın.

      ##restrict DrugBank ilaç hedef dosyasını ilgili sütunlara #restrict ve yalnızca insan moleküler varlıkları için girdileri sakla
      DB_TARGETS="hepsi.csv"
      DB_NAMES="ilaç bankası kelime dağarcığı.csv"

      İlgili sütunları #extract ve sekmeyi sütun ayırıcısı olarak kullanmak için yeniden biçimlendir
      csvtool col 3,12,13 -u SEKME "${DB_TARGETS}" > target_to_drugs_agg.txt

      awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      }
      {
      if(NR == 1 || $2 == "İnsanlar"){
      baskı $1, $3
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt

      NOT: DrugBank verileri iki ana formatta sağlanmaktadır. Veritabanının tamamı XML dosyası olarak kullanılabilir. Buna ek olarak, verilerin çoğunluğu virgülle ayrılmış bir dizi değer (CSV) dosyada kullanılabilir hale getirilir.
    1. DrugBank'in insan dışı uyuşturucu hedeflerini de kaydettiğini unutmayın. Tür sütunu (sütun numarası 12) insan uyuşturucu hedeflerini çıkarmak için kullanılabilir.
      NOT: Ayıklanan sütunların daha iyi okunabilirlik adları Tablo 2'de verilmiştir. Tartışma bölümünde belirtildiği gibi, uyuşturucu hedefi bağlantılarını tutan diğer kaynaklar (örneğin Terapötik Hedef Veritabanı veya Chembl) mevcuttur.
Sütun numarası Sütun üstbilgi adı
3 Gen Adı
12 tür
13 İlaç Kimlikleri
  1. Uyuşturucu hedeflerine uyuşturucu isimleri ekle.
    1. uyuşturucu adı ve uyuşturucu hedefi bilgileri iki ayrı CSV dosyada sağlandığından, daha sonra sentetik ölümcül etkileşim ortaklarını hedef alan uyuşturucuların adlarını sentetik ölümcül etkileşimlere eklemek için iki dosyadaki bilgileri birleştirin. Ortak DrugBank-drug-ID sütununu kullanarak iki veri kümesine katılın. İlk dosya, bir protein birden fazla ilaç tarafından hedeflenirse, ilk dosya birden fazla DrugBank ilaç kimliği üst üste tutabileceği için, ilk önce ilaç hedefi veri kümesini satır başına yalnızca tek bir DrugBank-ilaç kimliği içererek normalleştirin.

      ##generate ilaç hedef gen sembolü, DrugBank ilaç kimliği ve ilaç adı taşıyan tek bir dosya
      #normalize uyuşturucu hedefi veri kümesi
      awk -F "\t" 'BAŞLAÇ:
      OFS="\t"
      }
      {
      if(NR == 1){
      $0 yazdırma
      }else if($1 != "" & 2 $!= ""){
      böl($2, drug_targets, ";")
      for(i in drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, "", drug_target)
      $1, drug_target | yazdır "sıralama -u"
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      İlgili sütunları #extract ve sekmeyi sütun ayırıcı olarak kullanmak için yeniden biçimlendir
      csvtool col 1,3 -u SEKME "${DB_NAMES}" > drugbank_id_to_name.txt

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

      NOT: Drugbank kelime dağarcığındaki bir ve üçüncü sütun.csv dosyasında DrugBank ilaç kimliği ve ilgili isim bulunur.
  1. Sentetik ölümcül etkileşim veri kümesine sentetik ölümcül etkileşim ortaklarını hedefleyen ilaçlar ekleyin.
    1. Sentetik ölümcül etkileşimlere uyuşturucu eklemek için gen sembolü sütunlarını kullanarak önceki adımda oluşturulan uyuşturucu hedefi uyuşturucu adı dosyasıyla sentetik ölümcül etkileşim veri kümesine katılın. Her sentetik ölümcül etkileşimin her iki ortağı için de ilaç adları eklemeye özen göster.
       
      ##enhance sentetik ölümcül etkileşimin ortaklarını hedef alan ilaçlar ekleyerek sentetik ölümcül etkileşim dosyasını
      9 1 > tmp bg_synlet_mapped.txt db_human_drug_targets.txt birleştirin.txt
      birleştirme tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      NOT: Adım 3, ortolog insan genleri ve bu genleri hedef alan ilaçlarla birden fazla organizmadan sentetik ölümcül etkileşimle sonuçlanır.

4. Klinik çalışmalarda şu anda test edilmiş ilaç kombinasyonları kümesinin oluşturulması

  1. ClinicalTrials.gov verilere erişin.
    1. (i) bireysel denemeler, (ii) bir arama sorgusundan kaynaklanan denemeler veya (iii) veritabanındaki tüm denemeler hakkında ClinicalTrials.gov'den XML formatında klinik çalışmalar hakkında bilgi alın. Alternatif olarak, ClinicalTrials.gov tüm verileri ilişkisel bir veritabanında barındıran klinik çalışmalar dönüşüm girişiminin sağladığı kaynakları kullanın. Daha fazla ayrıntı için adım 4.4'e bakın.
      NOT: Klinik deneyler dönüşüm girişimi tarafından barındırılan bulutta barındırılan veritabanı örneğine erişmek için ücretsiz bir hesap gereklidir. Ek olarak, bir plsql istemci gereklidir.
  2. Girişimsel denemelere odaklanın.
  3. İlgi göstergesine özgü denemeler için filtreleyin.
    NOT: ClinicalTrials.gov, NCBI Tıbbi Konu Başlıkları (MeSH) kontrollü kelime dağarcığından hastalık adları sağlar. Gönderenin sağladığı hastalık adlarının aksine, kontrollü kelime dağarcığı, ilginin endikasyonu için denemeleri verimli bir şekilde tanımlamaya izin verir. Bununla birlikte, NCBI MeSH kontrollü kelime dağarcığının bir eş anlamlılar sözlüğü olduğunu akılda tutmak gerekir. Bu nedenle, ilginin genel göstergesinin herhangi bir alt/dar terime sahip olup olmadığını MeSH Tarayıcısını (https://meshb.nlm.nih.gov) kontrol edin ve uygunsa bunları ekleyin.
  4. Tanımlanan denemeleri, bu denemelerde test edilen ilaçlarla birlikte alın. Yumurtalık kanserinin genel endikasyonunda yapılan denemeler için aşağıda bir sorgu verilmiştir.

    Klinik çalışmalar dönüşüm girişiminden genel endikasyon yumurtalık kanseri için ##retrieve girişimsel çalışmalar, ClinicalTrials.gov verileri içeren ilişkisel veritabanına ev sahipliği yaptı
    kedi <\pset altbilgi kapalı
    DISTINCT s.nct_id, s.brief_title, i.intervention_type, i.name SEÇ
    FROM çalışmaları s
    İç BIRLEŞTIRME browse_conditions c ON(s.nct_id = c.nct_id)
    INNER JOIN müdahaleleri i ON(s.nct_id = i.nct_id)
    NEREDE s.study_type = 'Girişimsel'
    VE c.mesh_term (
    'Yumurtalık Neoplazmları',
    'Karsinom, Yumurtalık Epitel',
    'Granüloza Hücre Tümörü',
    'Kalıtsal Meme ve Yumurtalık Kanseri Sendromu',
    'Luteoma',
    'Meigs Sendromu',
    'Sertoli-Leydig Hücre tümörü',
    'Thecoma'
    )
    s.nct_id, i.intervention_type SİPARİş;
    Eof
    psql --host="aact-db.ctti-clinicaltrials.org" --username="XXX" --password --hizalama yok --field-separator="^I" --output="clinical_trials.txt" aact
  1. uyuşturucu adlarını ayıklayın ve DrugBank isimleriyle eşleyin.
    NOT: İlgi çekici klinik çalışmalardan alınan ilaç adlarını doğrudan kullanmak cazip olsa da, ClinicalTrials.gov müdahale adlarının gönderen tarafından serbest metin olarak girileceğinin farkında olmak gerekir. Sonuç olarak, adlar standartlaştırılmaz, ortak bileşik adı yerine marka adları kullanılabilir ve uygun veri normalleştirme garantisi yoktur (örneğin, bir girişte birden fazla ilaç adı). Ek olarak, ilaçların ilaçtan farklı olarak farklı bir müdahale türü ile sunulması yaygındır. Bu nedenle, alınan müdahale adlarının DrugBank ilaç adlarıyla eşleştirilmesi en iyi şekilde el ile gerçekleştirilir.

      ##Obtain daha önce alınan klinik deneyler kümesinde kullanılan müdahalelerin bir listesini listeler.
    kes -d "^I" -f3,4 clinical_trials.txt | kuyruk -n +2 | sırala -u

    NOT: Sütunlar üç ve dört sırasıyla müdahale ve müdahale adı türünü tutar.

  1. Kılavuzlardan klinik kullanımda olan ilaçlarla tamamlama
    NOT: 4. adım, ilginin göstergesi için değerlendirme/kullanımda olan ilaçların bir listesiyle sonuçlanır.

5. Sentetik ölümcül etkileşimleri hedefleyen ilaç kombinasyonlarının tanımlanması

  1. İki şüpheli ilaç tarafından hedef alınan sentetik ölümcül etkileşimleri arayın. Dosyadaki hem A hem de B ilacını tutan satırları filtreleyarak veri kümesini 3.

    ##only sentetik ölümcül etkileşimler ve her iki ortağın da iki şüpheli ilaç (drug_a ve drug_b) tarafından hedef alındığı yerlerde onları tetikleyen ilaçlar için girişleri korur
    awk -F "\t" '{
    if( ($12 == drug_a & 14 USD == drug_b) || ($12 == drug_b & 14 USD == drug_a) ) {
    $0 yazdırma
    }
    }' drug_a="XXX" drug_b="YYY" bg_synlet_mapped_drugs.txt
  1. İki ilacın da tek başına sentetik ölümcül etkileşim ortaklarını hedef almamasını sağlayın. Adım 3.2'den itibaren veri kümesinde tanımlanan her ilacın uyuşturucu hedeflerini kontrol edin ve tanımlanan sentetik ölümcül ortakların her ikisinin de spesifik ilacın hedefi olup olmadığını değerlendirin.

    ##find belirli bir uyuşturucu adı için tüm uyuşturucu hedefi girdileri
    awk -F "\t" '{
    if($3 == ilaç){
    $0 yazdırma
    }
    }' ilaç="XXX" db_human_drug_targets.txt

    NOT: Her iki sentetik ölümcül etkileşim yolunu da hedef alan bir ilaç herhangi bir hücre için toksik olacaktır, bu nedenle teorik olarak değerli bir çok hedefli ajan değildir. Algoritmanın bu adımında bu olasılığın dışlanma nedeninin nedeni budur.
     

6. Seçilen yeni ilaç kombinasyonlarının in vitro olarak test edilmesi

  1. standart in vitro kültleme yöntemlerinde kültürlenmiş insan meme kanseri hücre hatlarını ve insan iyi huylu meme epitel hücrelerini çeşitli ilaç kombinasyonları ile% 5 CO2 ile nemlendirilmiş bir 37 ° C atmosferde tedavi edin.
  2. Bakteriyel enfeksiyonu engellemek için fetal sığır serumu ve penisilin yanı sıra streptomisin sülfat ile desteklenmiş ortam kullanın.
  3. DMSO veya fosfat tamponlu salin gibi çözücülerdeki ilaçları daha önce kurulan IC50 'ye (inhibitör konsantrasyon) dayanarak en az dört farklı konsantrasyonda seyreltin ve hücrelerin tedavisi için kombinasyon halinde veya tek başına kullanın.
  4. Tedavilerin neden olduğu sitotoksik etkileri belirlemek için EkinV/7-AAD boyamaları gibi hücre canlılığı tahlilleri ve apoptoz tahlilleri gerçekleştirin.
  5. Batı lekelerini kullanarak şüpheli moleküler hedeflerin farmakolojik inhibisyonunu izleyin.
  6. Sentetik öldürücülüğü, Chou ve diğerleri tarafından açıklandığı gibi kombinatory indeksi (CI) hesaplayan tamamen katkı maddelerinden ayırt edin23.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Grubumuz son zamanlarda yumurtalık ve meme kanseri bağlamında sentetik ölümcül etkileşimleri hedefleyen ilaç kombinasyonlarını tanımlamak için bu yazıda tasvir edilen iş akışını uygulayan iki çalışma yayınlamıştır24,25. İlk çalışmada, şu anda geç evre klinik çalışmalarda (faz III ve IV) test edilen veya yumurtalık kanseri hastalarını sentetik ölümcül etkileşimler üzerindeki etkileri konusunda tedavi etmek için klinik uygulamada zaten kullanılan ilaç kombinasyonlarını değerlendirdik. Buna ek olarak, şu anda klinik çalışmalarda test edilmemekte olan ancak sentetik ölümcül etkileşimleri hedefleme perspektifinden bir rasyonel sağlayan ilaç kombinasyonları belirledik. Bu nedenle geç evre yumurtalık kanseri denemelerinde tüm bileşiklerin havuzundan ilaç seçerek olası tüm ilaç kombinasyonlarını değerlendirdik. 68 geç evre yumurtalık kanseri denemesinde araştırılan 61 ilaç kombinasyonundan oluşan benzersiz bir set belirledik. Bu 61 uyuşturucu kombinasyonundan 12'si en az bir sentetik ölümcül etkileşime hitap etti. Bu tarihe kadar klinik çalışmalarda araştırılmadan sentetik öldürücü etkileşimleri ele almak için 84 ek ilaç kombinasyonu önerildi. Şekil 1'de verilen 39 sentetik öldürücü interactor kümesini hedef alan 84 tanımlanmış uyuşturucu kombinasyonuna 21 benzersiz ilaç katkıda bulunmuştur.

Figure 1
Şekil 1: Yumurtalık kanseri bağlamında önerilen yeni ilaç kombinasyonları ağı. Şekil 1, şu anda klinik çalışmalarda test edilmeden etkileşimcilerin iki ilaç tarafından ele alındığı sentetik ölümcül etkileşimleri görüntüler. Synlet etkileşimleri kırmızı renkte görüntülenirken, uyuşturucu hedefi bağlantıları gri kenarlarla gösterilir. Noktalı çizgiler, geç evre yumurtalık kanseri klinik deneylerinde diğer ilaç kombinasyonları tarafından ele alınan sentetik ölümcül etkileşimleri temsil eder. Araştırılan bu ilaç kombinasyonları, her biri paclitaxel ile birlikte bir daire (o) [25'tenuyarlanmış ] ile gösterilen cediranib ve olaparib ek araştırılmış kombinasyonu ile birlikte bir yıldız işareti (*ile belirtilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İkinci bir çalışmada da aynı iş akışını kullanarak, meme kanseri bağlamında 166 sentetik ölümcül gen çiftini hedefleyen 243 umut verici ilaç kombinasyonu belirledik. İki meme kanseri hücre hattında hücre canlılığı ve apoptoz üzerindeki etkileri ile ilgili seçilmiş ilaç kombinasyonlarını deneysel olarak test ettik. Özellikle, selekoksib ve zoledronik asidin önerilen düşük toksisiteli ilaç kombinasyonu, kombinatoryal indekslerinde belirlenen meme kanseri hücre hatlarında katkı etkilerinin ötesinde sitotoksiklik göstermiştir. Bu ilaç kombinasyonu için canlılık ve apoptoz tahlillerinin sonuçları Şekil 2'de gösterilmektedir.

Figure 2
Şekil 2: SKBR-3 hücrelerinde selekoksib ve zoledronik asidin canlılık ve apoptoz üzerine etkisi. (A) SKBR-3 meme kanseri hücre hatlarında selekoksib (CEL), zoledronik asit (ZOL) ve zoledronik asit ve selekoksib (ZOL + CEL) kombinasyonu için canlılık tahlil sonuçları. Kullanılan düşük ve yüksek CEL konsantrasyonları 50μM ve 75μM' dir. Kullanılan düşük ve yüksek ZOL konsantrasyonları 500μM ve 750μM'dir. İlaç kombinasyonu hücre canlılığı üzerinde önemli bir sinerjik etkiye sahipti (** p < 0.001). (B, C) EKİn V (ANXA5) ve CEL, ZOL ve zol + CEL ilaç kombinasyonu ile tedavi skbr-3 hücrelerinin 7-AAD boyamaları. ZOL + CEL [24'tenuyarlanmış] ilaç kombinasyonu ile tedaviden sonra 7-AADpos/ANXA5pos hücrelerinin yüzdesi arttırıldı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Sentetik ölümcül etkileşimleri etkileyen ilaç kombinasyonlarını belirlemek için bir iş akışı özetledik. Bu iş akışı,(i) model organizmalardan sentetik öldürücü etkileşimler hakkındaki verileri, (ii) insan ortezlerinin bilgilerini, (iii) uyuşturucu hedef ilişkileri hakkında bilgileri, (iv) kanser bağlamında klinik çalışmalar hakkında ilaç bilgilerini ve (v) bilimsel literatürden çıkarılan ilaç hastalığı ve gen hastalığı derneklerinin bilgilerini kullanır. Konsolide bilgiler, incelenen belirli bir ilaç kombinasyonunun sentetik ölümcül gen çiftleri üzerindeki etkisini değerlendirmek için kullanılabilir. Ek olarak, konsolide veriler, en alakalı sentetik ölümcül etkileşimleri hedefleyen kombinasyonları bulmak için şu anda klinik çalışmalarda araştırılan veya test edilen bir dizi ilacı kanser bağlamında değerlendirmek için kullanılabilir, bu nedenle tümör hücresi sağkalımını etkileme şansı daha yüksektir. Son olarak, üretilen veriler başlangıçta tümör tedavisi için geliştirilmeyen ilaçlardan oluşan ilaç kombinasyonlarını taramak için kullanılabilir, böylece hesaplamalı olarak yönlendirilen bir ilaç yeniden konumlandırma vakası için bir yol sağlar.

Veri tümleştirme iş akışındaki her adım için, tam veri iş akışını tamamlamak için önemli veri kaynakları sunuyoruz, ancak ek veri kaynaklarından yararlanarak iş akışının çeşitli aşamalarda daha da geliştirilebileceğine işaret ediyoruz. İş akışımızda BioGRID veritabanından sentetik ölümcül etkileşim çiftleri çıkardık18. Özellikle deney türleri "sentetik öldürücülük" ve "negatif genetik" etkileşimlerine odaklandık. Sentetik ölümcül etkileşimler hakkında BioGRID'deki bilgiler, örneğin Costanzo ve meslektaşları tarafından yayınlanan bir veri kümesi olarak büyük genetik ekrandan veri kümeleri içerir26DRYGIN veritabanı27'de de bulunan , ayrıca bilimsel literatürdeki bireysel deneylerde açıklandığı gibi tek sentetik ölümcül etkileşimlerle ilgili veriler. Sentetik ölümcül etkileşimleri toplayan ve depolayan ek veri kaynakları vardır, örneğin SynLethDB28. Ayrıca, ortoloji eşleme düzeyinde, çok sayıda farklı araç ve veritabanı vardır. Model organizmalarda tanımlanan sentetik ölümcül etkileşim ortaklarını ilgili insan ortezleriyle haritalamak için Ensembl biomart'tan yararlanmanın bir yolunu sunuyoruz. Diğer ortoloji veritabanları ve hizmetleri arasında NCBI'nin HomoloGene veritabanı29, İsviçre Biyoinformatik Enstitüsü30'dan OMAortoloji veritabanı veya Stockholm Biyoinformatik Merkezi31tarafından tutulan InParanoid ortolog grupları veritabanı bulunmaktadır. İş akışımızda, birden fazla model organizmadan gelen sentetik öldürücü etkileşimlere odaklandık ve en fazla sentetik öldürücü etkileşim mayadan geliyor. Ortoloji eşlemesi için giriş kümesini, insanlara evrimsel olarak daha yakın olan yalnızca fare ve sıçandan gelen verilerle sınırlamayı düşünebiliriz. Sentetik ölümcül etkileşimlerin giriş kümesini tanımlamanın ek bir yolu, yalnızca birden fazla türde korunan sentetik ölümcül etkileşimlere odaklanmak ve böylece sentetik ölümcül etkileşimin gerçekten olumlu olma şansını artırmaktır. Öte yandan, S. cerevisiae ve S. pombe arasında tanımlanan sentetik öldürücü etkileşimlerde zaten büyük bir fark olduğu için sentetik ölümcül etkileşimler kümesini önemli ölçüde azaltabilir. Bir diğer yaklaşım ise başlangıçta çok katı olmamak ve hatta temsili sonuçlar bölümünde listelenen iki çalışmada olduğu gibi makine öğrenimi algoritmaları tarafından deneysel sentetik öldürücü etkileşimler kümesini genişletmektir. Kısacası, mayada ortolog genlerin bulunmadığı insan genleri için sentetik öldürücü etkileşimleri tahmin etmek için rastgele bir orman modeli kullanılmıştır. Rastgele orman modeli, daha önce açıklandığı gibi yol dernekleri, Gen Ontolojisi ataması ve hastalık ve ilaç dernekleri hakkındaki veriler kullanılarak maya ve onların ortezli insan genlerinden sentetik ölümcül etkileşim çiftleri kümesi üzerinde eğitildi24,25. Bu, entegrasyon iş akışımızda hiçbir ortolog haritalama bilgisinin bulunmadığı insan genlerini göz önünde bulundurmamızı sağladı. Uyuşturucu hedefi ilişkilendirilimleri hakkında bilgi depolayan yaygın olarak kullanılan bir veritabanı, aynı zamanda iş akışındaki etkileşimlerin birincil kaynağı olan DrugBank'tır. İlaç hedefleri hakkında bir dereceye kadar tamamlayıcı bilgilere sahip diğer veritabanları Terapötik Hedef Veritabanı (TTD)32 veya ChEMBL33 'tür. İş akışının ana bileşenleri, Nanyang Teknoloji Üniversitesi'nden araştırmacılar tarafından geliştirilen emergentec ve SynLethDB'nin e.değerleme platformuna da dahil edilmiştir. Bununla birlikte, SynLethDB'nin 2015'teki son güncellemesi, ilgili web sayfalarındaki indirme bölümünde depolanan veri kümelerine dayanıyordu28.

Tanımlanan uyuşturucu kombinasyonlarını ve hedeflenen sentetik ölümcül etkileşim çiftlerini sıralamanın bir yolu, literatür madenciliği yöntemleriyle sentetik ölümcül ortakların ve/veya ilaçların ilgi çekici hastalıkla ilişkisini kullanmaktır. Yumurtalık kanseri bağlamında ilaç kombinasyonlarının değerlendirilmesi üzerine yaptığımız çalışmada, ilgili bir ilaç kombinasyonunun iki sentetik öldürücü etkileşimcisinden birinden bahseden yumurtalık kanseri ile ilgili yayınların sayısına dayanarak yeni önerilen ilaç kombinasyonlarını sıraladık. Pubmed'deki MeSH ek açıklaması, ana MeSH dalında verilen kesin hastalık terimlerini kullanarak belirli bir hastalığa yönelik yayınları tanımlamak için kullanılabilir C. Tanımlanan yayınlardaki genler hakkındakibilgiler, NCBI'nin gene2pubmed haritalama dosyası kullanılarak çıkarılabilir. Ayrıca, Karşılaştırmalı Toksikogenomik Veritabanı35, DisGeNET36veya e.değerleme yazılım platformu gibi gen hastalığı ve/veya ilaç hastalığı bağlantılarını tutan özel veritabanları vardır. İlaç kombinasyonlarının hastalık derneklerine dayalı olarak sıralandırılması, deneysel testler için ilaç kombinasyonlarının nihai seçimini desteklemenin bir yoludur. Daha fazla test için ilaç kombinasyonları seçerken, örneğin ilaçların bireysel toksisite profilleri veya ilgili hedef organdaki sentetik öldürücü etkileşimcilerin ifade durumu gibi ek hususların göz önünde bulundurulması gerekir.

Temsili sonuçlar bölümünde, meme kanseri bağlamında ilaç kombinasyonlarını tanımlamak için iş akışını takiben tespit edilen selekoksib ve zoledronik asidin ilaç kombinasyonuna ilişkin verileri sunuyoruz. Bu özel ilaç kombinasyonu, her iki bileşiğin düşük toksisite profilleri nedeniyle deneysel testler için seçildi. İlaç kombinasyonunun hücre canlılığı ve apoptoz üzerindeki etkisini değerlendirmek için in-vitro deneylerde çeşitli konsantrasyonlar kullandık. İdeal olarak, ilaç konsantrasyonları, yan etkileri en aza indirmek için bireysel ilaçlar için önemli ölçüde azaltılabilirken, aynı zamanda iki ilacı birleştirerek etkinliği en üst düzeye çıkarabilir. İn vitro test için kullanılan ilaç konsantrasyonlarının in vivo modellerde ulaşılamayan supraterapeutical olması eleştirilebileceğinden, daha düşük dozlarda canlılık üzerindeki etkiyi görmek daha da anlamlıdır. Bununla birlikte, konsantrasyonlar literatürde verilen bu ilaçlarla yapılan hücre kültürü deneylerine dayanarak seçilmiştir. İlaç dozlama, çoğu bileşiğin birden fazla ilaç hedefine sahip olması ve potansiyel olarak bilinen ve bilinmeyen büyük bir aşağı akış moleküllerini de etkilemesi nedeniyle, hangi hedeflerin öncelikle etkilendiğini daha da etkileyebilir. Bu nedenle in-vitro hücre kültürü sistemlerinde hücre canlılığı üzerinde sinerjik etkiler gösteren ilaç kombinasyonları 3D veya in-vivo modellerde daha fazla araştırılmalıdır.

Özetle, sentetik ölümcül etkileşimleri hedefleyen uyuşturucu kombinasyonlarını değerlendirmek ve önermek için farklı veri kaynaklarından gelen bilgileri entegre eden bir iş akışı sunuyoruz. Bugüne kadar, sentetik ölümcül etkileşimlerle ilgili en büyük bilgi hala insan genomuna zorunlu bir ortoloji haritalama adımı gerektiren model organizmalardan geliyor. İnsan haploid hücrelerindeki ilk ekranlar, insan hücrelerindeki sentetik ölümcül etkileşimlerin tanımlanmasına yol açmıştır. Ek olarak, CRISPR/CAS teknolojisi, sentetik ölümcül etkileşimleri hücresel düzeyde incelemenin yeni yollarını açmıştır. Daha yüksek kaliteli biyolojik sentetik öldürücü etkileşim verilerinin kullanıma sunulmasıyla, brca(1/2)/PARP1 dışında yeni ve klinik olarak anlamlı sentetik öldürücü gen çiftlerini keşfederek, bizimki gibi veri entegrasyon çabalarının gelecekte klinik kanser tedavisini dönüştürmesini öneriyoruz.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AH ve PP, temsili sonuçlar bölümünde sunulan sonuçlara yol açan analizleri gerçekleştirirken emergentec biyogelişim GmbH çalışanlarıydı. MM ve MK'nin açıklayacak bir şeyi yok.

Acknowledgments

Veri entegrasyonu iş akışının geliştirilmesine yönelik finansman, Hibe Anlaşması nu kapsamında Avrupa Topluluğu'nun Yedinci Çerçeve Programı'ndan alınmıştır. 279113 (OCTIPS). Bu yayındaki verilerin uyarlanması, Halk Bilimleri Yayınları Kütüphanesi ve Impact Journals, LLC tarafından nazikça onaylanmıştır.

Materials

Name Company Catalog Number Comments
BioGRID n/a n/a thebiogrid.org
ClinicalTrials.gov n/a n/a ClinicalTrials.gov
DrugBank n/a n/a drugbank.ca
Ensembl BioMart n/a n/a ensembl.org
for alternative computational databases please refer to the manuscript
7-AAD ebioscience 00-6993-50
AnnexinV-APC BD Bioscience 550474
celecoxib Sigma-Aldrich PZ0008-25MG
CellTiter-Blue Viability Assay Promega G8080
FACS Canto II BD Bioscience n/a
fetal bovine serum Fisher Scientific/Gibco 16000044
FloJo Software FloJo LLC V10
McCoy's 5a Medium Modified Fisher Scientific/Gibco 16600082
penicillin G/streptomycin sulfate Fisher Scientific/Gibco 15140122
SKBR-3 cells American Type Culture Collection (ATCC) ATCC HTB-30
zoledronic acid Sigma-Aldrich SML0223-50MG
further materials or equipment will be made available upon request

DOWNLOAD MATERIALS LIST

References

  1. Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
  2. Hartwell, L. H., Szankasi, P., Roberts, C. J., Murray, A. W., Friend, S. H. Integrating genetic approaches into the discovery of anticancer drugs. Science. 278 (5340), New York, N.Y. 1064-1068 (1997).
  3. D'Amours, D., Desnoyers, S., D'Silva, I., Poirier, G. G. Poly(ADP-ribosyl)ation reactions in the regulation of nuclear functions. The Biochemical Journal. 342 (2), 249-268 (1999).
  4. Gudmundsdottir, K., Ashworth, A. The roles of BRCA1 and BRCA2 and associated proteins in the maintenance of genomic stability. Oncogene. 25 (43), 5864-5874 (2006).
  5. Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
  6. McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540 (2018).
  7. Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
  8. Ashworth, A., Lord, C. J. Synthetic lethal therapies for cancer: what’s next after PARP inhibitors. Nature Reviews. Clinical Oncology. 15 (9), 564-576 (2018).
  9. Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, Pt B 201-219 (2013).
  10. Thompson, J. M., Nguyen, Q. H., Singh, M., Razorenova, O. V. Approaches to identifying synthetic lethal interactions in cancer. The Yale Journal of Biology and Medicine. 88 (2), 145-155 (2015).
  11. Ruiz, S., et al. A Genome-wide CRISPR Screen Identifies CDC25A as a Determinant of Sensitivity to ATR Inhibitors. Molecular Cell. 62 (2), 307-313 (2016).
  12. Housden, B. E., Nicholson, H. E., Perrimon, N. Synthetic Lethality Screens Using RNAi in Combination with CRISPR-based Knockout in Drosophila Cells. Bio-Protocol. 7 (3), (2017).
  13. Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), New York, N.Y. 1092-1096 (2015).
  14. Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
  15. Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
  16. Madhukar, N. S., Elemento, O., Pandey, G. Prediction of Genetic Interactions Using Machine Learning and Network Properties. Frontiers in Bioengineering and Biotechnology. 3, 172 (2015).
  17. Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
  18. Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, D1 529-541 (2019).
  19. Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80 (2004).
  20. Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
  21. Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, D1 802-808 (2018).
  22. Wishart, D. S., et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Research. 46, D1 1074-1082 (2018).
  23. Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
  24. Marhold, M., et al. Synthetic lethal combinations of low-toxicity drugs for breast cancer identified in silico by genetic screens in yeast. Oncotarget. 9 (91), 36379-36391 (2018).
  25. Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859 (2019).
  26. Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
  27. Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
  28. Guo, J., Liu, H., Zheng, J. SynLethDB: synthetic lethality database toward discovery of selective and sensitive anticancer drug targets. Nucleic Acids Research. 44, 1011-1017 (2016).
  29. NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
  30. Altenhoff, A. M., et al. The OMA orthology database in 2018: retrieving evolutionary relationships among all domains of life through richer web and programmatic interfaces. Nucleic Acids Research. 46 (1), 477-485 (2018).
  31. Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, Database issue 234-239 (2015).
  32. Li, Y. H., et al. Therapeutic target database update 2018: enriched resource for facilitating bench-to-clinic research of targeted therapeutics. Nucleic Acids Research. 46 (1), 1121 (2018).
  33. Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
  34. Heinzel, A., Mühlberger, I., Fechete, R., Mayer, B., Perco, P. Functional molecular units for guiding biomarker panel design. Methods in Molecular Biology. 1159 (12), 109-133 (2014).
  35. Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
  36. Piñero, J., et al. DisGeNET: a comprehensive platform integrating information on human disease-associated genes and variants. Nucleic acids research. 45 (1), 833-839 (2017).

Tags

Kanser Araştırması Sayı 171 sentetik öldürücülük genetik ekranlar veri entegrasyonu homoloji haritalama ilaç kombinasyonları meme kanseri tedavi hücre canlılığı tahlilleri
Sentetik Ölümcül Etkileşimleri Hedefleyen İlaç Kombinasyonlarını Tanımlamak için Veri Entegrasyonu İş Akışı
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Marhold, M., Heinzel, A., Merchant,… More

Marhold, M., Heinzel, A., Merchant, A., Perco, P., Krainer, M. A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions. J. Vis. Exp. (171), e60328, doi:10.3791/60328 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter