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

Un flux de travail d’intégration de données pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques

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

Les grands écrans génétiques dans les organismes modèles ont conduit à l’identification d’interactions génétiques négatives. Ici, nous décrivons un flux de travail d’intégration de données utilisant des données provenant de tests génétiques dans des organismes modèles pour délimiter des combinaisons de médicaments ciblant les interactions létales synthétiques dans le cancer.

Abstract

Une interaction létale synthétique entre deux gènes est donnée lorsque l’élimination de l’un ou l’autre des deux gènes n’affecte pas la viabilité cellulaire, mais l’élimination des deux interacteurs létaux synthétiques entraîne une perte de viabilité cellulaire ou la mort cellulaire. L’interaction létale synthétique la mieux étudiée est entre BRCA1/2 et PARP1, les inhibiteurs de PARP1 étant utilisés dans la pratique clinique pour traiter les patients atteints de tumeurs mutées BRCA1/2. De grands criblages génétiques dans des organismes modèles mais aussi dans des lignées cellulaires humaines haploïdes ont conduit à l’identification de nombreuses paires d’interactions létales synthétiques supplémentaires, toutes étant des cibles potentielles d’intérêt dans le développement de nouvelles thérapies tumorales. Une approche consiste à cibler thérapeutiquement les gènes avec un interacteur létal synthétique qui est muté ou significativement régulé à la baisse dans la tumeur d’intérêt. Une deuxième approche consiste à formuler des combinaisons de médicaments abordant les interactions létales synthétiques. Dans cet article, nous décrivons un flux de travail d’intégration de données pour évaluer et identifier les combinaisons de médicaments ciblant les interactions létales synthétiques. Nous utilisons des ensembles de données disponibles sur les paires d’interactions létales synthétiques, des ressources de cartographie d’homologie, des liens médicament-cible provenant de bases de données dédiées, ainsi que des informations sur les médicaments étudiés dans le cadre d’essais cliniques dans le domaine d’intérêt de la maladie. Nous soulignons également les principales conclusions de deux études récentes de notre groupe sur l’évaluation des combinaisons de médicaments dans le contexte du cancer de l’ovaire et du sein.

Introduction

La létalité synthétique définit une association de deux gènes, où la perte d’un gène n’affecte pas la viabilité, mais la perte des deux gènes conduit à la mort cellulaire. Il a été décrit pour la première fois en 1946 par Dobzhansky lors de l’analyse de divers phénotypes de drosophiles par l’élevage de mutants homozygotes1. Les mutants qui n’ont pas produit de progéniture viable, bien que viables eux-mêmes, ont montré des phénotypes mortels lorsqu’ils ont été croisés avec certains autres mutants, jechant la base pour l’établissement de la théorie de la létalité synthétique. Hartwell et ses collègues ont suggéré que ce concept pourrait s’appliquer à la thérapie contre le cancer chez l’homme2. La létalité synthétique pharmacologiquement provoquée pourrait s’appuyer sur une seule mutation, étant donné que le partenaire létal synthétique du gène muté est ciblé par un composé pharmacologique. La première paire de gènes à permettre l’induction pharmacologique de la létalité synthétique était BRCA (1/2) et PARP1. PARP1 fonctionne comme un capteur pour les dommages à l’ADN, et est lié à des sites de doubles et simples brins d’ADN-ruptures, supercoils et croisements3. BRCA1 et 2 jouent un rôle majeur dans la réparation des ruptures double brin d’ADN par recombinaison homologue4. L’agriculteur et ses collègues ont publié des résultats selon auxquels les cellules déficientes en BRCA1/2 étaient sensibles à l’inhibition du PARP, alors qu’aucune cytotoxicité n’a été observée dans les cellules de type sauvage BRCA5. En fin de compte, les inhibiteurs de PARP ont été approuvés pour le traitement du cancer du sein et de l’ovaire déficient en BRCA6,7. De plus, les paires de gènes de létalité synthétique menant à l’approbation clinique de composés pharmacologiques sont très attendues et constituent un domaine majeur des récents efforts de recherche sur le cancer8.

Des interactions génétiques létales synthétiques ont été modélisées chez de multiples organismes, notamment les mouches des fruits, C. elegans et la levure2. En utilisant diverses approches, y compris les knockouts d’interférence ARN et CRISPR / CAS, de nouvelles paires de gènes létaux synthétiques ont été découvertes ces dernières années9,10,11. Un protocole sur les procédures expérimentales de l’ARNi en combinaison avec CRISPR/CAS a été récemment publié par Housden et ses collègues12. Pendant ce temps, les chercheurs ont également mené de grands écrans dans des cellules humaines haploïdes pour identifier les interactions létales synthétiques13,14. Les méthodes in silico comme l’analyse de réseaux biologiques et l’apprentissage automatique se sont également révélées prometteuses dans la découverte d’interactions létales synthétiques15,16.

Conceptionally, une approche pour faire usage des interactions létales synthétiques dans le contexte de la thérapie anti-tumorale est d’identifier les protéines mutées ou non fonctionnelles dans les cellules tumorales, faisant de leurs partenaires d’interaction létale synthétique des cibles de drogue prometteuses pour l’intervention thérapeutique. En raison de l’hétérogénéité de la plupart des types de tumeurs, les chercheurs ont commencé la recherche de protéines dites de concentrateur létaux synthétiques. Ces centres létaux synthétiques ont un certain nombre de partenaires d’interaction létaux synthétiques qui sont mutés et donc non fonctionnels ou significativement régulés à la baisse dans les échantillons de tumeurs. S’attaquer à de tels centres létaux synthétiques est prometteur pour augmenter l’efficacité des médicaments ou surmonter la résistance aux médicaments, comme cela pourrait être démontré par exemple dans le contexte du neuroblastome résistant à la vincristine17. Une deuxième approche pour améliorer le traitement de la toxicomanie en utilisant le concept d’interactions létales synthétiques consiste à identifier les combinaisons de médicaments ciblant les interactions létales synthétiques. Cela pourrait conduire à de nouvelles combinaisons de thérapies anti-tumorales uniques déjà approuvées et au repositionnement de médicaments d’autres domaines de la maladie vers le domaine de l’oncologie.

Dans cet article, nous présentons une procédure étape par étape pour produire une liste de combinaisons de médicaments qui ciblent les paires d’interaction létale synthétique. Dans ce flux de travail, nous (i) utilisons des données sur les interactions létales synthétiques de BioGRID et (ii) des informations sur les gènes homologues d’Ensembl, (iii) récupérons des paires médicament-cible de DrugBank, (iv) construisons des associations maladie-médicament à partir de ClinicalTrials.gov, et (v) générons donc un ensemble de combinaisons de médicaments traitant des interactions létales synthétiques. Enfin, nous fournissons des combinaisons de médicaments dans le contexte du cancer de l’ovaire et du sein dans la section des résultats représentatifs.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Récupération de paires de gènes létaux synthétiques

  1. Récupération de données à partir de BioGrid.
    1. Téléchargez le dernier fichier d’interaction BioGRID au format tab2 à partir de https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip à l’aide d’un navigateur Web ou directement à partir de la ligne de commande Linux à l’aide de curl ou wget18.

      ##download et décompressez le dernier fichier d’interaction BioGRID
      #download dernier fichier d’interaction BioGRID à l’aide de curl
      curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack le fichier de données téléchargé
      décompressez biogrid_latest.zip
      BG="BIOGRID-ALL-3.5.171.tab2.txt »
       
    2. Une fois l’archive zip téléchargée, décompressez l’archive doit et notez le nom du fichier de jeu de données réel (BIOGRID-ALL-X. X.X.tab2.txt) pour les étapes suivantes. Le fichier de données BioGRID contient des interactions de différents types qui seront filtrées à l’étape suivante.
      NOTA : Il existe d’autres sources (p. ex. DRYGIN, SynlethDB) contenant des interactions létales synthétiques, comme il est indiqué dans la discussion.
  2. Filtre pour la létalité synthétique et les interactions génétiques négatives (système expérimental).
    1. Utilisez l’information de la colonne « Système expérimental » (colonne numéro 12) qui indique la nature des preuves à l’appui d’une interaction pour identifier les interactions létales synthétiques.
    2. Limitez le jeu de données aux entrées ayant la valeur De la létalité génétique négative ou synthétique. Dans la même étape, filtrez les colonnes et conservez uniquement les colonnes pertinentes pour les étapes d’analyse suivantes, comme indiqué dans le tableau 1 ci-dessous.

      ##restrict le fichier d’interaction BioGRID aux colonnes pertinentes et ne conserve que les interactions classées comme létalité génétique et synthétique négative
      cut -d « ^I » -f 1,8,9,12,16,17 « ${BG} » \
      | awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer 0 $
      }else if($4 == « Génétique négative » || $4 == « Létalité synthétique »){
      imprimer 0 $
      }
      }' > bg_synlet.txt

      Remarque : dans les extraits de code ^I est utilisé pour représenter les onglets horizontaux. D’autres catégories de BioGRID telles que le défaut de croissance synthétique peuvent être incluses. Les autres colonnes pertinentes pour ce flux de travail sont répertoriées dans le tableau 1. BioGRID conserve également les scores pour les interactions individuelles. Les seuils peuvent être utilisés pour identifier les interactions de confiance forte/élevée.
Numéro de colonne Nom d’en-tête de colonne
3 Nom du gène
12 espèce
13 Identifications médicamenteuses

Tableau 1 : Colonnes pertinentes du fichier de données BioGRID.

  1. Identifier les espèces pour lesquelles des interactions létales synthétiques ont été signalées.
    1. Déterminez le nombre d’ID de taxe de partenaire d’interaction létale synthétique pour obtenir une estimation du nombre d’interactions létales synthétiques disponibles par organisme.

      ##count le nombre d’apparitions de chaque identifiant fiscal dans les interactions létales synthétiques précédemment extraites
      cut -d « ^I » -f5,6 bg_synlet.txt | queue -n +2 | tr « \t » « \n » \
      | | de tri | uniq -c sort -r -g

      NOTA : À la suite de l’étape 1, une liste d’interactions létales synthétiques avec des symboles génétiques d’organismes dans lesquels les interactions ont été déterminées. La majorité des interactions létales synthétiques ont été déterminées dans des organismes modèles. Lorsque vous chargez des fichiers dans un tableur (par exemple, Excel), évitez de ruiner les symbolesgénétiques 19,20.

2. Traduire des paires de gènes létaux synthétiques en orthologues humains

  1. Récupérer des orthologues humains pour les organismes modèles pertinents identifiés à l’étape 1.3.
    1. Récupérez des orthologues humains à partir d’Ensembl BioMart21 en reliant l’ensemble de données de gènes de l’organisme modèle respectif à l’ensemble de données de gènes humains. Utilisez les symboles génétiques désignant le gène dans l’organisme modèle et les gènes humains orthologues pour cette tâche. Utilisez le webservice Ensembl BioMart pour automatiser le processus de récupération et envoyez la requête directement à BioMart RESTful access pour récupérer les paires de gènes orthologues (voir l’exemple ci-dessous et Ensembl BioMart Help &Documentation pour plus de détails).

      ##retrieve orthologue humain pour Saccharomyces Cerevisiae d’Ensembl BioMart en utilisant curl pour envoyer la requête BioMart directement au service d’accès BioMart RESTful
      curl -o s_cerevisiae.txt --data-urlencode 'query=



      « default »
      < Nom de l’attribut = « external_gene_name » />


      « default »
      < Nom de l’attribut = « external_gene_name » />


      ' « http://www.ensembl.org/biomart/martservice »

      Pour récupérer les gènes humains orthologues pour d’autres organismes modèles, remplacez la valeur de l’attribut name du premier élément Dataset par le nom du jeu de données Ensembl respectif et réexécutez la requête.

      REMARQUE: Le processus de cartographie orthologue est bien documenté dans Ensembl BioMart Aide &Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
    1. Accédez à un exemple de requête BioMart pour les orthologues humains pour Saccharomyces cerevisiae, les principales espèces identifiées à l’étape 1.3, via l’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.
      REMARQUE: D’autres sources (par exemple roundup, oma browser, HomoloGene, inparanoid) pour la cartographie d’homologie existent, comme indiqué dans la section de discussion de ce manuscrit.
  2. Ajoutez des orthologues humains aux interactions létales synthétiques extraites.
    1. Joignez les interactions létales synthétiques basées sur l’ID fiscal de l’organisme et le symbole du gène avec les paires orthologues récupérées à l’étape 2.1. Pour les paires d’interaction létale synthétique humaine, créez des paires orthologues artificielles pour chaque gène humain présent dans l’ensemble de données ou assurez-vous que les interactions létales synthétiques humaines ne sont pas écartées lors de la jonction et transférez les symboles des gènes humains dans les colonnes nouvellement ajoutées.

      ##collect orthologues dans un seul fichier et les joindre au fichier d’interaction létale synthétique
      #create un fichier cible avec des en-têtes pour la collecte des mappages orthologues
      echo « tax_id/gene_symbol^Ihuman_gene_symbol » > mappage.txt

      #repeat cette étape pour chaque organisme modèle, veillez à adapter le nom du fichier d’entrée et l’ID de taxe
      #adds pour chaque paire d’orthologues dans s_cerevisiae.txt une nouvelle entrée dans mapping.txt: Le symbole de gène est préfixé avec l’ID de taxe pour faciliter la jonction ultérieure avec le fichier d’interactions létales synthétiques
      awk -F « \t » 'BEGIN{
      OFS="\t »
      org_tax_id="559292 »
      }
      {
      if($1 != «  » &&&$2 != «  »){
      imprimer org_tax_id"/"$1, $2
      }
      }' mappage s_cerevisiae.txt >>.txt

      #create entrées de cartographie artificielle pour les gènes humains
      awk -F « \t » 'BEGIN{
      OFS="\t »
      human_tax_id="9606 »
      }
      {
      if($5 == human_tax_id){
      imprimer $5"/"$2, $2
      }
      if($6 == human_tax_id){
      imprimer $6"/"$3, $3
      }
      }' bg_synlet.txt | tri -u >> mappage.txt

      #add clés de jointure requises (id de taxe/symbole de gène) aux interactions létales synthétiques
      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer $0, « Key Interactor A », « Key Interactor B »
      }else{
      imprimer $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt

      #join interactions létales synthétiques avec des paires orthologues
      fusionner tmp_bg_synlet_w_keys.txt mappage.txt 7 1 > tmp.txt
      fusionner tmp.txt mappage.txt 8 1 > bg_synlet_mapped.txt

      Remarque : la commande de fusion utilisée dans cet exemple n’est pas une commande Unix standard. Cependant, sa mise en œuvre avec l’aide du tri et de la jointure de GNU Core Utilities est simple. La commande a été introduite pour masquer la complexité du tri des fichiers avant qu’ils puissent être joints à la commande join. Une implémentation de merge se trouve sur https://github.com/aheinzel/merge-sh.
    1. Utilisation de tout identificateur de gène identifiant de manière unique le gène dans un certain espace de noms pour de meilleurs résultats possibles.
      REMARQUE : L’étape 2 donne lieu à une liste d’interactions létales synthétiques provenant de plusieurs organismes mappés à des gènes humains.

3. Cartographie des partenaires d’interaction létale synthétique avec les médicaments

  1. Récupérer des paires médicament-cible de DrugBank.
    1. Téléchargez les données de DrugBank à partir de la section téléchargements de DrugBank et créez d’abord un compte si ce n’est pas déjà fait22. Utilisez le fichier CSV avec les identificateurs de cibles de médicaments (section identificateurs de protéines : https://www.drugbank.ca/releases/latest#protein-identifiers) et le vocabulaire de DrugBank (section de données ouvertes : https://www.drugbank.ca/releases/latest#open-data) avec les identificateurs et les noms de DrugBank. Vous pouvez également extraire les informations requises du vidage de base de données XML.

      ##restrict le fichier cible du médicament DrugBank aux colonnes pertinentes et ne conservez que les entrées pour les entités moléculaires humaines
      DB_TARGETS="tous.csv »
      DB_NAMES="vocabulaire de la banque de médicaments.csv »

      #extract colonnes pertinentes et reformater pour utiliser tab comme séparateur de colonne
      csvtool col 3,12,13 -u TAB « ${DB_TARGETS} » > target_to_drugs_agg.txt

      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1 || $2 == « Humains »){
      imprimer 1 $, 3 $
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt

      REMARQUE : Les données de DrugBank sont fournies dans deux formats principaux. La base de données complète est disponible sous forme de fichier XML. En outre, la majorité des données sont disponibles dans une série de fichiers de valeurs séparées par des virgules (CSV).
    1. Sachez que DrugBank enregistre également les cibles médicamenteuses non humaines. La colonne des espèces (colonne numéro 12) peut être utilisée pour extraire des cibles médicamenteuses humaines.
      Remarque : pour une meilleure lisibilité, les noms des colonnes extraites sont fournis dans le tableau 2. Il existe d’autres sources (p. ex. la Base de données sur les cibles thérapeutiques ou Chembl) qui détiennent des liens médicament-cible, comme il est indiqué dans la section de discussion.
Numéro de colonne Nom d’en-tête de colonne
3 Nom du gène
12 espèce
13 Identifications médicamenteuses
  1. Ajouter des noms de médicaments aux cibles de médicaments.
    1. Étant donné que le nom du médicament et les renseignements sur le médicament cible sont fournis dans deux fichiers CSV distincts, fusionnez l’information des deux fichiers pour ajouter par la suite les noms des médicaments ciblant un partenaire d’interaction létale synthétique aux interactions létales synthétiques. Joignez les deux jeux de données à l’aide de la colonne drugbank-drug-ID commune. Normalisez d’abord l’ensemble de données cible du médicament qu’il ne contient qu’un seul DrugBank-drug-ID par ligne, car le fichier initial peut contenir plusieurs ID de médicament DrugBank dans une rangée si une protéine est ciblée par plusieurs médicaments.

      ##generate un seul fichier contenant le symbole du gène cible du médicament, l’ID du médicament DrugBank et le nom du médicament
      #normalize ensemble de données sur les cibles de médicaments
      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer 0 $
      }else if($1 != «  » &&&$2 != «  »){
      split($2, drug_targets, « ; »)
      for(i dans drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, «  », drug_target)
      imprimer 1 $ drug_target | « sort -u »
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt

      #extract colonnes pertinentes et reformater pour utiliser tab comme séparateur de colonne
      csvtool col 1,3 -u TAB « ${DB_NAMES} » > drugbank_id_to_name.txt

      fusionner human_target_to_drug.txt \
      drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt

      REMARQUE: Colonnes un et trois dans le vocabulaire de la banque de médicaments.csv fichier contiennent l’ID de drogue DrugBank et le nom respectif.
  1. Ajoutez des médicaments ciblant les partenaires d’interaction létale synthétique à l’ensemble de données d’interaction létale synthétique.
    1. Joignez le jeu de données d’interaction létale synthétique avec le fichier de noms de médicament cible généré à l’étape précédente à l’aide des colonnes de symbole de gène pour ajouter des médicaments aux interactions létales synthétiques. Prenez soin d’ajouter des noms de médicaments pour les deux partenaires de chaque interaction létale synthétique.
       
      ##enhance le fichier d’interaction létale synthétique en ajoutant des médicaments ciblant les partenaires de chaque interaction létale synthétique
      fusionner bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      fusionner tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt

      REMARQUE: L’étape 3 entraîne une interaction létale synthétique de plusieurs organismes avec leurs gènes humains orthologues et les médicaments ciblant ces gènes.

4. Établissement de l’ensemble des combinaisons de médicaments actuellement testées dans les essais cliniques

  1. Accédez aux données ClinicalTrials.gov.
    1. Extraire des informations sur les essais cliniques au format XML à partir de ClinicalTrials.gov sur (i) les essais individuels, (ii) les essais résultant d’une requête de recherche, ou (iii) tous les essais de la base de données. Utilisez également les ressources fournies par l’initiative de transformation des essais cliniques qui héberge également toutes les données de ClinicalTrials.gov dans une base de données relationnelle. Voir l’étape 4.4 pour plus de détails.
      REMARQUE : un compte gratuit est requis pour accéder à l’instance de base de données hébergée dans le cloud hébergée par l’initiative de transformation des essais cliniques. En outre, un client plsql est requis.
  2. Concentrez-vous sur les essais interventionnels.
  3. Filtre pour les essais spécifiques pour l’indication d’intérêt.
    REMARQUE: ClinicalTrials.gov fournit des noms de maladies à partir du vocabulaire contrôlé par ncbi Medical Subject Headings (MeSH). Contrairement aux noms de maladies fournis par les auteurs, le vocabulaire contrôlé permet d’identifier efficacement les essais pour l’indication d’intérêt. Néanmoins, il faut garder à l’esprit que le vocabulaire contrôlé par NCBI MeSH est un thésaurus. Par conséquent, vérifiez le navigateur MeSH (https://meshb.nlm.nih.gov) si l’indication générale d’intérêt a des termes enfants / plus étroits et incluez-les le cas échéant.
  4. Récupérer les essais identifiés ainsi que les médicaments testés dans ces essais. Une requête pour les essais dans l’indication générale du cancer de l’ovaire est fournie ci-dessous.

    ##retrieve essais interventionnels pour l’indication générale cancer de l’ovaire de la base de données relationnelle hébergée par l’initiative de transformation des essais cliniques contenant des données ClinicalTrials.gov
    | cat <\pset pied de page désactivé
    SÉLECTIONNEZ S.NCT_ID, s.brief_title, i.intervention_type i.name DISTINCTS
    DES études
    JOINTURE INTERNE browse_conditions c ON(s.nct_id = c.nct_id)
    Inner join interventions i ON(s.nct_id = i.nct_id)
    OÙ s.study_type = 'Interventionnel'
    ET c.mesh_term DANS (
    « Tumeurs ovariennes »,
    « Carcinome épithélial ovarien »,
    « Tumeur à cellules granulosaes »,
    « Syndrome du cancer héréditaire du sein et de l’ovaire »,
    « Lutéome »,
    « syndrome de Meigs »,
    « Tumeur à cellules de Sertoli-Leydig »,
    « Thecoma »
    )
    ORDRE PAR 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
  1. Extraire les noms de médicaments et les mapper aux noms drugbank.
    REMARQUE : Bien qu’il soit tentant d’utiliser directement les noms de médicaments extraits d’essais cliniques d’intérêt, il faut savoir que les noms d’intervention dans ClinicalTrials.gov sont entrés par le demandeur sous forme de texte libre. Par conséquent, les noms ne sont pas normalisés, les noms de marque peuvent être utilisés à la place du nom composé commun et il n’y a aucune garantie pour une normalisation appropriée des données (p. ex. plusieurs noms de médicaments dans une entrée). En outre, il est courant que les médicaments soient soumis avec un type d’intervention différent, différent du médicament. Par conséquent, il est préférable de mettre en correspondance les noms d’intervention récupérés avec les noms de médicaments DrugBank.

      ##Obtain une liste d’interventions utilisées dans l’ensemble d’essais cliniques précédemment récupéré.
    cut -d « ^I » -f3,4 clinical_trials.txt | queue -n +2 | sort -u

    REMARQUE : Les colonnes trois et quatre contiennent respectivement le type d’intervention et le nom de l’intervention.

  1. Compléter avec des médicaments déjà utilisés en clinique à partir des lignes directrices
    NOTA : L’étape 4 donne lieu à une liste des médicaments en cours d’évaluation ou d’utilisation pour l’indication d’intérêt.

5. Identification des combinaisons de médicaments ciblant les interactions létales synthétiques

  1. Recherche d’interactions létales synthétiques ciblées par deux drogues d’intérêt. Limitez l’ensemble de données de l’étape 3 aux drogues d’intérêt en filtrant les lignes du dossier contenant à la fois la drogue A et la drogue B.

    ##only conserver les entrées pour les interactions létales synthétiques et les médicaments qui les déclenchent lorsque les deux partenaires sont ciblés par les deux drogues d’intérêt (drug_a et drug_b)
    awk -F « \t » '{
    if( ($12 == drug_a &&&$14 == drug_b) || ($12 == drug_b &&$14 == drug_a) ) {
    imprimer 0 $
    }
    }' drug_a="XXX » drug_b="YYY » bg_synlet_mapped_drugs.txt
  1. Assurez-vous qu’aucun des deux médicaments ne cible à lui seul les deux partenaires d’interaction létale synthétique. Vérifiez les cibles médicamenteuses de chaque médicament identifié dans l’ensemble de données de l’étape 3.2 et évaluez si les deux partenaires létaux synthétiques identifiés sont des cibles du médicament spécifique.

    ##find toutes les entrées cibles d’un médicament donné
    awk -F « \t » '{
    if($3 == drogue){
    imprimer 0 $
    }
    }' drug="XXX » db_human_drug_targets.txt

    REMARQUE: Un médicament qui ciblerait les deux voies d’interaction létale synthétique serait toxique pour n’importe quelle cellule, donc théoriquement ce n’est pas un agent multi-cible précieux. C’est la raison pour laquelle cette possibilité est exclue dans cette étape de l’algorithme.
     

6. Mise à l’essai in vitro de combinaisons de nouveaux médicaments sélectionnées

  1. Traiter les lignées cellulaires du cancer du sein humain et les cellules épithéliales mammaires bénignes humaines cultivées selon des méthodes de culture in vitro standard dans une atmosphère humidifiée à 37 °C avec 5 % deCO2 avec diverses combinaisons de médicaments.
  2. Utilisez des milieux complétés par du sérum fœtal bovin et de la pénicilline ainsi que du sulfate de streptomycine pour entraver l’infection bactérienne.
  3. Diluer les médicaments dans des solvants tels que le DMSO ou la solution saline tamponnée au phosphate en au moins quatre concentrations différentes en fonction de leur CI50 (concentration inhibitrice) précédemment établie et les utiliser en combinaison ou seul pour le traitement des cellules.
  4. Effectuer des essais de viabilité cellulaire et des essais d’apoptose tels que des colorations AnnexinV/7-AAD pour déterminer les effets cytotoxiques causés par les traitements.
  5. Surveiller l’inhibition pharmacologique des cibles moléculaires suspectées à l’aide de western blots.
  6. Distinguer la létalité synthétique des effets purement additifs en calculant l’indice combinatoire (IC) tel que décrit par Chou et d’autres23.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Notre groupe a récemment publié deux études appliquant le flux de travail décrit dans ce manuscrit pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques dans le contexte du cancer de l’ovaire et du sein24,25. Dans la première étude, nous avons évalué des combinaisons de médicaments qui sont actuellement testées dans des essais cliniques à un stade avancé (phases III et IV) ou déjà utilisées dans la pratique clinique pour traiter les patientes atteintes d’un cancer de l’ovaire en ce qui concerne leur impact sur les interactions létales synthétiques. De plus, nous avons identifié des combinaisons de médicaments qui ne sont actuellement pas testées dans le cadre d’essais cliniques, mais qui fournissent une justification du point de vue du ciblage des interactions létales synthétiques. Nous avons donc évalué toutes les combinaisons de médicaments possibles en choisissant des médicaments dans le pool de tous les composés dans les essais sur le cancer de l’ovaire à un stade avancé. Nous avons identifié un ensemble unique de 61 combinaisons de médicaments qui avaient été étudiées dans 68 essais sur le cancer de l’ovaire à un stade avancé. Douze de ces 61 combinaisons de médicaments portaient sur au moins une interaction létale synthétique. 84 combinaisons de médicaments supplémentaires ont été proposées pour traiter les interactions létales synthétiques sans être étudiées dans le cadre d’essais cliniques à ce jour. 21 médicaments uniques ont contribué aux 84 combinaisons de médicaments identifiées ciblant un ensemble de 39 interacteurs létaux synthétiques, comme indiqué à la figure 1.

Figure 1
Figure 1 : Réseau de nouvelles combinaisons de médicaments proposées dans le contexte du cancer de l’ovaire. La figure 1 montre les interactions létales synthétiques où les interacteurs sont traités par deux médicaments qui ne sont pas actuellement testés dans le cours d’essais cliniques. Les interactions synlet sont affichées en rouge, tandis que les liens médicament-cible sont indiqués par des bords gris. Les lignes pointillées représentent les interactions létales synthétiques traitées par d’autres combinaisons de médicaments dans les essais cliniques sur le cancer de l’ovaire à un stade avancé. Ces combinaisons de médicaments étudiées sont indiquées par un astérisque (*), chacune en combinaison avec le paclitaxel, l’association supplémentaire étudiée de cediranib et d’olaparib étant indiquée par un cercle (o) [adapté de 25]. Veuillez cliquer ici pour voir une version plus grande de cette figure.

En utilisant le même flux de travail dans une deuxième étude, nous avons identifié 243 combinaisons de médicaments prometteuses ciblant 166 paires de gènes létaux synthétiques dans le contexte du cancer du sein. Nous avons testé expérimentalement des combinaisons sélectionnées de drogue concernant leur impact sur la viabilité cellulaire et l’apoptose dans deux variétés de cellule de cancer du sein. En particulier, la combinaison médicamenteuse à faible toxicité proposée de célécoxib et d’acide zolédronique a montré une cytotoxicité au-delà des effets additifs dans les lignées cellulaires du cancer du sein déterminées par leur index combinatoire. Les résultats des essais de viabilité et d’apoptose pour cette combinaison de médicaments sont présentés à la figure 2.

Figure 2
Ill. 2 : Impact du célécoxib et de l’acide zolédronique sur la viabilité et l’apoptose dans les cellules SKBR-3. (A) Résultats d’essais de viabilité pour le célécoxib (CEL), l’acide zolédronique (ZOL) et la combinaison d’acide zolédronique et de célécoxib (ZOL + CEL) dans les lignées cellulaires du cancer du sein SKBR-3. Les concentrations faibles et élevées de LCE utilisées étaient de 50 μM et 75 μM. Les concentrations faibles et élevées de ZOL utilisées étaient de 500 μM et 750 μM. La combinaison de drogue a eu un effet synergique significatif sur la viabilité de cellules (** p < 0,001). (B, C) Annexine V (ANXA5) et colorations 7-AAD des cellules SKBR-3 traitées avec CEL, ZOL, et la combinaison de drogue ZOL + CEL. Le pourcentage de cellules 7-AADpos/ANXA5pos a été augmenté après le traitement avec la combinaison de médicaments ZOL + CEL [adapté de 24]. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nous avons décrit un flux de travail pour identifier les combinaisons de médicaments ayant un impact sur les interactions létales synthétiques. Ce flux de travail utilise (i) des données sur les interactions létales synthétiques à partir d’organismes modèles, (ii) des informations sur les orthologues humains, (iii) des informations sur les associations médicament-cible, (iv) des informations sur les médicaments dans les essais cliniques dans le contexte du cancer, ainsi que (v) des informations sur les associations drogue-maladie et gène-maladie extraites de la littérature scientifique. Les informations consolidées peuvent être utilisées pour évaluer l’impact d’une combinaison de médicaments donnée à l’étude sur les paires de gènes létaux synthétiques. En outre, les données consolidées peuvent être utilisées pour évaluer un ensemble de médicaments actuellement à l’étude ou testés dans le cadre d’essais cliniques dans le contexte du cancer afin de trouver des combinaisons ciblant les interactions létales synthétiques les plus pertinentes, ayant ainsi une plus grande chance d’avoir un impact sur la survie des cellules tumorales. Enfin, les données générées peuvent être utilisées pour dépister les combinaisons de médicaments consistant en des médicaments qui n’ont pas été initialement développés pour le traitement des tumeurs, fournissant ainsi un moyen pour un cas de repositionnement de médicaments piloté par calcul.

Pour chaque étape du flux de travail d’intégration de données, nous présentons des sources de données clés pour compléter le flux de travail de données complet, mais soulignons que le flux de travail peut être encore amélioré à différentes étapes en utilisant des sources de données supplémentaires. Dans notre flux de travail, nous avons extrait des paires d’interactions létales synthétiques de la base de données BioGRID18. Nous nous sommes spécifiquement concentrés sur les interactions des types d’expériences « létalité synthétique » et « génétique négative ». Les informations contenues dans BioGRID sur les interactions létales synthétiques contiennent des ensembles de données provenant d’un grand écran génétique, comme par exemple un ensemble de données publié par Costanzo et ses collègues26, qui est également disponible dans la base de données DRYGIN27, ainsi que des données sur les interactions létales synthétiques uniques telles que décrites dans des expériences individuelles dans la littérature scientifique. Il existe des sources de données supplémentaires collectant et stockant des interactions létales synthétiques, comme par exemple SynLethDB28. De plus, au niveau de la cartographie orthoologique, il existe un grand nombre d’outils et de bases de données différents. Nous présentons un moyen d’utiliser le biomart Ensembl pour mapper les partenaires d’interaction létale synthétique identifiés dans les organismes modèles à leurs orthologues humains correspondants. D’autres bases de données et services d’orthographe incluent la base de données HomoloGene29de NCBI, la base de données d’orthographe OMA de l’Institut suisse de bioinformatique30ou la base de données des groupes d’orthologues InParanoid gérée par le Stockholm Bioinformatics Center31. Dans notre flux de travail, nous nous sommes concentrés sur les interactions létales synthétiques de plusieurs organismes modèles, le plus grand nombre d’interactions létales synthétiques provenant de levures. On pourrait envisager de restreindre l’ensemble d’entrées pour la cartographie d’orthologie aux données de la souris et du rat uniquement, qui sont évolutives plus près des humains. Une autre façon de définir l’ensemble d’entrée des interactions létales synthétiques consiste à se concentrer uniquement sur les interactions létales synthétiques conservées chez plusieurs espèces, augmentant ainsi les chances que l’interaction létale synthétique soit vraiment positive. D’autre part, cela pourrait réduire considérablement l’ensemble des interactions létales synthétiques, car il existe déjà une grande différence dans les interactions létales synthétiques identifiées entre S. cerevisiae et S. pombe. Une autre approche consiste à ne pas être trop stricte au début et même à étendre l’ensemble des interactions létales synthétiques expérimentales par des algorithmes d’apprentissage automatique comme nous l’avons fait dans les deux études répertoriées dans la section des résultats représentatifs. En bref, un modèle de forêt aléatoire a été utilisé pour prédire les interactions létales synthétiques pour les gènes humains pour lesquels aucun gènes orthologues n’existait chez la levure. Le modèle de forêt aléatoire a été entraîné sur l’ensemble des paires d’interaction létale synthétique de levure et de leurs gènes humains orthologues en utilisant des données sur les associations de voies, l’affectation de l’ontologie des gènes ainsi que les associations de maladies et de médicaments comme décrit précédemment24,25. Cela nous a permis de considérer les gènes humains pour lesquels aucune information de cartographie orthologue n’était disponible dans notre flux de travail d’intégration. DrugBank est une base de données largement utilisée qui stocke des informations sur les associations médicament-cible, qui est également la principale source d’interactions dans le flux de travail. D’autres bases de données contenant dans une certaine mesure des informations complémentaires sur les cibles médicamenteuses sont la base de données sur les cibles thérapeutiques (TTD)32 ou ChEMBL33. Les principaux composants du flux de travail sont également incorporés dans la plate-forme e.valuation d’emergentec et SynLethDB, qui a été développée par des chercheurs de l’Université technologique de Nanyang. La dernière mise à jour de SynLethDB en 2015, cependant, était basée sur les ensembles de données stockés dans la section de téléchargement de leur page Web respective28.

Une façon de classer les combinaisons de médicaments identifiées et les paires d’interactions létales synthétiques ciblées consiste à utiliser l’association de partenaires létaux synthétiques et/ou de médicaments avec la maladie d’intérêt via des méthodes d’exploration de la littérature. Dans le cadre de nos travaux sur l’évaluation des combinaisons de médicaments dans le contexte du cancer de l’ovaire, nous avons classé les nouvelles combinaisons de médicaments proposées en fonction du nombre de publications sur le cancer de l’ovaire mentionnant l’un ou l’autre des deux interacteurs létaux synthétiques d’une combinaison de médicaments respective. L’annotation MeSH dans Pubmed peut être utilisée pour identifier les publications pour une maladie spécifique en utilisant les termes exacts de la maladie tels qu’ils sont donnés dans la branche principale de MeSH C. Les informations sur les gènes dans les publications identifiées peuvent être extraites à l’aide du fichier de cartographie gene2pubmed de NCBI comme décrit ailleurs34. En outre, il existe des bases de données dédiées contenant des liens gènes-maladies et/ou médicaments-maladies telles que la base de données comparative de toxicogénomique35,DisGeNET36ou la plate-forme logicielle e.valuation. Le classement des combinaisons de médicaments en fonction des associations de maladies est une façon d’appuyer la sélection finale des combinaisons de médicaments pour les essais expérimentaux. D’autres aspects doivent être pris en compte lors de la sélection de combinaisons de médicaments pour des tests ultérieurs, comme par exemple les profils de toxicité individuels des médicaments ou l’état d’expression des interacteurs létaux synthétiques dans l’organe cible respectif.

Dans la section des résultats représentatifs, nous présentons des données pour la combinaison de médicaments de célécoxib et d’acide zolédronique, qui a été identifiée à la suite du flux de travail pour identifier les combinaisons de médicaments dans le contexte du cancer du sein. Cette combinaison de médicaments particulière a été sélectionnée pour des essais expérimentaux en raison des faibles profils de toxicité des deux composés. Nous avons utilisé diverses concentrations dans des expériences in vitro pour évaluer l’impact de la combinaison de médicaments sur la viabilité cellulaire et l’apoptose. Idéalement, les concentrations de médicaments pourraient être considérablement réduites pour les médicaments individuels afin de minimiser les effets secondaires tout en maximisant l’efficacité en combinant deux médicaments. Voir l’impact sur la viabilité à des doses plus faibles est encore plus significatif, car les concentrations de médicaments utilisées pour les essais in vitro pourraient être critiquées comme étant suprathérapétiques, qui ne sont pas atteintes dans les modèles in vivo. Cependant, les concentrations ont été choisies en fonction d’expériences de culture cellulaire avec ces médicaments donnés dans la littérature. Le dosage des médicaments peut influencer davantage les cibles qui sont principalement affectées, car la plupart des composés ont plus d’une cible médicamenteuse, ce qui pourrait également avoir un impact sur un grand nombre de molécules en aval connues et inconnues. Les combinaisons de médicaments montrant des effets synergiques sur la viabilité cellulaire dans les systèmes de culture cellulaire in vitro devraient donc être étudiées plus avant dans des modèles 3D ou in vivo.

En résumé, nous présentons un flux de travail qui intègre des informations provenant de différentes sources de données pour évaluer et proposer des combinaisons de médicaments ciblant les interactions létales synthétiques. À ce jour, les informations les plus importantes sur les interactions létales synthétiques proviennent toujours d’organismes modèles, nécessitant une étape obligatoire de cartographie orthoologique du génome humain. Les premiers dépistages dans les cellules haploïdes humaines ont conduit à l’identification d’interactions létales synthétiques dans les cellules humaines. De plus, la technologie CRISPR/CAS a ouvert de nouvelles façons d’étudier les interactions létales synthétiques au niveau cellulaire. Avec plus de données biologiques synthétiques de haute qualité sur les interactions létales, nous proposons que les efforts d’intégration des données tels que le nôtre transforment le traitement clinique du cancer à l’avenir, en découvrant de nouvelles paires de gènes létaux synthétiques cliniquement significatifs en dehors de BRCA(1/2)/PARP1.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

AH et PP étaient des employés d’emergentec biodevelopment GmbH au moment d’effectuer les analyses menant aux résultats présentés dans la section des résultats représentatifs. MM et MK n’ont rien à divulguer.

Acknowledgments

Le financement du développement du flux de travail d’intégration des données a été obtenu du septième programme-cadre de la Communauté européenne au titre de la convention de subvention nu. 279113 (OCTIPS). L’adaptation des données de cette publication a été aimablement approuvée par public Library of Sciences Publications et Impact Journals, LLC.

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

Recherche sur le cancer numéro 171 létalité synthétique dépistages génétiques intégration de données cartographie d’homologie combinaisons de médicaments cancer du sein traitement essai de viabilité cellulaire
Un flux de travail d’intégration de données pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques
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