Yöntem makalesi

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

DOI:

10.3791/60328

⸱

27 Mayıs 2021

 ,  ,  ,  , 
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

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 numarasıSütun üstbilgi adı
3Gen Adı
12tür
13İlaç 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 numarasıSütun üstbilgi adı
3Gen Adı
12tür
13İlaç 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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 kombinasyonla...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 sent...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
BioGRIDn/an/athebiogrid.org
ClinicalTrials.govn/an/aClinicalTrials.gov
DrugBankn/an/adrugbank.ca
Ensembl BioMartn/an/aensembl.org
alternatif hesaplama veritabanları için lütfen makaleye bakın
7-AADebioscience00-6993-50
AnnexinV-APCBD Bioscience550474
celecoxibSigma-AldrichPZ0008-25MG
CellTiter-Blue Canlılık TestiPromegaG8080
FACS Canto IIBD Biosciencen/a
fetal sığır serumuFisher Scientific/Gibco
FloJo YazılımıFloJo LLCV10
McCoy's 5a Orta ModifiyeFisher Scientific / Gibco16600082
penisilin G / streptomisin sülfatFisher Scientific / Gibco15140122
SKBR-3 hücreleriAmerikan Tipi Kültür Koleksiyonu (ATCC)ATCC HTB-30
zoledronik asitSigma-AldrichSML0223-50MG
güçlü> daha fazla malzeme veya ekipman istek üzerine sağlanacaktır< / güçlü>
16000044 <

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Drug Combination WorkflowBioGRID Data RetrievalEnsembl BioMart OrthologsDrugBank Target MappingClinical Trials DataCell Viability AssayCombinatorial Index CalculationBreast Cancer ModelsOvarian Cancer Models

İlgili makaleler