Sentetik Ölümcül Etkileşimleri Hedefleyen İlaç Kombinasyonlarını Tanımlamak için Veri Entegrasyonu İş Akışı
27 Mayıs 2021
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.
İki gen arasındaki sentetik ölümcül etkileşim, her ikisinin de tek bir nakavtının hücre canlılığını etkilememesine karşın, her iki sentetik ölümcül ortağın da nakavtı hücre canlılığının kaybına veya hücre ölümüne yol açtığında ortaya çıkar. Heterojen veri kümelerinin birleştirilmesi, hücre çoğalmasını durdurmak amacıyla kanser gibi hastalıklarda ilaç kombinasyonları tarafından hedeflenebilecek sentetik ölümcül etkileşimlerin tanımlanmasına yol açabilir. Sentetik öldürücülük kavramı, hücre çoğalmasının söz konusu olduğu herhangi bir hastalık için ilgi çekicidir.
Kansere gelince, BRCA mutasyona uğramış tümörlerde PARP inhibitörleri kullanılarak sentetik öldürücü gen etkileşimleri hedeflenmektedir. Bizimki gibi çabalar, kavramın diğer gen etkileşimleri ve kanser varlıkları için kullanımını genişletebilir. Laboratuvarımızda meme kanseri bağlamında sentetik öldürücü etkileşimleri hedefleyen hesaplamalı olarak tahmin edilen ilaç kombinasyonlarını test ettik.
BioGRID'den veri alarak başlayın. Sekme2 formatında en son BioGRID etkileşim dosyasını indirmek için web tarayıcısını kullanın. Sütunları yalnızca sonraki çözümleme adımlarıyla ilgili olanları korumak için filtreleyin.
Daha sonra, sentetik öldürücülük ve negatif genetik etkileşimler için filtreleyin. Veri kümesini negatif genetik veya sentetik öldürücülük değerine sahip girişlerle sınırlamak için Deneysel Sistem sütunundaki bilgileri kullanın. Organizma başına mevcut olan bu etkileşimlerin sayısı hakkında bir tahmin sağlayacak sentetik ölümcül etkileşim ortağı vergi kimliklerinin sayısını belirleyerek sentetik ölümcül etkileşimlerin rapor edildiği türleri tanımlayın.
Ensembl BioMart'tan ilgili model organizmalar için insan ortezlerini almak için, ilgili model organizma veri kümesini seçin, Öznitelikler'e tıklayın ve Gen adı'nı seçin. Ardından Veri Kümesi'ne tıklayın ve İnsan genlerini seçin. Yine, Öznitelikler'e tıklayın ve Gen adı'nın öğesini seçin.
Ardından Sonuçlar'ı tıklatın. Yalnızca Benzersiz sonuçları denetleyin ve Go.Automatize alma işlemini tıklatın ve sorguyu ortez gen çiftlerini almak için doğrudan BioMart RESTful erişimine gönderin. Verileri Ensembl BioMart web arabirimi üzerinden el ile aldıysanız, üstbilgi satırının otomatik olarak eklenmediğini yeniden adlandırın ve not edin.
Diğer model organizmalar için ortolog insan genlerini almak için, ilk veri kümesi öğesinin ad özniteliğinin değerini ilgili Ensembl veri kümesinin adıyla değiştirin. Daha sonra, homolog olmayan genler için tüm girişleri atın, tüm homolog haritalamaları tek bir dosyada toplayın ve insan genleri için sahte haritalamalar ekleyin. Ek olarak, insan genleri için yapay girişler ekleyin.
Her etkileşim ortağı için vergi kimliği ve gen sembolü birleşimini tutan yeni bir sütun ekleyerek synlet dosyasını sonraki birleştirme için hazırlayın. Alınan ortez çiftleri ile organizma vergi kimliğine ve gen sembolüne dayalı sentetik ölümcül etkileşimlere katılın. İlaç hedefi çiftlerini İndirmeler bölümünden DrugBank'ten alın ve gerekirse önce bir hesap oluşturun.
DrugBank ilaç hedef dosyasını ilgili sütunlar ile sınırla. Sadece insan moleküler varlıklarının girişlerini sakla. Ardından, ilgili sütunları çıkarın ve insan türleri için verileri filtreleyin.
İki ayrı CSV dosyada uyuşturucu adı ve uyuşturucu hedef bilgileri sağlandığından, iki dosyadaki bilgilerin birleştirilmesi gerekir. Bunun için öncelikle ilaç adı girişleri normalleştirilmelidir. Sonra ilaç hedef dosyasını ilaç başına bir satır olacak şekilde normalleştirin.
DrugBank kelime dosyasına devam edin ve ilgili sütunları ayıklayın. uyuşturucu adı ve uyuşturucu hedef bilgileri iki ayrı CSV dosyasında sağlandığından, ortak DrugBank ID.Join sentetik ölümcül etkileşim veri kümesini gen sembolü sütunlarını kullanarak önceki adımda oluşturulan uyuşturucu hedefi uyuşturucu adı dosyasıyla birleştirin ve her sentetik ölümcül etkileşimin her iki ortağı için de uyuşturucu adları eklediğinizden emin olun. Son olarak, ClinicalTrials.gov klinik çalışmalar hakkında bilgi alın.
Kolay erişim için, Gerekirse önce bir hesap oluşturarak Klinik Deneyler Dönüşüm Girişimi tarafından sağlanan ilişkisel veritabanını kullanın. Önerilen ilaçları DMSO veya PBS gibi uygun çözücülerde en az dört farklı konsantrasyonda çözün. İlaçları 96 kuyulu bir tabakta tohumlanmış insan meme kanseri hücrelerine ekleyin ve inhibitör konsantrasyon değerlerini belirlemek için istenen süre boyunca kuluçkaya yatırın.
Daha önce kurulan IC50'den başlayarak çeşitli ilaç kombinasyonları ve konsantrasyonları ile hücre canlılığını belirlemek için tercih edilen bir canlılık veya apoptoz tahlilini kullanın. Daha sonra kombinatoryal indeksini hesaplayarak ilaç kombinasyonlarının sinerjik sitotoksik etkilerini belirleyin. Bu yöntem, yumurtalık kanserinde sentetik öldürücü etkileşimleri hedefleyen ilaç kombinasyonlarını tanımlamak için kullanılmıştır.
21 benzersiz uyuşturucunun, 39 sentetik öldürücü etkileşimciyi hedef alan 84 tanımlanmış uyuşturucu kombinasyonuna katkıda bulunduğu tespit edildi. Aynı iş akışı, meme kanseri bağlamında 166 sentetik ölümcül gen çiftini hedefleyen 243 umut verici ilaç kombinasyonunu tanımlamak için de kullanıldı. Seçilmiş kombinasyonlar, iki meme kanseri hücre hattında hücre canlılığı ve apoptoz üzerindeki etkileri açısından test edildi.
Sk-BR-3 meme kanseri hücre hatlarında selekoksib, zoledronik asit ve zoledronik asit ve selekoksib kombinasyonu için canlılık tahlil sonuçları, ilaçların birleştirildiğinde hücre canlılığı üzerinde önemli bir sinerjik etkiye sahip olduğunu göstermiştir. ekin V ve 7-AAD lekeleme sk-BR-3 hücreleri kendi başlarına ve kombine ilaç kombinasyonu ile tedavi edildikten sonra geç apoptotik ve nekrotik hücrelerin yüzdesinin arttırıldığını göstermiştir. Bu protokolü denerken, klinik çalışmalardan alınan tüm ilaçlar ve müdahaleler için karşılık gelen DrugBank ilaç adlarını belirlemek için gerekli zamanı ayırın.
Gen ekspresyon profilleri veya incelenme altındaki hastalık için sentetik öldürücü etkileşimcilerin bilimsel literatürüne ek açıklama derecesi gibi ek verilerin dahil edilmesi, sentetik ölümcül etkileşimlere öncelik vermek için daha da kullanılabilir. Mevcut biyomedikal verilerin artan miktarı nedeniyle, hesaplamalı biyologlarla güçlerini birleştirmek, laboratuvarda test edilecek yeni hipotezlere yol açan faydalı bir etkileşimdir. Sitostatik ajanlarla çalışırken, laboratuvar güvenlik ekipmanları ve tehlikeli reaktiflerin kullanımıyla ilgili yerel yönergelerinize uyduğunuzdan emin olun.
Herhangi bir zaman noktasında, doğrudan temastan kaçının ve deneye başlamadan önce kullanılan madde hakkında bilgi topladığından emin olun.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu çalışma, özellikle kanser tedavisi bağlamında genler arasındaki sentetik ölümcül etkileşimleri araştırmaktadır. Model organizmalarda genetik taramalardan elde edilen verileri entegre ederek, araştırma bu etkileşimleri hedefleyebilecek etkili ilaç kombinasyonlarını belirlemeyi amaçlamaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Genetik
- Kanser Biyolojisi
- Farmakoloji
Arka Plan
- Sentetik ölümcüllük, iki genin eşzamanlı olarak baskılanması hücre ölümüne yol açarken, her iki genin tek başına baskılanması ölüme yol açmadığında meydana gelir.
- Bu kavram, özellikle kanserde, belirli gen etkileşimlerinin terapötik amaçlarla kullanılabileceği durumlarda alakalıdır.
- PARP inhibitörleri gibi mevcut tedaviler, BRCA mutasyonlu tümörlerde sentetik ölümcül etkileşimleri hedeflemektedir.
- Farklı veri setlerinin birleştirilmesi, potansiyel ilaç kombinasyonlarının tanımlanmasını artırabilir.
Çalışmanın Amacı
- Kanserde sentetik ölümcül etkileşimleri hedefleyen ilaç kombinasyonlarını belirlemek.
- Sentetik ölümcüllüğün BRCA mutasyonlarının ötesinde diğer gen etkileşimlerine ve kanser türlerine uygulanmasını genişletmek.
- Hesaplamalı olarak tahmin edilen ilaç kombinasyonlarını meme kanseri bağlamında test etmek.
Kullanılan Yöntemler
- Model organizmalarda genetik saramalardan elde edilen verilerin entegrasyonu.
- Ilaç kombinasyonlarının hesaplamalı tahmini.
- Laboratuvar ortamlarında deneysel doğrulama.
- Ilaç kombinasyonlarına karşı hücre canlılığının analizi.
Ana Sonuçlar
- Kanser tedavisi için hedeflenebilecek yeni sentetik ölümcül etkileşimlerin tanımlanması.
- Meme kanseri modellerinde tahmin edilen ilaç kombinasyonlarının başarılı bir şekilde test edilmesi.
- Onkolojide sentetik ölümcüllük uygulamalarının genişletilmesi potansiyelinin gösterilmesi.
- Bu etkileşimlerle ilişkili hücre ölüm mekanizmalarına ilişkin içgörüler.
Sonuçlar
- Çalışma, sentetik ölümcüllüğü kullanan ilaç kombinasyonlarının tanımlanması için bir çerçeve sağlamaktadır.
- Bulgular, çeşitli kanser türleri için yeni terapötik stratejilere yol açabilir.
- Bu etkileşimleri klinik ortamlarda doğrulamak için daha fazla araştırmaya ihtiyaç vardır.
Sıkça Sorulan Sorular
Executive Industry Relevance
Integrating heterogeneous genetic and pharmacological datasets enables systematic identification of drug combinations that exploit synthetic lethal interactions, directly addressing the challenge of target validation and mechanistic de-risking in oncology discovery pipelines. This workflow enhances predictive confidence for prioritizing drug pairs with synergistic cytotoxicity, supporting risk-adjusted advancement decisions in early discovery and preclinical oncology portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven identification of synthetic lethal gene pairs relevant to disease models.
- Supports functional target validation by linking genetic interactions to actionable drug targets.
- Facilitates mechanistic de-risking by integrating ortholog mapping and literature annotation.
- Improves predictive confidence for triaging candidate drug combinations.
Screening & Assay Development
- Prepares validated gene-drug interaction datasets for downstream compound screening.
- Standardizes assay development by leveraging curated drug-target and clinical trial data.
- Enables reproducible evaluation of drug synergy using quantitative viability and apoptosis assays.
- Supports scalable screening of drug pairs across multiple cancer cell lines.
Translational & Preclinical Research
- Aligns candidate drug combinations with disease-relevant genetic backgrounds, such as BRCA-mutated tumors.
- Ensures continuity from computational prediction to in vitro validation in preclinical models.
- Enables risk-adjusted selection of drug pairs for further translational investigation.
- Supports biomarker-driven prioritization when gene expression or literature annotation is integrated.
Pipeline & Workflow Integration
This data integration workflow bridges early discovery, target validation, and preclinical evaluation by systematically linking genetic interaction data, ortholog mapping, drug-target associations, and clinical trial information.
- Discovery Biology: Supports hypothesis testing and pathway clarification by mapping synthetic lethal pairs to human orthologs.
- Screening: Provides assay-ready drug-gene interaction lists for reproducible compound evaluation.
- Analytics: Delivers quantitative outputs such as combinatorial index and viability metrics for condition comparison.
- Translational Research: Connects in silico predictions to in vitro validation in disease-relevant systems.
- Enterprise Reuse: Establishes a scalable, reusable workflow for ongoing drug combination discovery across oncology indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in drug combination selection.
- Operational Value: Standardizes data integration and assay workflows for reproducibility and scalability.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio advancement.
- Portfolio Impact: Supports risk-adjusted prioritization of drug combinations for preclinical and translational progression.
Implementation Considerations
- Requires expertise in computational biology, data integration, and oncology pharmacology.
- Needs access to curated genetic interaction, ortholog mapping, drug-target, and clinical trial databases.
- Demands cross-team standardization of data formats and nomenclature for seamless integration.
- Must adapt workflow for different model organisms and cancer types as supported by available data.
- Dependent on the completeness and annotation quality of public datasets for prioritization accuracy.
Biopharma FAQs
Chapters in this video
0:04
Introduction
1:03
Retrieving Synthetic Lethal Gene Pairs
1:48
Translating Synthetic Lethal Gene Pairs to Human Orthologs
3:20
Mapping Synthetic Lethal Interaction Partners to Drugs
4:28
Establish the Set of Currently Tested Drug Combinations in Clinical Trials
4:45
Testing Proposed Drug Combinations In Vitro
5:28
Results: Proposed Novel Drug Combinations for Ovarian and Breast Cancer
6:37
Conclusion
