Рабочий процесс интеграции данных для выявления комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия
Summary
Большие генетические скрининги в модельных организмах привели к выявлению негативных генетических взаимодействий. Здесь мы описываем рабочий процесс интеграции данных с использованием данных генетических скринингов в модельных организмах для определения комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия при раке.
Abstract
Синтетическое летальное взаимодействие между двумя генами дается, когда нокаут одного из двух генов не влияет на жизнеспособность клеток, но нокаут обоих синтетических смертельных интеракторов приводит к потере жизнеспособности клеток или гибели клеток. Наиболее изученным синтетическим летальным взаимодействием является взаимодействие между BRCA1/2 и PARP1, причем ингибиторы PARP1 используются в клинической практике для лечения пациентов с мутированными опухолями BRCA1/2. Большие генетические скрининги в модельных организмах, а также в гаплоидных клеточных линиях человека привели к выявлению многочисленных дополнительных синтетических пар летального взаимодействия, которые являются потенциальными целями, представляющими интерес для разработки новых методов лечения опухолей. Один из подходов заключается в терапевтическом нацеливание генов с синтетическим смертельным интерактором, который мутирует или значительно понижается в интересуемой опухоли. Второй подход заключается в разработке комбинаций лекарств, направленных на синтетические смертельные взаимодействия. В этой статье мы описываем рабочий процесс интеграции данных для оценки и идентификации комбинаций лекарств, нацеленных на синтетические смертельные взаимодействия. Мы используем доступные наборы данных о синтетических парах летального взаимодействия, ресурсы картирования гомологий, ссылки на лекарственные средства из специализированных баз данных, а также информацию о лекарствах, исследуемых в клинических испытаниях в интересующих заболевания областях. Мы также выделяем ключевые результаты двух недавних исследований нашей группы по оценке комбинации лекарств в контексте рака яичников и молочной железы.
Introduction
Синтетическая летальность определяет ассоциацию двух генов, где потеря одного гена не влияет на жизнеспособность, но потеря обоих генов приводит к гибели клеток. Впервые он был описан в 1946 году Добжанским при анализе различных фенотипов дрозофилы путем разведения гомозиготных мутантов1. Мутанты, которые не производили жизнеспособного потомства, хотя и жизнеспособны сами, демонстрировали смертельные фенотипы при скрещивались с некоторыми другими мутантами, создавая почву для создания теории синтетической летальности. Хартвелл и его коллеги предположили, что эта концепция может быть применима для терапии рака у людей2. Фармакологически спровоцированная синтетическая летальность может зависеть только от одной мутации, учитывая, что синтетический смертельный партнер мутированного гена является мишенью фармакологического соединения. Первой парой генов, которая обеспечила фармакологическую индукцию синтетической летальности, были BRCA(1/2) и PARP1. PARP1 функционирует как датчик повреждения ДНК и привязан к участкам двойных и одиночных разрывов нитей ДНК, суперкатушек и кроссоверов3. BRCA1 и 2 играют важную роль в репарации двухцепочечных разрывов ДНК через гомологичную рекомбинацию4. Фармер и его коллеги опубликовали результаты того, что клетки с дефицитом BRCA1/2 были восприимчивы к ингибированию PARP, в то время как цитотоксичность не наблюдалась в клетках дикого типа BRCA5. В конечном счете, ингибиторы PARP были одобрены для лечения BRCA-дефицита рака молочной железы и яичников6,7. Кроме того, пары генов синтетической летальности, ведущие к клиническому одобрению фармакологических соединений, являются долгожданным и основной областью недавних исследований рака8.
Синтетические смертельные взаимодействия генов были смоделированы у нескольких организмов, включая плодовых мушек, C. elegans и дрожжи2. Используя различные подходы, включая РНК-интерференции и нокауты CRISPR/CAS-библиотеки, в последние годы были обнаружены новые синтетические смертельные пары генов9,10,11. Протокол об экспериментальных процедурах РНКи в сочетании с CRISPR/CAS был недавно опубликован Хузденом и его коллегами12. Между тем, исследователи также провели большие экраны в гаплоидных клетках человека для выявления синтетических летальных взаимодействий13,14. Методы in silico, такие как биологический сетевой анализ и машинное обучение, также показали перспективность в открытии синтетических смертельных взаимодействий15,16.
С точки зрения концепции, одним из подходов к использованию синтетических летальных взаимодействий в контексте противоопухолевой терапии является идентификация мутированных или нефункциональных белков в опухолевых клетках, что делает их синтетических партнеров по летальному взаимодействию перспективными лекарственными мишенями для терапевтического вмешательства. Из-за неоднородности большинства типов опухолей исследователи начали поиск так называемых синтетических летальных белков-концентраторов. Эти синтетические летальные центры имеют ряд синтетических летальных партнеров по взаимодействию, которые либо мутируют и, следовательно, нефункциональны, либо значительно понижаются в образцах опухолей. Устранение таких синтетических смертельных узлов обещает повысить эффективность лекарств или преодолеть лекарственную устойчивость, что может быть показано, например, в контексте винкристин-резистентной нейробластомы17. Второй подход к улучшению лечения наркомании с использованием концепции синтетических летальных взаимодействий заключается в выявлении комбинаций лекарств, нацеленных на синтетические летальные взаимодействия. Это может привести к новым комбинациям уже одобренных одиночных противоопухолевых методов лечения и к перемещению лекарств из других областей заболевания в область онкологии.
В этой статье мы представляем пошаговую процедуру получения списка комбинаций лекарств, нацеленных на синтетические пары летального взаимодействия. В этом рабочем процессе мы (i) используем данные о синтетических летальных взаимодействиях из BioGRID и (ii) информацию о гомологичных генах из Ensembl, (iii) извлекаем пары лекарств-мишеней из DrugBank, (iv) строим ассоциации между болезнями и лекарствами из ClinicalTrials.gov и (v) следовательно, генерируем набор комбинаций лекарств, направленных на синтетические смертельные взаимодействия. Наконец, мы предоставляем комбинации лекарств в контексте рака яичников и молочной железы в разделе репрезентативных результатов.
Protocol
Representative Results
Discussion
Мы наметили рабочий процесс для выявления комбинаций лекарств, влияющих на синтетические смертельные взаимодействия. Этот рабочий процесс использует (i) данные о синтетических летальных взаимодействиях из модельных организмов, (ii) информацию ортологов человека, (iii) информацию об ассо?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Финансирование для разработки рабочего процесса интеграции данных было получено из Седьмой рамочной программы Европейского сообщества в рамках грантового соглашения nu. 279113 (OCTIPS). Адаптация данных в рамках этой публикации была любезно одобрена Публичной библиотекой научных публикаций и Impact Journals, LLC.
Materials
| BioGRID | n/a | n/a | thebiogrid.org |
| ClinicalTrials.gov | n/a | n/a | ClinicalTrials.gov |
| DrugBank | n/a | n/a | drugbank.ca |
| Ensembl BioMart | n/a | n/a | ensembl.org |
| for alternative computational databases please refer to the manuscript | |||
| 7-AAD | ebioscience | 00-6993-50 | |
| AnnexinV-APC | BD Bioscience | 550474 | |
| celecoxib | Sigma-Aldrich | PZ0008-25MG | |
| CellTiter-Blue Viability Assay | Promega | G8080 | |
| FACS Canto II | BD Bioscience | n/a | |
| fetal bovine serum | Fisher Scientific/Gibco | 16000044 | |
| FloJo Software | FloJo LLC | V10 | |
| McCoy's 5a Medium Modified | Fisher Scientific/Gibco | 16600082 | |
| penicillin G/streptomycin sulfate | Fisher Scientific/Gibco | 15140122 | |
| SKBR-3 cells | American Type Culture Collection (ATCC) | ATCC HTB-30 | |
| zoledronic acid | Sigma-Aldrich | SML0223-50MG | |
| further materials or equipment will be made available upon request | |||
References
- Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genetics. 31, 269-290 (1946).
- Hartwell, L. H., Szankasi, P., Roberts, C. J., Murray, A. W., Friend, S. H. Integrating genetic approaches into the discovery of anticancer drugs. Science. 278 (5340), 1064-1068 (1997).
- D’Amours, D., Desnoyers, S., D’Silva, I., Poirier, G. G. Poly(ADP-ribosyl)ation reactions in the regulation of nuclear functions. The Biochemical Journal. 342 (2), 249-268 (1999).
- Gudmundsdottir, K., Ashworth, A. The roles of BRCA1 and BRCA2 and associated proteins in the maintenance of genomic stability. Oncogene. 25 (43), 5864-5874 (2006).
- Farmer, H., et al. Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 434 (7035), 917-921 (2005).
- McCann, K. E., Hurvitz, S. A. Advances in the use of PARP inhibitor therapy for breast cancer. Drugs in Context. 7, 212540 (2018).
- Franzese, E., et al. PARP inhibitors in ovarian cancer. Cancer Treatment Reviews. 73, 1-9 (2019).
- Ashworth, A., Lord, C. J. Synthetic lethal therapies for cancer: what’s next after PARP inhibitors. Nature Reviews. Clinical Oncology. 15 (9), 564-576 (2018).
- Yu, B., Luo, J. Synthetic lethal genetic screens in Ras mutant cancers. The Enzymes. 34, 201-219 (2013).
- Thompson, J. M., Nguyen, Q. H., Singh, M., Razorenova, O. V. Approaches to identifying synthetic lethal interactions in cancer. The Yale Journal of Biology and Medicine. 88 (2), 145-155 (2015).
- Ruiz, S., et al. A Genome-wide CRISPR Screen Identifies CDC25A as a Determinant of Sensitivity to ATR Inhibitors. Molecular Cell. 62 (2), 307-313 (2016).
- Housden, B. E., Nicholson, H. E., Perrimon, N. Synthetic Lethality Screens Using RNAi in Combination with CRISPR-based Knockout in Drosophila Cells. Bio-Protocol. 7 (3), (2017).
- Blomen, V. A., et al. Gene essentiality and synthetic lethality in haploid human cells. Science. 350 (6264), 1092-1096 (2015).
- Forment, J. V., et al. Genome-wide genetic screening with chemically mutagenized haploid embryonic stem cells. Nature Chemical Biology. 13 (1), 12-14 (2017).
- Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Systems. 1 (6), 383-395 (2015).
- Madhukar, N. S., Elemento, O., Pandey, G. Prediction of Genetic Interactions Using Machine Learning and Network Properties. Frontiers in Bioengineering and Biotechnology. 3, 172 (2015).
- Fechete, R., et al. Synthetic lethal hubs associated with vincristine resistant neuroblastoma. Molecular BioSystems. 7 (1), 200-214 (2011).
- Oughtred, R., et al. The BioGRID interaction database: 2019 update. Nucleic Acids Research. 47, 529-541 (2019).
- Zeeberg, B. R., et al. Mistaken identifiers: gene name errors can be introduced inadvertently when using Excel in bioinformatics. BMC bioinformatics. 5, 80 (2004).
- Ziemann, M., Eren, Y., Gene El-Osta, A. name errors are widespread in the scientific literature. Genome Biology. 17 (1), 177 (2016).
- Kersey, P. J., et al. Ensembl Genomes 2018: an integrated omics infrastructure for non-vertebrate species. Nucleic Acids Research. 46, 802-808 (2018).
- Wishart, D. S., et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Research. 46, 1074-1082 (2018).
- Chou, T. C. Drug combination studies and their synergy quantification using the Chou-Talalay method. Cancer Research. 70 (2), 440-446 (2010).
- Marhold, M., et al. Synthetic lethal combinations of low-toxicity drugs for breast cancer identified in silico by genetic screens in yeast. Oncotarget. 9 (91), 36379-36391 (2018).
- Heinzel, A., et al. Synthetic lethality guiding selection of drug combinations in ovarian cancer. PloS One. 14 (1), 0210859 (2019).
- Costanzo, M., et al. The genetic landscape of a cell. Science. 327 (5964), 425-431 (2010).
- Koh, J. L. Y., et al. DRYGIN: a database of quantitative genetic interaction networks in yeast. Nucleic Acids Research. 38, 502-507 (2010).
- Guo, J., Liu, H., Zheng, J. SynLethDB: synthetic lethality database toward discovery of selective and sensitive anticancer drug targets. Nucleic Acids Research. 44, 1011-1017 (2016).
- NCBI Resource Coordinators. Database resources of the National Center for Biotechnology Information. Nucleic Acids Research. 44 (1), 7-19 (2016).
- Altenhoff, A. M., et al. The OMA orthology database in 2018: retrieving evolutionary relationships among all domains of life through richer web and programmatic interfaces. Nucleic Acids Research. 46 (1), 477-485 (2018).
- Sonnhammer, E. L. L., Östlund, G. InParanoid 8: orthology analysis between 273 proteomes, mostly eukaryotic. Nucleic Acids Research. 43, 234-239 (2015).
- Li, Y. H., et al. Therapeutic target database update 2018: enriched resource for facilitating bench-to-clinic research of targeted therapeutics. Nucleic Acids Research. 46 (1), 1121 (2018).
- Gaulton, A., et al. The ChEMBL database in 2017. Nucleic Acids Research. 45 (1), 945-954 (2017).
- Heinzel, A., Mühlberger, I., Fechete, R., Mayer, B., Perco, P. Functional molecular units for guiding biomarker panel design. Methods in Molecular Biology. 1159 (12), 109-133 (2014).
- Davis, A. P., et al. The Comparative Toxicogenomics Database: update 2019. Nucleic Acids Research. 47 (1), 948-954 (2019).
- Piñero, J., et al. DisGeNET: a comprehensive platform integrating information on human disease-associated genes and variants. Nucleic acids research. 45 (1), 833-839 (2017).
