Um fluxo de trabalho de integração de dados para identificar combinações de drogas visando interações letais sintéticas
Summary
Grandes telas genéticas em organismos modelo levaram à identificação de interações genéticas negativas. Aqui, descrevemos um fluxo de trabalho de integração de dados usando dados de telas genéticas em organismos modelo para delinear combinações de medicamentos visando interações letais sintéticas no câncer.
Abstract
Uma interação letal sintética entre dois genes é dada quando o knock-out de qualquer um dos dois genes não afeta a viabilidade celular, mas o nocaute de ambos os interagedores letais sintéticos leva à perda de viabilidade celular ou morte celular. A interação letal sintética mais bem estudada é entre BRCA1/2 e PARP1, com inibidores PARP1 sendo utilizados na prática clínica para tratar pacientes com tumores mutados BRCA1/2. Grandes telas genéticas em organismos modelo, mas também em linhas de células humanas haploides levaram à identificação de numerosos pares adicionais de interação letal sintética, todos sendo potenciais alvos de interesse no desenvolvimento de novas terapias tumorais. Uma abordagem é atingir os genes terapeuticamente com um interagente letal sintético que seja mutado ou significativamente downregulado no tumor de interesse. Uma segunda abordagem é formular combinações de drogas abordando interações letais sintéticas. Neste artigo, delineamos um fluxo de trabalho de integração de dados para avaliar e identificar combinações de medicamentos visando interações letais sintéticas. Fazemos uso de conjuntos de dados disponíveis em pares de interação letal sintética, recursos de mapeamento de eremologia, links de alvos de drogas de bancos de dados dedicados, bem como informações sobre medicamentos que estão sendo investigados em ensaios clínicos na área de interesse da doença. Destacamos ainda os principais achados de dois estudos recentes do nosso grupo sobre avaliação da combinação de medicamentos no contexto do câncer de ovário e de mama.
Introduction
A letalidade sintética define uma associação de dois genes, onde a perda de um gene não afeta a viabilidade, mas a perda de ambos os genes leva à morte celular. Foi descrito pela primeira vez em 1946 por Dobzhansky enquanto analisava vários fenótipos de drosophila, criando mutantes homozigos1. Mutantes que não produziam descendentes viáveis, embora viáveis, exibiam fenótipos letais quando cruzados com certos outros mutantes, estabelecendo terreno para o estabelecimento da teoria da letalidade sintética. Hartwell e colegas sugeriram que esse conceito poderia ser aplicável para a terapia do câncer em humanos2. A letalidade sintética provocada farmacologicamente poderia contar com apenas uma mutação, dado que o parceiro letal sintético do gene mutante é alvo de um composto farmacológico. O primeiro par genético a permitir a indução farmacológica da letalidade sintética foi o BRCA(1/2) e PARP1. PARP1 funciona como um sensor para danos de DNA, e está ligado a locais de quebras de fios de DNA duplo e único, superligas e crossovers3. BRCA1 e 2 desempenham papéis importantes na reparação de quebras de duplo fio de DNA através da recombinação homólogo4. Agricultor e colegas publicaram achados de que as células deficientes para BRCA1/2 eram suscetíveis à inibição de PARP, enquanto nenhuma citotoxicidade foi observada nas células do tipo selvagem BRCA5. Em última análise, foram aprovados os inibidores parp para o tratamento de câncer de mama e ovário deficiente brca6,7. Além disso, os pares de genes de letalidade sintética que levam à aprovação clínica de compostos farmacológicos são muito esperados e uma área importante dos recentes esforços de pesquisa sobre câncer8.
Interações genéticas letais sintéticas foram modeladas em múltiplos organismos, incluindo moscas frutíferas, C. elegans eleveduras 2. Usando várias abordagens, incluindo a interferência de RNA e os nocautes na biblioteca CRISPR/CAS, novos pares de genes letais sintéticos foram descobertos nos últimos anos9,10,11. Um protocolo sobre os procedimentos experimentais da RNAi em combinação com o CRISPR/CAS foi publicado recentemente por Housden e colegas12. Enquanto isso, os pesquisadores também realizaram grandes telas em células humanas haploides para identificar interações letais sintéticas13,14. Em métodos silico, como análise de rede biológica e machine learning também mostraram-se promissores na descoberta de interações letais sintéticas15,16.
Concepção, uma abordagem para fazer uso de interações letais sintéticas no contexto da terapia anti-tumor é identificar proteínas mutantes ou não funcionais em células tumorais, fazendo com que seus parceiros de interação letal sintéticas prolvam de alvos medicamentosos para intervenção terapêutica. Devido à heterogeneidade da maioria dos tipos de tumores, pesquisadores iniciaram a busca pelas chamadas proteínas do hub letal sintético. Esses hubs letais sintéticos têm uma série de parceiros de interação letal sintética que são mutados e, portanto, não funcionais ou significativamente baixos em amostras de tumores. Abordar tais polos letais sintéticos é promissor no aumento da eficácia medicamentosa ou na superação da resistência a medicamentos, como poderia ser mostrado, por exemplo, no contexto do neuroblastoma resistente à vincristina17. Uma segunda abordagem para melhorar o tratamento medicamentoso fazendo uso do conceito de interações letais sintéticas é identificar combinações de drogas visando interações letais sintéticas. Isso poderia levar a novas combinações de terapias anti-tumores individuais já aprovadas e ao reposicionamento de medicamentos de outras áreas da doença para o campo da oncologia.
Neste artigo, apresentamos um procedimento passo a passo para produzir uma lista de combinações de drogas que visam pares de interação letal sintética. Neste fluxo de trabalho, nós (i) usamos dados sobre interações letais sintéticas do BioGRID e (ii) informações sobre genes homólogos da Ensembl, (iii) recuperar pares de alvos de drogas do DrugBank, (iv) construir associações de drogas contra doenças a partir de ClinicalTrials.gov, e (v) assim gerar um conjunto de combinações de drogas que abordam interações letais sintéticas. Por fim, fornecemos combinações de medicamentos no contexto do câncer de ovário e de mama na seção de resultados representativos.
Protocol
Representative Results
Discussion
Delineamos um fluxo de trabalho para identificar combinações de drogas que impactam as interações letais sintéticas. Este fluxo de trabalho faz uso de (i) dados sobre interações letais sintéticas de organismos modelo, (ii) informações de ortologs humanos, (iii) informações sobre associações de alvos de drogas, (iv) informações sobre medicamentos sobre ensaios clínicos no contexto do câncer, bem como (v) sobre informações de associações de doenças-drogas e doenças genéticas extraídas da literatur…
Divulgations
The authors have nothing to disclose.
Acknowledgements
O financiamento para o desenvolvimento do fluxo de trabalho de integração de dados foi obtido do Sétimo Programa-Quadro da Comunidade Europeia sob o acordo de subvenção nu. 279113 (OCTIPS). A adaptação dos dados dentro desta publicação foi gentilmente aprovada pela Public Library of Sciences Publications and 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. Génétique. 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. Recherche en cancérologie. 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).
