Un flux de travail d’intégration de données pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques
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.
Protocol
Representative Results
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 assoc…
Declarações
The authors have nothing to disclose.
Acknowledgements
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
| 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 | |||
Referências
- Dobzhansky, T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. Genética. 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. Pesquisa do Câncer. 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).
