Un flusso di lavoro di integrazione dei dati per identificare le combinazioni di farmaci mirate alle interazioni letali sintetiche
Summary
Grandi schermi genetici negli organismi modello hanno portato all’identificazione di interazioni genetiche negative. Qui descriviamo un flusso di lavoro di integrazione dei dati utilizzando i dati degli schermi genetici negli organismi modello per delineare combinazioni di farmaci mirate alle interazioni letali sintetiche nel cancro.
Abstract
Un’interazione letale sintetica tra due geni viene data quando il knock-out di uno dei due geni non influisce sulla vitalità cellulare, ma il knock-out di entrambi gli interattori letali sintetici porta alla perdita della vitalità cellulare o alla morte cellulare. La migliore interazione letale sintetica studiata è tra BRCA1/2 e PARP1, con inibitori PARP1 utilizzati nella pratica clinica per trattare pazienti con tumori mutati BRCA1/2. Grandi schermi genetici negli organismi modello ma anche nelle linee cellulari umane aploidi hanno portato all’identificazione di numerose coppie di interazione letale sintetica aggiuntive, tutte potenziali bersagli di interesse nello sviluppo di nuove terapie tumorali. Un approccio è quello di indirizzare terapeuticamente geni con un interatore letale sintetico che è mutato o significativamente deregolamentato nel tumore di interesse. Un secondo approccio è quello di formulare combinazioni di farmaci che affrontino le interazioni letali sintetiche. In questo articolo viene delineato un flusso di lavoro di integrazione dei dati per valutare e identificare le combinazioni di farmaci mirate alle interazioni letali sintetiche. Utilizziamo set di dati disponibili sulle coppie di interazioni letali sintetiche, risorse di mappatura dell’omologia, collegamenti a destinazione farmacologica da database dedicati e informazioni sui farmaci studiati negli studi clinici nell’area di interesse della malattia. Sottolineiamo inoltre i risultati chiave di due recenti studi del nostro gruppo sulla valutazione della combinazione di farmaci nel contesto del cancro alle ovaie e al seno.
Introduction
La letalità sintetica definisce un’associazione di due geni, in cui la perdita di un gene non influisce sulla vitalità, ma la perdita di entrambi i geni porta alla morte cellulare. Fu descritto per la prima volta nel 1946 da Dobzhansky mentre analizzava vari fenotipi di drosofilia allevando mutanti omozigoti1. I mutanti che non producevano prole vitale, sebbene vitali da soli, mostravano fenotipi letali quando incrociati con alcuni altri mutanti, dando il terreno per l’istituzione della teoria della letalità sintetica. Hartwell e colleghi hanno suggerito che questo concetto potrebbe essere applicabile per la terapia del cancro nell’uomo2. La letalità sintetica provocata farmacologicamente potrebbe basarsi su una sola mutazione, dato che il partner letale sintetico del gene mutato è bersaglio di un composto farmacologico. La prima coppia genica a consentire l’induzione farmacologica della letalità sintetica è stata BRCA(1/2) e PARP1. PARP1 funziona come un sensore per danni al DNA ed è legato a siti di rotture di filamenti di DNA doppi e singoli, supercoil e crossover3. BRCA1 e 2 svolgono un ruolo importante nella riparazione delle rotture a doppio filamento del DNA attraverso la ricombinazione omologa4. Agricoltori e colleghi hanno pubblicato i risultati che le cellule carenti di BRCA1/2 erano suscettibili all’inibizione parp, mentre nessuna citotossicità è stata osservata nelle cellule di tipo selvatico BRCA5. In definitiva, gli inibitori del PARP sono stati approvati per il trattamento del cancro al seno e alle ovaie carente di BRCA6,7. Inoltre, le coppie geniche di letalità sintetica che portano all’approvazione clinica dei composti farmacologici sono molto attese e una delle principali aree dei recenti sforzi di ricerca sul cancro8.
Le interazioni geniche letali sintetiche sono state modellate in più organismi tra cui moscerini della frutta, C. elegans elievito 2. Utilizzando vari approcci tra cui knockout di RNA-interferenza e CRISPR / CAS- libreria, negli ultimi anni sono state scoperte nuove coppie di geni letalisintetici 9,10,11. Housden e colleghi12hanno recentemente pubblicato un protocollo sulle procedure sperimentali di RNAi in combinazione con CRISPR/CAS. Nel frattempo, i ricercatori hanno anche condotto grandi schermi in cellule umane aploidi per identificare le interazioni letalisintetiche 13,14. In silico metodi come l’analisi biologica della rete e l’apprendimento automatico hanno anche mostrato promesse nella scoperta delle interazioni letalisintetiche 15,16.
Dal punto di vista concepibile, un approccio per utilizzare interazioni letali sintetiche nel contesto della terapia antitumorale è identificare proteine mutate o non funzionali nelle cellule tumorali, rendendo i loro partner di interazione letale sintetica promettenti obiettivi farmacologici per l’intervento terapeutico. A causa dell’eterogeneità della maggior parte dei tipi di tumore, i ricercatori hanno iniziato la ricerca delle cosiddette proteine sintetiche del mozzo letale. Questi mozzi letali sintetici hanno una serie di partner di interazione letale sintetica che sono mutati e quindi non funzionali o significativamente deregolamentati nei campioni di tumore. Affrontare tali mozzi letali sintetici promette di aumentare l’efficacia del farmaco o superare la resistenza ai farmaci come potrebbe essere mostrato ad esempio nel contesto del neuroblastoma resistente alla vincristina17. Un secondo approccio per migliorare il trattamento farmacologico facendo uso del concetto di interazioni letali sintetiche è quello di identificare combinazioni di farmaci mirate alle interazioni letali sintetiche. Ciò potrebbe portare a nuove combinazioni di terapie antitumorali singole già approvate e al riposizionamento di farmaci da altre aree di malattia al campo dell’oncologia.
In questo articolo, presentiamo una procedura passo-passo per produrre un elenco di combinazioni di farmaci che si rivolgono a coppie di interazioni letali sintetiche. In questo flusso di lavoro, utilizziamo i dati sulle interazioni letali sintetiche da BioGRID e (ii) le informazioni sui geni omologhi di Ensembl, (iii) recuperiamo coppie farmaco-bersaglio da DrugBank, (iv) costruiamo associazioni di farmaci malattia da ClinicalTrials.gov e (v) generiamo quindi una serie di combinazioni di farmaci che affrontano interazioni letali sintetiche. Infine, forniamo combinazioni di farmaci nel contesto del cancro alle ovaie e al seno nella sezione dei risultati rappresentativi.
Protocol
Representative Results
Discussion
Abbiamo delineato un flusso di lavoro per identificare le combinazioni di farmaci che hanno un impatto sulle interazioni letali sintetiche. Questo flusso di lavoro si avvale di (i) dati sulle interazioni letali sintetiche da organismi modello, (ii) informazioni di ortologi umani, (iii) informazioni sulle associazioni di destinazione dei farmaci, (iv) informazioni sui farmaci sugli studi clinici nel contesto del cancro, nonché (v) informazioni sulle associazioni farmaco-malattie e gene-disease estratte dalla letteratura …
Declarações
The authors have nothing to disclose.
Acknowledgements
I finanziamenti per lo sviluppo del flusso di lavoro sull’integrazione dei dati sono stati ottenuti dal settimo programma quadro della Comunità europea nell’ambito della sovvenzione nu. 279113 (OCTIPS). L’adattamento dei dati all’interno di questa pubblicazione è stato gentilmente approvato dalla 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 | |||
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).
