Un flujo de trabajo de integración de datos para identificar combinaciones de fármacos dirigidas a interacciones letales sintéticas
Summary
Las pantallas genéticas grandes en organismos modelo han llevado a la identificación de interacciones genéticas negativas. Aquí, describimos un flujo de trabajo de integración de datos utilizando datos de pantallas genéticas en organismos modelo para delinear combinaciones de fármacos dirigidas a interacciones letales sintéticas en el cáncer.
Abstract
Una interacción letal sintética entre dos genes se da cuando el knock-out de cualquiera de los dos genes no afecta a la viabilidad celular, pero el knock-out de ambos interactores letales sintéticos conduce a la pérdida de viabilidad celular o la muerte celular. La interacción letal sintética mejor estudiada es entre BRCA1/2 y PARP1, con inhibidores de PARP1 que se utilizan en la práctica clínica para tratar a pacientes con tumores mutados de BRCA1/2. Las pantallas genéticas grandes en organismos modelo pero también en variedades de células humanas haploides han llevado a la identificación de los pares mortales sintéticos numerosos adicionales de la interacción, todos siendo blancos potenciales del interés en el desarrollo de terapias nuevas del tumor. Un acercamiento es terapéutico a los genes de la blanco con un interactor mortal sintético que se mute o downregulated perceptiblemente en el tumor del interés. Un segundo enfoque es formular combinaciones de fármacos que aborden las interacciones letales sintéticas. En este artículo, se describe un flujo de trabajo de integración de datos para evaluar e identificar combinaciones de fármacos dirigidas a las interacciones letales sintéticas. Hacemos uso de los conjuntos de datos disponibles sobre pares de interacción letal sintética, recursos de mapeo de homología, enlaces de fármacos objetivo de bases de datos dedicadas, así como información sobre medicamentos que se están investigando en ensayos clínicos en el área de interés de la enfermedad. Destacamos además los hallazgos clave de dos estudios recientes de nuestro grupo sobre la evaluación de la combinación de fármacos en el contexto del cáncer de ovario y de mama.
Introduction
La letalidad sintética define una asociación de dos genes, donde la pérdida de un gen no afecta a la viabilidad, pero la pérdida de ambos genes conduce a la muerte celular. Fue descrito por primera vez en 1946 por Dobzhansky mientras analizaba varios fenotipos de drosophila mediante la cría de mutantes homocigóticos1. Los mutantes que no produjeron descendencia viable, aunque viables ellos mismos, exhibieron fenotipos letales cuando se cruzaron con ciertos otros mutantes, sentando las bases para el establecimiento de la teoría de la letalidad sintética. Hartwell y sus colegas sugirieron que este concepto podría ser aplicable a la terapia contra el cáncer en humanos2. La letalidad sintética provocada farmacológicamente podría basarse en una sola mutación, dado que la pareja letal sintética del gen mutado es atacable por un compuesto farmacológico. El primer par del gene para permitir la inducción farmacológica de la mortalidad sintética era BRCA (1/2) y PARP1. PARP1 funciona como un sensor para el daño en el ADN, y está vinculado a sitios de doble y simple cadena de ADN-roturas, supercoils y cruces3. BRCA1 y 2 juegan un papel importante en la reparación de las roturas de doble cadena de ADN a través de la recombinación homóloga4. El granjero y los colegas publicaron hallazgos que las células deficientes para BRCA1/2 eran susceptibles a la inhibición de PARP, mientras que no se observó citotoxicidad en las células de tipo salvaje de BRCA5. En última instancia, los inhibidores de PARP fueron aprobados para el tratamiento del cáncer de mama y ovario deficiente en BRCA6,7. Además, los pares de genes de letalidad sintética que conducen a la aprobación clínica de compuestos farmacológicos son muy esperados y un área importante de los esfuerzos recientes de investigación del cáncer8.
Las interacciones genéticas letales sintéticas se modelaron en múltiples organismos, incluidas las moscas de la fruta, C. elegans y la levadura2. Utilizando varios enfoques, incluyendo knockouts de ARN-interferencia y CRISPR/CAS-biblioteca, se descubrieron nuevos pares de genes letales sintéticos en los últimos años9,10,11. Housden y suscolegaspublicaron recientemente un protocolo sobre los procedimientos experimentales de RNAi en combinación con CRISPR/CAS. Mientras tanto, los investigadores también realizaron grandes pantallas en células humanas haploides para identificar interacciones letales sintéticas13,14. Los métodos in silico como el análisis biológico de redes y el aprendizaje automático también han demostrado ser prometedores en el descubrimiento de interacciones letales sintéticas15,16.
Concepciónmente, un acercamiento para hacer uso de interacciones mortales sintéticas en el contexto de la terapia antitumores es identificar las proteínas transformadas o no-funcionales en células del tumor, haciendo a sus socios mortales sintéticos de la interacción que prometen las blancos de la droga para la intervención terapéutica. Debido a la heterogeneidad de la mayoría de los tipos de tumores, los investigadores han comenzado la búsqueda de las llamadas proteínas sintéticas letales del cubo. Estos cubos mortales sintéticos tienen un número de socios mortales sintéticos de la interacción que sean transformados y por lo tanto no funcionales o downregulated perceptiblemente en muestras del tumor. Abordar estos centros letales sintéticos es prometedor para aumentar la eficacia de los fármacos o superar la resistencia a los medicamentos, como podría demostrarse, por ejemplo, en el contexto del neuroblastoma resistente a la vincristina17. Un segundo enfoque para mejorar el tratamiento farmacológico haciendo uso del concepto de interacciones letales sintéticas es identificar combinaciones de fármacos dirigidas a interacciones letales sintéticas. Esto podría conducir a nuevas combinaciones de terapias antitumorales únicas ya aprobadas y al reposicionamiento de fármacos de otras áreas de la enfermedad al campo de la oncología.
En este artículo, presentamos un procedimiento paso a paso para producir una lista de combinaciones de fármacos que se dirigen a pares de interacción letales sintéticas. En este flujo de trabajo, (i) utilizamos datos sobre interacciones letales sintéticas de BioGRID y (ii) información sobre genes homólogos de Ensembl, (iii) recuperamos pares fármaco-diana de DrugBank, (iv) creamos asociaciones enfermedad-fármaco de ClinicalTrials.gov, y (v) por lo tanto generamos un conjunto de combinaciones de fármacos que abordan interacciones letales sintéticas. Por último, proporcionamos combinaciones de fármacos en el contexto del cáncer de ovario y de mama en la sección de resultados representativos.
Protocol
Representative Results
Discussion
Hemos esbozado un flujo de trabajo para identificar combinaciones de fármacos que afectan las interacciones letales sintéticas. Este flujo de trabajo hace uso de (i) datos sobre interacciones letales sintéticas de organismos modelo, (ii) información de ortólogos humanos, (iii) información sobre asociaciones fármaco-diana, (iv) información sobre fármacos sobre ensayos clínicos en el contexto del cáncer, así como (v) información sobre asociaciones fármaco-enfermedad y gen-enfermedad extraídas de la literatur…
Declarações
The authors have nothing to disclose.
Acknowledgements
La financiación para desarrollar el flujo de trabajo de integración de datos se obtuvo del Séptimo Programa Marco de la Comunidad Europea en virtud del acuerdo de subvención nu. 279113 (OCTIPS). La adaptación de los datos dentro de esta publicación fue amablemente aprobada por 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).
