通过重叠2方法高通量识别协同药物组合
Summary
协同药物组合是困难和耗时的鉴定经验。在这里, 我们描述了一种识别和验证协同小分子的方法。
Abstract
虽然抗菌药物大大提高了 20th世纪的寿命和生活质量, 但抗菌素耐药性威胁着我们整个社会治疗全身性感染的能力。仅在美国, 耐药性感染每年会杀死大约2.3万人, 额外的医疗费用约为200亿美元。一种对抗抗菌素耐药性的方法是组合疗法, 在感染性机体及其耐药性剖面确定之前, 这在早期的传染性疾病中特别有用。许多抗菌治疗使用组合疗法。然而, 这些组合的大部分是添加剂, 这意味着联合功效是相同的总和的个别抗生素功效。一些组合疗法是协同作用的: 联合功效远远大于添加剂。协同组合特别有用, 因为它们可以抑制抗菌耐药性菌株的生长。然而, 这些组合是罕见的和难以辨认。这是由于需要以配对的方式测试的分子数量太多: 1000 个分子的库有100万种潜在的组合。因此, 已作出努力预测分子的协同作用。本文介绍了用于预测协同小分子对 (称为重叠2方法 (O2M)) 的高通量方法。O2M 使用化学遗传数据集的模式来识别对协同对中的每个分子都敏感的突变体, 而不是其他分子。布朗实验室通过为抑制突变体而非野型细胞的生长而对分子进行高通量筛查来利用这种生长差异。实验室的工作以前确定的分子, 协同与抗生素甲氧苄啶和抗真菌药物氟康唑使用此策略。在此, 作者提出了一种新的协同组合的筛选方法, 可以改变多种微生物。
Introduction
根据 CDC1, 耐药性细菌每年在美国造成200万多人感染和2.3万例死亡。需要新的治疗方法来克服这些感染。确定这些新治疗方法的策略包括开发新的抗菌药物或为其他条件批准的小分子重新调整用途, 以治疗微生物感染2,3,4。然而, 新药的发现是非常昂贵和耗时的。重新用途药物可能不确定新的药物或药物目标5,6。我们的实验室专注于第三种称为协同组合疗法的策略。当两个小分子在一起的功效大于其个体功效7的附加效果时, 协同组合就会发生。此外, 协同组合可以有效对抗抗性的病原体中的一个小分子, 除了有较少的不必要的离靶效果, 使他们很大的潜力8,9, 10。
协同对是罕见的, 发生在大约4-10% 的药物组合中11,12,13。因此, 传统的技术, 如配对屏幕是挑战和耗时, 数以千计的潜在组合, 从一个小图书馆的100分子。此外, 协同作用通常不能从化合物的活动中预测14。但是, 作者开发了一种高吞吐量的方法来筛选协同对, 称为重叠2方法 (O2M)12。这里描述的这种方法允许更快、更有效地识别这些协同对。O2M 需要使用已知的协同对和化学遗传学数据集。化学遗传学数据集是在许多不同的小分子存在的情况下产生的。如果一个已知的协同配对中的一个分子诱导相同的表型从一个特定的淘汰赛突变体作为第二个协同分子, 任何其他小分子, 诱发表型从同一变种人也应该协同与每个成员的已知协同对。这一基本原理已用于布朗实验室, 以确定协同抗菌对大肠杆菌(大肠杆菌)和协同抗真菌药物对致病性真菌隐球菌(C。隐球菌)11,12。O2M 不仅能适应各种病原体, 而且可以方便快速地筛选大型分子库, 以识别协同对。通过 O2M 识别的基因突变体进行筛选, 我们可以只验证那些预测协同作用的小分子。因此, 测试一个2000分子的图书馆配对将需要几个月, 而如果只有20分子在该库预测协同, 现在的协同测试需要几天时间。O2M 不需要编程技能, 在大多数实验室或核心设施中都可以使用所需的设备。除了对药物组合感兴趣的研究人员之外, O2M 分析对于所有已经完成了药物筛选并希望通过确定重要的药物-药物相互作用来扩大其命中范围的人感兴趣。下面是识别细菌中的协同小分子的协议, 以及验证已知化验中预测的协同作用15,16。
Protocol
Representative Results
Discussion
协同小分子对是治疗微生物感染的有力工具, 但由于协同对识别的挑战, 它们尚未达到充分的临床潜力。本文介绍了一种比简单配对组合更快地识别协同副的方法。通过使用化学遗传学数据集, O2M 识别突变体的基因敲除, 然后可以用来作为一个读数, 以筛选大型图书馆的小分子, 以预测协同对。预测小分子的能力允许屏幕的高可伸缩性, 这反过来又使得对协同合作伙伴的大规模识别。在确定协同对的?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
这项工作得到了来自犹他州大学病理学系 j.c.s. B 的启动补助金的支持。
Materials
| Bioscreen C | instrument | Growth Curves USA | |
| Synergy H1 | instrument | BioTek | |
| M9 broth | reagent | Amresco | J863-500G |
| Casamino Acids | reagent | Fisher Scientific | BP1424-500 |
| Glucose | reagent | Sigma | G7021-10KG |
| Nicotinic Acid | reagent | Alfa Aesar | A12683 |
| Thiamine | reagent | Acros Organics | 148991000 |
| CaCl2 Dihydrate | reagent | Fisher | C79-500 |
| MgSO4 Heptahydrate | reagent | Fisher | M63-500 |
| chemical-genetics dataset | dataset | examples include Nichols et al., Cell, 2011, Brown et al, Cell, 2014, and others cited in the text. | |
| trimethoprim (example input drug; any can be used) | reagent | Fisher Scientific | ICN19552701 |
| sulfamethoxazole (example test drug; any can be used) | reagent | Fisher Scientific | ICN15671125 |
References
- Michael, C. A., Dominey-Howes, D., Labbate, M. The Antimicrobial Resistance Crisis: Causes, Consequences, and Management. Front Public Health. 2, 145 (2014).
- Butts, A., Krysan, D. J. Antifungal Drug Discovery: Something Old and Something New. PLOS Pathogens. 8 (9), e1002870 (2012).
- Roemer, T., Krysan, D. J. Antifungal Drug Development: Challenges, Unmet Clinical Needs, and New Approaches. Cold Spring Harb Perspect Med. 4 (5), a019703 (2014).
- Oprea, T. I., Mestres, J. Drug Repurposing: Far Beyond New Targets for Old Drugs. AAPS J. 14 (4), 759-763 (2012).
- Scannell, J. W., Blanckley, A., Boldon, H., Warrington, B. Diagnosing the decline in pharmaceutical R&D efficiency. Nat Rev Drug Discov. 11 (3), 191-200 (2012).
- Rangel-Vega, A., Bernstein, L. R., Mandujano-Tinoco, E. A., García-Contreras, S. J., García-Contreras, R. Drug repurposing as an alternative for the treatment of recalcitrant bacterial infections. Front Microbiol. 6, 282 (2015).
- Torella, J. P., Chait, R., Kishony, R. Optimal Drug Synergy in Antimicrobial Treatments. PLoS Comput Biol. 6 (6), e1000796 (2010).
- Cowen, L. E., et al. Harnessing Hsp90 function as a powerful, broadly effective therapeutic strategy for fungal infectious disease. P Natl Acad Sci. 106 (8), 2818-2823 (2009).
- Zuo, G. -. Y., et al. Synergistic Antibacterial and Antibiotic Effects of Bisbenzylisoquinoline Alkaloids on Clinical Isolates of Methicillin-Resistant Staphylococcus Aureus (MRSA). Molecules. 16 (12), 9819 (2011).
- Jia, J., et al. Mechanisms of drug combinations: interaction and network perspectives. Nat Rev Drug Discov. 8 (2), 111-128 (2009).
- Wambaugh, M. A., Shakya, V. P. S., Lewis, A. J., Mulvey, M. A., Brown, J. C. S. High-throughput identification and rational design of synergistic small-molecule pairs for combating and bypassing antibiotic resistance. PLOS Biol. 15 (6), e2001644 (2017).
- Brown, J. C. S., et al. Unraveling the biology of a fungal meningitis pathogen using chemical genetics. Cell. 159 (5), 1168-1187 (2014).
- Cokol, M., et al. Systematic exploration of synergistic drug pairs. Mol Syst Biol. 7, 544-544 (2011).
- Borisy, A. A., et al. Systematic discovery of multicomponent therapeutics. Proc Natl Acad Sci USA. 100 (13), 7977-7982 (2003).
- Tang, J., Wennerberg, K., Aittokallio, T. What is synergy? The Saariselkä agreement revisited. Front Pharmacol. 6, 181 (2015).
- Hsieh, M. H., Yu, C. M., Yu, V. L., Chow, J. W. Synergy assessed by checkerboard. A critical analysis. Diagn Microbiol Infect Dis. 16 (4), 343-349 (1993).
- Nichols, R. J., et al. Phenotypic Landscape of a Bacterial Cell. Cell. 144 (1), 143-156 (2011).
- Chandrasekaran, S., et al. Chemogenomics and orthology-based design of antibiotic combination therapies. Mol Syst Biol. 12 (5), (2016).
- Pradhan, A., et al. Chemogenomic profiling of Plasmodium falciparum as a tool to aid antimalarial drug discovery. Sci Rep. 5, 15930 (2015).
- Pethe, K., et al. A chemical genetic screen in Mycobacterium tuberculosis identifies carbon-source-dependent growth inhibitors devoid of in vivo efficacy. Nat Commun. 1 (5), 1-8 (2010).
- Diezmann, S., Michaut, M., Shapiro, R. S., Bader, G. D., Cowen, L. E. Mapping the Hsp90 Genetic Interaction Network in Candida albicans Reveals Environmental Contingency and Rewired Circuitry. PLoS Genetics. 8 (3), e1002562 (2012).
- Robbins, N., et al. An Antifungal Combination Matrix Identifies a Rich Pool of Adjuvant Molecules that Enhance Drug Activity Against Diverse Fungal Pathogens. Cell reports. 13 (7), 1481-1492 (2015).
- Wildenhain, J., et al. Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning. Cell Syst. 1 (6), 383-395 (2015).
- Spitzer, M., et al. Cross-species discovery of syncretic drug combinations that potentiate the antifungal fluconazole. Mol Syst Biol. 7, 499-499 (2011).
