En arbeidsflyt for dataintegrering for å identifisere stoffkombinasjoner rettet mot syntetiske dødelige interaksjoner
Summary
Store genetiske skjermer i modellorganismer har ført til identifisering av negative genetiske interaksjoner. Her beskriver vi en arbeidsflyt for dataintegrasjon ved hjelp av data fra genetiske skjermer i modellorganismer for å avgrense legemiddelkombinasjoner rettet mot syntetiske dødelige interaksjoner i kreft.
Abstract
En syntetisk dødelig interaksjon mellom to gener gis når knock-out av enten ett av de to genene ikke påvirker cellens levedyktighet, men knock-out av begge syntetiske dødelige interagere fører til tap av celle levedyktighet eller celledød. Den best studerte syntetiske dødelige interaksjonen er mellom BRCA1/2 og PARP1, med PARP1-hemmere som brukes i klinisk praksis for å behandle pasienter med BRCA1/2 muterte svulster. Store genetiske skjermer i modellorganismer, men også i haploide menneskelige cellelinjer har ført til identifisering av mange ekstra syntetiske dødelige interaksjonspar, som alle er potensielle mål av interesse for utvikling av nye tumorterapier. En tilnærming er å terapeutisk målrette gener med en syntetisk dødelig interaktivitet som er mutert eller betydelig nedregulert i svulsten av interesse. En annen tilnærming er å formulere legemiddelkombinasjoner som omhandler syntetiske dødelige interaksjoner. I denne artikkelen skisserer vi en arbeidsflyt for dataintegrasjon for å evaluere og identifisere legemiddelkombinasjoner rettet mot syntetiske dødelige interaksjoner. Vi benytter oss av tilgjengelige datasett om syntetiske dødelige interaksjonspar, homologikartleggingsressurser, narkotikamålkoblinger fra dedikerte databaser, samt informasjon om legemidler som undersøkes i kliniske studier på sykdomsområdet av interesse. Vi fremhever videre nøkkelfunn i to nyere studier av vår gruppe om legemiddelkombinasjonsvurdering i sammenheng med eggstokk- og brystkreft.
Introduction
Syntetisk dødelighet definerer en sammenslutning av to gener, hvor tap av ett gen ikke påvirker levedyktigheten, men tap av begge genene fører til celledød. Det ble først beskrevet i 1946 av Dobzhansky mens du analyserte ulike fenotyper av drosophila ved avl av homozygote mutanter1. Mutanter som ikke produserte levedyktige avkom, selv om de var levedyktige selv, viste dødelige fenotyper når de krysset med visse andre mutanter, og satte bakken for etableringen av teorien om syntetisk dødelighet. Hartwell og kolleger foreslo at dette konseptet kunne gjelde for kreftbehandling hos mennesker2. Farmakologisk provosert syntetisk dødelighet kan stole på bare en mutasjon, gitt at det muterte genets syntetiske dødelige partner er målbar av en farmakologisk forbindelse. Det første genparet som muliggjør farmakologisk induksjon av syntetisk dødelighet var BRCA(1/2) og PARP1. PARP1 fungerer som en sensor for DNA-skade, og er knyttet til steder med doble og enkle DNA-strandbrudd, supercoils og crossovers3. BRCA1 og 2 spiller store roller i reparasjon av DNA dobbeltstreng bryter gjennom homolog rekombinasjon4. Farmer og kolleger publiserte funn om at celler mangelfulle for BRCA1/2 var utsatt for PARP-hemming, mens ingen cytotoksisitet ble observert i BRCA wild-type celler5. Til slutt ble PARP-hemmere godkjent for behandling av BRCA mangelfull bryst- og eggstokkkreft6,7. Videre er syntetiske dødelighet genpar som fører til klinisk godkjenning av farmakologiske forbindelser mye forventet og et stort område av nyere kreftforskningsinnsats8.
Syntetiske dødelige geninteraksjoner ble modellert i flere organismer, inkludert fruktfluer, C. elegans og gjær2. Ved hjelp av ulike tilnærminger, inkludert RNA-interferens- og CRISPR/CAS-bibliotek knockouts, ble nye syntetiske dødelige genpar oppdaget de siste årene9,10,11. En protokoll om eksperimentelle prosedyrer av RNAi i kombinasjon med CRISPR / CAS ble nylig publisert av Housden og kolleger12. I mellomtiden gjennomførte forskere også store skjermer i haploide menneskelige celler for å identifisere syntetiske dødelige interaksjoner13,14. I silico metoder som biologisk nettverksanalyse og maskinlæring har også vist løfte i oppdagelsen av syntetiske dødelige interaksjoner15,16.
Conceptionally, en tilnærming for å gjøre bruk av syntetiske dødelige interaksjoner i sammenheng med anti-tumor terapi er å identifisere muterte eller ikke-funksjonelle proteiner i tumorceller, noe som gjør deres syntetiske dødelige interaksjon partnere lovende narkotika mål for terapeutisk intervensjon. På grunn av heterogeniteten til de fleste tumortyper har forskere startet søket etter såkalte syntetiske dødelige knutepunktproteiner. Disse syntetiske dødelige knutepunktene har en rekke syntetiske dødelige interaksjonspartnere som enten er mutert og derfor ikke-funksjonelle eller betydelig nedregulert i tumorprøver. Å adressere slike syntetiske dødelige knutepunkter holder løfter om å øke legemiddeleffekten eller overvinne narkotikaresistens som for eksempel kan vises i sammenheng med vincristineresistent nevroblastom17. En annen tilnærming for å forbedre legemiddelbehandlingen ved bruk av begrepet syntetiske dødelige interaksjoner er å identifisere legemiddelkombinasjoner rettet mot syntetiske dødelige interaksjoner. Dette kan føre til nye kombinasjoner av allerede godkjente enkelt anti-tumor terapier og til reposisjonering av legemidler fra andre sykdomsområder til onkologi.
I denne artikkelen presenterer vi en trinnvis prosedyre for å gi en liste over legemiddelkombinasjoner som retter seg mot syntetiske dødelige interaksjonspar. I denne arbeidsflyten bruker vi (i) data om syntetiske dødelige interaksjoner fra BioGRID og (ii) informasjon om homologe gener fra Ensembl, (iii) henter narkotikamålpar fra DrugBank, (iv) bygger sykdomsmedisinske foreninger fra ClinicalTrials.gov, og (v) genererer derfor et sett med legemiddelkombinasjoner som omhandler syntetiske dødelige interaksjoner. Til slutt tilbyr vi legemiddelkombinasjoner i sammenheng med eggstokk- og brystkreft i den representative resultatseksjonen.
Protocol
Representative Results
Discussion
Vi har skissert en arbeidsflyt for å identifisere legemiddelkombinasjoner som påvirker syntetiske dødelige interaksjoner. Denne arbeidsflyten bruker (i) data om syntetiske dødelige interaksjoner fra modellorganismer, (ii) informasjon om humane ortologer, (iii) informasjon om narkotikamålforeninger, (iv) legemiddelinformasjon om kliniske studier i sammenheng med kreft, samt (v) om informasjon om narkotikasykdom og gensykdomsforeninger hentet fra vitenskapelig litteratur. Den konsoliderte informasjonen kan brukes til …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Støtten til å utvikle arbeidsflyten for dataintegrasjon ble innhentet fra EUs syvende rammeprogram under tilskuddsavtale nu. 279113 (OCTIPS). Tilpasning av data i denne publikasjonen ble vennligst godkjent av 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. Genetics. 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. Cancer Research. 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).
