En dataintegrationsarbejdsgang til identifikation af lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner
Summary
Store genetiske skærme i modelorganismer har ført til identifikation af negative genetiske interaktioner. Her beskriver vi en dataintegrationsarbejdsgang ved hjælp af data fra genetiske skærme i modelorganismer for at afgrænse lægemiddelkombinationer rettet mod syntetiske dødelige interaktioner i kræft.
Abstract
En syntetisk dødelig interaktion mellem to gener gives, når knock-out af enten en af de to gener ikke påvirker celle levedygtighed, men knock-out af både syntetiske dødelige interactors fører til tab af celle levedygtighed eller celledød. Den bedst undersøgte syntetiske dødelige interaktion er mellem BRCA1/2 og PARP1, hvor PARP1-hæmmere anvendes i klinisk praksis til behandling af patienter med BRCA1/2 muterede tumorer. Store genetiske skærme i modelorganismer, men også i haploide menneskelige cellelinjer har ført til identifikation af mange yderligere syntetiske dødelige interaktionspar, der alle er potentielle mål for interesse i udviklingen af nye tumorbehandlinger. En tilgang er at terapeutisk målrette gener med en syntetisk dødelig interactor, der er muteret eller betydeligt nedreguleret i tumor af interesse. En anden tilgang er at formulere lægemiddelkombinationer, der adresserer syntetiske dødelige interaktioner. I denne artikel skitserer vi en arbejdsgang for dataintegration for at evaluere og identificere lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner. Vi gør brug af tilgængelige datasæt om syntetiske dødelige interaktionspar, homologikortlægningsressourcer, lægemiddelmållinks fra dedikerede databaser samt oplysninger om lægemidler, der undersøges i kliniske forsøg på sygdomsområdet af interesse. Vi fremhæver yderligere de vigtigste resultater af to nylige undersøgelser af vores gruppe om vurdering af lægemiddelkombinationer i forbindelse med kræft i æggestokkene og brystkræft.
Introduction
Syntetisk dødelighed definerer en sammenslutning af to gener, hvor tab af et gen ikke påvirker levedygtigheden, men tab af begge gener fører til celledød. Det blev først beskrevet i 1946 af Dobzhansky, mens man analyserede forskellige fænotyper af drosophila ved at opdrætte homozygos mutanter1. Mutanter, der ikke producerede levedygtige afkom, selv om de selv var levedygtige, udviste dødelige fænotyper, når de blev krydset med visse andre mutanter, og lagde grunden til fastlæggelsen af teorien om syntetisk dødelighed. Hartwell og kolleger foreslog, at dette koncept kan være gældende for kræftbehandling hos mennesker2. Farmakologisk provokeret syntetisk dødelighed kunne stole på kun én mutation, da det muterede gens syntetiske dødelige partner kan målrettes af en farmakologisk forbindelse. Det første genpar, der gjorde det muligt at indføre farmakologisk induktion af syntetisk dødelighed, var BRCA(1/2) og PARP1. PARP1 fungerer som en sensor til DNA-skader, og er bundet til steder med dobbelt og enkelt DNA strand-pauser, supercoils og crossovers3. BRCA1 og 2 spiller store roller i reparation af DNA dobbelt-streng pauser gennem homolog rekombination4. Landmand og kolleger offentliggjorde resultater, som celler mangelfuld for BRCA1/2 var modtagelige for PARP-hæmning, mens der ikke blev observeret cytotoksicitet i BRCA-celler af vildtypen5. I sidste ende, PARP hæmmere blev godkendt til behandling af BRCA mangelfuld bryst-og kræft i æggestokkene6,7. Endvidere er syntetiske dødelighed genpar, der fører til klinisk godkendelse af farmakologiske forbindelser, meget forventet og et vigtigt område for den senestekræftforskningsindsats 8.
Syntetiske dødelige geninteraktioner blev modelleret i flere organismer, herunder frugtfluer, C. elegans og gær2. Ved hjælp af forskellige tilgange, herunder RNA-interferens- og CRISPR/CAS-bibliotek knockouts, nye syntetiske dødelige genpar blev opdaget i de seneste år9,10,11. Housden og kollegerne12har for nylig offentliggjort en protokol om RNAi’s forsøgsprocedurer i kombination med CRISPR/CAS . I mellemtiden, forskere også gennemført store skærme i haploid menneskelige celler til at identificere syntetiske dødelige interaktioner13,14. I silico metoder som biologisk netværksanalyse og maskinlæring har også vist lovende i opdagelsen af syntetiske dødelige interaktioner15,16.
Undfangelse, en tilgang til at gøre brug af syntetiske dødelige interaktioner i forbindelse med anti-tumor terapi er at identificere muterede eller ikke-funktionelle proteiner i tumorceller, hvilket gør deres syntetiske dødelige interaktion partnere lovende narkotika mål for terapeutisk intervention. På grund af heterogeniteten af de fleste tumortyper har forskere startet søgningen efter såkaldte syntetiske dødelige hubproteiner. Disse syntetiske dødelige hubs har en række syntetiske dødelige interaktionspartnere, der enten muteres og derfor ikke-funktionelle eller væsentligt nedreguleres i tumorprøver. Håndtering af sådanne syntetiske dødelige hubs holder løfte om at øge lægemiddeleffektiviteten eller overvinde lægemiddelresistens, som det f.eks. En anden tilgang til at forbedre narkotikabehandling gør brug af begrebet syntetiske dødelige interaktioner er at identificere narkotika kombinationer rettet mod syntetiske dødelige interaktioner. Dette kan føre til nye kombinationer af allerede godkendte enkelt anti-tumor behandlinger og til repositionering af lægemidler fra andre sygdomsområder til onkologi.
I denne artikel præsenterer vi en trinvis procedure for at give en liste over lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktionspar. I denne arbejdsgang bruger vi (i) data om syntetiske dødelige interaktioner fra BioGRID og (ii) oplysninger om homologe gener fra Ensembl, (iii) henter lægemiddelmålpar fra DrugBank, (iv) opbygger sygdomsmedicinske associationer fra ClinicalTrials.gov og (v) genererer derfor et sæt lægemiddelkombinationer, der adresserer syntetiske dødelige interaktioner. Endelig leverer vi lægemiddelkombinationer i forbindelse med kræft i æggestokkene og brystkræft i afsnittet om repræsentative resultater.
Protocol
Representative Results
Discussion
Vi har skitseret en arbejdsgang for at identificere stofkombinationer, der påvirker syntetiske dødelige interaktioner. Denne arbejdsgang gør brug af (i) data om syntetiske dødelige interaktioner fra modelorganismer, (ii) oplysninger om humane orthologs, (iii) oplysninger om lægemiddelmålforeninger, iv) lægemiddelinformation om kliniske forsøg i forbindelse med kræft samt (v) om oplysninger om lægemiddelsygdomme og gensygdomssammenslutninger udvundet af videnskabelig litteratur. De konsoliderede oplysninger kan …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Finansiering af udviklingen af dataintegrationsarbejdsgangen blev opnået fra Det Europæiske Fællesskabs syvende rammeprogram i henhold til tilskudsaftale nr. 279113 (OCTIPS). Tilpasning af data i denne publikation blev venligt godkendt af 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).
