Un flux de travail d’intégration de données pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques

Résumé

Les grands écrans génétiques dans les organismes modèles ont conduit à l’identification d’interactions génétiques négatives. Ici, nous décrivons un flux de travail d’intégration de données utilisant des données provenant de tests génétiques dans des organismes modèles pour délimiter des combinaisons de médicaments ciblant les interactions létales synthétiques dans le cancer.

Résumé

Une interaction létale synthétique entre deux gènes est donnée lorsque l’élimination de l’un ou l’autre des deux gènes n’affecte pas la viabilité cellulaire, mais l’élimination des deux interacteurs létaux synthétiques entraîne une perte de viabilité cellulaire ou la mort cellulaire. L’interaction létale synthétique la mieux étudiée est entre BRCA1/2 et PARP1, les inhibiteurs de PARP1 étant utilisés dans la pratique clinique pour traiter les patients atteints de tumeurs mutées BRCA1/2. De grands criblages génétiques dans des organismes modèles mais aussi dans des lignées cellulaires humaines haploïdes ont conduit à l’identification de nombreuses paires d’interactions létales synthétiques supplémentaires, toutes étant des cibles potentielles d’intérêt dans le développement de nouvelles thérapies tumorales. Une approche consiste à cibler thérapeutiquement les gènes avec un interacteur létal synthétique qui est muté ou significativement régulé à la baisse dans la tumeur d’intérêt. Une deuxième approche consiste à formuler des combinaisons de médicaments abordant les interactions létales synthétiques. Dans cet article, nous décrivons un flux de travail d’intégration de données pour évaluer et identifier les combinaisons de médicaments ciblant les interactions létales synthétiques. Nous utilisons des ensembles de données disponibles sur les paires d’interactions létales synthétiques, des ressources de cartographie d’homologie, des liens médicament-cible provenant de bases de données dédiées, ainsi que des informations sur les médicaments étudiés dans le cadre d’essais cliniques dans le domaine d’intérêt de la maladie. Nous soulignons également les principales conclusions de deux études récentes de notre groupe sur l’évaluation des combinaisons de médicaments dans le contexte du cancer de l’ovaire et du sein.

Introduction

La létalité synthétique définit une association de deux gènes, où la perte d’un gène n’affecte pas la viabilité, mais la perte des deux gènes conduit à la mort cellulaire. Il a été décrit pour la première fois en 1946 par Dobzhansky lors de l’analyse de divers phénotypes de drosophiles par l’élevage de mutants homozygotes^1. Les mutants qui n’ont pas produit de progéniture viable, bien que viables eux-mêmes, ont montré des phénotypes mortels lorsqu’ils ont été croisés avec certains autres mutants, jechant la base pour l’établissement de la théorie de la létalité synthétique. Hartwell et ses collègues ont suggéré que ce concept pourrait s’appliquer à la thérapie contre le cancer chez l’homme². La létalité synthétique pharmacologiquement provoquée pourrait s’appuyer sur une seule mutation, étant donné que le partenaire létal synthétique du gène muté est ciblé par un composé pharmacologique. La première paire de gènes à permettre l’induction pharmacologique de la létalité synthétique était BRCA (1/2) et PARP1. PARP1 fonctionne comme un capteur pour les dommages à l’ADN, et est lié à des sites de doubles et simples brins d’ADN-ruptures, supercoils et croisements³. BRCA1 et 2 jouent un rôle majeur dans la réparation des ruptures double brin d’ADN par recombinaison homologue^4. L’agriculteur et ses collègues ont publié des résultats selon auxquels les cellules déficientes en BRCA1/2 étaient sensibles à l’inhibition du PARP, alors qu’aucune cytotoxicité n’a été observée dans les cellules de type sauvage BRCA^5. En fin de compte, les inhibiteurs de PARP ont été approuvés pour le traitement du cancer du sein et de l’ovaire déficient en BRCA^6,7. De plus, les paires de gènes de létalité synthétique menant à l’approbation clinique de composés pharmacologiques sont très attendues et constituent un domaine majeur des récents efforts de recherche sur le cancer⁸.

Des interactions génétiques létales synthétiques ont été modélisées chez de multiples organismes, notamment les mouches des fruits, C. elegans et la levure^2. En utilisant diverses approches, y compris les knockouts d’interférence ARN et CRISPR / CAS, de nouvelles paires de gènes létaux synthétiques ont été découvertes ces dernières années^9,10,11. Un protocole sur les procédures expérimentales de l’ARNi en combinaison avec CRISPR/CAS a été récemment publié par Housden et ses collègues¹². Pendant ce temps, les chercheurs ont également mené de grands écrans dans des cellules humaines haploïdes pour identifier les interactions létales synthétiques^13,14. Les méthodes in silico comme l’analyse de réseaux biologiques et l’apprentissage automatique se sont également révélées prometteuses dans la découverte d’interactions létales synthétiques^15,16.

Conceptionally, une approche pour faire usage des interactions létales synthétiques dans le contexte de la thérapie anti-tumorale est d’identifier les protéines mutées ou non fonctionnelles dans les cellules tumorales, faisant de leurs partenaires d’interaction létale synthétique des cibles de drogue prometteuses pour l’intervention thérapeutique. En raison de l’hétérogénéité de la plupart des types de tumeurs, les chercheurs ont commencé la recherche de protéines dites de concentrateur létaux synthétiques. Ces centres létaux synthétiques ont un certain nombre de partenaires d’interaction létaux synthétiques qui sont mutés et donc non fonctionnels ou significativement régulés à la baisse dans les échantillons de tumeurs. S’attaquer à de tels centres létaux synthétiques est prometteur pour augmenter l’efficacité des médicaments ou surmonter la résistance aux médicaments, comme cela pourrait être démontré par exemple dans le contexte du neuroblastome résistant à la vincristine^17. Une deuxième approche pour améliorer le traitement de la toxicomanie en utilisant le concept d’interactions létales synthétiques consiste à identifier les combinaisons de médicaments ciblant les interactions létales synthétiques. Cela pourrait conduire à de nouvelles combinaisons de thérapies anti-tumorales uniques déjà approuvées et au repositionnement de médicaments d’autres domaines de la maladie vers le domaine de l’oncologie.

Dans cet article, nous présentons une procédure étape par étape pour produire une liste de combinaisons de médicaments qui ciblent les paires d’interaction létale synthétique. Dans ce flux de travail, nous (i) utilisons des données sur les interactions létales synthétiques de BioGRID et (ii) des informations sur les gènes homologues d’Ensembl, (iii) récupérons des paires médicament-cible de DrugBank, (iv) construisons des associations maladie-médicament à partir de ClinicalTrials.gov, et (v) générons donc un ensemble de combinaisons de médicaments traitant des interactions létales synthétiques. Enfin, nous fournissons des combinaisons de médicaments dans le contexte du cancer de l’ovaire et du sein dans la section des résultats représentatifs.

Protocole

1. Récupération de paires de gènes létaux synthétiques

1. Récupération de données à partir de BioGrid.
   1. Téléchargez le dernier fichier d’interaction BioGRID au format tab2 à partir de https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip à l’aide d’un navigateur Web ou directement à partir de la ligne de commande Linux à l’aide de curl ou wget¹⁸.
      
      ##download et décompressez le dernier fichier d’interaction BioGRID
      #download dernier fichier d’interaction BioGRID à l’aide de curl
      curl -o biogrid_latest.zip https://downloads.thebiogrid.org/Download/BioGRID/Latest-Release/BIOGRID-ALL-LATEST.tab2.zip
      #unpack le fichier de données téléchargé
      décompressez biogrid_latest.zip
      BG="BIOGRID-ALL-3.5.171.tab2.txt »
       
   2. Une fois l’archive zip téléchargée, décompressez l’archive doit et notez le nom du fichier de jeu de données réel (BIOGRID-ALL-X. X.X.tab2.txt) pour les étapes suivantes. Le fichier de données BioGRID contient des interactions de différents types qui seront filtrées à l’étape suivante.
      NOTA : Il existe d’autres sources (p. ex. DRYGIN, SynlethDB) contenant des interactions létales synthétiques, comme il est indiqué dans la discussion.
2. Filtre pour la létalité synthétique et les interactions génétiques négatives (système expérimental).
   1. Utilisez l’information de la colonne « Système expérimental » (colonne numéro 12) qui indique la nature des preuves à l’appui d’une interaction pour identifier les interactions létales synthétiques.
   2. Limitez le jeu de données aux entrées ayant la valeur De la létalité génétique négative ou synthétique. Dans la même étape, filtrez les colonnes et conservez uniquement les colonnes pertinentes pour les étapes d’analyse suivantes, comme indiqué dans le tableau 1 ci-dessous.
      
      ##restrict le fichier d’interaction BioGRID aux colonnes pertinentes et ne conserve que les interactions classées comme létalité génétique et synthétique négative
      cut -d « ^I » -f 1,8,9,12,16,17 « ${BG} » \
      | awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer 0 $
      }else if($4 == « Génétique négative » || $4 == « Létalité synthétique »){
      imprimer 0 $
      }
      }' > bg_synlet.txt
      
      Remarque : dans les extraits de code ^I est utilisé pour représenter les onglets horizontaux. D’autres catégories de BioGRID telles que le défaut de croissance synthétique peuvent être incluses. Les autres colonnes pertinentes pour ce flux de travail sont répertoriées dans le tableau 1. BioGRID conserve également les scores pour les interactions individuelles. Les seuils peuvent être utilisés pour identifier les interactions de confiance forte/élevée.

Numéro de colonne	Nom d’en-tête de colonne
3	Nom du gène
12	espèce
13	Identifications médicamenteuses

Tableau 1 : Colonnes pertinentes du fichier de données BioGRID.

3. Identifier les espèces pour lesquelles des interactions létales synthétiques ont été signalées.
   1. Déterminez le nombre d’ID de taxe de partenaire d’interaction létale synthétique pour obtenir une estimation du nombre d’interactions létales synthétiques disponibles par organisme.
      
      ##count le nombre d’apparitions de chaque identifiant fiscal dans les interactions létales synthétiques précédemment extraites
      cut -d « ^I » -f5,6 bg_synlet.txt | queue -n +2 | tr « \t » « \n » \
      | | de tri | uniq -c sort -r -g
      
      NOTA : À la suite de l’étape 1, une liste d’interactions létales synthétiques avec des symboles génétiques d’organismes dans lesquels les interactions ont été déterminées. La majorité des interactions létales synthétiques ont été déterminées dans des organismes modèles. Lorsque vous chargez des fichiers dans un tableur (par exemple, Excel), évitez de ruiner les symboles^{génétiques 19,20}.

2. Traduire des paires de gènes létaux synthétiques en orthologues humains

1. Récupérer des orthologues humains pour les organismes modèles pertinents identifiés à l’étape 1.3.
   1. Récupérez des orthologues humains à partir d’Ensembl BioMart²¹ en reliant l’ensemble de données de gènes de l’organisme modèle respectif à l’ensemble de données de gènes humains. Utilisez les symboles génétiques désignant le gène dans l’organisme modèle et les gènes humains orthologues pour cette tâche. Utilisez le webservice Ensembl BioMart pour automatiser le processus de récupération et envoyez la requête directement à BioMart RESTful access pour récupérer les paires de gènes orthologues (voir l’exemple ci-dessous et Ensembl BioMart Help &Documentation pour plus de détails).
      
      ##retrieve orthologue humain pour Saccharomyces Cerevisiae d’Ensembl BioMart en utilisant curl pour envoyer la requête BioMart directement au service d’accès BioMart RESTful
      curl -o s_cerevisiae.txt --data-urlencode 'query=
      
      
      
      « default »
      < Nom de l’attribut = « external_gene_name » />
      
      
      « default »
      < Nom de l’attribut = « external_gene_name » />
      
      
      ' « http://www.ensembl.org/biomart/martservice »
      
      Pour récupérer les gènes humains orthologues pour d’autres organismes modèles, remplacez la valeur de l’attribut name du premier élément Dataset par le nom du jeu de données Ensembl respectif et réexécutez la requête.
      
      REMARQUE: Le processus de cartographie orthologue est bien documenté dans Ensembl BioMart Aide &Documentation (http://www.ensembl.org/info/data/biomart/biomart_combining_species_datasets.html).
   2. Accédez à un exemple de requête BioMart pour les orthologues humains pour Saccharomyces cerevisiae, les principales espèces identifiées à l’étape 1.3, via l’URL http://www.ensembl.org/biomart/martview/9b71da1415aba480a52b8dc7dd554d63?VIRTUALSCHEMANAME=default&ATTRIBUTES=scerevisiae_gene_ensembl.default.feature_page.external_gene_name|hsapiens_gene_ensembl.default.feature_page.external_gene_name&FILTERS=&VISIBLEPANEL=linkattributepanel.
      REMARQUE: D’autres sources (par exemple roundup, oma browser, HomoloGene, inparanoid) pour la cartographie d’homologie existent, comme indiqué dans la section de discussion de ce manuscrit.
2. Ajoutez des orthologues humains aux interactions létales synthétiques extraites.
   1. Joignez les interactions létales synthétiques basées sur l’ID fiscal de l’organisme et le symbole du gène avec les paires orthologues récupérées à l’étape 2.1. Pour les paires d’interaction létale synthétique humaine, créez des paires orthologues artificielles pour chaque gène humain présent dans l’ensemble de données ou assurez-vous que les interactions létales synthétiques humaines ne sont pas écartées lors de la jonction et transférez les symboles des gènes humains dans les colonnes nouvellement ajoutées.
      
      ##collect orthologues dans un seul fichier et les joindre au fichier d’interaction létale synthétique
      #create un fichier cible avec des en-têtes pour la collecte des mappages orthologues
      echo « tax_id/gene_symbol^Ihuman_gene_symbol » > mappage.txt
      
      #repeat cette étape pour chaque organisme modèle, veillez à adapter le nom du fichier d’entrée et l’ID de taxe
      #adds pour chaque paire d’orthologues dans s_cerevisiae.txt une nouvelle entrée dans mapping.txt: Le symbole de gène est préfixé avec l’ID de taxe pour faciliter la jonction ultérieure avec le fichier d’interactions létales synthétiques
      awk -F « \t » 'BEGIN{
      OFS="\t »
      org_tax_id="559292 »
      }
      {
      if($1 != «  » &&&$2 != «  »){
      imprimer org_tax_id"/"$1, $2
      }
      }' mappage s_cerevisiae.txt >>.txt
      
      #create entrées de cartographie artificielle pour les gènes humains
      awk -F « \t » 'BEGIN{
      OFS="\t »
      human_tax_id="9606 »
      }
      {
      if($5 == human_tax_id){
      imprimer $5"/"$2, $2
      }
      if($6 == human_tax_id){
      imprimer $6"/"$3, $3
      }
      }' bg_synlet.txt | tri -u >> mappage.txt
      
      #add clés de jointure requises (id de taxe/symbole de gène) aux interactions létales synthétiques
      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer $0, « Key Interactor A », « Key Interactor B »
      }else{
      imprimer $0, $5"/"$2, $6"/"$3
      }
      }' bg_synlet.txt > tmp_bg_synlet_w_keys.txt
      
      #join interactions létales synthétiques avec des paires orthologues
      fusionner tmp_bg_synlet_w_keys.txt mappage.txt 7 1 > tmp.txt
      fusionner tmp.txt mappage.txt 8 1 > bg_synlet_mapped.txt
      
      Remarque : la commande de fusion utilisée dans cet exemple n’est pas une commande Unix standard. Cependant, sa mise en œuvre avec l’aide du tri et de la jointure de GNU Core Utilities est simple. La commande a été introduite pour masquer la complexité du tri des fichiers avant qu’ils puissent être joints à la commande join. Une implémentation de merge se trouve sur https://github.com/aheinzel/merge-sh.
   2. Utilisation de tout identificateur de gène identifiant de manière unique le gène dans un certain espace de noms pour de meilleurs résultats possibles.
      REMARQUE : L’étape 2 donne lieu à une liste d’interactions létales synthétiques provenant de plusieurs organismes mappés à des gènes humains.

3. Cartographie des partenaires d’interaction létale synthétique avec les médicaments

1. Récupérer des paires médicament-cible de DrugBank.
   1. Téléchargez les données de DrugBank à partir de la section téléchargements de DrugBank et créez d’abord un compte si ce n’est pas déjà fait²². Utilisez le fichier CSV avec les identificateurs de cibles de médicaments (section identificateurs de protéines : https://www.drugbank.ca/releases/latest#protein-identifiers) et le vocabulaire de DrugBank (section de données ouvertes : https://www.drugbank.ca/releases/latest#open-data) avec les identificateurs et les noms de DrugBank. Vous pouvez également extraire les informations requises du vidage de base de données XML.
      
      ##restrict le fichier cible du médicament DrugBank aux colonnes pertinentes et ne conservez que les entrées pour les entités moléculaires humaines
      DB_TARGETS="tous.csv »
      DB_NAMES="vocabulaire de la banque de médicaments.csv »
      
      #extract colonnes pertinentes et reformater pour utiliser tab comme séparateur de colonne
      csvtool col 3,12,13 -u TAB « ${DB_TARGETS} » > target_to_drugs_agg.txt
      
      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1 || $2 == « Humains »){
      imprimer 1 $, 3 $
      }
      }' target_to_drugs_agg.txt > human_target_to_drugs_agg.txt
      
      REMARQUE : Les données de DrugBank sont fournies dans deux formats principaux. La base de données complète est disponible sous forme de fichier XML. En outre, la majorité des données sont disponibles dans une série de fichiers de valeurs séparées par des virgules (CSV).
   2. Sachez que DrugBank enregistre également les cibles médicamenteuses non humaines. La colonne des espèces (colonne numéro 12) peut être utilisée pour extraire des cibles médicamenteuses humaines.
      Remarque : pour une meilleure lisibilité, les noms des colonnes extraites sont fournis dans le tableau 2. Il existe d’autres sources (p. ex. la Base de données sur les cibles thérapeutiques ou Chembl) qui détiennent des liens médicament-cible, comme il est indiqué dans la section de discussion.

Numéro de colonne	Nom d’en-tête de colonne
3	Nom du gène
12	espèce
13	Identifications médicamenteuses

2. Ajouter des noms de médicaments aux cibles de médicaments.
   1. Étant donné que le nom du médicament et les renseignements sur le médicament cible sont fournis dans deux fichiers CSV distincts, fusionnez l’information des deux fichiers pour ajouter par la suite les noms des médicaments ciblant un partenaire d’interaction létale synthétique aux interactions létales synthétiques. Joignez les deux jeux de données à l’aide de la colonne drugbank-drug-ID commune. Normalisez d’abord l’ensemble de données cible du médicament qu’il ne contient qu’un seul DrugBank-drug-ID par ligne, car le fichier initial peut contenir plusieurs ID de médicament DrugBank dans une rangée si une protéine est ciblée par plusieurs médicaments.
      
      ##generate un seul fichier contenant le symbole du gène cible du médicament, l’ID du médicament DrugBank et le nom du médicament
      #normalize ensemble de données sur les cibles de médicaments
      awk -F « \t » 'BEGIN{
      OFS="\t »
      }
      {
      if(NR == 1){
      imprimer 0 $
      }else if($1 != «  » &&&$2 != «  »){
      split($2, drug_targets, « ; »)
      for(i dans drug_targets){
      drug_target = drug_targets[i]
      gsub(/ /, «  », drug_target)
      imprimer 1 $ drug_target | « sort -u »
      }
      }
      }' human_target_to_drugs_agg.txt > human_target_to_drug.txt
      
      #extract colonnes pertinentes et reformater pour utiliser tab comme séparateur de colonne
      csvtool col 1,3 -u TAB « ${DB_NAMES} » > drugbank_id_to_name.txt
      
      fusionner human_target_to_drug.txt \
      drugbank_id_to_name.txt 2 1 > db_human_drug_targets.txt
      
      REMARQUE: Colonnes un et trois dans le vocabulaire de la banque de médicaments.csv fichier contiennent l’ID de drogue DrugBank et le nom respectif.

3. Ajoutez des médicaments ciblant les partenaires d’interaction létale synthétique à l’ensemble de données d’interaction létale synthétique.
   1. Joignez le jeu de données d’interaction létale synthétique avec le fichier de noms de médicament cible généré à l’étape précédente à l’aide des colonnes de symbole de gène pour ajouter des médicaments aux interactions létales synthétiques. Prenez soin d’ajouter des noms de médicaments pour les deux partenaires de chaque interaction létale synthétique.
       
      ##enhance le fichier d’interaction létale synthétique en ajoutant des médicaments ciblant les partenaires de chaque interaction létale synthétique
      fusionner bg_synlet_mapped.txt db_human_drug_targets.txt 9 1 > tmp.txt
      fusionner tmp.txt db_human_drug_targets.txt 10 1 > bg_synlet_mapped_drugs.txt
      
      REMARQUE: L’étape 3 entraîne une interaction létale synthétique de plusieurs organismes avec leurs gènes humains orthologues et les médicaments ciblant ces gènes.

4. Établissement de l’ensemble des combinaisons de médicaments actuellement testées dans les essais cliniques

1. Accédez aux données ClinicalTrials.gov.
   1. Extraire des informations sur les essais cliniques au format XML à partir de ClinicalTrials.gov sur (i) les essais individuels, (ii) les essais résultant d’une requête de recherche, ou (iii) tous les essais de la base de données. Utilisez également les ressources fournies par l’initiative de transformation des essais cliniques qui héberge également toutes les données de ClinicalTrials.gov dans une base de données relationnelle. Voir l’étape 4.4 pour plus de détails.
      REMARQUE : un compte gratuit est requis pour accéder à l’instance de base de données hébergée dans le cloud hébergée par l’initiative de transformation des essais cliniques. En outre, un client plsql est requis.
2. Concentrez-vous sur les essais interventionnels.
3. Filtre pour les essais spécifiques pour l’indication d’intérêt.
   REMARQUE: ClinicalTrials.gov fournit des noms de maladies à partir du vocabulaire contrôlé par ncbi Medical Subject Headings (MeSH). Contrairement aux noms de maladies fournis par les auteurs, le vocabulaire contrôlé permet d’identifier efficacement les essais pour l’indication d’intérêt. Néanmoins, il faut garder à l’esprit que le vocabulaire contrôlé par NCBI MeSH est un thésaurus. Par conséquent, vérifiez le navigateur MeSH (https://meshb.nlm.nih.gov) si l’indication générale d’intérêt a des termes enfants / plus étroits et incluez-les le cas échéant.
4. Récupérer les essais identifiés ainsi que les médicaments testés dans ces essais. Une requête pour les essais dans l’indication générale du cancer de l’ovaire est fournie ci-dessous.
   
   ##retrieve essais interventionnels pour l’indication générale cancer de l’ovaire de la base de données relationnelle hébergée par l’initiative de transformation des essais cliniques contenant des données ClinicalTrials.gov
   | cat <\pset pied de page désactivé
   SÉLECTIONNEZ S.NCT_ID, s.brief_title, i.intervention_type i.name DISTINCTS
   DES études
   JOINTURE INTERNE browse_conditions c ON(s.nct_id = c.nct_id)
   Inner join interventions i ON(s.nct_id = i.nct_id)
   OÙ s.study_type = 'Interventionnel'
   ET c.mesh_term DANS (
   « Tumeurs ovariennes »,
   « Carcinome épithélial ovarien »,
   « Tumeur à cellules granulosaes »,
   « Syndrome du cancer héréditaire du sein et de l’ovaire »,
   « Lutéome »,
   « syndrome de Meigs »,
   « Tumeur à cellules de Sertoli-Leydig »,
   « Thecoma »
   )
   ORDRE PAR s.nct_id, i.intervention_type;
   Eof
   psql --host="aact-db.ctti-clinicaltrials.org » --username="XXX » --password --no-align --field-separator="^I » --output="clinical_trials.txt » aact

5. Extraire les noms de médicaments et les mapper aux noms drugbank.
   REMARQUE : Bien qu’il soit tentant d’utiliser directement les noms de médicaments extraits d’essais cliniques d’intérêt, il faut savoir que les noms d’intervention dans ClinicalTrials.gov sont entrés par le demandeur sous forme de texte libre. Par conséquent, les noms ne sont pas normalisés, les noms de marque peuvent être utilisés à la place du nom composé commun et il n’y a aucune garantie pour une normalisation appropriée des données (p. ex. plusieurs noms de médicaments dans une entrée). En outre, il est courant que les médicaments soient soumis avec un type d’intervention différent, différent du médicament. Par conséquent, il est préférable de mettre en correspondance les noms d’intervention récupérés avec les noms de médicaments DrugBank.
   
     ##Obtain une liste d’interventions utilisées dans l’ensemble d’essais cliniques précédemment récupéré.
   cut -d « ^I » -f3,4 clinical_trials.txt | queue -n +2 | sort -u
   
   REMARQUE : Les colonnes trois et quatre contiennent respectivement le type d’intervention et le nom de l’intervention.

6. Compléter avec des médicaments déjà utilisés en clinique à partir des lignes directrices
   NOTA : L’étape 4 donne lieu à une liste des médicaments en cours d’évaluation ou d’utilisation pour l’indication d’intérêt.

5. Identification des combinaisons de médicaments ciblant les interactions létales synthétiques

1. Recherche d’interactions létales synthétiques ciblées par deux drogues d’intérêt. Limitez l’ensemble de données de l’étape 3 aux drogues d’intérêt en filtrant les lignes du dossier contenant à la fois la drogue A et la drogue B.
   
   ##only conserver les entrées pour les interactions létales synthétiques et les médicaments qui les déclenchent lorsque les deux partenaires sont ciblés par les deux drogues d’intérêt (drug_a et drug_b)
   awk -F « \t » '{
   if( ($12 == drug_a &&&$14 == drug_b) || ($12 == drug_b &&$14 == drug_a) ) {
   imprimer 0 $
   }
   }' drug_a="XXX » drug_b="YYY » bg_synlet_mapped_drugs.txt

2. Assurez-vous qu’aucun des deux médicaments ne cible à lui seul les deux partenaires d’interaction létale synthétique. Vérifiez les cibles médicamenteuses de chaque médicament identifié dans l’ensemble de données de l’étape 3.2 et évaluez si les deux partenaires létaux synthétiques identifiés sont des cibles du médicament spécifique.
   
   ##find toutes les entrées cibles d’un médicament donné
   awk -F « \t » '{
   if($3 == drogue){
   imprimer 0 $
   }
   }' drug="XXX » db_human_drug_targets.txt
   
   REMARQUE: Un médicament qui ciblerait les deux voies d’interaction létale synthétique serait toxique pour n’importe quelle cellule, donc théoriquement ce n’est pas un agent multi-cible précieux. C’est la raison pour laquelle cette possibilité est exclue dans cette étape de l’algorithme.
    

6. Mise à l’essai in vitro de combinaisons de nouveaux médicaments sélectionnées

1. Traiter les lignées cellulaires du cancer du sein humain et les cellules épithéliales mammaires bénignes humaines cultivées selon des méthodes de culture in vitro standard dans une atmosphère humidifiée à 37 °C avec 5 % de_CO2 avec diverses combinaisons de médicaments.
2. Utilisez des milieux complétés par du sérum fœtal bovin et de la pénicilline ainsi que du sulfate de streptomycine pour entraver l’infection bactérienne.
3. Diluer les médicaments dans des solvants tels que le DMSO ou la solution saline tamponnée au phosphate en au moins quatre concentrations différentes en fonction de leur CI50 (concentration inhibitrice) précédemment établie et les utiliser en combinaison ou seul pour le traitement des cellules.
4. Effectuer des essais de viabilité cellulaire et des essais d’apoptose tels que des colorations AnnexinV/7-AAD pour déterminer les effets cytotoxiques causés par les traitements.
5. Surveiller l’inhibition pharmacologique des cibles moléculaires suspectées à l’aide de western blots.
6. Distinguer la létalité synthétique des effets purement additifs en calculant l’indice combinatoire (IC) tel que décrit par Chou et d’autres^23.

Résultats

Notre groupe a récemment publié deux études appliquant le flux de travail décrit dans ce manuscrit pour identifier les combinaisons de médicaments ciblant les interactions létales synthétiques dans le contexte du cancer de l’ovaire et du sein^24,25. Dans la première étude, nous avons évalué des combinaisons de médicaments qui sont actuellement testées dans des essais cliniques à un stade avancé (phases III et IV) ou déjà utilisées dans la prati...

Discussion

Nous avons décrit un flux de travail pour identifier les combinaisons de médicaments ayant un impact sur les interactions létales synthétiques. Ce flux de travail utilise (i) des données sur les interactions létales synthétiques à partir d’organismes modèles, (ii) des informations sur les orthologues humains, (iii) des informations sur les associations médicament-cible, (iv) des informations sur les médicaments dans les essais cliniques dans le contexte du cancer, ainsi que (v) des informations sur les assoc...

matériels

Name	Company	Catalog Number	Comments
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