Extracto
Un
in silico
enfoque de la genómica química es desarrollado para predecir el reposicionamiento de fármacos candidatos (DR) para tres tipos de cáncer: el glioblastoma, cáncer de pulmón y cáncer de mama. Se basa en una reciente conjunto de datos a gran escala de ~ 20.000 perfiles de expresión inducidos por las drogas en varias líneas celulares de cáncer, que ofrece i) un impacto global de la perturbación de la transcripción de ambos objetivos conocidos y desconocidos fuera de los objetivos, y ii) rica información sobre drogas de modo de acción. En primer lugar, el perfil de expresión inducida por fármacos se muestra más eficaz que otra información, tal como la estructura de drogas o diana conocida, el uso de múltiples conjuntos de datos HTS como puntos de referencia imparciales. En particular, la utilidad de este método se demostró con firmeza en la identificación de nuevos candidatos DR. En segundo lugar, predijimos 14 de alta puntuación DR candidatos basándose exclusivamente en firmas de expresión. Ocho de los catorce fármacos mostraron actividad anti-proliferativa significativa contra glioblastoma;
i
.
e
., Ivermectina, el trifluridine, astemizol, amlodipino, maprotilina, apomorfina, mometasona, y nortriptilina. Nuestra puntuación DR fuertemente correlacionada con la de los resultados experimentales basados en células; los siete primeros candidatos DR fueron positivos, lo que corresponde a un enriquecimiento de aproximadamente 20 veces en comparación con HTS convencionales. A pesar de diversas indicaciones originales y objetivos conocidos, las vías perturbadas de los candidatos DR activos muestran cinco patrones distintos que forman racimos apretados junto con uno o más medicamentos contra el cáncer conocidos, lo que sugiere mecanismos a nivel de transcriptoma común de la actividad anti-proliferativa.
cita: Lee H, Kang S, Kim W (2016) Reposicionamiento de la droga para la terapia del cáncer basada en gran escala provocada por medicamentos transcripcional firmas. PLoS ONE 11 (3): e0150460. doi: 10.1371 /journal.pone.0150460
Editor: Enrique Hernández-Lemus, Instituto Nacional de Medicina Genómica, MEXICO
Recibido: 10 de noviembre de 2015; Aceptado 15 de febrero de 2016; Publicado: 8 Marzo 2016
Copyright: © 2016 Lee et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Disponibilidad de datos:. Todo relevante los datos están dentro del apoyo de sus archivos de información en papel y
Financiación:. WK fue apoyado por la Fundación Nacional de Investigación (NRF) subvención (NRF-2014R1A2A2A01007166) y el Programa de Innovación Tecnológica (10050154), financiado por el Ministerio de Comercio, industria & amp ; Energía de Corea
Conflicto de intereses:. Los autores han declarado que no existen intereses en competencia
Introducción
Droga reposicionamiento (DR) se refiere a la identificación de nuevas indicaciones para existente. drogas [1] y se considera una vía eficaz para el desarrollo de fármacos, ya que reduce costes y evita problemas de seguridad. Sin embargo, el descubrimiento de nuevas indicaciones con DR es muy difícil, incluso con bien establecido de alto rendimiento de cribado (HTS), debido a las numerosas combinaciones de ambos ensayos y fármacos [2]. Debido a estas limitaciones, fármacos más reposicionados se han desarrollado por casualidad.
in silico
DR se considera una alternativa y una ruta eficaz para establecer nuevas conexiones entre las enfermedades y los medicamentos existentes [3,4]. Los avances en los sistemas de enfoques farmacológicos y el crecimiento de la información de la droga-objetivo han aumentado el éxito de
in silico
DR [5,6]. Una amplia gama de conjuntos de datos se ha utilizado, tales como conjuntos relacionados con la estructura química [7,8], relación con el fármaco-diana [9], y la información fenotípica incluidos los efectos secundarios de los fármacos [10-14]. Por ejemplo, Cheng
et al
. identificado simvastatina y ketoconazol como agentes antiproliferativos potentes en el cáncer de mama mediante el análisis de una red de drogas diana [15]. En particular, la genómica química de datos a gran escala, como el mapa de conectividad o CMAP [16], han proporcionado valiosa información sobre los modos-de-acción de los fármacos que se reflejan en las respuestas de transcriptómica debido a la perturbación química. Sin embargo, las empresas de servicios públicos relativos de los diferentes conjuntos de datos no se hayan evaluado rigurosamente ya que el conjunto compuesto de CMAP no era lo suficientemente grande para el análisis estadístico de integración
.
La última versión de la CMAP se compone de perfiles de expresión génica de cinco líneas de células tratadas con ~ 1.300 compuestos, de los cuales muchos
in silico
métodos DR fueron desarrolladas utilizando este conjunto de datos, ya sea solo o en combinación con otra información [17-25]. La correlación negativa de la expresión génica con una enfermedad condujo a la identificación de topiramato para el tratamiento de la enfermedad inflamatoria intestinal (IBD) y cimetidina para el tratamiento de adenocarcinoma de pulmón [19,20]. Iskar
et al
. revelado también los modos de acción de drogas múltiples utilizando módulos de expresión inducidos por fármacos conservadas entre humanos y ratas. Recientemente, una versión similar pero muy ampliada de un conjunto de datos genómica química se dio a conocer por el programa LINCS NIH (Biblioteca de firmas celulares basadas en red integrada). Este conjunto de datos se compone de genes firmas de expresión y unión a proteínas, fenotípica celular, y perfiles phosphoproteomic debido a la perturbación química o genética. En concreto, se produjo los perfiles de expresión génica de los genes ~ 1.000 Landmark (L1000) en respuesta a & gt; 20.000 perturbaciones químicas a través de muchas líneas celulares. Además, se infieren los perfiles de expresión a nivel de transcriptoma de ~ 20.000 genes computacionalmente utilizando los 1.000 genes señal [26].
En este estudio, hemos adoptado un enfoque integrador para
in silico
DR utilizando el firma la expresión (e) derivada de la reciente gran escala, la genómica químicos conjunto de datos (LINCS), así como la estructura química (S) y las firmas de destino (T). A continuación, hemos aplicado nuestro método para inferir fármacos contra el cáncer candidatos DR para el glioblastoma, el cáncer de pulmón y cáncer de mama. Nos hemos centrado en la capacidad de identificar nuevos candidatos DR que no están estructuralmente relacionados con conocidos fármacos contra el cáncer porque análogos estructurales pueden inferirse fácilmente por otros métodos basados en la estructura [27,28]. El conjunto de datos LINCS cubre un número suficientemente grande de compuestos que permitieron la evaluación objetiva de la capacidad de predicción de cada firma. a continuación, predijimos nuevos candidatos DR para el glioblastoma. Las drogas alta puntuación candidatos fueron validados experimentalmente usando líneas celulares de cáncer y células primarias derivadas del paciente. El conjunto de datos LINCS también nos permitió interpretar el modo de acción de los candidatos validados DR.
Materiales y Métodos
conjunto de información de drogas y el compuesto objetivo conocida
La droga conocida serie (serie KD o
patrón oro
) fue extraído de varias bases de datos públicas de DrugBank [29], CTD [30], PubChem [7], y KEGG de drogas [31] para el glioblastoma, el cáncer de pulmón y de mama cáncer. Adicionalmente, manualmente curada principios activos y medicamentos de PubMed con búsquedas de resúmenes que describen explícitamente las actividades contra el cáncer para estos tres tipos de cáncer (S1 Tabla). Una consulta típica incluye varios términos, tales como "apoptosis", "proliferación", "crecimiento celular", "citotoxicidad ',' anti-cáncer ',' citotoxicidad ', y' aumento de la supervivencia 'después del tratamiento. La información compuesto diana se recogió de 10 fuentes públicas de datos: DrugBank [32], KEGG [31], matador [33], TTD [34], KiDB [35], BindingDB [36], chembl [37], WOMBAT [ ,,,0],38], CTD [30], y DCDB [39]. Sólo se incluyeron las interacciones compuesto objetivo respaldados por pruebas dirigidas, como el compuesto objetivo vinculante, la activación, inhibición y de reacción a una afinidad razonablemente alta (
e
.
g
., Ki & lt; 10 nM). A lo largo del análisis, compuestos y dianas proteicas fueron asignadas a identificadores de NCBI PubChem compuestos (CID) y Entrez Gene ID como identificadores estándar, respectivamente.
firmas de expresión para las enfermedades objeto del
Los perfiles de expresión de las enfermedades objetivo se han descargado, ya sea del portal de datos TCGA (https://tcga-data.nci.nih.gov) o NCBI GEO [40] que incluía tanto en condiciones normales y de enfermedad. Los conjuntos de datos de 200 pacientes con glioblastoma se obtuvo de TCGA que se divide en cuatro subtipos: clásico canónicas, mesenquimal, proneural, y neuronal. Cuatro firmas de expresión distintas se extrajeron de los subtipos correspondientes. Para pulmón y cáncer de mama, se obtuvieron 11 y 16 de los microarrays de datos, respectivamente. Los 11 conjuntos de datos de cáncer de pulmón consistieron en GDS1761, GDS1312, GDS2771, GSE5364, GSE7670, GSE10072, GSE10799, GSE1987, GSE2088, GSE1037, y GSE11969. Los 16 conjuntos de datos de cáncer de mama consistieron en GDS817, GDS820, GDS823, GDS1761, GDS1925, GDS2250, GDS2617, GDS2618, GDS2635, GDS2739, GSE5364, GSE10780, GSE15852, GSE16443, GSE17072, y GSE20266. Todos los conjuntos de datos de microarrays se procesaron y se normalizaron utilizando el paquete de SAM [41]. Los DEGs se extrajeron como firmas de expresión utilizando FDR. & Lt; 0,05 como punto de corte
firmas expresión a partir del conjunto de datos LINCS
El conjunto de datos LINCS incluye un amplio catálogo de perfiles de expresión de genes generadas por la Biblioteca del Las firmas celulares basadas en red integrada (LINCS) sobresalen de 59 células cancerosas humanas en respuesta a las perturbaciones ~ 20.000 químicos. El equipo LINCS ha producido los perfiles de expresión de 1.000 genes utilizando una señal de alto rendimiento a base de ensayo Luminex [42]. Los perfiles de transcriptómica enteros de ~ 20.000 genes se dedujeron de los valores de expresión medidos de los 1.000 genes señal. Las firmas de expresión para los compuestos fueron descargados de la página del proyecto LINCS (www.lincsproject.org) que consistía en los 100 genes más arriba y hacia abajo reguladas en respuesta a cada compuesto.
Ensayo de viabilidad celular
los compuestos utilizados para el ensayo de viabilidad celular se adquirieron de Sigma-Aldrich y Enzo Life Science. Tanto las líneas celulares de glioblastoma (A172, T98G, U251 y U87) y células primarias (células GBL) se cultivaron en medio DMEM de alta glucosa de cultivo celular (HyClone; SH30243.01) suplementado con 10% de suero bovino fetal, 1% de penicilina /solución de estreptomicina y 30 mg /ml Plasmocure (InvivoGen, ant-pc) reactivo para evitar la contaminación por micoplasma.
para medir la actividad citotóxica de los fármacos candidatos, la actividad metabólica de las células viables se midió usando WST reactivo (EZ-Cytox, Dogen) en placas de 96 pocillos. El número de células sembradas se ajustó de acuerdo con la tasa de crecimiento de cada tipo de célula (100-500 células /pocillo). Veinticuatro horas después de la siembra, las células se trataron con fármacos a una concentración de 10 mM y se cultivaron adicionalmente durante 72 horas a 37 ° C. Se añadió una décima parte del volumen medio de reactivo WST a las células, y la absorbancia se midió a 450 nm después de 2 h utilizando un lector de microplacas SpectraMax 190 (Molecular Devices). Los experimentos se repitieron cinco veces.
Camino de enriquecimiento de análisis
KEGG vías fueron descargados de la base de datos MSigDB (http://www.broadinstitute.org/gsea/msigdb), que consisten en 186 conjuntos de genes que representan diversos procesos biológicos. Dado que muchas de las vías relacionadas con la enfermedad son redundantes con otras vías de señalización (por ejemplo,
KO05200
:
Rutas en el cáncer incluyen
KO04310
:
Wnt
,
KO04210
:
la apoptosis
,
KO04115
:
p53 señalización
, etc.), se excluyeron tales vías 28 y los 158 restantes fueron utilizados vías. La importancia de enriquecimiento se calculó mediante la prueba hipergeométrica. El conjunto de datos contiene LINCS múltiples firmas para el mismo medicamento de diferentes células y condiciones, donde la media armónica de los correspondientes valores de p se tomó como su representante p-valor. A continuación, la q-valor ajustado se calculó utilizando el método de Benjamini-Hochberg. Las distancias entre los fármacos se calcularon como el p-valor de la distancia coseno de-registro.
Resultados
Recogida de datos y procesamiento
En primer lugar, hemos compilado una lista de medicamentos conocidos ( conjunto KD) como punto de referencia para los tres tipos de cáncer (glioblastoma, cáncer de pulmón y cáncer de mama) a partir de cuatro bases de datos públicas, así como por la curaduría manualmente 243 publicaciones (S1 Tabla). Se consideraron sólo los compuestos que se indique expresamente que se activa frente a la diana disease-
e
.
g
., Drogas X induce la apoptosis, inhibe la proliferación, o muestra la actividad citotóxica. El conjunto KD consistió en 132, 216, 256 y compuestos para el tratamiento del glioblastoma, cáncer de pulmón y cáncer de mama, respectivamente (Figura A en S1 Archivo). Además, hemos recogido una extensa lista de 1.155 compuestos (serie de drogas o juego de CD de cáncer) que se informaron para demostrar la actividad anti-proliferativa frente a cualquier otro tipo de cáncer que incluye todas las drogas en el conjunto KD
.
Siguiente , la firma estructural se extrae como 1.024 bits de FP2 huellas químicas aplicadas en Abierto de Babel [43] para los compuestos (S
CPD) o fármacos conocidos (S
KD). La información de destino se recogió de 10 bases de datos públicas que comprenden 342,311 interacciones compuesto diana entre 205,570 compuestos únicos (Figura A en S1 Archivo). Los conjuntos de genes asociados con cada compuesto o fármaco fueron generados y sirvieron como las firmas de destino (T
CPD, T
KD). El patrón de expresión (E
CPD, E
KD) ha sido descargado de LINCS y consistió en los genes expresados diferencialmente (DEGs) por la perturbación química [26]. Firmas múltiples para un único compuesto eran comunes porque firmas de expresión se generaron en diversas líneas celulares de diferentes orígenes. Además, el conjunto de datos LINCS incluye una fracción significativa de los ID redundantes compuestos y algunos nombres de los compuestos genéricos, estructuras 2D, y /o estereoisómeros de las mismas fórmulas moleculares no eran distinguibles entre diferentes fuentes de datos. Por lo tanto, las firmas de estos compuestos similares se fusionaron después de la conversión al formato SMILES canónico, aunque estereoisómeros pueden mostrar diferentes actividades farmacológicas y algunos fueron asignados originalmente compuestos por diferentes ID LINCS. Observamos que la asignación de ID de un estereoisómero era muy raro entre los dos estereoisómeros diferentes, pero se realiza principalmente con el nombre genérico o SMILES sin información 3D. El número resultante de compuestos únicos se redujo a 8.860. Hemos definido un
conjunto básico Red de 2.250 compuestos para los que los tres tipos de firmas (S, T y E) estaban disponibles. La intersección del conjunto básico y un CD conjunto fue de 304 medicamentos (Figura A en S1 Archivo). Del mismo modo, también generó la enfermedad de expresión firmas (E
DIS) para el glioblastoma (4 juegos), el cáncer de pulmón (11 juegos), y el cáncer de mama (16 juegos) de TCGA [44] o microarrays de datos públicas de GEO. El procedimiento detallado se describe en la sección Materiales y Métodos.
Información general sobre el análisis
Hemos desarrollado una serie de clasificadores para predecir los fármacos candidatos DR para el tratamiento del glioblastoma, cáncer de pulmón, de mama y cáncer. Nuestro método utiliza tres tipos de firmas que se derivan de la estructura química (S), relación fármaco-diana (T), y expresión génica de datos (E). candidatos DR se predijo sobre la base de la similitud de estas firmas entre los compuestos y la enfermedad (o sus fármacos conocidos). La predicción de rendimiento se inspeccionó a fondo en una manera imparcial mediante i) un esquema de validación cruzada convencional que utiliza fármacos conocidos (juego KD) como punto de referencia, ii) el 29 contra el cáncer HTS conjuntos de datos de 11,000-41,000 compuestos, y iii) ensayos . basada en líneas celulares de cáncer de glioblastoma y células primarias derivadas del paciente
el trabajo descrito en este documento consistió en tres etapas: 1) las firmas de asociación edificio, 2) la construcción de una serie de clasificadores, y 3) que evalúan el rendimiento de predicción. El objetivo de la primera etapa fue de asociar compuestos y una enfermedad de destino (o sus conocidos fármacos contra el cáncer) en base a la similitud de los tres tipos de firmas (Fig 1A). En total, se establecieron siete tipos distintos de asociaciones que eran independientes entre sí. En primer lugar, un compuesto se predijo como candidato DR basa en su similitud estructural con los fármacos conocidos (S
CPD-S
KD). La expresión (E) y las firmas de destino (T) son esencialmente una lista de genes que podrían estar asociados con cualquier método para el análisis de enriquecimiento conjunto de genes. Por lo tanto, podríamos generar seis tipos adicionales de las asociaciones entre los compuestos (T
CPD, E
CPD) y la enfermedad (T
KD, E
KD, E
DIS). Se utilizó el
Tanimoto coeficiente
como una medida de la firma similitud porque todas las firmas pueden ser representados como un vector binario de 0 y 1S
i
.
e
., La presencia o ausencia de genes o huellas digitales estructurales. Debido a que varias firmas están permitidos para un solo compuesto y la enfermedad, se calculó la media de los valores de los coeficientes de Tanimoto para un par compuesto enfermedad determinada.
(A) La estructura (S), objetivo (T), y se comparó la expresión (e) firmas para cada compuesto (círculos a la izquierda) y la enfermedad (cuadrados a la derecha). Las asociaciones se indican mediante líneas discontinuas en tres categorías (S: amarillo, T: verde, E: rojo), dependiendo del tipo de compuesto de firma. (B) En total, siete diferentes clasificadores se construyeron sobre la base de la similitud entre el compuesto y la firma de destino o sus combinaciones (S, T, E, ST, Se, Te, y STE). Las puntuaciones de DR se calcularon utilizando una serie de clasificadores basados en una regresión logística con el conocido conjunto de drogas (conjunto KD) que se utiliza como punto de referencia. (C) El rendimiento se evaluó utilizando tres conjuntos de datos independientes: comparación con los 29 conjuntos de la línea de células tumorales humanas NCI-60 DTP I), el AUC media de 100 rondas de validación cruzada de 3 veces, II) HTS de datos, y III) experimental la validación de las actividades anti-proliferativos utilizando líneas celulares de cáncer y células primarias. Una interpretación a nivel de la vía del modo de acción de drogas se realizó para los candidatos DR activas para el glioblastoma (IV).
La segunda etapa consistió en la construcción de una serie de clasificadores para predecir candidatos DR (Figura 1B ). Para comparar el rendimiento de cada firma, siete clasificadores se construyeron utilizando una regresión logística. Los clasificadores resultantes utilizan un único (S, T, E), la combinación de los dos (ST, Se, Te), o los tres tipos (STE) de firmas compuestos. Por último, la predicción del rendimiento se inspeccionó a fondo en una manera imparcial mediante i) un esquema de validación cruzada convencional que utiliza fármacos conocidos como el
estándar de oro
, ii) el 29 de gran escala HTS conjuntos de datos para la actividad anti-proliferativa y iii) ensayos que utilizan las dos líneas celulares de glioblastoma establecidas y células de glioblastoma primarios derivados del paciente. Interpretamos aún más los modos potenciales de acción de los fármacos utilizando la vía de análisis de enriquecimiento seguido de comparaciones con otros medicamentos contra el cáncer.
Evaluación del desempeño usando la droga conocida (KD) de datos
Para garantizar una evaluación imparcial, hemos limitado nuestro análisis al conjunto básico de 2.250 compuestos diferentes clasificadores de manera que se pueden comparar utilizando exactamente el mismo punto de referencia. El conjunto básico incluyó a 79, 100 y 132 conocidos fármacos contra el cáncer (juego KD) como puntos de referencia para el glioblastoma, el cáncer de pulmón y cáncer de mama, respectivamente. El conjunto negativo (1.946 compuestos) se preparó mediante la exclusión del juego de CDs del conjunto básico
.
Como se ha indicado en el apartado anterior, se construyeron siete diferentes clasificadores basados en una sola firma (S, T, y e-clasificador) o combinación de múltiples firmas (ST, SE-, TE-y-STE clasificador). Sus actuaciones relativas fueron evaluados utilizando 100 rondas de esquemas de validación cruzada de tres veces. Los clasificadores se basaron en una regresión logística que pesa automáticamente las características de los componentes para producir una predicción unificado puntaje-
puntuación DR
-scaled de cero a uno. Los clasificadores basados en la diana (T) se desempeñan mejor que los otros clasificadores (S, S) en la identificación de fármacos conocidos (KD conjunto básico) en los tres tipos de cáncer (figura 2). Esta tendencia se observó consistentemente en combinación con otras firmas (ST, TE & gt; SE). Pensamos que los objetivos de los fármacos conocidos (KD) tienden a caracterizarse mejor que otros compuestos, y los clasificadores por objetivos en consecuencia puede favorecer fármacos conocidos. Por lo tanto, se evaluaron adicionalmente los clasificadores de una manera más objetiva en las siguientes secciones.
Los clasificadores que utilizan un único tipo de firma (S, T, y E) y sus combinaciones (ST, Se, Te, y STE) se evaluaron sobre la base de las AUC de la curva ROC para el glioblastoma, el cáncer de pulmón y cáncer de mama. Los valores de AUC se calcula un promedio de 100 rondas de validación cruzada de 3 veces.
Evaluación en comparación con HTS contra el cáncer públicas
Para evitar posibles sesgos, se recogieron decenas de grandes -scale HTS contra el cáncer de ensayos PubChem [45]. Consistían en ocho, trece y ocho HTS ensayos para GBM, cáncer de pulmón, y las líneas celulares de cáncer de mama, respectivamente (Tabla A en S1 Archivo). Estos ensayos utilizan todos diferentes líneas celulares y eran bastante diferentes entre sí en términos tanto ensayadas y golpean compounds-
e
.
g
., Sólo se observó un 20% de éxito solapamiento entre el dos ensayos para GBM (AID57, AID59) (Figura B en S1 archivo). Una vez más, hemos limitado nuestra evaluación de los compuestos ensayados, también pertenecientes a la colección básica. Para centrarse en la capacidad de predecir nuevos candidatos DR, medicamentos conocidos (KD) fueron excluidos de los compuestos de golpe. Los accesos restantes de cada ensayo se dividieron en dos categorías: i) golpes contra el cáncer que pertenecía a la unidad de CD o establecer tenido dos o más análogos estructurales en el sistema del CD con un coeficiente de Tanimoto & gt; 0,7, y ii) nuevos accesos que no se incluyeron en el primer set. Por lo tanto, los golpes contra el cáncer representan aquellos que podrían fácilmente ser pronosticados en base en la similitud estructural y los nuevos accesos, que eran los casos difíciles y son el foco de este estudio.
Curiosamente, el rendimiento de cada firma fue en contraste con el resultado de la evaluación anterior basado en el conjunto KD. El clasificador basado en la expresión (E) la mejor predijo golpes contra el cáncer en los tres tipos de cáncer (Fig 3A). Por el contrario, el clasificador basado en la diana (T) realiza peor. Esta tendencia fue más evidente en la predicción de nuevos accesos (Fig 3B). Los clasificadores basados en la estructura (S) o la firma objetivo (T) fueron esencialmente incapaces de predecir nuevos accesos (mediana AUC = 0,41 ~ 0,62), mientras que el patrón de expresión (E) lleva a cabo razonablemente bien (mediana AUC = 0,73 ~ 0,79, Fig 3B ). Esta tendencia se observó consistentemente en combinación con otras firmas (SE & gt; TE & gt; ST). En particular, la firma única (E) realiza consistentemente mejor solo que en combinación con otros firmas (Se, Te) para todos los tres tipos de cáncer. En general, el patrón de expresión (E) era más informativo que las firmas estructura (S) u objetivo (T) entre los HTS conjuntos de datos para los tres tipos de cáncer diferentes. Los datos también sugiere que las anteriores evaluaciones de cualquier
in silico
DR podría estar sesgada si se utilizan fármacos conocidos como el único punto de referencia establecidos, sobre todo si el método era dependiente de información de destino altamente. En particular, se centra en el conjunto central conserva sólo un pequeño conjunto de compuestos para la evaluación, pero este enfoque sigue siendo suficiente para las pruebas estadísticas imparciales utilizando el mismo conjunto de compuestos (Tabla A en S1 Archivo). Los resultados de la evaluación de todos los compuestos en el conjunto de datos HTS mostraron esencialmente la misma tendencia (Figura C en S1 Archivo).
Los siete clasificadores (S, T, E, ST, Se, Te, y STE) eran evaluará basándose en el AUC de la curva ROC para el glioblastoma, el cáncer de pulmón y cáncer de mama. Sólo se evaluaron compuestos en el conjunto básico. Los valores de AUC se calcula un promedio de 100 rondas de 3 veces la validación cruzada. (A) Ejemplos típicos de evaluación de desempeño utilizando los datos de HTS establecidas para el glioblastoma (AID45), cáncer de pulmón (AID5), y cáncer de mama (AID97). Las AUC se calcularon de forma independiente utilizando dos conjuntos distintos de compuestos de golpe como un punto de referencia (o positivos) -i) los compuestos de golpe de actividad conocida contra el cáncer (líneas rojas) y ii) los nuevos accesos (líneas verdes). La distribución de las AUC utilizando (B) los compuestos de actividad anti-cáncer conocido como un punto de referencia, y (C) la novela golpea como punto de referencia.
Validación experimental de fármacos candidatos para el glioblastoma DR
el glioblastoma multiforme (GBM) es la forma más común y agresiva de cáncer cerebral que muestra un muy mal pronóstico a pesar de quimio-radioterapia concomitante o secuencial [46]. La temozolomida (TMZ) es un agente quimioterapéutico de primera línea para el tratamiento de GBM. Como un agente de alquilación, TMZ transfiere grupos metilo a las bases de purina de ADN, provocando roturas en el ADN de una y de doble filamento y posterior muerte celular por apoptosis. La mayoría de los estudios informaron que la quimioterapia confirió un beneficio en la supervivencia global limitado a los pacientes con GBM. La mediana del tiempo hasta la recurrencia fue sólo 6,9 meses después del tratamiento estándar [47]. Por lo tanto, la necesidad de fármacos más eficaces es clara y no satisfecha.
A continuación, encontrarás una lista de candidatos DR para GBM y experimentalmente probado sus actividades antitumorales que esté basada exclusivamente en el patrón de expresión. En primer lugar, los compuestos 8,860 fueron ordenados por la puntuación DR,
i
.
e
. el rango percentil de las predicciones hechas por el mismo clasificador (E) como se describe en la sección anterior. A continuación, se aplicó varios filtros: a) aprobado por la FDA; b) Puntuación DR & gt; 0,9; y c) la indicación de pasar la barrera hematoencefálica (BBB), ya sea por la literatura o por
in silico
predicción en http://www.cbligand.org/BBB. Uno de los candidatos alta puntuación (ivermectina, la puntuación DR = 0,98) también se incluyó a pesar de haber indicado que no pase a la acreditación. Se seleccionaron los últimos 14 candidatos DR, y sus actividades anti-tumorales fueron probados mediante cuatro líneas de células GBM y ocho células primarias derivadas del paciente. Nuestros resultados de DR correlacionan bien con las actividades anti-tumorales entre las líneas celulares sometidas a prueba en términos de actividad anti-proliferativa y la fracción de inhibición significativa del crecimiento (Fig 4A y 4B). Ocho de los 14 candidatos fueron éxitos significativos en tres o más células GBM a 10 mM. En particular, los siete primeros candidatos mostraron una fuerte actividad antitumoral, que corresponde a una de aproximadamente 20 veces el enriquecimiento golpe de ~ 5% de tasa de éxito de la selección de alto rendimiento convencional.
(A) las puntuaciones DR, (b) la fracción de células inhibidas significativamente resumen los resultados de (C), (C) las actividades anti-proliferativos (inhibición del crecimiento%) para las cuatro líneas celulares de glioblastoma (cuatro líneas celulares de TG98, A172, U251MG y U87MG) y los ocho pacientes -derivado células primarias (el GBLS) a 10 mM, (D) la predicción in silico calificaciones de transporte en base a la acreditación http://www.cbligand.org/BBB. El asterisco rojo indica soporte experimental para el paso de la acreditación de acuerdo con la literatura. , actividades anti-proliferativos en general a través de las células de glioblastoma fuertemente correlacionados con la clasificación por la puntuación DR. La mayoría de los candidatos DR demostraron ser capaces de pasar la barrera hematoencefálica.
Se encuestó a la literatura para los informes relativos a la actividad anticancerígena de los ocho candidatos DR activos, tal como se resume en la Tabla 1. Se encontró que cuatro fármacos (ivermectina, astemizol, nortriptilina, y apomorfina) se informó anteriormente para mostrar la actividad anti-tumor en el cáncer de cerebro. Tres fármacos (trifluridina, amlodipina, y maprotilina) demostraron una actividad anti-tumor en otros tipos de cáncer, pero no en glioblastoma. La mometasona es un corticosteroide y se considera un nuevo fármaco para el cáncer, ya que no se ha informado para mostrar la actividad anti-tumor en cualquier tipo de cáncer. Los corticosteroides se han utilizado para reducir el edema peritumoral y los efectos secundarios asociados a la quimioterapia, como el dolor, náuseas y vómitos [48]. Todos los candidatos DR activos, excepto la ivermectina han demostrado ser capaces de pasar la barrera hematoencefálica, ya sea en informes de la literatura o por medio de
in silico
predicción.
Interpretación de los modos de fármacos de acción para el activo DR candidatos
perfiles transcriptomic inducidos por fármacos reflejan los cambios directos e indirectos de la fisiología celular en ómicas escala y proporcionan valiosa información sobre el mecanismo farmacológico de las drogas. Con el fin de interpretar sus modos de acción, se realizó un análisis de la vía de enriquecimiento de los genes regulados hacia arriba y hacia abajo, utilizando KEGG vías. En conjunto, 32 y 17 vías fueron significativamente enriquecido en el ascendente y genes regulados, respectivamente, a un valor de q & lt corte; 0,1 (figura 5). En general, los datos sugieren mecanismos plausibles para las actividades antitumorales que son compartidos entre los candidatos DR. Hasta reguladas incluyen las vías de apoptosis, metabolismo de aminoácidos y lípidos, y p53 MAPK señalización de tumor supresor //WNT, que sugirieron que se incrementaron las actividades de los procesos anti-proliferativos. Por el contrario, las vías de proliferación celular, tales como el ciclo celular, la replicación del ADN, la reparación del ADN, y el montaje de ribosomas, se redujeron reguladas.
Los valores de p y sus valores de q ajustados se calcularon mediante la prueba hipergeométrica y la método de Benjamini-Hochberg, respectivamente.
cuatro fármacos (amlodipino, astemizol, maprotilina, nortriptilina y) fuerte aumento del metabolismo de los lípidos (ácidos esteroides, terpenos y ácidos grasos). En consecuencia, el amlodipino, un bloqueador del canal de calcio, se había informado anteriormente para inducir la esteroidogénesis [66]. Amlodipino y vías de la apoptosis maprotilina moderadamente hasta reguladas que pueden estar asociados con PKD1 la sobreexpresión y la activación de caspasa-3, respectivamente [67,68]. En particular, la apomorfina parecía actuar a través de un mecanismo distinto: los genes asociados con el metabolismo energético mitocondrial fueron fuertemente las reguladas sin cambios notables en la apoptosis, el metabolismo o la reparación del ADN. Estos genes metabólicos mitocondriales incluyen genes que codifican ATP sintasas (ATP5O, ATP5D), oxidasas del citocromo (COX8A, COX7) y NADH deshidrogenasas (NADUFS8, NADUFB2). La disfunción mitocondrial ha sido bien establecido para modular la apoptosis y la tumorigénesis [69]. Los otros dos candidatos DR (nortriptilina y maprotilina) también disminuyeron el metabolismo energético mitocondrial. Por la regulación de los genes del ciclo celular se observó comúnmente entre los ocho candidatos DR. Cinco fármacos redujo significativamente la expresión de genes de reparación del ADN. En general, estos candidatos DR activos perturbados todos significativamente múltiples vías tumorigénico o tumor supresores, que pueden dirigir a las células cancerosas hacia resultados anti-proliferativa.
También realizaron un análisis conjunto de los ocho candidatos DR junto con los 69 medicamentos contra el cáncer incluido en el conjunto de datos LINCS utilizando el patrón de enriquecimiento de la misma 32 arriba y 17 vías-regulado (figura 6). Estos fármacos contra el cáncer con frecuencia hasta de regular P53, MAPK, la apoptosis y la señalización inmune. Muchos fármacos contra el cáncer, así como a nuestros candidatos DR regular a la baja ciclo-celular, reparación-ADN, y las vías de señalización de p53. Siete de los ocho candidatos DR muestran un patrón de enriquecimiento altamente similar con otros medicamentos para el cáncer (grupo I-V en la figura 6). Cuatro candidatos DR (amlodipino, astemizol, nortriptilina, y maprotilina) y ocho fármacos contra el cáncer pertenecen a dos grupos relacionados (I y II).