Abstract

reaproveitamento de drogas tornou-se uma abordagem cada vez mais atraente para o desenvolvimento de medicamentos devido ao custo crescente de nova descoberta de drogas e retirada freqüente de drogas de sucesso causados ​​por problemas de efeitos colaterais. Aqui, eu inventei Funcional Módulo de mapa de conectividade (FMCM) para a descoberta de compostos de drogas reaproveitado para o tratamento de sistemas de doenças complexas, e aplicou-a adenocarcinoma colorretal. FMCM usado vários módulos gene funcional para consultar o mapa de conectividade (CMap). Os módulos funcionais foram construídos em torno de genes de cubo identificados, através de uma seleção de genes por procedimento tendência-de-doença de progressão (GSToP), a partir de redes de interação gene-gene específico-condição construídos a partir de conjuntos de microarrays de expressão gênica de coorte. Os compostos candidatos de drogas eram restritos a drogas que exibem efeitos secundários preditos mínimas intracelulares prejudiciais. Testamos FMCM contra a prática comum de selecção de drogas usando uma assinatura genômica representado por um único conjunto de genes individuais para consultar CMap (IGCM), e encontrou FMCM a ter maior robustez, precisão, especificidade e reprodutibilidade na identificação de agentes anti-cancerígenos conhecidos . Entre os 46 medicamentos candidatos selecionados pelo FMCM para o tratamento adenocarcinoma colorretal, 65% tinham o apoio da literatura para a associação com atividades anti-câncer, e 60% dos medicamentos previsto para ter efeitos nocivos sobre o câncer havia sido relatado para ser associado com cancerígenas /imunossupressores . Os compostos foram formados a partir dos candidatos a fármacos seleccionados, onde em cada um dos compostos colectivamente as drogas componentes eram benéficas para todos os módulos funcionais enquanto nenhum fármaco componente era prejudicial para qualquer um dos módulos. Em ensaios de viabilidade celular, foram identificados quatro drogas candidatas: GW-8510, ácido etacrínico, ginkgolide A, e 6-azathymine, como tendo actividades inibidoras de alta contra células cancerosas. Através de experimentos de microarray que confirmou as ligações funcionais novos previstos para três drogas candidatos: fenoxibenzamina (efeitos amplos), GW-8510 (ciclo celular), e imipenem (sistema imunológico). Acreditamos FMCM pode ser utilmente aplicada a descoberta da droga reaproveitado para o tratamento de sistemas de outros tipos de câncer e outras doenças complexas

Citation:. Chung FH, Chiang YR, Tseng AL, Sung YC, Lu J, Huang MC, et ai. (2014) Funcional Módulo de mapa de conectividade (FMCM): Uma Estrutura para Pesquisando Repurposed compostos fármacos para o tratamento de Sistemas de Câncer e um aplicativo para Colorectal Adenocarcinoma. PLoS ONE 9 (1): e86299. doi: 10.1371 /journal.pone.0086299

editor: Yu Xue, Huazhong Universidade de Ciência e Tecnologia, China

Recebido: 31 de outubro de 2013; Aceito: 09 de dezembro de 2013; Publicação: 27 de janeiro de 2014

Direitos de autor: © 2014 Chung et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados

Financiamento:. Este trabalho é parcialmente financiada por doações do Esforce-se para o Projeto Top, Ministério da Educação (não darão nenhuma 101G907-2.), ROC, e do National Central University-Cathay general Hospital United Center Research (101CGH-NCU-A5). Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito

CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes

Introdução

Uma meta importante para a investigação biomédica é compreender os mecanismos genéticos subalterno de doenças humanas e descobrir drogas terapêuticas para as doenças. descoberta de drogas é caro; a pesquisa média e desenvolvimento (R D) de custos nos últimos 15 anos para o desenvolvimento de uma nova droga superior a 1 bilhão de dólares [1]. Os agentes anti-cancro são especialmente dispendiosa [2]. A norma R D processo inclui a identificação de compostos, testes de toxicidade em modelos celulares e animais, avaliação da segurança em ensaios clínicos iniciais, e eficácia em ensaios de fase final. A taxa de insucesso muito elevado levou a uma crise conhecida como défice de inovação na descoberta de novas drogas [3]. A crise é ainda agravado pela retirada de muitos medicamentos de sucesso que se pensava, principalmente através de questões relacionadas com efeitos secundários nocivos [4] – [6]. Tais problemas podem ser um corolário do método predominante para a descoberta de novas drogas, o que é para encontrar biomoléculas específicas como alvos, tipicamente receptores de membrana [7]. No entanto, um alvo biológico pode regular mais do que uma via biológica, das quais apenas uma pode ser a doença relacionada. Se este for o caso, em seguida, alterando a função biológica de um alvo por um medicamento pode levar a resultados inesperados de ruptura de vias saudáveis ​​[8].

A estratégia de encontrar alvos biológicos específicos para o tratamento químico também pode ter contribuído para o progresso decepcionante feito nos últimos 40 anos na redução das taxas globais de mortalidade para a maioria dos tipos de câncer [9]. Isto é em parte porque o câncer é uma doença que envolve a disfunção de múltiplos caminhos paralelos controlar muitos processos fundamentais [10]. As células cancerosas se acumulam múltiplas mutações genéticas que equipá-lo com um dos miríade de sobrevivência e capacidades de evitar a morte: para induzir a angiogênese; para manter a sinalização proliferativa; escapar programas apoptóticos suicidas; para permitir a imortalidade replicativa; e para activar a invasão e metástase [11]. Evidências são emergente de que a patologia de cancro é mais uma consequência de pequenas anomalias em muitos genes, que uma grande anomalia em um único gene de [12], [13], e que os compostos de drogas que actuam em alvos múltiplos pode ser uma estratégia de tratamento mais eficaz do que uma única droga em um único alvo [14]. Em suma, o câncer é uma doença sistemas e deve ser tratado por um tratamento de sistemas [15].

Aqui, apresentamos um procedimento de triagem de drogas computacional que aborda as questões levantadas acima. Nosso programa tem dois objectivos principais: a superar o défice de inovação através da redefinição de drogas, e para encontrar compostos da droga para um tratamento de sistemas de câncer. reaproveitamento de drogas é a busca de novas indicações para medicamentos já aprovados [1], [16]. Porque um cavado aprovado já foi otimizado para segurança e eficácia para a sua indicação originalmente concebido, sua rota para a aprovação de uma indicação romance pode ser significativamente mais curto e, provavelmente, muito menos dispendioso do que para um novo medicamento.

Recentemente, o drogas rastreio computacionais para reaproveitamento foi muito facilitada pelo advento do Mapa de Conectividade (CMap), um banco de dados abrangente e continuamente atualizados os perfis genômicos de muitos medicamentos existentes [17]. CMap fornece uma plataforma para a utilização de uma estratégia de correspondência de padrões para determinar a semelhança, ou o oposto, em assinaturas genômicas entre as doenças, conjuntos de genes funcionais e drogas. Tem sido empregada em muitos estudos para descobrir drogas Repurposing contra doenças comuns, incluindo diabetes e doença de Alzheimer [17], e para o tratamento de tumores sólidos, incluindo aqueles associados com o cancro do cólon [18], o cancro da mama [19], e adenocarcinoma de pulmão [ ,,,0],20].

o conceito básico de estudos de descoberta de drogas baseadas em repurposing CMap é a identificação de doença associada assinaturas genómicas que inversamente correlacionada com perturbação na assinatura genómico associado com a administração de moléculas ou drogas [17], [21 ], [22]. Nesses estudos, a essência do protocolo – a abordagem CMap indivíduo-gene (IGMP) – para a identificação de drogas para o tratamento de uma doença específica é simples: encontrar um conjunto de genes diferencialmente de expressão (degs) obtidos por, digamos, comparando dois conjuntos – controles e pacientes – de microarrays de expressão gênica, marcar o jogo entre o conjunto ° e perfis genômicos de fármacos administrados por CMap e classificar as drogas por pontuação. drogas candidatos são aqueles com as maiores pontuações. Porque baseia-se em toda a informação genômica dos pacientes e da droga, pode-se ver esta abordagem como uma tentativa de tratamento sistemas. No entanto, sofre de ser também uma abordagem em bruto. Em particular, não faz qualquer referência específica a qualquer um dos muitos estados alterados de funções biológicas associadas com a doença. Por não prestar atenção às funções biológicas individuais, uma “melhor” droga poderia muito bem ser um compromisso, escolhido por ter fortes efeitos benéficos em um subconjunto de funções à custa de serem prejudiciais para algumas outras funções.

Outro estudo que utiliza assinaturas de gene variável para a tela drogas reaproveitado identificou com sucesso muitos Food and Drug Administration (FDA) aprovou droga candidatos heterogêneos para mama, leucemia mielóide e câncer de próstata [23]. Este método normalmente produz uma longa lista de candidatos a fármacos heterogêneos, sem fornecer detalhes que podem ajudar na diferenciação entre as drogas, detalhes como uma droga diferente impactar as multi-funcionalidades do (a específica) câncer. Outros métodos mais sofisticados baseados em modelos computacionais da rede ter sido desenvolvido para identificar novos alvos terapêuticos para o tratamento de efeitos de redes celulares reguladoras [24], [25]. A eficácia destas abordagens, que visam elevar a atividade relativa de redes de regulação determinada célula, e baseiam suas previsões em modelos elaborados otimizadas para ajustar os dados temporais e espaciais existentes, pode ser restringida pelo conhecimento existente limitada em redes e parâmetros de proteína descrevendo atividades.

Aqui, apresentamos um quadro analítico romance, chamado funcional Módulo de conectividade Mapa (FMCM), para a descoberta de compostos de drogas para tratamento de câncer sistemas. Nós construímos redes de função função de condições específicas (FFNs) e aplicado um gene-seleção-by-trend-of-a progressão procedimento (GSToP) [26] para identificar complexamente conectado e altamente expressa genes Hub no FFNs. Em seguida, usamos módulos funcionais construídas em torno dos genes do cubo para consultar CMap para a descoberta de drogas Repurposing específicos de ontologias, e ainda pesquisados ​​os medicamentos, exigindo que eles apresentam efeitos colaterais prejudiciais intracelulares mínimos. Em relação ao protocolo IGCM standard, FMCM era mais robusto em sua seleção de droga e de forma mais consistente previu taxas de sucesso mais elevadas (~ 65%) sobre drogas eficazes contra a tumorigénese precoce do câncer colorretal. Quando confrontados com indicações de droga conhecidos em terapêutica alvo de banco de dados (TTD), FMCM mostraram significativamente maior precisão e menor taxas de falsos positivos sobre a descoberta dos agentes anti-câncer do que IGCM, exceto para o sistema imunológico. Os nossos testes de viabilidade em oito dos fármacos candidatos mostrou três, GW-8510, ginkgolide A e 6-azathymine, representada actividades inibidoras de alta contra a sobrevivência das linhas celulares de cancro com concentrações específicas de administração e durações. Follow-up microarrays experimentos confirmaram que tanto o CMap e os nossos conjuntos de dados mostrou resultados consistentes em três drogas independentes – fenoxibenzamina (efeitos amplos), GW-8510 (ciclo celular), e imipenem (sistema imunológico). Estes resultados demonstraram a eficácia do FMCM, e sugeriu seu potencial para a formulação de regimes de drogas readaptados com efeitos colaterais nocivos mínimos em pacientes com câncer.

Materiais e Métodos

As fontes de dados

Gene dados de expressão para 32 pacientes com pólipos esporádicos colorectal (adenoma) e correspondentes mucosa normal adjacente dos mesmos indivíduos foram obtidos a partir Gene Expression Omnibus (GEO) do banco de dados (número de acesso: GSE8671) [27]. Foram extraídos 30,047 entradas de proteína e 39,194 interações proteína-proteína (IBP) a partir da base de dados proteína humana de referência (HPRD) [28] e utilizado Gene Ontology (GO) [29] para obter informações funcionais.

banco de dados externo

Foi utilizado o banco de dados Conectividade Mapa (CMap) construir 02 [17], com perfis de expressão 6.100 de tratamento representando 1.309 drogas (e compostos), para calcular pontuações de enriquecimento (ES) do gene set contra as drogas.

Para referência sobre a indicação de medicamentos que usamos L01 classe, agentes antineoplásicos, Anatomical Therapeutic Chemical (ATC), Organização Mundial da Saúde (OMS) (https://www.whocc.no/).

Foram extraídos informações sobre alvos conhecidos terapêuticas de proteína, doenças relevantes ou cancros, e drogas correspondentes (787 drogas, 60% dos conjuntos de dados CMap) a partir da base de dados Therapeutic Target (TTD: https://bidd.nus.edu.sg/group/ttd/) [30]. Além disso, nós interrogado palavras-chave na busca motores para definir drogas terapêuticas relativas ao tratamento do câncer

Nós baixado os anotados 4.884 Gene-conjuntos do banco de dados assinaturas moleculares (MSigDB:. https://www.broadinstitute.org /gsea/msigdb/index.jsp) [31]. O gene conjuntos são de quatro tipos: C2: Gene-conjuntos com curadoria de vias conhecidas, bases de dados on-line e conhecimento de especialistas de domínio; C3: motivo Gene-conjuntos com base em cis-regulatórias conservadores motivos de genomas cão humano, rato, rato, e; C4: Gene-sets computacionais determinados por bairros co-expressão centradas em 380 genes relacionados com o cancro; C5: gene-ontologia gênica-sets recolhidas a partir das mesmas anotações de ir genes. símbolos de genes em cada gene-set foram combinados e convertidos em HG-U133A Affymetrix ID de acordo com o arquivo de anotação atualizada no site https://www.affymetrix.com/estore/.

selecção Gene pelo gene indivíduo análise (IGA) e mapa genético individual conectividade (IGCM)

genes diferencialmente expressos (degs) foram selecionados utilizando a análise da significância do algoritmo de Microarrays (SAM) [32]. Salvo indicação em contrário, os valores de limite para a taxa de falsa descoberta (FDR) 0,05 e dobre mudança (FC) 2 foram usados. pontuação enriquecimento (ES) gene condizer com droga foi calculado através CMap [17].

benéfica e drogas nocivas

Dado um conjunto de genes, uma droga foi designado benéficos ou prejudiciais se o ES é -0,5 ou 0,3. Para os medicamentos a serem designadas benéfica uma randomização

p

-valor. 0,005 foi exigido, salvo indicação em contrário

Construção de rede de interação gene-gene (GGIN) ou de função função de rede de interação (FFN )

Para uma determinada condição – controle (NOR) ou paciente adenoma (ADE) – e uma Pearson

p

-valor (veja abaixo) limiar

p

0, incluímos um par de genes na GGIN se: (1) a

p

-valor para o par não foi maior do que o

p

0; (2) a par da proteína codificada pelo par de genes foi ligado nos dados de PPI. Para um determinado conjunto de

n

microarrays, coeficiente de correlação de Pearson (PCC) entre um par de genes foi calculada utilizando os dois conjuntos de

n

intensidades do par. Cada PPC é atribuído um Pearson

p

-VALOR com base em testes de permutação e

t

-Estatísticas. Genes em cada GGIN específica do tipo foram atribuídos a sobre-representados funções biológicas, chamados módulos funcionais, por meio de associação termo Gene ontologia [29]. As análises de enriquecimento com base no teste de hypergeometric condicional [33] foram feitas usando os GOstats pacote R baixado do site da Bioconductor. Cada GGIN foi reduzida para funcionar-função de rede (FFN), utilizando módulos funcionais como nós.

GSToP eo mapa funcional conectividade módulo (FMCM) quadro

O quadro FMCM para a seleção composto do fármaco-terapêutico consistiu de dois segmentos, selecção de módulos funcionais de genes do cancro previstas com base no procedimento GSToP [26] (passos 1-5 em baixo), e várias consultas, um para cada módulo funcional, do CMap para identificação de medicamento (passos 6-8) . Passos no processo de selecção (Figura 1) foram: (1) Construir Nor e Ade GGINs e FFNs usando limiar Pearson

p

-valor = 0,001. (2) SAM. Identificar degs para Ade vs Nem usando limiares FDR 0,01 e FC 2. (3) GSToP. Atribuir um gene como um gene de cancro se: (a) verifica-se em, pelo menos, a Ade ou Nem GGIN; (B) os seus graus e aumento coeficientes de agrupamento (diminuição) ao longo da sequência. (4) Leve a sobreposição de listas SAM e GSToP. (5) os genes do câncer (incluindo up-regulamentada e regulada genes) formam módulos funcionais com termos GO utilizados para os FFNs. (6) benéfico e listas de medicamentos prejudiciais. Use módulos funcionais separadamente para consultar drogas na CMap [17] para obter, para cada função duas listas, respectivamente, para benéfico previsto (ES -0,5) e nocivos (ES 0,3) drogas (ver acima para a exigência de randomização

p

-valor). (7) Mapa de associação Função de drogas (FDAM). Use as listas de medicamentos para construir um mapa com dois tipos de nós, módulo de função e de drogas, e dois tipos de links de função com as drogas, positivos e negativos. Incluir na FDAM apenas drogas que têm pelo menos um link benéfico. (8) Construção de FDAM todos os compostos de drogas previstos, em que um composto é conjunto mínimo de medicamentos puramente benéficos que cobriam todas as funções.

Precisão, especificidade e reprodutibilidade nos testes de desempenho

positivos e negativos NB NA eram medicamentos previstos para ser benéfico e prejudicial, respectivamente; TP verdadeiros positivos e falsos negativos FN eram conhecidos agentes anti-tumor previsto para ser benéfica e prejudicial, respectivamente; verdadeiros negativos é TN = NA-FN, e falso positivo é FP = NB-TP. Precisão foi definido como (TP + TN) /(NB + NA), e especificidade como TN /(FP + TN).

Para a reprodutibilidade de um procedimento previsão de drogas (FMCM ou IGCM) foi repetido 10 vezes, cada um tempo de trabalho em um conjunto de 40 microarrays escolhidos aleatoriamente, 20 cada um dos controles e pacientes, e reprodutibilidade foi medido ao longo dos 10 × 9/2 = 45 pares de resultados. Para cada par era reprodutibilidade (o tamanho de) a intersecção dos dois conjuntos de medicamentos seleccionado, dividida pela média geométrica dos dois conjuntos.

culturas e reagentes

linhas celulares de cancro do cólon humano celular (HCT116, RKO, SW403, SW620 e), e linhas celulares de cancro da mama (MCF7) foram obtidas a partir de ATCC (American Type Culture Collection, Manassas, VA) e mantidas tal como sugerido pela ATCC. O meio de crescimento de todas as linhas celulares foram suplementados com 10% de soro fetal de bovino (FBS), 50 unidades /ml de penicilina e estreptomicina, e incubadas a 37 ° C com dióxido de carbono a 5%. Nas experiências, as células foram tratadas com etanol, água ou DMSO como controlo do veículo correspondente. A fenoxibenzamina, GW-8510, ácido etacrínico, ginkgolide A, triflusal, imipenem, 6-azathymine foram adquiridos a partir de Santa Cruz (CA). Phthalylsulfathiazole foi adquirido a partir de Sigma (St. Louis, MO). A fenoxibenzamina, phthalylsulfathiazole, ácido etacrínico, ginkgolide foram dissolvidos em etanol. O imipenem foi dissolvido em água. As drogas restantes foram dissolvidos em dimetilsulfóxido (DMSO)

ensaio de Proliferação Celular

actividades proliferação de cinco linhas celulares -. Câncer de cólon, HCT116, RKO, SW403 e SW620, e cancro da mama, MCF7 – foram monitorizadas por Alamar Blue (Molecular Probes, Invitrogen Corporation), um reagente de oxidação-redução, e determinada por medição da redução da resazurina (azul, não fluorescente) para resorufina (vermelho, altamente fluorescente). As células foram semeadas em placas de 96 poços e cultivados, seguindo o desenho do estudo CMap [17], tratou-se com drogas individuais com uma concentração de 0, 0,1, 1,10, 30 uM, durante 5 dias, em seguida, ensaiadas para actividades de proliferação. foi adicionado um décimo de volume de reagente azul de Alamar e as placas foram incubadas a 37 ° C durante 2-3 horas. A viabilidade celular foi determinada por medição da fluorescência com excitação a 550 nm e emissão a 590 nm em sinergia HT (BioTek Instruments, Winooski, VT). A sobrevivência celular foi calculada como um valor relativo da diferença entre as reduções de Alamar azul em comparação com controlos tratados.

extracção de ARN e microarranjos

As células foram semeadas em placas de 100 mm e tratadas com droga. Após o tratamento de droga durante 6 horas, o RNA celular total foi isolado usando o kit de isolamento de miARN miRvana (Ambion, Austin, TX) de acordo com as instruções do fabricante. 250 ng de ARN total foi usada para experiências de microarray. Extraído RNA foi marcado com GeneChip® ‘Kit 3 IVT Express (Affymetrix, Santa Clara, CA, EUA) e hibridizados para Affymetrix GeneChip® Prime View Human Gene Expression Matriz. Esta matriz continha aproximadamente 530.000 sondas que cobrem mais de 36.000 cópias e variantes. imagens cruas foram analisados ​​por Affymetrix GeneChip® Software operacional. Foram realizadas análises de microarray do efeito de imipenem e fenoxibenzamina (PB) (tratada ou não-tratada) em HCT116 e MCF7, e GW-8510 em HCT116 sob a plataforma U219 (PrimeView), todos em duplicado. As dosagens de tratamento e tempos de duração foram os mesmos que em [17].

experimentos de Microarray e análise por IGA e abordagem set-gene (GSA)

perfis de expressão gênica

Genome-largos de drogas perturbado células tumorais avaliadas pela plataforma Affymetrix GeneChip® Prime View foram analisados ​​em ambiente R (versão 2.15.1). Duas linhas celulares, HCT116 e MCF7, foram tratadas com três medicamentos, GW-8510, fenoxibenzamina (PB), e imipenem, com as mesmas dosagens (10 uM, 11,8 uM, 13,4 uM, respectivamente) e tempo (6 horas após a cultura durante a noite ) como em [17]. Os perfis de microarray foram comparadas com dez perfis da CMap para MCF7 tratadas com as três drogas. intensidades de expressão gênica foram normalizados pela Multi-matriz robusta Média (RMA) [34]. No IGA degs abordagem foram identificados por ANOVA de uma via com a função eBayes no pacote limma [35]. Em uma abordagem set-gene (GSA), dada uma lista de expressões de genes diferencial classificados, usamos GSEA [31] para converter os 4.884 conjuntos de genes anotados em MSigDB [31] para uma lista de 4.884 classificados SEE, em seguida, aplicado one-way ANOVA para encontrar conjuntos de genes diferenciais. Em IGA (ou GSA) um gene (ou um gene-set) com a taxa de descoberta de falsas (FDR) menor que 0,01 foi considerado significativo e selecionado para bidirecional agrupamento hierárquico do conjunto de microarray. GO termos de gene sobre-representados (ou gene-set) aglomerados no IGA (ou GSA) heatmap foram determinadas usando DAVID [36].

Resultados

redes de função Função

alta qualidade dos dados de microarray foi indicado pela separação limpa do controle (de 32 tecidos normais) e amostra (32 pacientes) no Princípio Análise de componentes (Figura S1A). Os 2.164 degs selecionados pela SAM (com limiares FDR 0,01 e FC 2) classificou corretamente os controles e amostra de agrupamento hierárquico (Figura S1B). Clustering resultados não foram sensíveis variações em valores de limite a moderada (não mostrado). redes de interação gene-gene (GGINs) foram construídas com um limiar de Pearson

p Art 0,001 a partir dos dados de controle e coorte adenoma microarray (Figura S2). O GGIN adenoma tem 6,4% mais genes (1792 vs. 1684) e 32% mais ligações (2.656 vs. 2.017) do que o GGIN controle. A diferença entre os dois casos tornou-se evidente quando os GGINs foram reduzidos a redes de função de função (FFNs) com módulos funcionais como nós (Figura 2, Tabela S1). ciclo celular, replicação de ADN, reparação de ADN e módulos funcionais eram muito maiores no FFN adenoma e exibiu muito elevados níveis de actividade intra-função. Havia também mais actividades inter-módulo no adenoma do que no controle. Em uma exceção notável, a atividade inter-módulo entre o processo sistema imunológico e proliferação celular foi mais fraca no adenoma do que no controle.

condição específica redes de função de função (FFNs) foram gerados a partir de redes gene-gene (GGINs) , mostrado na Figura S2, por redução. Nós em um FFN são módulos funcionais (FMS), que são conjuntos de genes na GGIN correspondente formando sobre-representados termos Gene ontologia. FMs que contenham menos de 70 genes não são mostrados. O diâmetro de um nó escalas com o logaritmo do número de genes no nó. A tonalidade de cor de um nó indica o número de interacções do gene para o gene intra-nó por gene. A espessura da borda indica o número de interações gene-gene inter-nó.

drogas terapêuticas reaproveitado selecionados pelo IGCM

CMap dá pontuações de enriquecimento (ES) para listas de genes não mais de 1.000 entradas. Nós cumprido esta restrição (isto é, limitando o tamanho do degs), exigindo FDR 0,01. Cinco listas DEG com limiares FC de 3,0 a 5,0 com 0,5 intervalos foram gerados e os seus ES para os 1.308 medicamentos (ou pequenos compostos) foram obtidos por meio de consulta CMap. A lista de (isto é, anti-adenoma) drogas benéficas era sensível a (o valor de limiar de) FC, com o tamanho da lista de diminuir com o aumento da FC (Figura 3A). O número de fármacos benéficos validados diminuiu com o aumento FC (Figura S3). De acordo com TTD, muitas drogas conhecidas terapêuticas anti-câncer, como chrysin (rosa, id TTD: DNC004715), GW-8510 (vermelho, id TTD: DNC004631), daunorubicina (ciano, id TTD: DAP000788), apigenina (luz roxa , id TTD: DNC004714), resveratrol (verde amarelo, TTD id: DNC001205), coincidentemente tudo mudou a partir benéfica no FC = 3 a substâncias nocivas no FC = 3,5 (Figura 3A). No FC = 5,0, o limite mais rigoroso que usamos principalmente, AG-012559 era a única droga benéfica sob permutação

p

. 0,005 (Figura S3)

pontuação Enrichment (ES) foi obtida consultando o CMap com conjunto de genes (tamanho indicado pela barra vertical) determinada usando variando fold-change limiar (FC). Uma droga é considerada benéfica para o tratamento de adenoma colorrectal se ES -0,5, prejudicial se ES 0,3, e de outra forma neutra. (A) Rastreio por procedimento IGCM. Consultando conjunto de genes foi conjunto completo de genes diferencialmente expressos (degs) identificados a partir de matrizes de coorte adenoma colorretal (versus controle) usando o algoritmo SAM com FDR fixo 0,01. (B) O rastreio por procedimento FMCM. Consultando conjuntos de genes eram módulos funcionais obtidos pela divisão da sobre-representados termos Gene Ontologia em degs GSToP filtrados.

drogas terapêuticas reaproveitado selecionados pelo FMCM

No programa FMCM, genes selecionados em cada módulo funcional (Tabela S2) foram utilizados separadamente para consultar CMap, obtendo-se listas de drogas específicas funcionais separados. Cada módulo funcional foi a união do controle e adenoma módulos funcionais dadas pelos respectivos FFNs, filtrada pelo procedimento GSToP (ver Métodos). Em FMCM o tamanho do gene do módulo tinha uma dependência muito mais forte sobre o valor de FC do que IGCM (Figura 3). Em IGCM, tamanho de DEG reduziu-se de um pouco acima de 600 a 200 quando o valor de limiar de FC foi aumentada de 3 a 5. Em FMCM tamanho gene módulo caiu de cerca de 600 a cerca de 30, tal como (o limiar) FC foi aumentada de 1 a 3 , e tornou-se demasiado pequena para a aplicação CMap quando o FC foi levantado acima 3. Mesmo assim, no âmbito da respectiva gama de FC usado, FMCM proporcionou um ambiente muito mais estável e robusto para a triagem de drogas por CMap que IGCM; em FMCM o caráter de drogas selecionados (ou seja, benéficos ou prejudiciais) mudou muito pouco (21 em 256, Figura 3B), enquanto em IGCM mudou ocorreu a 54,5% dos medicamentos selecionados (12 em 22, Figura 3A).

mapa associação Função de drogas (FDAM) e compostos de drogas terapêuticas

drogas puramente benéficos e nocivos (ver materiais e Métodos) que foram benéficas para pelo menos um FM foram identificados no programa FMCM (FC 2) e utilizado para construir FDAM. Os 46 medicamentos no FDAM (Tabela 1) foram muito mais numerosos do que a lista correspondente encontrada na abordagem IGCM tradicional (que tinha 22 drogas). Trinta dos 46, ou 65%, ou foram estudados individualmente como agentes anti-tumorais ou foram certificadas ter efeitos preventivos contra uma ampla gama de cancros (Tabela 1 e Tabela S3). As cinco drogas, thapsigargin, pyrvinium, trifluoperazine, elipticina e 0297417-0002B, que no nosso FDAM eram prejudiciais a pelo menos um módulo, foram relatados para mostrar evidências para actividades de supressão de carcinogênese /imunes (Figura 4, Tabela 1 e Tabela S3 ). Vemos as 41 drogas na FDAM sem links nocivos como candidatos drogas terapêuticas. O número de módulos, ou graus (Tabela 1), para que uma droga candidata era benéfico variou de 1 a 7. Houve dois graus-7 drogas, fenoxibenzamina e GW-8510, e três graus 5-drogas, tapsigargina, phthalylsulfathiazole, e medrisona (ver Tabela 1 para detalhes completos sobre graus e módulos de drogas relação). Um composto de droga terapêutica é um conjunto mínimo de medicamentos abatidos a partir de uma lista de candidatos drogas terapêuticas que cobriam todos os módulos. Muitos compostos podem ser construídos a partir da lista de medicamentos candidato. Havia dois compostos de 2-compnent, fenoxibenzamina + ISP e GW-8510 + ISP, e 20 compostos com até seis componentes de drogas (Tabela 2). Restrição de interacção medicamentosa, prevemos estes compostos para ser livre de efeitos colaterais prejudiciais ao nível intracelular

Nós no mapa são módulos funcionais (FMS; conjuntos de genes). E medicamentos obtidos por meio de consulta CMap usando FMs individuais . ligações de função droga indicam benéfica (verde) ou prejudiciais (vermelho). Somente drogas benéfico para pelo menos um FM estão incluídos.

Comparação entre IGCM e FMCM

Estabilidade.

Como mencionado anteriormente, o caracterização de uma droga, ou seja benéfico ou prejudicial, era muito mais estável do que em FMCM IGCM (Figura 3).

Precisão e especificidade.

utilizados agentes anti-tumorais no banco de dados do alvo terapêutico (TTD) para avaliar a precisão e especificidade (material e Métodos) das previsões FMCM e IGCM. A “verdadeira” droga definido no teste foi a intersecção de TTD e a lista CMap, que incluía cerca de 40% de TTD. Para simplificar, denotamos por IG3 a consulta IGCM no FC = 3 eo resto (consultas com FC 3) pelo IGL. Descobrimos que tinha FMCM precisão global (Figura 5A) e especificidade (Figura S4) semelhante ao IG3 e superior a IGL, excepto para o módulo de processo do sistema imunitário, em que foi pior do que FMCM IGL.

(A) Precisão é a soma de verdadeiros positivos (previu benéfico e conhecido agente anti-tumoral) e verdadeiros negativos (previu prejudiciais e conhecido agente indutor de cancro) ao longo de soma de medicamentos benéficos e nocivos preditos. resultados IGCM são em preto e FMCM, em vermelho e ciano. A especificidade é dado na figura S5. (B) Reprodutibilidade é a medida de concordância entre os medicamentos selecionados em duas corridas usando diferentes subconjuntos de dados de microarranjos (Materiais e Métodos). Os resultados apresentados são em média mais de 45 comparações de pares de medicamentos selecionados. As cinco torres à esquerda são resultados IGCM para determinado valor FC limiar. As oito torres à direita são resultados FMCM (FC 2) para os 8 módulos funcionais. Tamanho do conjunto de genes consulta é dada por linha em vermelho.

Reprodutibilidade.

Nós testamos a reprodutibilidade (material e métodos) das previsões de drogas, repetindo 10 vezes o FMCM e IGCM procedimentos, cada vez trabalhando em um conjunto de 40 microarrays escolhidos aleatoriamente, 20 cada um dos controles e pacientes. No procedimento FMCM, GGINs foram construídos utilizando degs seleccionados por SAM na FDR 0,01 e FC 2, e o conjunto de droga seleccionada foi a soma de medicamentos benéficos e nocivos.