Extracto
Se introduce un enfoque novedoso para chemocentric la identificación de objetivos con el cáncer relevante. A partir de una gran colección química, la estrategia utiliza la lista de molécula pequeña golpea resultante de un escrutinio diferencial de citotoxicidad en HCT116 tumor y normales líneas de células MRC-5 para identificar las proteínas asociadas con el cáncer que salen de un perfilado diferencial objetivo virtual de los compuestos más selectivos detectado en ambas líneas celulares. Se muestra que esta combinación inteligente de diferencial
in vitro
y
in silico
proyecciones (DIVISS) es capaz de detectar una lista de las proteínas que ya son bien aceptadas objetivos medicamento contra el cáncer, mientras que complementándolo con proteínas adicionales que, dirigidos selectivamente o en combinación con otros, podrían dar lugar a beneficios sinérgicos para la terapéutica del cáncer. Se proporciona la lista completa de las 115 proteínas identificadas como ser golpeado de forma única por compuestos que muestran efectos antiproliferativos selectivos para líneas de células tumorales
Visto:. Flachner B, Lörincz Z, A Carotti, Nicolotti O, P Kuchipudi, Rémez N, et al. (2012) Un enfoque Chemocentric a la identificación de dianas del cáncer. PLoS ONE 7 (4): e35582. doi: 10.1371 /journal.pone.0035582
Editor: Steve Horvath, de la Universidad de California en Los Angeles, Estados Unidos de América
Recibido: 15 Julio, 2011; Aceptado: March 19, 2012; Publicado: 25 Abril 2012
Derechos de Autor © 2012 Flachner 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
Financiación:. Este trabajo fue apoyado por una beca de la Comisión Europea (CancerGrid, FP-6 LCHC-CT-2006 hasta 037.559), http://ec.europa.eu/research/fp6/index_en.cfm. Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:. Los autores han leído la política de la revista y tienen los siguientes conflictos: Beáta Flachner, Zsolt Lörincz, Sándor Cseh, y György Dorman son empleados pagados a tiempo completo de TargetEx, Dunakeszi, Hungría, Miklós J. Szabó y Béla Bertók son empleados a tiempo completo de AMRI Hungría Zrt., Budapest, Hungría. Jordi Mestres es Presidente de Chemotargets SL. Esto no altera la adhesión de los autores a todos los PLoS ONE políticas sobre los datos y compartir materiales.
Introducción
El cáncer es una enfermedad de la célula [1]. Esta bastante simple afirmación implica una enorme complejidad a la hora de intentar identificar agentes anticancerígenos eficaces. Uno de los principales problemas asociados a la investigación contra el cáncer es que las estrategias dirigidas objetivo tradicionales se enfrentan a la esencialidad de la función de la diana en las células sanas. Inevitablemente, las proteínas de orientación que tienen funciones esenciales es probable que conduzcan a entidades químicas de estrecho margen terapéutico y efectos tóxicos significativos [2]. Un reto adicional es el estado epigenético y la genética de las células cancerosas inestable, sujeto a múltiples mutaciones, alteraciones de copias de genes y anomalías cromosómicas que tienen un impacto directo sobre la eficacia de los agentes contra el cáncer en diferentes etapas de la enfermedad [3]. Todos estos aspectos hacen que el descubrimiento de fármacos del cáncer extremadamente difícil y han dado lugar a tasas de éxito de aprobación clínicos pobres en comparación con otras áreas terapéuticas [2].
La llegada de los ensayos de citotoxicidad basados en células de alto rendimiento abre nuevas perspectivas para el descubrimiento contra el cáncer [4]. La implementación de las pantallas de citotoxicidad diferencial marcó la salida de pantallas pequeñas moléculas de proteínas diana individuo preconcebidas y permitió la identificación de pequeñas moléculas que actúan potencialmente a través de una riqueza de mecanismos de acción [5], mientras que muestra al mismo tiempo efectos antiproliferativos selectivos en las células cancerosas en comparación con las células sanas [6]. Sin embargo, como ha señalado recientemente [1], para aquellas estrategias basadas en células que tienen un verdadero impacto en el descubrimiento de fármacos contra el cáncer, los medios para descubrir el perfil de destino de pequeñas moléculas bioactivas en los ensayos de toxicidad o antiproliferativos son absolutamente necesarios. A este respecto, extensa perfiles proteómicos se aplica a menudo posteriormente para identificar las proteínas expresadas diferencialmente en líneas celulares de cáncer que pueden explicar el efecto biológico de golpes pequeños de moléculas [7], [8]. Sin embargo, los perfiles de las actividades celulares de bibliotecas moleculares es a la vez técnica y logísticamente [9] y, por tanto, son necesarios enfoques alternativos para el perfilado rápido y eficiente de los cientos de compuestos de miles de proteínas una tarea laboriosa.
En los últimos años , la disponibilidad de una cantidad cada vez mayor de datos de interacción proteína-ligando en el dominio público ha promovido el desarrollo de métodos computacionales basados en ligandos destinadas a predecir el perfil de afinidad de pequeñas moléculas a través de múltiples objetivos [10]. Una aplicación inicial de estas iniciativas fue la predicción del espectro de actividad biológica de todas las moléculas pequeñas que figuran en la base de datos del Instituto Nacional del Cáncer [11]. Últimamente, el perfil objetivo virtual se utilizó con éxito para identificar nuevas dianas para fármacos conocidos [12], para predecir el mecanismo de acción de los antimaláricos descubiertos en una pantalla basada en células de alto rendimiento [13], y para sugerir los objetivos contra el que seleccionan compuestos a partir de una biblioteca química debe ser probado, que conduce a la identificación de antagonistas novedosos para los cuatro miembros de la familia de receptores de adenosina [14]. Dados los actuales niveles de rendimiento obtenidos, en términos de sensibilidad y especificidad, en contra de las matrices de interacción ligando-proteína completas determinada experimentalmente [15], estos métodos están emergiendo como una verdadera alternativa rápida y eficiente a la perfiles proteómicos más laborioso.
la integración de la detección de citotoxicidad diferencial y perfiles de destino virtual para la identificación de dianas cáncer relevante se puso en práctica en el contexto de CancerGrid, un proyecto de la Comisión Europea dentro del Programa Marco 6 [16]. Los detalles sobre el método seguido y los resultados obtenidos se discuten en las siguientes secciones.
Resultados
En aras de la claridad, un esquema resumen del diferencial general
in vitro
y
in silico
cribado (DIVISS) proceso seguido en este trabajo se representa en la figura 1. a partir de una colección de 30.000 compuestos químicos, la detección diferencial de citotoxicidad como resultado la identificación de dos conjuntos de moléculas pequeñas golpea mostrando antiproliferativa selectiva efectos de las células tumorales y sanos, respectivamente, que por un perfil de destino virtual en última instancia llevó a la identificación de una lista de 115 proteínas de potencial relevancia para el cáncer. Los detalles de los resultados obtenidos en cada etapa de este enfoque chemocentric novedoso para la identificación de objetivos cáncer se proporcionan a continuación.
selección de alto rendimiento citotoxicidad
Se realizó una campaña de detección de citotoxicidad basado en células en una colección químico compuesto de 30.000 diversas moléculas seleccionadas principalmente de todo el catálogo AMRI [17]. Un único punto de detección de estos compuestos a una concentración de 50 mM se completó por duplicado en una línea celular de cáncer de colon HCT116. La correlación de los dos valores de viabilidad independientes determinados para cada compuesto se representa en la figura 2a. factor de 0,58 de un promedio Z 'se derivó del análisis de estos datos por duplicado, que es indicativo de la calidad del ensayo y los datos obtenidos. La distribución de la cantidad de compuestos que resultan en diferentes porcentajes medios de la viabilidad celular se proporciona en la Figura 2b. Como se puede observar, casi 50% de los compuestos tenía básicamente ningún efecto sobre la viabilidad de las células HCT116. Pero lo más interesante, más del 13% de los compuestos mostró notables efectos tóxicos sobre las células HCT116, con valores de viabilidad del 20% o inferior. Este citotóxico conjunto de 4.158 compuestos fue seleccionado para una proyección de dosis-respuesta de seguimiento.
a) correlación de dos valores de viabilidad independientes determinados para el mismo compuesto y b) la distribución de valores de viabilidad para la biblioteca química de 30.000 compuestos.
citotoxicidad diferencial dosis-respuesta de detección
Para optimizar nuestra capacidad de detección de dosis-respuesta, un conjunto diverso de 2.000 moléculas fue seleccionado en primer lugar de las 4.158 compuestos citotóxicos identificados en el máximo anterior -throughput campaña [18] cribado. Las curvas de dosis-respuesta en ambos HCT116 tumor y normales células MRC-5 se determinaron por duplicado para estos 2.000 compuestos. Para identificar las moléculas pequeñas que tienen niveles de toxicidad sobre las células tumorales significativamente más altos que los observados en las células sanas, la proporción entre las IC
50 valores obtenidos en células MRC-5, IC
50 (MRC-5), y los obtenidos en células HCT116, IC
50 (HCT116), se obtuvo para cada compuesto. Se identificaron un total de 230 compuestos que ser 5 veces o más citotóxicos en las células tumorales que en las células sanas (IC
50 MRC-5 /IC
50 HCT116≥5). A continuación, se realizó un análisis de agrupamiento quimiotipo [19] en esta primera serie de 2.000 compuestos para los que se ha fabricado los datos de dosis-respuesta. Una puntuación de enriquecimiento citotoxicidad fue asignado a cada grupo quimiotipo en función de su presencia relativa en el conjunto de 230 compuestos que muestran efectos antiproliferativos más selectivos sobre las células tumorales. Se seleccionaron aquellos que tienen quimiotipo superior al 20% tasa de éxito y se utilizan para recuperar compuestos a partir de los restantes 2.158 para los que sólo se disponía de mediciones de un solo punto. Este sesgo hacia quimiotipo citotóxicos selectivos del tumor condujo a la identificación de 150 compuestos que se complementa con un conjunto adicional de 330 compuestos añadidos sobre la base de criterios de diversidad [18]. Las curvas de dosis-respuesta de las dos líneas celulares se obtuvieron por duplicado para estos 480 compuestos, de los que se identificó un conjunto adicional de 35 compuestos que tienen selectividad citotóxica para las células tumorales con relación a las células sanas. En total, 2.480 compuestos pasaron por diferencial de citotoxicidad dosis-respuesta
vitro de cribado en
, lo que lleva a la identificación de 265 compuestos con citotoxicidad selectiva para células tumorales (Figura 1). En general, se generaron 119,520 puntos de datos de citotoxicidad, 60.000 de las proyecciones principales de citotoxicidad sobre las células HCT116 (30.000 compuestos por duplicado) y 59.520 de las proyecciones de dosis-respuesta (2.480 compuestos a 6 concentraciones por duplicado en dos líneas de células), lo que representa un importante detección de esfuerzo.
las distribuciones de la IC promedio resultante
50 valores para todos los compuestos sobre 2.480 HCT116 tumor y normales células MRC-5 se ilustran en la Figura 3a. El hecho de que los compuestos más seleccionados han determinado IC
50 valores por debajo de 25 M es una buena indicación de la validez de la primera proyección. A este respecto, poco más de 12% de los compuestos para las células tumorales, en comparación con el casi 26% para las células normales, dio un IC
50 valor por encima de 25 mM, mientras que 25% y el 22% de los compuestos seleccionados en tumor y las células normales, respectivamente, volvieron un CI
50 valor inferior a 5 micras. La distribución final de las relaciones de citotoxicidad por compuesto se proporciona en la Figura 3b, donde los valores grandes están asociados a los compuestos prometedores que tienen un cierto grado de citotoxicidad selectiva para células tumorales en relación con las células sanas. Como se puede observar, la gran mayoría de los compuestos (más de 60%) regresó relaciones de citotoxicidad entre 0,5 y 2 lo que significa que eran básicamente no selectiva entre el tumor y las células sanas. Pero lo más interesante, se encontraron 711 compuestos (29%) para ser de 2 veces o más citotóxica en las células tumorales que en las células sanas, con 265 de ellos mostrando proporciones de citotoxicidad por encima de 5. Por el contrario, se encontraron 277 compuestos (11%) para ser 2 veces o más citotóxica en las células sanas que en las células tumorales, con 251 de ellos que tienen relaciones de citotoxicidad por debajo de 0,2. Estos dos conjuntos de 265 y 251 compuestos (figuras S1 y S2) que muestran efectos antiproliferativos selectivos para las células tumorales y normales, respectivamente, serán transferidos a la siguiente fase de la elaboración de perfiles de destino virtual (Figura 1). Un análisis de similitud (Figura S3) puso de relieve la diversidad de estructuras químicas dentro de cada conjunto, sino también entre los dos conjuntos, un punto vale la pena destacar en apoyo de la detección fenotípica se acerca sobre las estrategias dirigidas diana para enfermedades complejas.
a) distribución de la citotoxicidad (valores de CI50) de los compuestos seleccionados en HCT116 y células MRC5 y b) la distribución de la citotoxicidad selectiva contra HCT116. NT significa "no tóxico".
perfiles de destino virtual
Cada uno de los conjuntos compuestos de dos celdas de línea selectivos se procesó
in silico
contra los 4.643 modelos de proteínas a base de derivados de ligandos públicamente recursos disponibles [20] - [28] utilizando un enfoque basado en la similitud validado se describe anteriormente [14], [15]. Con respecto a los 265 compuestos citotóxicos tumor selectivos, al menos una diana de interacción se predijo para 173 de ellos (65%), lo que refleja que el espacio químico definido por el conjunto de los compuestos selectivos de tumor estaba cubierto decentemente por moléculas pequeñas presentes en las bases de datos quimiogenómica públicas . Para estos compuestos, se predijo un total de 2.356 interacciones molécula de proteína. De ellos, 818 interacciones entre 139 y 229 moléculas de proteínas se predice que tienen actividades de 1 M o mejor (pAct≥6), lo que significa que, en promedio, se espera que cada compuesto selectivo del tumor potencialmente interactuar con 6 dianas. En comparación, al menos una diana de interacción se predijo para 117 de los 251 compuestos citotóxicos selectivos sobre las células normales (47%), lo que significa que se encontró 53% de aquellos compuestos para estar fuera del ámbito de aplicabilidad definida por pequeñas moléculas en las bases de datos quimiogenómica público [ ,,,0],15]. Para estos compuestos, se predijo un total de 1.023 interacciones molécula de proteína. De ellos, 463 interacciones entre 84 y 160 moléculas de proteínas se predice que tienen actividades de 1 M o mejor (pAct≥6), lo que resulta en un promedio de 5 proteínas que interactúan por compuesto.
Un análisis comparativo de la predecir las interacciones de los dos conjuntos de líneas celulares compuesto selectivo permite obtener una mejor visión de las proteínas susceptibles de ser diferencialmente pertinente de las líneas celulares tumorales. Los resultados se ilustran en el diagrama de Venn representa en la Figura 4a, que muestra esquemáticamente el grado de superposición y la singularidad entre las dos listas de objetivos. A este respecto, se encontró que hasta 114 proteínas se predijo a ser golpeado al menos una vez por algún compuesto, ya sea en conjunto, con la lista de proteínas que se compuestas principalmente por los receptores acoplados a proteínas G (45%) y enzimas (37% ). Por el contrario, sólo se encontraron 46 proteínas para ser golpeado únicamente por compuestos con la citotoxicidad selectiva para las células sanas, con una distribución entre las familias de proteínas muy similares a la obtenida anteriormente para la lista de las proteínas compartidos (41% de los receptores acoplados a la proteína G y 37% de las enzimas). Pero lo más interesante, se identificó una lista de 115 proteínas afectadas de forma única por compuestos con la citotoxicidad selectiva de células tumorales (Tabla S1). El análisis de su composición de las principales familias de proteínas de importancia terapéutica revela una firma claramente diferenciada de las otras dos listas de las proteínas. Como se muestra en la Figura 4b, la lista se compone principalmente de enzimas (58%) y la presencia de receptores acoplados a proteína G se ha reducido significativamente (16%). Para complementar este cuadro, la figura 4c se da la distribución de clases de las 67 enzimas que se encuentran en esta lista. Se observa un claro sesgo hacia transferasas (43%), muy de acuerdo con la importancia conferida a quinasas como dianas terapéuticas para el cáncer [29], [30].
a) diagrama de Venn de los objetivos proteicos predicho para los compuestos citotóxicos selectivos a HCT116 y MRC-5 líneas celulares; b) distribución a través de las familias de proteínas de los 115 objetivos previsto para interactuar de forma única con compuestos citotóxicos selectivos a las células tumorales; y c) la distribución a través de las clases de enzimas 67 enzimas presentes en la lista de los 115 objetivos de cáncer putativo.
Prueba de concepto
Puede que no escapar al ojo escrutadora del investigador del cáncer que dentro de la lista de 115 proteínas selectivas potencial tumorales (Tabla S1) hay dos objetivos contra el cáncer ampliamente reconocidos , a saber, las histona desacetilasas (HDACs) y proteína de choque térmico 90-alfa (HSP90), ambos de los cuales se sabe están expresadas en líneas celulares HCT116 de cáncer de colon [7], [8] y para conferir selectividad tumoral a la inhibición de moléculas pequeñas [31 ], [32]. De acuerdo con ello, en un intento de cerrar el ciclo del enfoque DIVISS presentado anteriormente, se utilizaron inhibidores de estas dos objetivos para ejemplificar en esta etapa que los efectos antiproliferativos de hecho selectivos se pueden conseguir en el HCT116 tumor y líneas de células MRC-5 normal utilizado en esta trabajo.
Para este fin, se seleccionaron ácido suberoilanilida hidroxámico (SAHA) y 17- (alilamino) -17-demetoxigeldanamicina (17AAG) como inhibidores representativos pan-HDAC y HSP90, respectivamente. Las curvas de dosis-respuesta, tanto en células MRC-5 líneas celulares HCT116 y se determinaron para los dos inhibidores (Figura S4). Los resultados confirmaron que ambos compuestos inhiben la proliferación de células HCT116 de una manera dependiente de la dosis, mientras que tiene poco o ningún efecto sobre células MRC-5. En particular, el IC
50 valores de SAHA y 17AAG en las células HCT116 fueron 0,64 M y 0,2 M, respectivamente, lo que resultó en 781 y 93 selectividad veces, respectivamente, en relación con el efecto antiproliferativo en células MRC-5. Estas observaciones proporcionan la confirmación de la capacidad del método para la identificación de objetivos DIVISS cáncer relevante.
Se verificaron también si dentro del conjunto de 265 compuestos que muestran efectos antiproliferativos selectivos para líneas de células tumorales no había ningún compuesto que podría haber sido probados en una variedad de líneas celulares de cáncer de colon y para los que los datos de detección también estaba disponible en el dominio público. Para nuestra sorpresa, encontramos datos experimentales en PubChem [23] durante ocho compuestos que también estaban presentes en nuestro conjunto selectiva del tumor (Tabla S2). Entre ellos, se informaron cinco compuestos que tienen afinidad por la enzima amino oxidasa que contiene flavina-B (MAO-B), un objetivo presente en nuestra lista de 115 proteínas cáncer relavant putativos (Tabla S1). Sin embargo, lo más interesante, uno de ellos, NSC680350 (CID 387030), se informó de que un CI
50 de 80 nM para la MAO-B, en buen acuerdo con nuestras predicciones. Además, también se ensayó a múltiples líneas celulares de tumores humanos, incluyendo líneas celulares de cáncer de colon de seis. Entre ellos, el valor pGI50 informó en PubChem de líneas celulares HCT116 de colon (4.64) es, dentro de los límites de variabilidad de este tipo de experimentos, en buen acuerdo con el valor pGI50 obtenida en este trabajo para el mismo tipo de líneas celulares (5.19) . La curva dosis-respuesta de la citotoxicidad de NSC680350 sobre las líneas celulares HCT116 en este trabajo y un resumen de todos los datos sobre el cáncer de colon que se encuentran en PubChem para este compuesto se proporciona en la figura S5.
Discusión
sustanciación de la relevancia potencial para el cáncer de la lista de 115 proteínas identificadas como siendo dirigido exclusivamente por compuestos selectivos del tumor se realizó mediante dos puntos de vista independientes. Por una parte, todas las 115 proteínas se puntuaron sobre la base de las probabilidades de oncogenes recientemente derivados (OncoScores) y se comprueban los datos experimentales disponibles actualmente en el arriba y abajo de la regulación en muestras de cáncer de colon [33], [34]. Por otra parte, hemos utilizado todos los datos de interacción fármaco-diana disponibles de los recursos públicos [20] - [28] para clasificar para todos los medicamentos basados en el número de objetivos conocidos dentro de la lista de 115 proteínas y comprobar si hay si el cáncer fue la primaria indicación entre los mejor clasificado. Los resultados proporcionan un amplio apoyo para la utilización del enfoque DIVISS a la identificación de objetivos con el cáncer relevante.
Los OncoScores para los 115 proteínas dirigidas por los compuestos selectivos de tumores se obtuvieron de la página web CGPrio [34]. Para evaluar si esta lista de proteínas se enriquece con oncogenes probables con respecto a otras listas de proteínas, OncoScores también se calcularon para todas las 46 proteínas dirigidas por compuestos selectivos normales y las 114 proteínas compartidos por las dos series de compuestos de células línea selectiva. Las tendencias del porcentaje acumulado de proteínas con OncoScores encima de un determinado valor de probabilidad se encuentra dentro de cada lista se muestran en la Figura 5. Como se puede observar, se encontró que el 36,5% de las 115 proteínas dirigidas por los compuestos selectivos de tumores tienen una probabilidad por encima de oncogén 0,7 y que, en virtud de la misma ley de corte OncoScore, este porcentaje es significativamente mayor que el 8,7% y el 19,3% de las 46 proteínas dirigidas por los compuestos selectivos normales y las 114 proteínas que comparten los dos conjuntos de compuestos, respectivamente. Tener pruebas aportadas que esta selección de proteínas selectivas 115 tumorales se enriquece con oncogenes putativos, la plataforma IntOGen [33] A continuación se utiliza para inspeccionar si cualquier proteína de la lista fue además conocido por ser alterado de manera significativa (p-valor & lt corregido; 0,05 ) en términos de altura o baja regulación en el cáncer de colon. Un total de 29 de estas proteínas (25%) de hecho se pudo confirmar que ser alterado de manera significativa en el cáncer de colon, 10 de los cuales tiene un OncoScore encima de 0,7. Los OncoScores y marcas de regulación para toda la lista de las proteínas tumorales selectivos 115 se proporcionan Tabla S1.
NA recoge todas las proteínas para las que las probabilidades de oncogenes no estaban disponibles a partir CGPrio [34].
El subconjunto de proteínas selectivas 42 tumorales con OncoScore mayor que 0,7 se proporciona en la Tabla 1. No es sorprendente que su composición es altamente sesgada por quinasas de proteínas (52%), aunque también es una importante representación (21%) de factores de transcripción. De mención es sin embargo el hecho de que un par de receptores acoplados a proteínas G (GPCRs) se encuentran en este subconjunto oncogén altamente probable, es decir, el D (1A) del receptor de dopamina (DRD1) y el receptor de esfingosina-1-fosfato 1 (S1PR1) . GPCRs tradicionalmente se han considerado como los objetivos principales para las enfermedades del sistema nervioso central. Pero lo más interesante, la relevancia de los GPCRs en el descubrimiento de fármacos contra el cáncer fue revisado recientemente y el papel potencial de S1PR1 de relieve en particular [35].
Una mirada cercana a los 20 mejores clasificados en las proteínas presentes en la tabla 1 pone de manifiesto que la lista contiene proteínas que pueden ser un tanto inesperada desde el punto de vista de su relación con el cáncer colorrectal. Por ejemplo, el andrógeno (AR) y estrógeno (ambos ESR1 y ESR2) son conocidos receptores de hormonas nucleares para ser relevantes en los cánceres de próstata y de mama, y los derivados de plaquetas (PDGFRA) y epidérmico (EGFR), los receptores del factor de crecimiento de tipo alfa son reconocidos factores de angiogénesis. Sin embargo, estudios recientes sugieren un papel en la carcinogénesis intestinal por los receptores nucleares de los receptores generales [36] y factores de crecimiento [37], incluyendo precisamente AR [38], ESR1 [39], ESR2 [40], PDGFRA [41] y EGFR [ ,,,0],42]. PDGFRA, en particular, también es conocido por ser significativamente regulados hacia abajo en el cáncer de colon [33]. Además, existen más evidencias en la literatura de los fármacos que se dirigen principalmente a algunos de esos objetivos y que tienen un efecto sobre la proliferación de líneas celulares de tumores colorrectales humanos, incluyendo HCT116 [40], [43]. Entre ellos, el raloxifeno es un alto aglutinante afinidad de ambos ESR1 y ESR2 y se ha informado de inhibir el crecimiento de células HCT116 de una manera dependiente de la dosis [40] y afatinib es un inhibidor de EGFR potente que recientemente ha demostrado inhibir el crecimiento de células HCT116 líneas con un CI
50 valor de 1,62 M [43]. Estos ejemplos proporcionan un amplio apoyo bibliográfico a la relevancia en el cáncer de colon en busca de algunas de esas proteínas que habría sido de otro modo completamente por alto.
objetivos cancerosas Puede también sorprendente que actualmente reconocidos, como HSP90, no están presentes en la tabla 1. en este caso particular, el objetivo es de hecho que figuran en la lista completa de los 115 proteínas proporcionadas en la Tabla S1 pero con una baja OncoScore = 0,023. Es por lo tanto vale la pena destacar aquí que CGPrio [34] es un método de aprendizaje automático basado en las propiedades diferenciales de los genes del cáncer conocidos y en el supuesto de que los genes con propiedades similares (incluyendo la secuencia de conservación, dominios de la proteína y de las interacciones, y los datos de regulación) a conocida los genes del cáncer son más propensos a estar involucrados en el cáncer. Aquí se utiliza como un método de priorización, ya que se ha demostrado que un gran porcentaje de los nuevos genes de cáncer tienen altas probabilidades CGPrio [33], [34], pero no quiere decir que absolutamente todos los genes del cáncer comparten estas propiedades, y por tanto, bien puede haber algo de
de buena fe
objetivos de cáncer, como la HSP90, con una baja probabilidad CGPrio. A este respecto, la baja OncoScore obtenido para HSP90 sólo significa que, sobre la base de los conocimientos actuales sobre los genes del cáncer, HSP90 no comparte propiedades con el resto de los genes del cáncer para los cuales se dispone de información. En conjunto, estos resultados hacen hincapié en la aplicabilidad potencial del enfoque DIVISS como estrategia complementaria para la identificación de dianas de cáncer relevante.
a continuación, se utilizó el BioCarta recurso [44] para llevar a cabo un análisis de las principales vías de el cual estos 42 oncogenes altamente probables están involucrados. Un total de 131 vías se recuperaron, con 68 de ellos (52%) que tiene dos o más proteínas y sólo un 9 (7%) que contienen cinco o más proteínas. El último grupo está compuesto principalmente de las vías de señalización. Entre ellos, la vía de señalización MAPKinase contiene siete de esos oncogenes probables, es decir, BRAF, MAP2K1, MAP3K8, MAPK10, RAF1, STAT1, y TGFBR1, y el /vía de señalización de Erk1 Erk2 MAPK implica seis de ellos, a saber, EGFR, MAP2K1, PDGFRA, RAF1, SRC, y STAT3 (ver Tabla 1). Las 7 vías restantes son el péptido bioactivo inducida, EGF, y PDGF vías de señalización, la señalización del receptor del factor de crecimiento de hepatocitos, y los que definen el papel de ErbB2 en la transducción de la señal y la oncología, la CARM1 y la regulación del receptor de estrógeno, y el sumoylation por RanBP2 regula la represión transcripcional, toda la participación de 5 de estos oncogenes probables (Tabla 1). El vínculo entre algunas de estas vías y el cáncer ha sido ya reconocido en estudios anteriores [45], [46].
En los últimos años, la cantidad de
in vitro
datos disponibles públicamente en en el interacción de fármacos con múltiples proteínas ha aumentado dramáticamente [20] - [28]. El análisis de estos datos ha revelado que la mayoría de los fármacos contra el cáncer son agentes multitarget en lugar de moléculas selectivas [47]. De acuerdo con ello, tomamos la lista de los 115 objetivos afectados por compuestos selectivos en HCT116 y realizó una búsqueda para aquellos medicamentos que, con base en los datos de afinidad disponibles en la actualidad determinados experimentalmente [20] - [28], mostraría al menos micromolar de afinidad en el número más grande de esos objetivos. La Figura 6 recoge los resultados obtenidos para los 20 fármacos que tienen al menos una afinidad micromolar para proteínas selectivos más de 5 tumorales. Cabe destacar que 18 de esos medicamentos tienen cáncer como su principal indicación, 4 de los cuales se centran principalmente en las HDAC, mientras que el otro 14 tienen diferentes perfiles de afinidad sobre una amplia gama de quinasas. La presencia de la clorpromazina y la amitriptilina en esta lista, indicado para la psicosis y la depresión, respectivamente, y se dirigen principalmente a los GPCR en lugar de HDAC o quinasas, puede venir como una sorpresa en esta etapa. Sin embargo, en la línea de lo que se ha mencionado anteriormente acerca de la nueva percepción de los GPCRs en el cáncer [35], informes recientes indican que la clorpromazina, potencialmente a través de su acción en varios GPCRs selectivos de tumores, puede cambiar las propiedades afluencia de membranas y que esta propiedad hace que sea un compuesto quimiosensibilizantes prometedor para mejorar el efecto citotóxico de tamoxifeno, un antagonista del receptor de estrógenos, presente también en la lista de 115 proteínas selectivas tumorales [48]. Desde una perspectiva de drogas, estos resultados proporcionan apoyo adicional a la relevancia para el cáncer de las 115 proteínas identificadas.
Sólo se consideran afinidades superiores a 1 mM. El código de colores refleja pAffinity rangos: blanco 6-7; gris claro 7-8; gris oscuro 8-9; negro & gt; 9. Los códigos de color para los objetivos se refieren a las HDAC (amarillo), quinasas (naranja), y otra (verde).
Hay dos extensiones reconocibles a la versión del enfoque DIVISS que aquí se presenta. La primera extensión obvia es en el uso de otras líneas celulares. En este estudio en particular, HCT116 y MRC-5 líneas celulares se han tomado como modelos de tumores y líneas celulares sanas, respectivamente. Sin embargo, existen numerosas líneas de células tumorales humanas alternativos que se pueden utilizar en su lugar y los que a su vez puede compararse diferencialmente a varias líneas de células sanas, así [49]. En consecuencia, diferencial pantallas contra el cáncer en cada combinación particular de líneas de células sanas del tumor y lo hará, en principio, conducen a diferentes, pero complementarios, listas de objetivos con el cáncer relevante. La segunda extensión potencial está en la cobertura de los espacios más grandes químicos, un aspecto que es inherente a cualquier campaña de detección. El presente estudio se centró en una amplia selección de 30.000 moléculas del catálogo AMRI, que contiene actualmente más de 240.000 compuestos. El tamaño y la naturaleza de la biblioteca química utilizada en las pantallas de citotoxicidad diferencial determina esencialmente el número y la diversidad de los resultados de molécula pequeña identificado y que en última instancia, definir el tipo de objetivos que, por medio de
in silico
se dirigen a los perfiles, se asociarse selectivamente para cada línea celular.
Conclusiones
los sistemas celulares son implícitamente robusta y selectiva que actúa sobre un objetivo particular puede no ser la forma más eficaz de modular o interferir con ellos ya que el sistema puede siempre encontrar maneras de compensar la perturbación selectiva incorporado. En su lugar, la orientación múltiples objetivos esenciales en las células tumorales puede ser una estrategia más eficaz para hacer más difícil para el sistema de células para compensar todas las perturbaciones introducidas. De hecho, las evidencias recientes indican que la mayoría de los medicamentos contra el cáncer alcanzan su
in vivo
eficacia a través de la modulación de múltiples objetivos en lugar de interacción selectiva en un solo objetivo. La gran pregunta es entonces definir la firma proteína esencial de cada tipo de cáncer, por lo que se puede abordar a fondo por nuevos agentes terapéuticos del cáncer [50]. La estrategia DIVISS presentado aquí representa un enfoque chemocentric novedoso para la identificación de dianas farmacológicas cáncer relevante que complementa eficazmente otros bioinformática establecidos y enfoques funcionales [51], [52] y por lo tanto puede contribuir a aumentar la confianza en los posibles objetivos farmacológicos [53] .
Materiales y Métodos
selección de la biblioteca
el consorcio CancerGrid tenido acceso privilegiado a todo el catálogo de productos químicos en AMRI [17], que contiene actualmente 241.000 compuestos y se encontró particularmente relevante para propósitos de descubrimiento de fármacos en un análisis comparativo de 23 bases de datos del proveedor [54].