掃碼聯系客服
1946年，Theodosius Dobzhansky發現并命名了“合成致死”效應。這個概念沉寂了51年后。1997年，在相關研究發現癌細胞攜帶有大量基因突變之后，福瑞德·哈金森癌癥研究中心的Stephen Friend敏銳地察覺到，這個“合成致死”的理念或許可以用到癌癥的治療中。
如今，癌癥靶向治療成為精準醫療的必然趨勢，但靶向治療的目標主要集中在癌癥突變的基因和通路上，這嚴重限制了藥物靶標的種類。利用了合成致死性這樣一種概念，即癌癥基因突變的存在通常與一種可以靶向治療的新脆弱性有關，可以幫助我們極大地擴展潛在癌癥藥物靶點的武器庫。生物信息學以及實驗還可以用來確定合成致命的相互作用。以此來進一步發現新的藥物靶標。
導致癌癥發展的突變同時也會帶來可以用于治療的弱點，癌癥的藥物治療也是依賴于這樣一種觀念。大規模的癌癥基因組測序工作已經對各種癌癥類型的突變進行了分類，可以借此對癌癥的脆弱性進行探索。這些基因改變包括功能獲得突變(基因擴增、易位或突變)和功能喪失突變(基因功能因誤義突變或缺失而受損)。
功能獲得性突變一直是癌癥攻克中在開發靶向癌癥藥物時高度關注的主題。已經開發了一些針對被激活的突變驅動癌基因的癌癥藥物，如HER2、BCR-ABL、EGFR和BRAF 。這些藥物針對的是因致癌突變而異常激活的信號蛋白。這種對致癌驅動通路的依賴的治療方法通常被稱為致癌基因依賴。
從藥物研發的角度來看，功能突變的缺失更難處理，對于許多已被證明無法用藥的癌基因來說也是如此，如MYC轉錄因子和RAS蛋白。因此，需要采取替代策略來針對這些類型的致癌基因引起的脆弱性。合成致死率則提供了為間接非藥物作用靶點施藥的可能。
合成致死性指的是一種遺傳原理，即兩種基因干擾的組合是致命的，而單獨的每一種都不是。
在進化過程中，細胞信號中出現了許多反饋回路，以在細胞外環境發生變化時維持細胞內穩態。當一個基因被抑制時，由于另一個基因可以在功能上補償或替代它，信號傳遞中的這種補償保證了細胞能夠存活。然而，抑制這些代償基因可能會在第一個基因突變時特異性地誘導細胞死亡，而不會影響缺這種突變的細胞的生長。同樣，當一個信號通路的抑制導致介導生存的第二個通路的激活時，同時抑制這兩個通路可由于合成致死相互作用而導致細胞死亡。
目前還不清楚人類細胞中存在多少人工合成的致命基因對。在標準培養條件下，大約2000個基因對人類細胞存亡至關重要。
在抗癌藥物開發的背景下，合成致死性有兩個重要方面。
（1）首先，帶有致癌驅動基因突變的合成致死基因不一定會在癌癥中發生突變。因此，腫瘤細胞中合成致死相互作用的開發可能會顯著增加腫瘤藥物靶點的數量。失去腫瘤抑制基因的細胞可能會對另一種可能不是致癌基因的基因產生更大的依賴，這種現象被稱為非致癌基因依賴。
（2）其次，當與第一種藥物合成致死的第二種藥物聯合使用時，相比作為單一藥物，其臨床活性的藥物效果可以大大增強。研究人員討論應用合成致死性的概念，以發展新的(和組合)癌癥治療。
在這種基因篩選中，可以使用所謂的“等基因細胞系”，即只在單一突變上有差異的細胞對，來尋找那些失活只殺死突變細胞的基因。
另一種方法是，通過恢復具有突變基因的細胞的正常基因功能，為合成致死率篩選一個等基因細胞對。
致死相互作用的實驗測定是基于識別基因，在失活后，在特定的基因型背景下顯示致死表型。有很多方法識別基因型，可以干擾單個基因的表達，或可用于大規模篩選。其中包括：
短干擾rna (sirna)庫、短發夾rna (shRNAs)庫，以及最近用于Crispr/Cas9基因組編輯的大量引導rna (gRNAs)庫。
所有這些技術都可以應用于高通量篩選模式，既可以用在單個池中分析每個基因或每個試劑，也可以應用于混合模式，即數千個載體組合在一個池中。
匯集篩選：定量地比較了長時間培養前后人群中個體shrna或gRNAs的相對豐度，無論是否存在(藥物)選擇。那些針對基因的shrna或gRNAs在失活后都會導致致命表型將從種群中消失。
通過高通量測序可以確定每個個體shRNA或gRNA的豐度，并可以確定不同種群之間的變化或損耗。
聯合篩選的優點是可以相對容易地篩選大量的shrna或gRNAs。這一點很重要，因為每個基因需要多個shRNA或gRNA，因為每個shRNA或gRNA的基因失活效率差異很大，與特定序列相關的脫靶效應可能會導致假陽性。因此，根據給定基因的多個不同shrna或gRNAs的行為選擇基因作為命中點是很重要的。
此外，有人可能認為shrna介導的敲除會更接近于藥物的效果，因為大多數藥物不會完全和持續地抑制它們的靶標。將這些基因視為有吸引力的治療靶點是否現實，仍是一個懸而未決的問題。重要的是要強調，shrna也可以有顯著的脫靶效應，使篩選結果的解釋復雜化。
這個問題的一個潛在解決方案是通過使用CRISPR干擾(或CRISPRi)來創造一個最小脫靶效應的擊倒。這個方法利用催化失活性突變體CAS9 (dCAS9)融合到KRAB轉錄抑制域，并結合針對特定基因啟動子區域的gRNAs。CRISPRi也可以被設計成dCas9或gRNA的誘導表達。這種方法有利于篩選中必要基因的識別，因為在篩選時可以誘導基因敲除。
在腫瘤抑制基因的情況下，合成致死相互作用的鑒定是基于兩個基因表達的同時丟失。當篩選等基因細胞系對時，單個感興趣的基因要針對一個大的(全基因組)基因集合進行測試。一些技術平臺，包括shRNA和CRISPR/Cas9，已經開發出來，可以在單個細胞中同時失活兩個(甚至更多)基因。這種組合篩選可以在大量基因中生成多種不同人類細胞類型的遺傳基因相互作用圖。
因為在癌癥和一般疾病中尋找合成致死相互作用是一項令人生畏的實驗任務，所以人們提出了許多方法來在生物信息學中實現這一預測。
半機械途徑模型是預測的一種，其中包括研究細胞中特定途徑或過程的方法，這些途徑或過程總是由癌癥類型和相關驅動基因決定的。這些方法的建立基于一些先驗知識。雖然這些模型的范圍有限，但它們的目標是捕捉少量路徑內部和之間更復雜的線路模式。一旦這樣的模型建立起來，就可以在生物信息學中研究合成致死相互作用。例如，Klinger等人(2013)應用了一種模塊化響應分析的突變體來確定在結直腸癌中MAPK抑制時EGFR的反饋激活。類似地，也有預測模型被用于檢測AGS胃癌細胞的合成致死相互作用(Flobak et al. 2015)。它模擬預測了五種協同作用，其中四種也得到了實驗驗證。包括已知的MEK AKT或MEK PI3K相互作用，以及涉及TAK1 AKT和TAK1 PI3K的新組合。
代謝網絡模型包括專門使用代謝圖的方法(Duarte等人，2007)，并通過組合生物信息學來研究合成致死作用和合成劑量致死作用。在合成致死的一對實驗中，一方的過度活躍使另一方變得必不可少。在代謝網絡方法中，通常將代表正常細胞的代謝網絡中一個敲除與代表癌細胞的網絡中進行相同的敲除進行對比。為了對后者進行建模，需要使用高通量分子數據，如基因表達數據，來識別特定癌癥類型中異常影響的代謝反應。
第三類包括生物信息學在各種各樣的大型基因-靶點-藥物網絡(或這些網絡的組合)上的應用。這些方法包括
DrugComboRanker，它整合疾病網絡和藥物功能網絡，然后利用疾病和藥物網絡的聯合結構來識別由于疾病網絡中的靶向模式而可能協同作用的藥物。
TIMMA(目標抑制相互作用使用最大化和最小化平均法)利用親和力測量得出的藥物-靶點網絡，并將其與大規模細胞系藥物篩選相結合，以確定可能協同作用的靶點組合和相關藥物組合。
Zhao等人(2011)開發了一種機器學習方法，通過使用一種藥物靶點相互作用網絡STITCH (Search Tool for interaction Chemicals)，并將其與感興趣的藥物集的性質(特征)相結合，如靶點和適應癥，來預測協同藥物組合。它們檢測在已批準的藥物組合中豐富的特征模式(特征組合)，可以預測新藥組合，并提供關于聯合治療的機制見解。
最后一類是基于綜合致死率的普遍原則對大規模數據集進行數據挖掘的方法，具體來說，是關于如何在癌癥細胞的分子模式中挖掘出來。與其他類別的方法相比，這些方法不依賴于在路徑圖或網絡中捕獲的先驗知識。
DIGRE(藥物誘導基因組殘留效應)計算模型：DIGRE(藥物誘導基因組殘留效應)計算模型是2014年DREAM表現最好的方法，旨在預測協同藥物組合。該方法利用細胞系在一組藥物存在下的基因表達譜，然后利用藥物誘導基因表達譜的概念來預測協同作用。具體來說：
通過明確建模藥物反應曲線和藥物治療后基因表達變化來預測藥物聯合效應。使用兩個數據集來評估DIGRE的預測性能:
(i) OCI-LY3 b -淋巴瘤細胞與14種不同藥物治療。
(ii) MCF乳腺癌細胞與不同劑量的吉非替尼和多西他賽聯合治療。.
在兩個數據集中，預測的藥物聯合效應與實驗結果顯著相關。結果表明，該模型可用于預測藥物聯合作用，這將極大地促進新的、有效的多藥物治療方法的發現。
LOBICO：癌癥藥物敏感性基因組學小組使用了對265種藥物進行篩選的1001個癌細胞系來開發LOBICO(邏輯優化二進制輸入到連續輸出)，這是一種基于分子數據預測單一藥物反應的方法。LOBICO是一個基于邏輯的模型，它選擇少量的分子特征，并將這些特征組合成一個邏輯公式來預測藥物反應。
基因型選擇性合成致命性利用了這樣一個概念，即癌細胞獲得突變幾乎總是與可以靶向治療的新弱點有關。這些缺陷可能是由于無法對特定信號作出反應，如DNA損傷或細胞周期阻滯，或無法維持細胞內穩態。這種方法的明顯優勢是，正常細胞缺乏這種突變，因此，不能對合成致死藥物靶點顯示出更高的敏感性。
舉個例子：
BRCA1和BRCA2基因的遺傳性功能缺失突變易導致乳腺和卵巢腫瘤的發生。由于BRCA基因產物在雙鏈DNA斷裂修復過程中具有同源重組(homologous recombination, HR)的作用，因此推測抑制額外的DNA修復系統在BRCA基因功能喪失的情況下可能是致命的。并且已經證實，在堿基切除修復中起作用的多聚(adp -核糖)聚合酶(PARP)的抑制劑被發現在BRCA1和BRCA2基因突變中具有強合成致死力。
經過積極的臨床研究， 2014年底，PARP抑制劑奧拉帕尼被批準用于治療brca突變的卵巢癌。同源重組功能缺失的腫瘤對PARP抑制劑敏感的概念表明，失去了參與同源重組的其他酶的細胞也會對PARP抑制異常敏感。編碼基因RAD51、RAD54、DSS1、RPA1、NBS1、ATR、ATM、CHK1、CHK2、FANCD2、FANCA或FANCC的缺陷也賦予了PARP抑制的敏感性。總的來說，由同源重組缺陷引起的表型被稱為brcess，并且很可能所有表現出這種表型的細胞都會對PARP抑制產生反應。證實了合成致死性在臨床治療方面具有重要指導意義。
唯一一種基于合成致死相互作用被批準用于臨床的藥物是PARP抑制劑，用于治療brca突變癌癥。然而，相當多的臨床試驗正在進行中，利用在實驗室中確定的合成致命相互作用。基于上述BRAF和EGFR抑制劑之間的合成致死相互作用，一些試驗正在進行中，包括編號為01719380,01750918和01791309的國家臨床試驗。在kras突變型癌癥中，MEK抑制劑和panHER抑制劑之間的合成致死相互作用也有多個試驗，包括編號為02039336、02230553和02450656的國家臨床試驗。許多研究人員已經預見到使用合成致命性基因篩查來識別藥物組合和發現特定基因型癌癥的特定弱點的巨大潛力。為了確定這種合成的致命相互作用，理解信號通路之間的串擾是很重要的，它經常混淆簡單的基因型藥物反應關系。正如上面所討論的，仍需要花費大量的努力來繪制癌細胞中的信號反饋和串話電路，以確定信號通路之間的相互依賴關系，這將有助于加速合成致命藥物組合的合理設計。
PARP抑制劑在癌癥治療中的臨床評估。基于合成致死率概念的PARP抑制劑主要針對brca1 /2突變的生殖系腫瘤。各種PARP抑制劑已被監管機構批準，如美國食品和藥物管理局(FDA)和歐洲藥品管理局(EMA)，用于治療brca突變的乳腺癌、胰腺癌和卵巢癌患者。奧拉帕尼目前正在進行2期臨床試驗，用于治療晚期去勢抵抗性前列腺癌。
合成致死對癌癥研究有重要影響。合成致死率的概念為癌癥治療的發展開辟了一條新的途徑，即在識別出癌癥特異性突變后，靶向合成致死目標。隨著越來越強大的工具和應用合成致死概念，藥物靶點和遺傳背景的確定無疑將是一種有效的治療選擇和患者的變革機會。不斷發展的CRISPR篩選技術有可能解決腫瘤在初級耐藥中的異質性和在次級耐藥中的基因突變。多種抑制劑正在開發和測試的各個階段，因此也需要仔細考慮機制，以最大限度地發揮這些藥物的潛力。盡管這些方法具有巨大的潛力，但在從發現藥物靶點到臨床使用這些有效藥物的過程中仍存在一些障礙。合成致命性為現在和未來的應用提供了更廣泛的可能性。
在了解了合成致死性與研究人員以往對其的研究方法和進展之后，我們今天來介紹一篇去年8月最新見刊《Theranostics》（if=11.556）的一篇合成致死相互作用的文章，這篇文章介紹了與先前研究不同的研究方法和角度來分析肝癌合成致死相互作用的基因圖景《Mapping the landscape of synthetic lethal interactions in liver cancer》
目前幾乎所有針對肝癌的治療方法都是基于“一刀切”原則，只能提供有限的生存益處。幸運的是，合成致死(SL)可能為肝癌的個體化治療提供了另一種途徑。兩個基因同時丟失對一個細胞來說是致命的，而一個基因丟失則是非致命的，這一概念可以被用來選擇性地消除具有基因畸變的腫瘤。
本研究采用的SiLi是一個計算管道，用于使用高通量臨床數據集從統計上推斷候選SL交互，借鑒了一些以前的方法經驗。該計算管道包括5個推理步驟:
(1)功能相似性分析，
(2)差異基因表達分析，
(3)兩兩基因共表達分析，
(4)兩兩生存分析，
(5)秩聚合分析。
研究人員發現CDC7抑制劑可以選擇性地抑制tp53突變型肝癌細胞株的生長和增殖，提示兩者之間可能存在SL相互作用TP53和CDC7在肝癌中的作用(圖A)。通過利用這一發現，我們可以簡單地舉例說明SiLi的實際應用，并檢驗用于SiLi發展的理論假設是否適用于這種真實的SL交互。功能相似度分析則給出了TP53-CDC7對的FS評分為0.654，高于研究人員設定的閾值(0.5)(圖B)。CDC7在TP53突變體和TP53野生型樣品中的表達差異分析表明，兩組間存在顯著差異，在TP53突變體樣品中CDC7的表達高于TP53野生型樣品(圖C)。共表達分析顯示TP53與CDC7顯著正相關， Spearman相關系數值(0.187)也高于研究人員的閾值(0.15)(圖D)。在兩兩生存分析中，研究人員觀察到TP53和CDC7共同失活的患者的生存結果明顯好于沒有共同失活的患者(圖E)。總的來說，這些分析結果不僅直觀地展示了SiLi的流程，也在一定程度上證明了SiLi管道設計的合理性。
為了確定候選驅動因素，研究人員對目前最全面的肝癌元數據集應用了一種基于網絡的方法DriverNet，該方法包括了來自4個臨床隊列的849名肝癌患者，其中有表達和突變數據(圖A)。該分析共得到34個q < 0.05的基因。其中,至少在之前的一項研究中，已有25個基因(73.5%)被報道為驅動候選基因，這證明了預測的可靠性(圖B)。每個子類都有不同的突變特征。NBS1和NBS2的TSG突變比例較高(TSG的鑒定見下)，包括TP53、AXIN1、RB1、BAP1和BRD7，而NBS3的特點是CTNNB1突變頻率高，TSG突變頻率低(圖C)。基于這一結果，將NBS1和NBS2定義為tsg富集子類。NBS的分類也與之前報道的基于轉錄組的分類有關。此外，生存分析顯示，NBS三亞類患者的生存預后差異有統計學意義，NBS1的預后較NBS2 和NBS3 較差(圖3D)。
SL相互作用的鑒定結果。(A) 272個TSG(腫瘤抑制基因)-DT(藥物靶標)相互作用的二部網絡。節點大小與節點度成正比。只有RAS分數最高的前30對TSG-DT配對被標記在圖上。(B) 165個TSG - DT -藥物相互作用的二部網絡。對于內層的節點，節點大小與節點度值成正比。對于外層節點，節點大小與交叉分響應分析的折疊變化值成正比。圖中只標注了變化倍數最高的前30對tsg - dt藥物對。
驅動基因可以進一步分為兩類:TSGs(腫瘤抑制基因)和致癌基因。TSGs的大部分改變導致基因功能的喪失，而癌基因的改變往往是功能獲得突變。這兩個驅動基因類之間的功能差異可能導致推斷其SL伴侶的不同策略。
272對TSG-DT中有209個獨特的靶基因。為了評估這些基因的臨床和生物學意義，研究人員使用來自元數據集的臨床數據以及來自CRISPR和RNAi篩選的基因依賴數據進行了綜合分析。與209個目標相關的生物過程首先進行了富集分析。大多數顯著富集的過程，如E2F靶點、G2M checkpoint、MYC靶點V1等，都與細胞增殖相關，且與SL伙伴的功能基本一致(圖A)。然后，研究這些基因在腫瘤組織和正常組織中的表達差異。通過調整閾值鑒定差異基因。 如預期的那樣，所有的差異靶基因在腫瘤組織中的表達水平都高于正常組織(圖B)。Cox比例風險回歸分析也用于揭示其與生存結果的相關性。結果表明，209個顯著基因(207個)均與不良預后相關(圖C)。此外，還探討了靶基因在肝癌細胞系中的依賴性。研究人員首先生成一個大小相同的隨機基因集(209)，然后比較目標集和隨機集的依賴分數。與使用crispr數據(圖D)或rnai數據進行比較的隨機組相比，目標組的依賴分數顯著降低(圖E)。TP53和PLK1共同參與細胞周期過程(圖F)。為了描述肝癌中TP53和PLK1的關系，研究人員分析了PLK1在TP53-突變型和TP53-野生型肝癌細胞株上的依賴性得分(圖G和H)。
目前有許多針對PLK1的小分子抑制劑。生物信息學分析結果表明，TP53突變可導致腫瘤對多種PLK1抑制劑治療的敏感性提高(圖A)。圖B顯示了這些PLK1抑制劑目前的臨床狀態和靶向特異性。其中，volasertib因其臨床晚期、靶向特異性高而被選擇進行進一步的實驗驗證。
首先使用9個肝癌細胞株進行長期細胞增殖試驗(圖C)。定量結果顯示，在不同濃度處理條件下，volasertib對tp53突變株的抗腫瘤活性均強于對tp53野生型細胞株(圖D)。研究人員進一步進行了基于ctb的短期活力測定來驗證這一結果。可以觀察到，突變型tp53細胞株的細胞活力明顯低于野生型tp53細胞株，這與長期檢測結果一致(圖E)。除了volasertib，另一種PLK1抑制劑GSK461364也被用于進行額外的驗證。同樣，GSK461364處理對tp53突變型細胞的抑制活性也優于tp53野生型細胞，這進一步證明了研究人員研究結果的可靠性。同時，為了探索PLK1抑制劑對凋亡通路的影響，研究人員進行了caspase 3/7檢測，其中凋亡激活與綠色熒光強度成正比(圖F)。突變的TP53細胞株比野生型TP53細胞株表現出更強的綠色熒光，提示PLK1抑制劑可能在TP53突變時具有更強的誘導凋亡的能力(圖G)。總之，生物信息學預測和體外實驗的一致結果證明了靶向PLK1治療肝癌的潛力。
在本研究中，利用來自臨床隊列和功能基因篩查的公開數據，研究人員全面研究了PLK1在肝癌中的潛在治療作用。顯著的臨床意義和高度的細胞依賴性都表明PLK1可能是一個有前途的肝癌治療靶點。比較tp53突變體和tp53野生型樣本對幾種PLK1抑制劑的估計藥物反應，發現與tp53野生型相比，在tp53突變體組PLK1抑制劑的AUC值更低(敏感性更高)。考慮到預測的藥物反應不能代表實際情況，研究人員進一步進行了9個肝癌細胞株的體外實驗，以驗證在生物信息分析上的結果。正如預期的那樣，實驗結果與計算結果很好地吻合，共同證明了抑制PLK1有潛力成為一種新穎的、選擇性的抗肝癌策略。
1.Roderick L. Beijersbergen, Lodewyk F.A. Wessels, and Rene Bernards 《Synthetic Lethality in Cancer Therapeutics》 doi：10.1146/annurev-cancerbio-042016-073434
2.Win Topatana , Sarun Juengpanich , Shijie Li, Mingyu Chen and Xiujun Cai《Advances in synthetic lethality for cancer therapy: cellular mechanism and clinical translation》 doi：10.1186/s13045-020-00956-5
