癌症生物學 科學報導 計算生物學

系統性尋找具有抗癌潛能的非癌症用藥 – PRISM方法

老藥新用的成功常是偶然,Broad Institute 為首的研究團隊開發出系統性的測試平台,將不同癌細胞株以特定 DNA 片段編碼並投以多種現有老藥,進一步運算分析細胞株中各基因 mRNA 表現與藥物致死之關聯,以釐清和預測各藥物抗癌機制。

簡稱為 PRISM(profiling relative inhibition simultaneously in mixtures)的方法,是透過將不同癌細胞株以特定 DNA 片段編碼(barcoded),而後對大量細胞株進行的藥物篩選的新技術。加入藥物後的癌症細胞株可能會受到藥物影響而死亡也可能存活,利用測量存活的細胞量,以生存力(viability)作為測定藥物作用差異的指標。透過這樣的新技術,以 Broad Institute 為首的研究團隊 [1],一口氣將 4518 種藥物對 578 種人類的癌症細胞株進行測試。透過分析這樣大規模測試的結果,該團隊發現有出乎意料多的非癌症用藥能夠選擇性的抑制部分癌症細胞株,且這樣的選擇性是能夠由癌症細胞株的分子生物學特性所預測的。

此次 Broad Institute 為首的研究團隊使用 PRISM 方法的概述 圖片來源:https://doi.org/10.1038/s43018-019-0018-6

其中,在選擇的藥物方面,皆出自該研究團隊先前所建立的老藥新用研究資源 [2],並有使用過液相層析資譜進行純度與成分的驗證。在 4518 種藥物中,有 74%(3350種)是在美國或歐洲獲准上市使用的或者正在進行臨床開發中的藥物。而剩餘 26%(1168種)的藥物則是已知部分生物活性的。若以用途來區分,77%(3466種)被測試的藥物是與癌症治療無關,剩下的則是化療藥(2%)或標靶藥(21%)。 在 Broad Institute 的研究團隊的測試分為兩階段:第一次篩選中,使癌症細胞生存力較差的藥物,才會進一步作測試。

Broad Institute 使用 PRISM 所測試的藥物種類與分佈 圖片來源:https://doi.org/10.1038/s43018-019-0018-6

為了分析 PRISM 所產生的大規模測試結果,該團隊選用兩種數據分析方式,分別是非監督式的 UMAP (uniform manifold approximation and projection)[3] 與監督式的 ATLANTIS (https://github.com/cancerdatasci/atlantis[4]。兩者中,UMAP是一個群集分析 (clustering) 與降維 (dimension reduction)演算法。PRISM利用 UMAP 分析的結果如下圖所示,可以看到具有類似作用機制 (mechanisms of action)的藥物有聚集在一起的傾向。有趣的是,這樣的現象不只發生在癌症用藥,也出現在非癌症用藥。更有一些我們認為功能性相同的藥物們,如內源性糖皮質激素受體活化劑 (glucocorticoid receptor agonist),分散出現在不同群集中,代表可能背後有一些生物機制的相關性存在。

利用 UMAP 分析 PRISM 產生的數據 圖片來源:https://doi.org/10.1038/s43018-019-0018-6

監督式的 ATLANTIS,則是一個基於隨機森林(random forest)的演算法。該團隊嘗試利用 ATLANTIS,使用細胞株的分子生物學特性作為特徵(feature),像是細胞譜系(cell lineage)、基因拷貝數(gene copy number)、功能損失(function damaging)、熱點突變(hotspot mutation)、錯義突變(missense mutation),對每一個藥物殺死細胞的能力進行預測。就結果來看,有 38 個非現行癌症用藥,在使用上述的分子生物學特性作為特徵產生的模型,會具有較高可預測性。其中,又以傳訊 RNA(messanger RNA)作為特徵的模型普遍具有較高的預測能力。

分析ATLANTIS所訓練出的多個模型中,預測能力較好者,所使用到的特徵 圖片來源:https://doi.org/10.1038/s43018-019-0018-6

藉由 PRISM 所產生的數據,預期將會是未來抗癌藥物老藥新用的重要研究資源,因此該團隊也將這些實驗結果,公開在網路上(https://depmap.org/repurposing/供各方使用,期望能達到拋磚引玉,促進癌症老藥新用研究的效果。

參考文獻:

  1. Corsello, S. M., Nagari, R. T., Spangler, R. D., Rossen, J., Kocak, M., Bryan, J. G., … & Wang, V. M. (2020). Discovering the anticancer potential of non-oncology drugs by systematic viability profiling. Nature Cancer, 1(2), 235-248. https://doi.org/10.1038/s43018-019-0018-6
  2. Corsello, S. M., Bittker, J. A., Liu, Z., Gould, J., McCarren, P., Hirschman, J. E., … & Asiedu, J. (2017). The Drug Repurposing Hub: a next-generation drug library and information resource. Nature medicine, 23(4), 405-408. https://doi.org/10.1038/nm.4306
  3. McInnes, L., Healy, J., & Melville, J. (2018). Umap: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426.
  4. Tsherniak, A., Vazquez, F., Montgomery, P. G., Weir, B. A., Kryukov, G., Cowley, G. S., … & Meyers, R. M. (2017). Defining a cancer dependency map. Cell, 170(3), 564-576 10.1016/j.cell.2017.06.010

撰文|蕭毅
審稿|魏廷燕

About the author

蕭毅

蕭毅

畢業於臺灣大學生醫電子與資訊學研究所,台大電機系與化學系雙主修,曾為台大iGEM代表隊成員,後陸續於美國農業圖書館、新加坡癌症研究中心實習。研究興趣為資訊科技在生醫研究上的應用。

Leave a Comment