Informations

Définition des seuils de résistance et de sensibilité pour IC50


J'ai un ensemble de données contenant des données IC50 pour chacune de mes lignées cellulaires et jusqu'à 80 médicaments. Fondamentalement, pour chaque médicament, je veux pouvoir définir un seuil IC50 où si une lignée cellulaire a une IC50 supérieure à ce seuil, elle est résistante, et si elle est inférieure à ce seuil, elle est sensible.

J'essaie de réfléchir à la meilleure façon de procéder : je pensais prendre la médiane pour chaque médicament comme seuil, mais je me rends compte que c'est assez grossier. Existe-t-il des techniques statistiques plus robustes que je pourrais utiliser pour définir un tel seuil pour chaque médicament ?

Merci!


Vous voudrez peut-être voir la distribution des IC50. Si la majorité n'obtient pas de résistance, l'histogramme peut montrer une distribution normale. Vous sauriez alors où se répartissent moins de 5 % ou 1 % de la population. Si vous avez quelques lignées cellulaires reconnues comme résistantes au produit chimique, vous pouvez les utiliser pour déterminer le seuil.

PS

Chaque médicament a un dosage efficace différent. Vous ne pouvez pas tracer le même seuil pour différents médicaments. Si vous avez beaucoup de lignées cellulaires, vous pouvez appliquer la stratégie que j'ai mentionnée ci-dessus pour un seul médicament.


IC50 a une définition exacte, c'est-à-dire la concentration inhibitrice demi-maximale. Pour obtenir cela, vous devez faire une série de dilutions de chacun de vos médicaments et tester vos lignées cellulaires à chaque concentration et évaluer leur croissance (par exemple, mesurer la densité optique, la taille de la colonie, le nombre de cellules ou tout ce qui s'applique à vos cellules et à votre configuration). Ensuite, vous pouvez mettre en place une courbe d'inhibition qui est fonction de la concentration. Cela ressemble très probablement à une courbe sigmoïde et le point d'inflexion vous donne la valeur IC50.

Un exemple d'image de la page wikipedia de IC50 (recommandé à lire):

Donc, dans votre cas, vous avez déjà des valeurs IC50 (pour les types sauvages je suppose), et vous devez évaluer vos lignées cellulaires (probablement mutantes ?) pour voir si elles sont sensibles ou résistantes. La pratique standard de laboratoire recommande d'utiliser des contrôles de type sauvage et au moins 3 contrôles parallèles. Vous pouvez comparer la croissance moyenne des WT à votre lignée cellulaire à la concentration IC50 que vous avez déjà obtenue dans votre ensemble de données, et calculer l'écart type et l'intervalle de confiance à 95 %. Avec une certaine simplification, si l'IC à 95% de votre lignée cellulaire est supérieur à l'IC à 95% du poids, il est fort probable que votre lignée cellulaire soit résistante à ce médicament, par contre si elle est inférieure, cette lignée cellulaire est sensible au médicament. Dans la question.


Sensible, intermédiaire et résistant – L'intensité de l'action antibiotique

À ce jour, la résistance des agents infectieux a été évaluée selon des critères très variables selon les pays. Par conséquent, les données publiées sur la résistance ne peuvent souvent pas être comparées de manière significative. En Allemagne, différents laboratoires peuvent potentiellement rapporter des résultats différents pour des micro-organismes identiques, car il n'existe pas de système uniforme de catégorisation. Cette situation n'est pas satisfaisante.

Méthodes

Revue sélective de la littérature et évaluation des rapports des comités.

Résultats

La nouvelle norme ISO 20776 pour la détermination de la résistance des agents infectieux et le système d'évaluation harmonisé de la Société européenne de microbiologie clinique et des maladies infectieuses fournissent une nouvelle base pour les tests de sensibilité. La catégorisation des agents infectieux comme « sensibles », « intermédiaires » ou « résistants » à des antibiotiques particuliers deviendra plus fiable et sera cohérente dans toute l’Europe.

Discussion

Pour un certain nombre d'antibiotiques, les critères d'évaluation des agents infectieux comme « sensibles », « intermédiaires » ou « résistants » changeront. La comparabilité avec les données de résistance antérieures sera compromise. Cependant, les nouveaux critères d'évaluation reflètent les connaissances actuelles sur la pharmacocinétique et la pharmacodynamique des substances antimicrobiennes.

Au laboratoire de microbiologie, les organismes infectieux identifiés sont généralement testés pour leur degré de résistance à diverses substances anti-infectieuses afin d'éviter l'administration de traitements inefficaces. Le médecin traitant est généralement informé des résultats du test avec un rapport dans lequel l'activité des médicaments individuels contre l'organisme isolé est classée par l'un des trois termes « sensible » (terme antérieur : « sensible »), « intermédiaire » et « » résistant." Ces informations peuvent être utilisées pour optimiser le traitement pour le patient individuel, tandis que, dans l'ensemble, les données de ce type peuvent être utilisées pour former une image du degré de résistance à chaque médicament dans la population en général. Ce dernier est, à son tour, un critère important dans le choix des antibiotiques pour le traitement initial ("empirique") des maladies infectieuses (1, 2). Comme cela sera décrit dans cet article, le système de classification de l'efficacité des antibiotiques a récemment été modifié pour permettre la détection de davantage de mécanismes de résistance et pour mieux prendre en compte les récentes découvertes dans la pharmacocinétique et la pharmacodynamique des agents chimiothérapeutiques antimicrobiens. Le degré de certitude de l'évaluation a également été amélioré.

Cet article de synthèse décrira les éléments de base dans la détermination de la résistance aux médicaments des organismes infectieux et soulignera les changements majeurs qui ont été récemment introduits dans une tentative d'unifier les critères d'évaluation à travers l'Europe. Il se fonde sur une revue sélective de la littérature pertinente et rend compte des résultats des sessions de travail de trois comités concernés : le groupe de travail CEN/ISO (Comité Europພn de Normalisation/International Organization for Standardization), le le sous-comité DIN sur les méthodes d'essais chimiothérapeutiques et l'EUCAST (Comité européen sur les tests de sensibilité aux antimicrobiens).


Possibilités d'accès

Obtenez un accès complet au journal pendant 1 an

Tous les prix sont des prix NET.
La TVA sera ajoutée plus tard dans la caisse.
Le calcul des taxes sera finalisé lors du paiement.

Obtenez un accès limité ou complet aux articles sur ReadCube.

Tous les prix sont des prix NET.


2. Matériels et méthodes

2.1 Données

Les données de criblage de médicaments et les données transcriptomiques des lignées cellulaires ont été obtenues auprès de Genomics of Drug Sensitivity in Cancer (GDSC) [11] et de Cancer Cell Line Encyclopedia (CCLE) [12]. La concentration molaire d'un médicament nécessaire à la demi-inhibition de la croissance cellulaire (IC50) ainsi que les informations moléculaires des lignées cellulaires dans GDSC et CCLE, telles que les profils d'expression génique, la mutation et la variation du nombre de copies ont été téléchargées à l'aide du package PharmacoGx R [13] . Les valeurs de concentration maximale pour les médicaments ont été obtenues sur le site Web du GDSC http://cancerrxgene.org.

Le GDSC contient 439 médicaments et 1124 lignées cellulaires, cependant, certaines valeurs IC50 n'ont pas été insérées dans le GDSC. Par conséquent, nous avons purifié les données en utilisant des étapes de pré-traitement similaires à plusieurs travaux précédents [5, 9, 14, 15]. Après avoir appliqué les étapes de pré-traitement des données, nous avons obtenu 555 lignées cellulaires et 98 médicaments.

De plus, l'ensemble de données CCLE contient les informations pour 24 médicaments. Il convient de noter que nous avons besoin des valeurs de concentration maximale pour les médicaments. Par conséquent, selon les études précédentes [4], nous limitons l'ensemble de données du CCLE sur les médicaments que leurs valeurs de concentration maximale peuvent être obtenues sur le site Web du GDSC. L'ensemble de données final du CCLE, après avoir appliqué les étapes de prétraitement, contient 363 lignées cellulaires et 18 médicaments.

En plus des informations mentionnées, les descripteurs PaDel des médicaments dans PubChem [16] ont été extraits à l'aide du package rdkit en Python [17]. Les protéines cibles pour les médicaments ont été obtenues à partir des bases de données GDSC et DrugBank [18] ainsi que de la littérature. Les informations d'interaction pour les protéines et les médicaments sont obtenues à partir des bases de données STRING [19] et STiTCH [20].

2.2 Prétraitement

Nous construisons trois types de matrices pour évaluer les données recueillies. La première matrice est la matrice de réponse qui contient les informations de réponse au médicament. Les lignes de la matrice de réponse correspondent aux lignées cellulaires et ses colonnes sont liées aux médicaments. Les éléments de la matrice de réponse sont soit les valeurs IC50, soit les étiquettes de sensibilité. Le deuxième type de matrices est celui des matrices de caractéristiques de lignées cellulaires, dans lesquelles les lignes appartiennent aux lignées cellulaires et les colonnes représentent différentes caractéristiques. Le dernier type de matrices est celui des matrices de caractéristiques de médicament, dans lesquelles chaque ligne représente un médicament et les caractéristiques de médicament sont organisées en colonnes. Après avoir construit ces matrices, des étapes de prétraitement leur ont été appliquées afin d'imputer les valeurs manquantes, de supprimer les échantillons avec des informations significativement faibles, de calculer les similitudes de lignées cellulaires et de médicaments et de rendre les données adaptées à la méthode proposée. La procédure de prétraitement comprend les quatre étapes suivantes :

  • Imputation des valeurs manquantes
  • Conversion des valeurs IC50 en catégories binaires
  • Calcul de similarité
  • Standardisation et normalisation

Ces étapes sont détaillées dans les sous-sections suivantes.

2.2.1 Imputation des valeurs manquantes.

Il existe de nombreuses valeurs manquantes dans la matrice de réponse IC50, la matrice de caractéristiques de lignée cellulaire basée sur la variation du nombre de copies et la matrice de caractéristiques de lignée cellulaire basée sur le profil de mutation. Afin d'éliminer les échantillons qui présentent un manque important d'informations, nous avons omis les médicaments dont la CI50 manque pour plus de la moitié des lignées cellulaires. De plus, nous avons supprimé les caractéristiques des lignées cellulaires qui ont les valeurs manquantes pour la majorité des lignées cellulaires. Par la suite, nous avons exclu les lignées cellulaires avec des entrées manquantes pour plus de la moitié des colonnes de chacune de ces matrices. Néanmoins, il y avait encore des valeurs manquantes dans les matrices. Par conséquent, nous avons imputé ces entrées manquantes en utilisant une moyenne pondérée des autres entrées. Si nous n'avons pas omis les échantillons avec un manque significatif d'informations et essayé d'imputer d'abord toutes les entrées manquantes, les informations obtenues ne seraient pas très fiables. Le pourcentage de données imputées doit être suffisamment faible pour maintenir l'authenticité des données. Par exemple, dans le cas de l'ensemble de données GDSC, la matrice IC50 brute contient environ 49 % de valeurs manquantes. Après avoir éliminé les médicaments et les lignées cellulaires avec une grande étendue de valeurs manquantes, la matrice IC50 obtenue ne contient que 2,7% de paires manquantes. L'imputation d'une fraction de données aussi limitée n'endommage pas l'authenticité des données.

Nous avons utilisé la stratégie suivante pour imputer les valeurs manquantes restantes, ce qui est similaire à la procédure d'imputation utilisée dans les études précédentes. [5, 14]. Laisser E(cje) être le profil d'expression génique de la lignée cellulaire cje et je(cje, j) être la valeur IC50 pour les lignées cellulaires cje contre la drogue j. La valeur manquante pour je(c, ) est imputé comme l'équation 1. (1) (2) où ||.||2 est la norme-2 et N(c) est l'ensemble des indices pour les lignées cellulaires qui sont les k voisins les plus proches de la lignée cellulaire c par rapport à la fonction de distance . Nous avons considéré k = 10 pour imputer les valeurs manquantes dans GDSC et CCLE.

De plus, les entrées manquantes dans les matrices de variation du nombre de copies et de mutation sont imputées de la même manière. Laisser V(c, g) et M(c, g) être la variation du nombre de copies et le statut de mutation du gène g dans la lignée cellulaire c. Les valeurs manquantes pour V(c, g) et M(c, g) sont imputées selon les équations 3 et 4, respectivement. (3) (4) Il convient de noter que les profils d'expression génique des lignées cellulaires sont pris en compte pour le calcul de la distance de l'échantillon car la matrice des caractéristiques de la lignée cellulaire basée sur les profils d'expression génique ne contient aucune valeur manquante. Par conséquent, la fonction de distance peut être calculé pour toutes les paires de lignées cellulaires.

2.2.2 Convertir les valeurs IC50 en catégories binaires.

La CDSML nécessite des réponses médicamenteuses discrètes pour classer les paires lignée cellulaire-médicament. De nombreuses études ont divisé les valeurs IC50 en classes sensibles et non sensibles [3–5, 14, 21]. Actuellement, divers seuils (??) sont utilisés pour convertir les valeurs IC50 en classes de sensibilité/résistance. Dans plusieurs études, un seuil fixe est utilisé pour convertir les valeurs IC50 en étiquettes binaires. Par exemple, Brubaker et al. [22] utilisé ?? = 0,1 et Chang à al. [21] utilisé ?? = -2. Certaines études ont utilisé des seuils statistiques tels que la médiane médicamenteuse [5, 14], la distribution gaussienne mixte [3, 23] ou un certain écart par rapport à la moyenne normalisée [24] comme seuil. Alors que d'autres ont utilisé des seuils pharmacocinétiques fiables tels que la concentration maximale de médicaments (Cmax) [4].

Parmi les différents seuils utilisés pour l'attribution d'étiquettes aux valeurs de réponse au médicament, Cmax est plus logique puisqu'elle est basée sur les propriétés pharmacocinétiques du médicament. Cmax est la concentration maximale (pic) dans le plasma, qui est atteinte par un médicament. Par conséquent, il est évident que si une lignée cellulaire nécessite une concentration molaire de plus de Cmax d'un médicament pour la moitié de l'inhibition, il est résistant au médicament.

Les lignées cellulaires de la base de données GDSC sont spécifiées comme sensibles et résistantes à un médicament, en utilisant Cmax seuils [11]. Pour expliquer clairement l'attribution des étiquettes aux valeurs IC50, supposons qu'il y ait m lignées cellulaires et m drogues et Bm×m est une matrice binaire, montrant la sensibilité ou la résistance des paires lignée cellulaire-médicament. Si B(cje, j) = 1, cela indique que la lignée cellulaire cje est sensible à la drogue j, et résistant si B(cje, j) = 0. Les entrées de la matrice B ont été déterminés selon ce qui suit :

  • Si je(c, ) < Cmax() il est étiqueté sensible, ce qui est représenté par 1.
  • Sinon, il est étiqueté non sensible, ce qui est représenté par 0

Application Cmax seuil sur la matrice de réponse conduit à marquer 59,13 % des paires lignée cellulaire-médicament dans le GDSC en tant que paires sensibles (c'est-à-dire 32 164 sur 54 390 paires). De plus, 65,1 % des paires CCLE (4 254 sur 6 534 paires) ont été étiquetées comme paires sensibles. Les paires restantes ont été considérées comme des paires résistantes.

2.2.3 Calcul de similarité.

Des études antérieures ont fréquemment confirmé que des lignées cellulaires similaires produisent des réponses similaires à des médicaments similaires [5-7, 25]. Par conséquent, les approches d'apprentissage automatique peuvent apprendre à prédire la réponse médicamenteuse en utilisant les similitudes entre les lignées cellulaires et les similitudes entre les médicaments. Trois types de similarités de lignées cellulaires et trois types de similarités de médicaments ont été calculés pour les ensembles de données GDSC et CCLE. La procédure de calcul de similarité est détaillée dans ce qui suit.

Les caractéristiques génomiques des lignées cellulaires sont principalement caractérisées à l'aide de profils d'expression génique, de variation du nombre de copies et de profils de mutation. La similitude d'expression génique entre cje et cj lignées cellulaires est représenté par SCE(cje, cj), qui est calculé par le coefficient de corrélation de Pearson (PCC) entre les profils d'expression génique du cje et cj (Voir Éq 5). (5) où E(cje, g) désigne l'expression du gène g dans la lignée cellulaire cje et représente les expressions moyennes de tous les gènes de la lignée cellulaire cje.

De plus, SCV représentent la similarité de lignée cellulaire basée sur la variation du nombre de copies. Laisser V(cje, g) être la variation du nombre de copies du gène g dans la lignée cellulaire cje et moyenne des variations du nombre de copies de tous les gènes de la lignée cellulaire cje. La similitude des lignées cellulaires correspondant à la variation du nombre de copies est calculée comme Eq 6. (6)

En plus des similitudes mentionnées entre les lignées cellulaires, une autre caractéristique importante des lignées cellulaires cancéreuses est les profils de mutation. Les mutations génétiques jouent un rôle crucial dans le développement et la progression du cancer [26]. Supposer M(cje, g) être une valeur binaire, montrant le statut de mutation du gène g dans la lignée cellulaire cje, où il est égal à « 1 » si le gène g est muté dans la lignée cellulaire cje et « 0 » s'il est de type sauvage. SCM(cje, j) représentent la similarité de mutation des lignées cellulaires cje et cj qui est défini sur la base de l'indice Jaccard (JI) de leurs profils de mutation. (7)

L'une des similitudes fréquemment utilisées pour les médicaments est la similitude des sous-structures chimiques, car la sous-structure chimique d'un médicament détermine sa fonctionnalité dans une large mesure [27-29]. La similitude de la sous-structure chimique de deux médicaments je et j est représenté par Dakota du SudS(je, j) qui est calculé en utilisant les descripteurs JI de PaDel de médicaments je et j. Laisser P(je, je) Soit le jeélément du descripteur PaDel pour drogue je. Les Dakota du SudS(je, j) la valeur est calculée comme Eq 8 (8) Une autre similitude informative des médicaments peut être obtenue sur la base de l'interaction des médicaments avec d'autres produits chimiques et protéines. La base de données STiTCH fournit une ressource complète qui présente les relations entre les produits chimiques et les protéines [20]. Les relations dans STiTCH sont basées sur diverses sources telles que les preuves expérimentales de ChEMBL [30] PDSP Ki database [31], Protein Data Bank (PDB) [32], bases de données de voies incluant KEGG [33], Reactome [34] et NCI base de données d'interaction de voies naturelles [35] ainsi que d'autres bases de données telles que DrugBank [18] et MATADOR [36]. En plus des preuves expérimentales provenant de bases de données fiables, il utilise l'exploration de textes, des données expérimentales biochimiques, la fusion de gènes et la prédiction du contexte génomique [20]. Par conséquent, le réseau obtenu à partir de la base de données STiTCH fournit un aperçu complet des médicaments. Le réseau STiTCH pour les médicaments CCLE est illustré sur la figure 1. Les nœuds ovales sur cette figure représentent les médicaments dans CCLE et d'autres médicaments adjacents, tandis que les nœuds circulaires indiquent les protéines voisines. Le réseau STiTCH pour les médicaments GDSC est présenté dans le fichier S2 (Fig S1 dans le fichier S2). Les poids des bords entre les nœuds du réseau STiTCH pour les médicaments GDSC et CCLE sont présentés dans les tableaux S1 et S2 du fichier S1, respectivement.


Culture et test de sensibilité (la demande clinique)

Une formation sur les maladies émergentes est nécessaire car, en tant que profession de la santé, vous jouez un rôle dans la détection, la reconnaissance et le contrôle des maladies. Il s'agit d'un guide inestimable pour les soins aux patients avec lequel vous devez être familier. Votre compétence et votre efficacité en dépendent, tout comme votre travail. Si vous ne savez pas ce que vous faites, ils le découvriront assez rapidement et vous renverront chez vous parce que vous êtes en danger pour les autres et vous-même.

Culture et sensibilité – “C & S”

Culture: Vous envoyez un échantillon au laboratoire et le travail du laboratoire consiste à vous dire quel est l'organisme, une identification définitive basée sur la coloration de Gram, la morphologie et le profil biochimique.

Susceptibilité: Le labo vous donne aussi les infos sur les susceptibilités aux antibiotiques pour savoir comment le traiter.

Comment allez-vous savoir ces choses si le laboratoire ne vous le dit pas ? Regardez-vous le patient et dites-vous : « Vous avez Staph Aureus ? 8221 ? Non. Vous devez prendre l'échantillon, l'emmener au laboratoire, et dans le laboratoire ils le cultivent, l'isolent et vous disent quelle est l'identité basée sur une coloration de Gram, la morphologie, le profil biochimique (si cela produit de l'oxygène ou quoi) et ainsi de suite.

Voici un rapport clinique réel avec une discussion en dessous. Soit dit en passant, les copies papier ne sont pas la voie de l'avenir. De nos jours, vous regardez les rapports en ligne et l'intérêt de cela est que vous pouvez collecter/télécharger toutes les données sur un seul site. Les dossiers des patients peuvent également être conservés électroniquement.

La source de cet échantillon est une plaie située sur la cuisse droite.

Pour la coloration de Gram, il est indiqué qu'aucun neutrophile (globule blanc) ou organisme n'a été observé. La tache de Gram est souvent la base du rapport.

Au milieu, les cultures préliminaires et finales indiquent « Staphylococcus aureus abondant ».

Sous les lignes pointillées se trouve le rapport final où nous avons des valeurs répertoriées sous UG/ML. Il s'agit de la concentration d'un antibiotique qui inhibe l'organisme particulier connu sous le nom de Concentration minimale inhibitrice (CMI). Cela vous indique le niveau d'antibiotique qui est associé à un traitement efficace de l'infection et le concentration la plus faible vous devez traiter cet organisme. Une CMI inférieure est une indication d'un meilleur agent antimicrobien. En réalité, vous aurez besoin d'une concentration plus élevée que le MIC.

Nous avons également des profils de sensibilité connus sous le nom de Disque de diffusion Kirby Bauer: C'est une évaluation qualitative basée sur la taille de la zone. Vous prenez une plaque, faites beaucoup de bactéries à partir d'un écouvillon et ensuite vous mettez différents disques d'antibiotiques dessus, incubez et vous obtenez des zones d'inhibition. Les zones d'inhibition encerclent les endroits où les bactéries n'ont PAS poussé car elles sont inhibées. Ensuite, vous mesurez les zones et vous vous référez à un tableau connu sous le nom de NCLS (National Committee and Laboratory Standards) qui vous permet de déterminer la prévalence des tailles de zone. Plus la zone est grande, plus elle est susceptible d'être sensible à l'antibiotique.

Ces valeurs de MIC ou de diamètre de zone corrélées avec les MIC sont points d'arrêt. En général, des zones plus grandes sont en corrélation avec une concentration minimale inhibitrice (CMI) d'antibiotique plus faible pour cette bactérie. Ils sont un guide extrêmement important vers le choix de l'antibiotique approprié.

Vous pouvez vous retrouver avec trois possibilités :

1. Vous vous retrouvez avec S ce qui signifie Susceptible, ce qui signifie qu'il est traitable.

2. Vous vous retrouvez avec je ce qui signifie intermédiaire. Cette sensibilité intermédiaire n'est efficace que s'il existe des preuves que l'antibiotique s'accumule dans le sang et les fluides corporels, car seules certaines choses peuvent pénétrer la barrière hémato-encéphalique. L'intermédiaire est un deuxième choix, pas votre meilleur choix. Si votre patient est allergique aux premiers choix ou si l'intermédiaire a un meilleur rapport thérapeutique, alors il peut être utilisé.

3. Le dernier est R pour résistant et n'est pas utile. Vous ne traiteriez pas une bactérie avec un antibiotique qui ne fonctionne pas. La pénicilline dans ce cas ne fonctionnerait pas en raison de son nombre. Plus la MIC est élevée, plus la résistance est élevée.

D'après les données fournies, quelles sont les choses qui influencent le choix et les antibiotiques ? Vous pourrez peut-être répondre à ces questions avec ce rapport, mais n'oubliez pas que vous devez également tenir compte de l'effet toxique sur le patient.

Vous voulez devenir fort et flexible ? Découvrez mes programmes !


Discussion

Comprendre le mécanisme d'action des médicaments et les voies biologiques qui sous-tendent la réponse aux médicaments est une étape importante dans les études précliniques. Ici, nous démontrons comment l'intégration de la sensibilité aux médicaments et des données de fitness du gène CRISPR-Cas9 peut être utilisée pour informer sur de multiples aspects du mécanisme des médicaments dans les cellules, y compris la spécificité des médicaments, la sélectivité des isoformes et la puissance. Notre analyse a récapitulé les cibles médicamenteuses pour environ un quart des médicaments testés et pour environ un autre quart, a révélé des associations enrichies en protéines étroitement liées à la ou aux cibles médicamenteuses. De manière critique, la force de ces associations reflète la spécificité et la polypharmacologie des médicaments anticancéreux, avec des médicaments hautement sélectifs et puissants montrant les associations les plus fortes avec leur cible nominale. Des associations médicament-gène significatives définissent des réseaux d'interactions protéiques qui sont fonctionnellement liés aux cibles médicamenteuses et sous-tendent la réponse médicamenteuse. Cela a révélé une interaction auparavant méconnue entre 5 MARS et les inhibiteurs de MCL1, avec une utilité potentielle pour dériver des modèles prédictifs de la réponse des inhibiteurs de MCL1 dans plusieurs types de cancer, et en particulier dans les tumeurs solides telles que les carcinomes du sein. Des biomarqueurs pharmacogénomiques robustes ont tiré parti des deux ensembles de données pour fournir des biomarqueurs raffinés qui sont corrélés à la fois à la réponse aux médicaments et aux réseaux biologiques. Il est intéressant de noter que les réseaux que nous avons définis peuvent fournir des cibles alternatives qui sont fonctionnellement liées à la cible du médicament et médient des effets similaires sur l'aptitude cellulaire, fournissant potentiellement des stratégies de thérapies combinées pour limiter la résistance aux thérapies.

Le développement préclinique de biomarqueurs est une étape importante dans la découverte de médicaments et est associé à des taux de réussite accrus au cours du développement clinique (Nelson et al, 2015 ). Traditionnellement, cela a été réalisé en construisant des modèles prédictifs de réponse médicamenteuse en utilisant la mutation, le nombre de copies et l'expression des gènes (Iorio et al, 2016 Tsherniak et al, 2017 ). Ici, nous avons étendu cette approche et proposons ce que nous appelons une association pharmacogénomique robuste - une réponse médicamenteuse et une paire de fitness génique qui sont significativement corrélées et sont également toutes deux significativement liées au même biomarqueur moléculaire. Cette approche donne une plus grande confiance dans les biomarqueurs moléculaires identifiés, puisqu'ils sont récapitulés à partir des données de deux dosages orthogonaux et fournit des marqueurs au niveau du réseau. De plus, en nous concentrant uniquement sur les médicaments impliqués dans des paires gène-médicament significatives, nous enrichissons les médicaments les plus susceptibles d'avoir une plus grande spécificité, et ainsi de mieux permettre la découverte de biomarqueurs.

Près de la moitié des médicaments n'avaient pas d'association significative avec les effets sur la valeur génétique et pourraient justifier une enquête plus approfondie. Les explications possibles à cela sont les suivantes : (i) la polypharmacologie du médicament qui est difficile à déconvoluer en utilisant des données de knock-out sur un seul gène (ii) la différence intrinsèque entre l'inhibition de la protéine et le knock-out (iii) une réponse dose-dépendante conduisant à une inhibition incomplète de la cible du médicament (iv) la redondance fonctionnelle entre les isoformes de protéines entraînant moins d'effets pénétrants avec knock-out génique et (v) les limitations techniques des criblages CRISPR-Cas9 telles que l'introduction de cassures double brin d'ADN et la variabilité des effets sur cible et hors cible du sgRNA à travers le cancer lignées cellulaires. Nous nous attendons à ce que certains de ces problèmes puissent être résolus en élargissant cette analyse pour intégrer d'autres types d'écrans génomiques fonctionnels, tels que l'inhibition CRISPR, qui pourraient imiter de plus près l'inhibition des médicaments et n'introduisent pas de cassures double brin.

Nous avons utilisé les ensembles de données de perte de fonction CRISPR pour étudier de manière approfondie le mécanisme d'action des médicaments dans les cellules cancéreuses. Les données de criblage CRISPR sont désormais disponibles pour de nombreuses lignées cellulaires, et le profilage des composés à travers les panels de lignées cellulaires est déjà régulièrement effectué, et cette approche pourrait donc devenir une étape de routine lors du développement de médicaments. En particulier, il est susceptible d'avoir une utilité pendant les étapes d'optimisation des pistes ou des pistes du développement de médicaments pour sélectionner des séries de composés avec une puissance et une sélectivité optimales. Il pourrait également être utile pour les composés actifs cellulaires nouveaux et non caractérisés, en particulier s'ils sont intégrés à des approches expérimentales orthogonales (par exemple, telles que les tests de kinobead) ou informatiques (par exemple, la liaison de poche de médicament) pour trouver des cibles directes et interroger les mécanismes d'action. L'utilité de cette approche est susceptible de s'étendre à mesure que la disponibilité des données de dépistage par extinction CRISPR et d'autres ensembles de données tels que l'activation et l'inhibition de CRISPR augmente dans des collections toujours plus importantes de modèles de cellules cancéreuses hautement annotées. En conclusion, cette étude illustre une nouvelle approche pour étudier le mécanisme d'action des médicaments cellulaires qui peut être appliquée à de multiples aspects critiques du développement de médicaments.


Méthodes

Sujets

Après obtention du consentement éclairé oral, du sang veineux hépariné a été prélevé sur des sujets sains et CRF. Le prélèvement d'échantillons sanguins pour l'étude a été approuvé par le comité d'éthique local. La population étudiée était constituée de 140 adultes en bonne santé (39 femmes et 101 hommes) âgés de 19 à 74 ans (31,5 ± 13,5) et de 190 patients atteints d'IRC (74 femmes et 116 hommes) âgés de 15 à 87 (43,0 ± 15,1) ans. Aucun des patients ou des sujets sains n'avait pris d'agents immunosuppresseurs, y compris des glucocorticoïdes, de la CsA et du FK506, pendant au moins 6 mois avant et pendant l'étude.

Culture de PBMC et évaluation des effets des médicaments

Les PBMC, y compris les lymphocytes, ont été séparés du sang veineux de sujets sains et de patients atteints d'IRC, et cultivés comme décrit précédemment [ 3 ]. En bref, les cellules ont été suspendues à 1x10 6 cellules ml -1 dans du milieu de culture RPMI 1640 (Gibco BRL, Gaithersburg, USA) contenant 10 % de FBS, 100 UI ml -1 de pénicilline et 100 µg ml -1 de streptomycine. Deux cents microlitres de la suspension cellulaire telle que préparée ci-dessus ont été placés dans chacun des 96 puits à fond plat d'une plaque de microtitrage. De la concanavaline A (Seikagakukogyo Co., Tokyo, Japon) a été ajoutée comme mitogène dans chaque puits à 5,0 g ml -1 . Il s'agit de la concentration de lectine optimisée pour la blastogenèse PBMC humaine telle que déterminée précédemment dans notre laboratoire [12]. Par la suite, 4 l d'une solution d'éthanol contenant chaque agent immunosuppresseur ont été ajoutés à 10 -3 , 10 -2 , 10 -1 , 10 0 , 10, 10 2 , 10 3 et 10 4 ng ml -1 comme concentrations finales. Quatre microlitres d'éthanol ont été ajoutés à un puits témoin. La plaque a été incubée pendant 80 h dans 5% de CO2/air à 37 °C dans une chambre humidifiée. Les cellules ont été puisées avec 18,5 kBq puits -1 de [ 3 H]-thymidine (New England Nuclear, Wilmington, USA) pendant les 16 dernières heures d'incubation puis collectées sur un papier filtre en fibre de verre à l'aide d'un dispositif multirécolteur et séchées. La radioactivité retenue sur le filtre a ensuite été traitée pour un comptage par scintillation liquide. La valeur moyenne (d min −1 ) des dénombrements en double ou en triple pour chaque échantillon a été utilisée pour IC50 calcul. La concentration de l'agent immunosuppresseur qui a entraîné une suppression de 50 % de l'incorporation de [ 3 H]-thymidine dans les PBMC a été considérée comme la IC50 valeur. Dans une étude précédente, nous avons indiqué qu'il n'y avait pas de variations quotidiennes ou techniques importantes dans les méthodes de calcul de l'IC50 valeurs [ 3 ]. De plus, nous avons déclaré dans l'étude précédente que la maladie primaire de l'IRC et la durée de l'hémodialyse n'avaient pas d'effet significatif sur le IC50 valeurs dans le CRF [ 3 ].

Statistiques

Le test de Mann-Whitney a été réalisé pour analyser les différences de médiane IC50 valeurs des agents immunosuppresseurs entre les deux groupes de sujets. Le test du coefficient de corrélation de Pearson a été utilisé pour analyser l'association entre les sensibilités des PBMC à un agent immunosuppresseur par rapport à celles d'un autre. Les différences dans la proportion de sujets résistants aux médicaments dans les groupes sains et CRF ont été examinées avec le test de probabilité exacte de Fisher. Dans chaque cas, P- les valeurs inférieures à 0,05 ont été considérées comme significatives. Les comparaisons statistiques étaient étayées par des intervalles de confiance à 95 % pour les différences.


DISCUSSION

Ici, nous avons présenté la base de données GDSC comme une nouvelle ressource pour la découverte de biomarqueurs thérapeutiques dans les cellules cancéreuses. Les principales caractéristiques de la base de données comprennent la plus grande ressource de données de sensibilité aux médicaments anticancéreux de lignées cellulaires disponibles publiquement. De plus, la base de données GDSC intègre de grands ensembles de données génomiques avec des informations sur la sensibilité aux médicaments pour identifier des biomarqueurs thérapeutiques putatifs pour une validation préclinique plus poussée. Ces données sont présentées à l'aide de représentations graphiques simples et toutes les données sont librement téléchargeables. La base de données GDSC connaîtra une expansion significative dans les années à venir à mesure que la sensibilité aux médicaments et les ensembles de données génomiques augmenteront en taille et en complexité.

L'objectif ultime de la base de données GDSC est de faciliter le développement de nouvelles thérapies contre le cancer grâce à l'identification préclinique de biomarqueurs thérapeutiques. L'approche actuelle du développement de nouvelles thérapies contre le cancer est difficile, coûteuse et prend du temps. Par exemple, le temps nécessaire pour développer un nouveau médicament est souvent supérieur à 10 ans et les coûts dépassent fréquemment 1 milliard de dollars américains. De plus, malgré cet investissement substantiel, le niveau d'attrition est très élevé, la majorité des nouveaux médicaments ayant échoué lors des essais cliniques (taux d'échec estimé entre 80 et 95 %) en raison d'un manque d'efficacité ou d'une toxicité inacceptable (11). L'identification préclinique de biomarqueurs thérapeutiques pourrait améliorer considérablement la conception et le succès final des essais cliniques en permettant des essais plus petits, plus rapides et moins coûteux dans les populations de patients stratifiés moléculairement les plus susceptibles de bénéficier du traitement. En facilitant l'identification préclinique de biomarqueurs thérapeutiques putatifs, la base de données GDSC est une ressource précieuse pour permettre le développement de nouvelles stratégies thérapeutiques anticancéreuses rationnellement conçues incorporant des biomarqueurs moléculaires.


Médicaments dans la gestion de l'hyperglycémie

La plupart des médicaments pour traiter l'hyperglycémie chez les personnes âgées atteintes de diabète de type 2 ciblent une ou plusieurs des déficiences physiopathologiques du diabète de type 2 lié à l'âge : réduction de la production hépatique de glucose, augmentation de la sécrétion d'insuline, augmentation de la sensibilité à l'insuline, diminution de la sécrétion de glucagon, augmentation des taux d'incrétine et diminution de la satiété. Unfortunately, older patients are often underrepresented in large clinical trials therefore, data on antihyperglycemic medications are often extrapolated from younger populations (72).

Treatment of older adults with diabetes needs to account for the progression of type 2 diabetes over time (73). Because of the age-related decline of β-cell function, maintaining target levels of glycemic control may necessitate escalation of drug doses or the addition of other antihyperglycemic agents (74). Thus, medications that target the β-cells, such as sulfonylureas or GLP-1–related drugs, are likely to become less effective over time. Medications such as metformin, thiazolidinediones (TZDs), and sodium glucose transporter 2 (SGLT2) inhibitors may help to reverse some of the vicious cycles contributing to hyperglycemia but do not directly address the effects of aging on β-cells.

A review of the pharmacologic treatment for hyperglycemia is beyond the scope of this article but has been extensively discussed elsewhere (75,76). Tables 1 and 2 list most of the currently available antihyperglycemic agents (noninsulin and insulin), including a brief description of the physiological action of the medication and the advantages and disadvantages of the agent when used by older patients. Treatment choices should be tailored to the specific situation of the individual patient, as determined in part by the initial comprehensive assessment of the patient’s comorbidities, cognition, functional status, care support, and financial situation (55). Although it is common for an older adult to have multiple comorbidities, impairment in cognition or functional status, and limited financial support, a strong supportive care system may be sufficient to help the patient to safely implement a complex medical treatment plan.


Appendix A: Computational Model

The solid tumor model for growth and chemotherapy response was simulated using TSim software http://www.i-genics.com, which is available upon request. This software was developed ad hoc for simulating biological systems with cells interacting in a microenvironment.

This model was represented as a fixed-lattice 3D cellular automaton where each cell has its own set of inheritable phenotypes. All cells are incompressible and represented as cubic volumes with 25 μm of side. Cell motility was also abstracted and the "movement" of the tumor is based solely on cell replication and death.

The simulation is composed of three steps: the first consists in cells dying or replicating at every generation (weeks between each of them) each replication or cell death decision is taken based on extracellular concentration of species and intracellular ATP production rate. The extracellular concentration of species depends on the equilibrium between the production/consumption of these species and the diffusion of these species from blood vessels where they are produced (O2, glucose, bicarbonate anions) or consumed (H + , CO2).

Each simulation consisted in multiple generations, each generation corresponding to one week, enough for the model to reach steady-state between metabolism and diffusion of species between two generations. This steady state was calculated in a transient of 5,000 steps, each one corresponding to 1 second in order to simulate the transient of drug concentration in blood and the diffusion of drug into tissue and tumor.

The diffusion of species was calculated numerically using the heuristic described in [23].

Vascularization was represented as blood vessels forming a cubic mesh at a distance of

4 mm (150 cells) cells from the tumor's center. This vascularization was used as boundary condition: in these vessels oxygen partial pressure, glucose concentration, pH and bicarbonate concentrations were kept at a fixed value.

Cells can proliferate, die or remain quiescent depending on their ATP production rate or extracellular pH (pHe). Should the pHe value be below 7.1 (for acid sensitive cells) or 6.9 (for acid resistant cells), the tumor cells would become quiescent and would not replicate until the next cell cycle when energy and pHe restrictions are satisfied. Tumor cells would die when exposed to pHe below 6.8 (for acid sensitive) or 6.6 (for acid resistant).

At every generation the probability of a cell replication increases as its ATP production is above a minimum level of 0.85 uM/s [28] and plateaus at 8.5 uM/s, for ATP production rates lower than the minimum value the cell dies due to starvation as described in equation 1:

Each cell possess its own energetic metabolism simplified to aerobic conversion of one molecule of glucose into 36 molecules of ATP and 6 of CO2 or anaerobically into two molecules of ATP and 2 of lactic acid. The anaerobic or aerobic paths are chosen depending on the availability of oxygen in extracellular environment according to equations 2 to 7:


Voir la vidéo: Ele#1, Sähkön alkeet ja yleismittarin käyttö, elektroniikan näkökulmasta (Décembre 2021).