Vous êtes sur la page 1sur 48

Des scientifiques ont testé en laboratoire plusieurs milliers de médicaments qui ne sont pas

spécifiquement destinés à traiter le cancer et ont découvert que plusieurs dizaines d’entre eux
étaient capables de tuer les cellules cancéreuses.

Dans une étude, publiée dans le magazine Nature Cancer, des chercheurs américains du Dana-
Farber Cancer Institute ont établi que certaines substances destinées à lutter contre le diabète,
les inflammations et même l’alcoolisme étaient capables également de détruire des cellules
cancéreuses dans des conditions de laboratoire.

Après avoir analysé plusieurs milliers de médicaments existants, ils en ont découvert une
cinquantaine qui, n’étant pas destinés à traiter le cancer, manifestaient néanmoins une certaine
activité dans la lutte contre les tumeurs.

«Nous nous serions estimés chanceux si on trouvait même un seul médicament à propriétés
anticancéreuses, mais nous avons été surpris d’en avoir trouvé autant», a déclaré a déclaré
l’un des chercheurs de l’Institut, Todd Golub, dans un communiqué.

Les scientifiques ont testé plus de 4.500 médicaments contre 578 lignées cellulaires
cancéreuses de laboratoire issues de 24 types de tumeurs.

«Point de départ pour de nouvelles thérapies»


Un autre co-auteur de l’étude, Steven Corsello, a évoqué le «fonctionnement» de ces
médicaments.

«La plupart des médicaments anticancéreux existants agissent en bloquant les protéines, mais
nous constatons que certains peuvent agir par le biais d'autres mécanismes», a-t-il expliqué.

Certains de ces médicaments semblent agir non pas en inhibant une protéine, mais en en
activant une ou encore en stabilisant une interaction protéine-protéine, a-t-il précisé. Ainsi, les
composés contenant du vanadium, initialement développés pour traiter le diabète, ont tué des
cellules cancéreuses.

«Notre compréhension de la façon dont ces médicaments tuent les cellules cancéreuses nous
fournit un point de départ pour développer de nouvelles thérapies», a encore indiqué Steven
Corsello.

Ainsi, cette étude pourrait aider à développer de nouveaux médicaments à partir de ceux qui
existent pour lutter contre le cancer.
Passer au contenu principal

Aidez-nous à améliorer nos produits. Inscrivez-vous pour participer.

1. la nature
2. cancer de la nature
3. Ressources
4. article

Un journal de recherche sur la nature

Menu

Rechercher E-alert Soumettre Mon compte

 Ressource
 Publié: 20 janvier 2020

Découvrir le potentiel anticancéreux des médicaments non


oncologiques par un profil de viabilité systématique

 Steven M. Corsello ,
 Rohith T. Nagari ,
 Ryan D. Spangler ,
 Jordan Rossen ,
 Mustafa Kocak ,
 Jordan G. Bryan ,
 Ranad Humeidi ,
 David Peck ,
 Xiaoyun Wu ,
 Andrew A. Tang ,
 Vickie M. Wang ,
 Samantha A. Bender ,
 Evan Lemire ,
 Rajiv Narayan ,
 Philip Montgomery ,
 Uri Ben-David ,
 Colin W. Garvie ,
 Yejia Chen ,
 Matthew G. Rees ,
 Nicholas J. Lyons ,
 James M. McFarland ,
 Bang T. Wong ,
 Li Wang ,
 Nancy Dumont ,
 Patrick J. O'Hearn ,
 Eric Stefan ,
 John G. Doench ,
 Caitlin N. Harrington ,
 Heidi Greulich ,
 Matthew Meyerson ,
 Francisca Vazquez ,
 Aravind Subramanian ,
 Jennifer A. Roth ,
 Joshua A. Bittker ,
 Jesse S. Boehm ,
 Christopher C. Mader ,
 Aviad Tsherniak &
 Todd R. Golub

Nature Cancer ( 2020 ) Citer cet article

 197 Altmetric

 Détails des mesures

Abstrait
Des utilisations anticancéreuses de médicaments non oncologiques ont parfois été
découvertes, mais de telles découvertes ont été fortuites. Nous avons cherché à créer une
ressource publique contenant l'activité inhibitrice de la croissance de 4 518 médicaments
testés sur 578 lignées cellulaires cancéreuses humaines. Nous avons utilisé PRISM (profilage
de l'inhibition relative simultanément dans des mélanges), une méthode de codage
moléculaire, pour cribler les médicaments contre les lignées cellulaires dans les pools. Un
nombre étonnamment élevé de médicaments non oncologiques a inhibé sélectivement des
sous-ensembles de lignées cellulaires cancéreuses d'une manière prévisible à partir des
caractéristiques moléculaires des lignées cellulaires. Nos résultats incluent des composés qui
ont tué en induisant la formation de complexes de phosphodiestérase 3A-Schlafen 12, des
composés contenant du vanadium dont la mort dépendait du transporteur de sulfate SLC26A2,
le médicament de dépendance à l'alcool disulfirame, qui a tué des cellules avec une faible
expression de métallothionéines, et le médicament anti-inflammatoire la tépoxaline, qui a tué
via la sous-famille B du membre 1 de la cassette de liaison à l'ATP de la protéine de
résistance multidrogue (ABCB1). La ressource de réorientation des médicaments PRISM (
https://depmap.org/repurposing ) est un point de départ pour développer de nouvelles
thérapies en oncologie, et plus rarement, pour une traduction clinique directe potentielle.

Télécharger le PDF

Principale
La perspective de réorienter les médicaments existants vers de nouvelles indications cliniques
est séduisante: une traduction clinique rapide peut se produire pour des médicaments déjà
éprouvés chez l'homme. En principe, les médicaments existants peuvent également établir des
points de départ pour le développement de médicaments lorsque de nouvelles cibles d'anciens
médicaments sont découvertes. À ce jour, la plupart des découvertes de réutilisation de
l'oncologie ont été fortuites; un dépistage systématique et à grande échelle de l'ensemble de la
pharmacopée n'a pas été possible. La mesure dans laquelle les médicaments non oncologiques
ont un potentiel en tant que futurs traitements contre le cancer est inconnue.

Cependant, des efforts récents ont démontré la puissance du dépistage à grande échelle des
lignées cellulaires cancéreuses - testant soit de nombreux composés sur un nombre limité de
lignées cellulaires (par exemple, le panel NCI-60 1 ) soit un nombre modeste de composés
oncologiques sur de nombreuses lignées cellulaires. (par exemple, le projet Génomique de la
sensibilité des médicaments au cancer (GDSC) au Sanger Institute 2 et le projet Cancer Target
Discovery and Development (CTD 2 ) au Broad Institute 3 ; Fig. 1a ). L'étude idéale
impliquerait le dépistage de nombreux médicaments (dont la plupart sont des médicaments
non oncologiques) à travers un large panel de lignées cellulaires génomiquement caractérisées
pour capturer la diversité moléculaire du cancer humain.

Fig. 1: Génération de l'ensemble de données PRISM Repurposing.

a , Dimensionnalité des expériences de criblage de médicaments pharmacogénomiques


accessibles au public. L'ensemble de données PRISM Repurposing contient environ dix fois
plus de composés que le CTD 2 et environ dix fois plus de lignées cellulaires que le NCI-60. b
, Présentation de la méthode PRISM. Les lignées cellulaires à code à barres sont regroupées
en groupes de 25 et traitées avec des perturbagènes chimiques. Les pools sont lysés 5 jours
après perturbation et l'abondance relative des codes-barres d'ARNm est mesurée à l'aide de
microsphères MagPlex (Luminex) pour estimer la viabilité cellulaire. c , Réaffectation du flux
de travail de l'écran. Un dépistage primaire de 4 518 médicaments a été effectué à 2,5 μM,
suivi d'un nouveau test de 1 448 médicaments actifs à huit doses. Les composés ont été
annotés en tant que médicaments de chimiothérapie, médicaments anticancéreux ciblés ou
médicaments non oncologiques sur la base d'indications approuvées et de domaines
pathologiques d'essais cliniques antérieurs. d , représentation des catégories de médicaments
dans les écrans primaire et secondaire. Le dépistage secondaire a été enrichi pour les
chimiothérapies et les thérapies ciblées contre le cancer.

Image en taille réelle

Dans cette étude, nous rapportons la faisabilité de l'utilisation du code à barres moléculaire
PRISM et de la méthode de dépistage multiplexé pour tester 4 518 médicaments existants
contre 578 lignées de cellules cancéreuses. Nous constatons que les médicaments non
oncologiques ont un taux d'activité anticancéreuse étonnamment élevé. La sensibilité des
lignées cellulaires cancéreuses à bon nombre de ces composés peut être prédite à partir des
caractéristiques génomiques des lignées cellulaires, suggérant ainsi des populations de
patients potentiellement pertinentes.
Résultats
Sélection des médicaments et profilage PRISM

Pour faciliter le criblage de milliers de composés sur des centaines de lignées cellulaires, nous
avons utilisé la méthode PRISM. Les lignées cellulaires cancéreuses sont marquées avec des
séquences d'ADN uniques, permettant ainsi aux lignées cellulaires à code à barres d'être
regroupées avec une abondance relative de codes à barres servant de substitut à la viabilité
cellulaire 4 (figure 1b ). Nous avons criblé 578 lignées cellulaires adhérentes couvrant 24
types de tumeurs (données étendues, figure 1a et tableau supplémentaire 1 ).

Nous avons choisi 4 518 médicaments du Drug Repurposing Hub 5 (


https://www.broadinstitute.org/repurposing ) et confirmé que l'identité et la pureté de tous les
composés étaient pures à plus de 75% par chromatographie liquide – spectrométrie de masse
(LC – MS) (Tableau supplémentaire 2 ); 3 350 des composés (74%) sont soit approuvés pour
une utilisation clinique aux États-Unis ou en Europe, soit en cours de développement clinique.
Les 1 168 autres (26%) sont des composés d'outils dont les activités sont connues. La plupart
des composés, 3 466 (77%), n'étaient pas liés à l'oncologie, les autres composés étant soit des
agents chimiothérapeutiques (2%), soit des agents oncologiques ciblés (21%).

Résultats du dépistage

Nous avons utilisé une stratégie de dépistage en 2 étapes par laquelle les médicaments ont
d'abord été triés en triple à une seule dose (2,5 µM); 1 448 médicaments dépistés positifs ont
ensuite été recalculés en triple en une dose-réponse en huit points allant de 10 µM à 610 pM
(figure 1c et tableau supplémentaire 2 ). Fait intéressant, la plupart des composés actifs (774
sur 1 448, 53%) ont été initialement développés pour des indications cliniques non
oncologiques (Fig. 1d ). Les jeux de données de dépistage primaire et secondaire sont
disponibles sur le portail de la carte de dépendance au cancer (
https://depmap.org/repurposing ) et sur figshare (
https://doi.org/10.6084/m9.figshare.9393293 ; Extended Data Figs.1 - 4 ). Nous avons
comparé les résultats de PRISM à deux ensembles de données de référence: GDSC (réf. 2 ) et
CTD 2 (réf. 3 ). Les trois ensembles de données partageaient 84 composés testés sur une
médiane de 236 lignées cellulaires communes, produisant 16 650 points de données partagés.
Le jeu de données PRISM avait un degré de concordance similaire à GDSC et CTD 2
(corrélations Pearson de 0,60 et 0,61, respectivement sur tous les points de données partagés),
tout comme les jeux de données GDSC et CTD 2 (corrélation Pearson 0,62) (Fig. . 5a ). Les
trois ensembles de données sont restés de même concordance lorsque l'analyse a été limitée
aux points de données montrant des signes d'activité anticancéreuse (données étendues, figure
5b ). Nous concluons que, malgré les différences de format de dosage, les sources de
composés 5 et les sources de lignées cellulaires 6 , l'ensemble de données PRISM Repurposing
est tout aussi robuste par rapport aux ensembles de données pharmacogénomiques existants.

Au niveau des doses-réponses individuelles des composés, nous notons que l'ensemble de
données PRISM Repurposing a tendance à être quelque peu plus bruyant, avec une erreur
standard plus élevée estimée à partir des mesures de contrôle du véhicule (Extended Data Fig.
5c et Extended Data Fig. 6a – c ). Cette variation peut s'expliquer par une combinaison d'une
durée d'analyse plus longue, d'un plus petit nombre de cellules analysées et / ou d'une
variation attribuable à la croissance des cellules dans les pools. Cependant, un tel bruit n'était
pas suffisamment important pour empêcher la découverte d'activités anticancéreuses ou de
leurs biomarqueurs prédictifs associés (voir plus loin).

Paysage des effets des médicaments non oncologiques sur la viabilité du cancer

Nous avons effectué un regroupement non supervisé des profils de viabilité composés
indépendamment de leurs annotations fonctionnelles en utilisant la méthode 7 d' approximation
et de projection du collecteur uniforme (UMAP) (figure 2a ; tracé interactif disponible sur
https://depmap.org/repurposing ). Les composés ayant des mécanismes d'action similaires
avaient tendance à se regrouper, ce qui indique que les activités attendues ont été récupérées
par le test PRISM. Fait intéressant, alors que nous nous attendions à récupérer les mécanismes
d'action connus pour les médicaments contre le cancer, nous avons également trouvé des
grappes de médicaments non cancéreux fonctionnellement liés, tels que les agonistes des
récepteurs de la vitamine D et les inhibiteurs de la 3-hydroxy-3-méthylglutaryl-coenzyme A
réductase. Il convient de noter que certaines classes fonctionnellement liées (par exemple, les
agonistes des récepteurs des glucocorticoïdes) ont montré deux grappes distinctes ou plus, ce
qui suggère que des sous-structures biologiquement pertinentes peuvent exister dans
l'ensemble de données.

Fig. 2: Paysage de réponse aux médicaments des lignées cellulaires cancéreuses humaines.

a , projection UMAP bidimensionnelle de 990 profils de destruction de drogues par similitude


cosinus. Les composés avec un mécanisme d'action annoté partagé sont marqués par leur
couleur ( n = 640 composés). Les composés avec une corrélation de Pearson moyenne
inférieure à 0,25 sur trois plaques indépendantes dans un écran PRISM ne sont pas
représentés. b , Activité de dépistage secondaire du médicament par dose. Des fonctions de
distribution cumulative complémentaires pour le pourcentage de lignées cellulaires tuées dans
chaque catégorie de médicaments (chimiothérapie: n = 90 composés; cancer ciblé: n = 584
composés; non-oncologie: n = 774 composés) à chaque dose du dépistage secondaire sont
présentées. c , Activité sélective des composés par catégorie de médicaments. La distribution
globale des coefficients de bimodalité de l'écran secondaire est indiquée. Les coefficients de
bimodalité en fonction de la dose sont calculés à partir des données de viabilité du
changement de pli logarithmique; le coefficient de bimodalité maximum est indiqué pour
chaque composé. Les lignes de tracé du violon correspondent aux 5e, 10e, 50e, 90e et 95e
quantiles. d , Profils de sensibilité les plus sélectifs par catégorie de médicaments. Le nombre
de médicaments (axe y ) de chaque catégorie de médicaments avec un coefficient de
bimodalité à n'importe quelle dose supérieure à un seuil donné (axe x ) est indiqué. À des fins
de visualisation, seuls les médicaments ayant un coefficient de bimodalité ≥ 0,4 sont inclus.
e , Prévisibilité de l'activité des composés par catégorie de médicaments (chimiothérapie: n =
90; cancer ciblé: n = 584; non-oncologie: n = 774). La distribution mondiale des scores de
Pearson sur écran secondaire est indiquée. Les modèles de forêts aléatoires ATLANTIS sont
entraînés à prédire les valeurs de changement de pli logarithmique PRISM en utilisant des
omiques de base de lignées cellulaires et des profils de perturbation génomique. La
distribution globale des scores de Pearson sur écran secondaire, définie comme la corrélation
entre les profils PRISM réels et prévus, est présentée. Le score de Pearson maximal pour tous
les modèles est utilisé pour chaque composé. Les lignes de tracé du violon correspondent aux
5e, 10e, 50e, 90e et 95e quantiles. f , Profils de sensibilité les plus prévisibles par catégorie de
médicaments. Le nombre de médicaments (axe y ) de chaque catégorie de médicaments avec
un modèle prédictif avec un score de Pearson supérieur à un seuil donné (axe x ) est indiqué.
À des fins de visualisation, seuls les médicaments ayant un score de Pearson maximal ≥ 0,2
sont inclus.

Image en taille réelle

En général, la chimiothérapie a tué le plus grand nombre de lignées cellulaires et les


médicaments non oncologiques les plus faibles, les médicaments oncologiques ciblés étant
intermédiaires (Fig. 2b ). Cependant, ce schéma dépendait fortement de la dose. À fortes
doses, les agents ciblés ont perdu leur sélectivité. Peut-être le plus intéressant, un sous-
ensemble de médicaments non oncologiques a montré une activité particulièrement puissante:
91 médicaments ont tué au moins 1% des lignées cellulaires à une concentration de 625 nM
ou moins.

Pour approfondir le potentiel thérapeutique des médicaments non oncologiques, nous avons
calculé le coefficient de bimodalité 8 du profil de viabilité en fonction de la dose de chaque
composé (données étendues, figure 6d et tableau supplémentaire 3 ), puis calculé le maximum
pour chaque composé. Alors que les médicaments non oncologiques présentaient en moyenne
moins de bimodalité que les médicaments anticancéreux (figure 2c ), les composés les plus
sélectifs de l'ensemble de données comprennent les médicaments non oncologiques (figure 2d
). Cela fournit une preuve supplémentaire que des tests à grande échelle de médicaments non
cancéreux peuvent révéler une activité anticancéreuse sélective.

Modèles prédictifs d'activité de mise à mort

Nous avons ensuite examiné dans quelle mesure l'activité de destruction des cellules était
prévisible en fonction des caractéristiques génomiques des lignées cellulaires. Pour chaque
médicament, nous avons utilisé l'algorithme aléatoire ATLANTIS basé sur la forêt 9 , qui
utilise les caractéristiques moléculaires de base (lignée cellulaire; numéro de copie du gène;
altération de la fonction, mutations du hotspot ou faux sens; niveaux de méthylation de
l'ADN; ARN messager, microARN, protéine ou métabolite abondance) et les dépendances
génétiques (knock-out CRISPR-Cas9 à l'échelle du génome ou interférence ARN) comme
données d'entrée pour le modèle 10 , 11 , 12 , 13 , 14 . La plupart des profils de mortalité hautement
prévisibles provenaient de médicaments oncologiques ciblés, par rapport aux médicaments
chimiothérapeutiques ou non oncologiques (figure 2e et tableaux supplémentaires 4 et 5 ).
Cela n'est pas surprenant, car les médicaments oncologiques ciblés ont été optimisés pour leur
élimination sélective de sous-types de cancer. Plus frappant a été l'observation qu'un nombre
important de médicaments non oncologiques avaient des schémas de mise à mort hautement
prévisibles (38 avec un score de Pearson> 0,4 dans le dépistage secondaire; Fig. 2f ).

Fait intéressant, l'expression de l'ARNm était de loin le type de caractéristique le plus


prédictif par rapport à d'autres catégories d'informations génomiques (Fig. 3a ). Cette
observation est cohérente avec les résultats d'autres écrans pharmacogénomiques 15 , 16 ainsi
que les écrans génomiques fonctionnels à base d'ARN en épingle à cheveux courts 9 . En
revanche, Iorio et al. 17 ont signalé que la mutation, et non l'expression des gènes, était la plus
prédictive de la réponse aux médicaments dans un type de cancer. Il faut déterminer si cela
s'explique par leur concentration sur les médicaments anticancéreux connus (par exemple, les
inhibiteurs de kinase), par opposition à toutes les classes de médicaments analysés dans le
présent ensemble de données. Fait important, ce n'est que rarement (dans 0,8% des cas) que le
schéma de mise à mort par des médicaments non oncologiques actifs était en corrélation avec
le knockout ou le knockdown de la cible prévue du médicament (contre 15,0% des
médicaments oncologiques actifs; figure 3b et tableau supplémentaire 6 ). Cela suggère que
l'activité anticancéreuse inattendue des médicaments non oncologiques s'explique très
probablement par un mécanisme d'action précédemment méconnu.

Fig. 3: Prédicteurs de la sensibilité aux médicaments et comparaison avec les dépendances


génétiques.

a , Contributions de différents types de caractéristiques génomiques à des modèles prédictifs


solides. Un ensemble pondéré de caractéristiques génomiques prédictives de l'activité du
médicament a été déterminé en utilisant l'implémentation ATLANTIS de forêts aléatoires. Les
modèles avec un score de Pearson ≥ 0,4 sont inclus. b , Relation entre le coefficient de
bimodalité du profil de viabilité PRISM et corrélation avec le KO CRISPR de la cible du gène
annoté (oncologie: n = 885 composés; non-oncologie: n = 2361 composés). Les corrélations
de Pearson ont été calculées entre le profil de changement du pli du log de l'écran principal de
chaque composé et les scores de désactivation du gène CRISPR – Cas9 DepMap Avana
(CERES) de ses cibles annotées. Pour les composés avec plusieurs annotations cibles, la
corrélation maximale est indiquée. Les coefficients de bimodalité ont été calculés sur des
lignées cellulaires partagées par chaque composé et cible indiqués. Les lignes de régression
linéaire sont affichées.

Image en taille réelle

Dans le dépistage primaire, 195 médicaments non oncologiques avaient une mortalité
prévisible avec un score de Pearson> 0,2, et 23 étaient prévisibles avec un score de Pearson>
0,4. Ce même phénomène de mise à mort hautement prévisible de médicaments non
oncologiques a été observé lorsque la prévisibilité a été tracée en fonction du score de
bimodalité (figure 4 ). Les médicaments non oncologiques bimodaux les plus prévisibles
(graphique de droite; quadrant supérieur droit; tableaux supplémentaires 3 et 4 ) représentent
les médicaments les plus intéressants pour le suivi mécanique futur. Nous décrivons quatre de
ces composés dans les sections qui suivent.

Fig. 4: Découverte prédictive de biomarqueurs à l'aide de l'ensemble de données PRISM


Repurposing.

Priorisation des composés en fonction de la force des modèles prédictifs (score de Pearson) et
de la sélectivité de la lignée cellulaire (coefficient de bimodalité). Les ensembles connus en
oncologie ( n = 997 composés) et non oncologiques ( n = 3 443 composés) contiennent des
composés avec une sélectivité et une prévisibilité élevées (performances élevées du modèle;
quadrant supérieur droit).

Image en taille réelle


Inducteurs de l'interaction PDE3A – SLFN12 protéine-protéine

Parmi les caractéristiques génomiques les plus fortement corrélées à l'activité


médicamenteuse non oncologique figurait l'expression du gène PDE3A , dont l'expression
était corrélée à la destruction par 11 composés structurellement divers. Ceux-ci comprenaient
les inhibiteurs connus de la phosphodiestérase 3A (PDE3A) anagrélide et zardavérine, les
agonistes des récepteurs de la progestérone (y compris le médicament non stéroïdien
tanaproget), l'inhibiteur de kinase AG-1296 et l'activateur des canaux potassiques DCEBIO
(figure 5a ). Ce modèle de mise à mort était intéressant en raison du récent rapport de
cytotoxicité cancéreuse résultant de l'interaction protéine-protéine entre PDE3A et la protéine
Schlafen 12 largement non caractérisée (SLFN12; (réf. 18 )). Nous avons constaté que les
divers composés structurellement identifiés dans le criblage PRISM lié PDE3A dans un essai
de décalage thermique (Fig. 5b et tableau supplémentaire 7 ) et inhibé l'activité enzymatique
PDE3A (tableau supplémentaire 7 ). Leur cytotoxicité était complètement récupérable soit par
élimination directe de PDE3A soit par compétition avec la tréquinsine, un puissant inhibiteur
de PDE3A à petites molécules qui n'induit pas d'interaction PDE3A – SLFN12 18 (Fig. 5c ). Il
est important de noter que le pull-down PDE3A a entraîné une co-immunoprécipitation du
SLFN12 marqué V5 après le traitement du composé, ce qui indique que ces composés ont
effectivement induit une interaction protéine-protéine PDE3A – SLFN12 (Fig. 5d ). Nous
avons constamment observé que, si la formation complexe prédit la sensibilité aux composés,
la force de l'interaction PDE3A – SLFN12 n'est pas directement en corrélation avec la
concentration inhibitrice demi-maximale de la lignée cellulaire HeLa (IC 50 ; figure 5d et
tableau supplémentaire 7 ). Ensemble, les résultats de PRISM montrent qu'un nombre
étonnamment élevé de médicaments non oncologiques structurellement diversifiés tuent les
cellules cancéreuses exprimant PDE3A en stabilisant l'interaction PDE3A – SLFN12. Bien
que ces composés aient une puissance limitée, ils peuvent s'avérer utiles comme points de
départ pour une optimisation supplémentaire de la chimie médicinale de ce mécanisme
anticancéreux.

Fig. 5: Plusieurs médicaments existants tuent sélectivement les lignées de cellules cancéreuses en
stimulant l'interaction PDE3A – SLFN12.

a , Profils de sensibilité aux médicaments associés à une expression élevée de l'ARN PDE3A (
n = 489 lignées cellulaires, n = 11 composés). L' expression du gène PDE3A à partir des
données CCLE RNA-seq (log 2 lectures par kilobase de transcrit par million de lectures
cartographiées (RPKM), rouge) et la viabilité de la lignée cellulaire (bleu) sont indiquées par
la couleur. Les composés où l'expression de PDE3A était le biomarqueur prédictif supérieur
par ATLANTIS à partir de l'écran primaire PRISM 2,5 μM sont présentés. Les lignées
cellulaires sont classées selon la viabilité moyenne des composés indiqués avec un plafond
fixé à 1 (100%). b , essai de décalage thermique réalisé avec PDE3A recombinant. Une
stabilisation de la protéine PDE3A a été observée pour un sous-ensemble de composés
touchés. DNMDP est inclus en tant que contrôle positif établi pour une forte liaison à PDE3A.
Les résultats complets ∆ T m sont présentés dans le tableau supplémentaire 7 . Les résultats
sont représentatifs de deux expériences indépendantes. c , courbes dose-réponse de la lignée
cellulaire HeLa avec perte génétique de PDE3A ou inhibition pharmacologique. L' arrêt du
PDE3A a été effectué par CRISPR – Cas9. La destruction parentale des cellules HeLa a été
sauvée par un co-traitement avec 100 nM de trequinsine, un inhibiteur de PDE3A non
cytotoxique. La viabilité moyenne à travers deux puits traités indépendamment dans une
expérience est montrée. d , Coimmunoprécipitation de SLFN12 marqué V5. Les composés
modulateurs de PDE3A induisent la formation de complexes entre PDE3A et SLFN12. Le
western blot anti-V5 utilisant des lysats de cellules HeLa traitées avec le composé indiqué à
10 μM pendant 8 h est montré. Les pistes anagrélide et DNMDP ont été exécutées sur le
même gel que tous les autres échantillons et ont été recadrées à des fins de figure. Les
résultats de l'anagrélide et du DNMDP sont cohérents sur trois expériences indépendantes.
Tous les autres composés ont été testés deux fois, à l'exception de la noréthindrone (testé une
fois avec les résultats attendus).

Données source

Image en taille réelle

Biomarqueurs prédictifs de l'activité disulfirame

Une observation intrigante était l'association de la destruction par le disulfirame, un inhibiteur


de l'acétaldéhyde déshydrogénase utilisé pour traiter la dépendance à l'alcool, et le nombre de
copies du chromosome 16q. L'examen de la région pertinente de 16q (réf. 19 ) a révélé que la
perte du nombre de copies et la faible expression des gènes codant pour la métallothionéine
MT1E et MT2A étaient corrélées avec la destruction cellulaire induite par le disulfirame
(corrélations Pearson de 0,33 et 0,23, respectivement sur 560 lignes) ; Fig.6a ). Le disulfirame
a déjà été suggéré comme agent anticancéreux 20 et au moins un essai clinique a montré des
indices d'efficacité dans le cancer du poumon lorsqu'il est utilisé en association avec la
chimiothérapie 21 . En l'absence d'un biomarqueur prédictif, l'ampleur du bénéfice clinique ne
justifiait pas une investigation clinique supplémentaire.

Fig. 6: Activité anticancéreuse du disulfirame et du vanadium.

a , Sensibilité au disulfirame des lignées cellulaires PRN, N'-Bis (salicylidène)


phénylènediamine vanadium (IV) ISM groupées par statut de nombre de copies 16q ( n = 447
lignées cellulaires). Les données secondaires de PRISM sont représentées sous forme d'AUC.
Les données sur le nombre de copies au niveau du bras ont été obtenues à l'aide des méthodes
publiées de The Cancer Genome Atlas et examinées manuellement pour garantir la cohérence
avec le nombre de copies au locus 16q13. Les valeurs de P bilatérales ont été calculées en
utilisant le test de rang signé de Wilcoxon entre chaque paire de groupes. Les limites
supérieures, les lignes médianes et les limites inférieures correspondent respectivement aux
75e, 50e et 25e centiles. Les moustaches s'étendent des limites de la boîte à la valeur la plus
extrême jusqu'à 1,5 plage interquartile de la médiane. Toutes les lignées cellulaires sont
représentées sous forme de points, quel que soit leur statut aberrant. b , la perte de MTF1
sensibilise au disulfirame. Sensibilité aux médicaments des cellules SF295 avec et sans
knockout MTF1 , avec sgRNA contre GFP inclus comme contrôle non ciblé. Un co-traitement
avec 1 μM TTM est inclus. La viabilité moyenne à travers trois puits traités indépendamment
est montrée, avec le sd indiqué par les barres d'erreur. c , diagramme de dispersion de la
sensibilité de BMOV en fonction de l'expression du gène SLC26A2 ( n = 538 lignées
cellulaires). La corrélation entre les données de viabilité de PRISM à 2,5 μM et l'expression
du gène SLC26A2 de CCLE RNA-seq (log 2 RPKM) est montrée. Le r de Pearson est illustré.
d , le knockout SLC26A2 confère une résistance. Courbes dose-réponse pour BMOV et
BEOV dans des cellules OVISE avec et sans knock-out médié par CRISPR-Cas9 de
SLC26A2 . sgRNA contre GFP a été inclus comme contrôle non ciblé. La viabilité moyenne à
travers trois puits traités indépendamment est montrée avec le sd indiqué par les barres
d'erreur. e , Courbes dose-réponse pour les composés apparentés contenant du vanadium,
l'oxyde de N, N′-bis (salicylidène) -o-phénylènediamine vanadium (IV) et le sulfate de
vanadyle, dans les cellules OVISE avec et sans knockout SLC26A2 . La viabilité moyenne à
travers trois puits traités indépendamment est montrée, avec le sd indiqué par les barres
d'erreur.

Image en taille réelle

Notre constatation selon laquelle les gènes codant pour la métallothionéine MT1E et MT2A
sur 16q sont prédictifs de l'activité du disulfirame est mécaniquement plausible: l'activité du
disulfirame est dépendante du cuivre, et MT1E et MT2A sont des protéines chélatantes des
métaux connues 22 . Conformément à cette observation, l'expression de MT1E et MT2A était
également corrélée avec la sensibilité au thirame et à l'élesclomol, d'autres composés liant le
cuivre 23 , 24 . En outre, le disulfirame induirait l'expression du gène de la métallothionéine dans
les cellules cancéreuses de la prostate 25 .

Pour tester l'hypothèse selon laquelle l'expression de métallothionéine régule l'activité


anticancéreuse du disulfirame, nous avons utilisé la lignée cellulaire de gliome résistant au
disulfirame SF295, qui a une amplification du chromosome 16q et une expression élevée de
métallothionéine. Pour inhiber l'expression de plusieurs gènes de métallothionéine
simultanément, nous avons éliminé le facteur de transcription MTF1, qui est un régulateur en
amont connu de l'expression des gènes de métallothionéine (Extended Data Fig. 7a ; ref. 22 ).
Après le knock-out de MTF1, les gènes de métallothionéine ont été parmi les plus régulés à la
baisse, comme évalué par le séquençage mondial de l'ARNm (Extended Data Fig. 7b ).
Comme prévu, le knockout du MTF1 a entraîné une sensibilité accrue des cellules SF295 au
disulfirame; cette sensibilité accrue pourrait être complètement inversée par le
tétrathiomolybdate chélateur du cuivre (TTM; Fig. 6b ). Le knockout du MTF1 n'a pas
modifié la sensibilité au contrôle du bortézomib (Extended Data Fig. 7c ). Ensemble, ces
résultats suggèrent que la suppression de 16q est un biomarqueur prédictif potentiel du
disulfirame et d'autres agents cytotoxiques dépendants du cuivre. Cette constatation est
cliniquement pertinente car la perte au niveau du bras 16q est observée dans de nombreux
types de tumeurs, notamment les cancers du sein et de l'ovaire, où sa prévalence est estimée à
55–65% et 55–76%, respectivement 26 , 27 , 28 .

Composés contenant du vanadium

L'écran PRISM a révélé une forte corrélation entre la destruction par le médicament contenant
du vanadium bis (maltolato) oxovanadium (IV) (BMOV) et l'expression du transporteur de
sulfate SLC26A2 (corrélation Pearson −0,583, score ATLANTIS Pearson 0,620; figure 6c ).
Les composés biodisponibles contenant du vanadium, dont le BMOV et le bis
(éthylmaltolato) oxovanadium (IV) (BEOV), ont été intéressants pour leur capacité à abaisser
la glycémie à jeun chez les modèles animaux et chez les patients atteints de diabète 29 , 30 . La
fonction SLC26A2 n'a pas été étudiée de manière approfondie, mais des mutations de perte de
fonction ont été associées à des troubles du tissu conjonctif 31 , 32 . Dans le cancer, SLC26A2
est largement exprimé à des niveaux modestes, avec une expression élevée dans le mélanome
et les cancers utérins 33 .
La relation mécaniste entre l'expression BMOV et SLC26A2 n'est pas évidente. Arguant que
le BMOV est un inhibiteur de la fonction SLC26A2, l'analyse des écrans CRISPR – Cas9 de
perte de fonction à l'échelle du génome disponibles au public indique que SLC26A2 n'est pas
une dépendance au cancer (voir https://depmap.org ). Conformément à cela, le knock-out de
SLC26A2 dans la lignée cellulaire sensible au BMOV OVISE a été toléré (données étendues
Fig. 7d, e ). Cependant, le knockout du SLC26A2 a rendu les cellules OVISE résistantes à la
fois au BMOV et au BEOV, indiquant que le SLC26A2 n'est pas simplement un biomarqueur
de destruction, mais est nécessaire pour l'activité du composé (figure 6d ). La cytotoxicité
d'autres composés contenant du vanadium structurellement distincts a été sauvée de la même
façon par le knockout SLC26A2 , suggérant que l'ion oxyde de vanadium est responsable de la
cytotoxicité SLC26A2-dépendante du BMOV (Fig. 6e ). Il reste à déterminer si ces composés
sont des substrats pour le transporteur SLC26A2, interfèrent avec l'homéostasie des ions
sulfate ou confèrent une fonction inconnue à SLC26A2.

Tepoxalin et multirésistance

L'expression des enzymes métaboliques ou des pompes à efflux de médicaments figurait


parmi les biomarqueurs prédictifs les plus courants de la réponse aux médicaments dans le
cadre du dépistage PRISM. Comme prévu, l'expression élevée de l'ARNm du gène codant
pour le transporteur ABCB1 (également connu sous le nom de protéine multirésistante 1
(MDR1) ou p-glycoprotéine 1) était le principal prédicteur de la résistance à de nombreux
médicaments oncologiques, y compris les taxanes (docétaxel et paclitaxel), vinca alcaloïdes
(vincristine et vinorelbine) et inhibiteurs du protéasome (carfilzomib) (Fig. 7a ).

Fig. 7: La tépoxaline est active contre les lignées cellulaires cancéreuses à haut ABCB1 via un
mécanisme médié par ABCB1.

a , Profils de sensibilité aux médicaments de la tépoxaline et de sept composés


supplémentaires où l'expression de l'ARN ABCB1 était la principale caractéristique
génomique prédictive du profil d'activité PRISM ( n = 489 lignées cellulaires). La tépoxaline
était le seul composé testé où une expression élevée de l' ABCB1 était associée à une
sensibilité plutôt qu'à une résistance à la tépoxaline. La viabilité de la lignée cellulaire est
représentée avec l'expression du gène ABCB1 à partir des données RPKM CCLE RNA-seq
log 2 RPKM. Les lignées cellulaires sont classées par viabilité moyenne avec un plafond à
100%. b , ABCB1 knockout est le hit le plus élevé qui sauve l'activité de la tépoxaline dans un
écran de knockout du gène CRISPR – Cas9 à l'échelle du génome. Les cellules LS1034-Cas9
(pXPR_311) ont été infectées avec la bibliothèque d'ARNg de Brunello, sélectionnées avec de
la puromycine et traitées avec de la tépoxaline 16 μM par rapport au contrôle du véhicule avec
deux répétitions dans des flacons indépendants. Les cellules ont été passées tous les 3 à 4
jours sur une période de 30 jours. Les valeurs de P bilatérales ont été calculées en utilisant
MAGeCK-MLE et sont montrées en fonction des changements de pli log au niveau du gène. c
, la surexpression ABCB1 sensibilise à l'activité de la tépoxaline dans un écran d'activation du
gène CRISPR – dCas9 à l'échelle du génome. Les cellules LS1034-dCas9 (pXPR_109) ont été
infectées avec la bibliothèque d'ARNg de Calabrese, sélectionnées avec de la puromycine et
traitées avec 16 µM de tépoxaline par rapport au contrôle du véhicule avec deux répétitions
dans des flacons indépendants. Les cellules ont été passées tous les 3 à 4 jours sur une période
de 14 jours. Les valeurs de P bilatérales ont été calculées en utilisant MAGeCK-MLE et sont
montrées en fonction des changements de pli log au niveau du gène. d , essai de compétition
cellulaire à la tépoxaline après élimination de l' ABCB1 . Les cellules LS1034-Cas9
(pXPR_311) ont été infectées de manière stable avec la luciférase de luciole; les cellules
parentales LS1034 (sans Cas9) ont été infectées de manière stable avec Renilla luciferase. Les
cellules ont été mélangées dans un rapport 1: 1 et infectées avec la construction d'ARN sg
indiquée contre ABCB1 ou une région intergénique sur le chromosome 2 (contrôle négatif).
Après la sélection de la puromycine, les mélanges cellulaires ont été traités avec de la
tépoxaline 16 μM. Le rapport de luminescence luciole: Renilla est tracé en fonction de
l'évolution du pli logarithmique au fil du temps. La moyenne de trois répétitions techniques
est montrée et les résultats sont représentatifs de trois expériences indépendantes.

Image en taille réelle

Une découverte inattendue, cependant, était qu'un seul médicament, la tépoxaline, avait la
relation opposée à ABCB1: une expression élevée d' ABCB1 prédisait une sensibilité à la
tépoxaline. La tépoxaline est un inhibiteur double de la cyclooxygénase et de la 5-
lipoxygénase approuvé par la Food and Drug Administration pour le traitement de l'arthrose
chez les chiens 34 , 35 . Étant donné que plus de 100 autres inhibiteurs de la cyclooxygénase et /
ou de la 5-lipoxygénase ont également été testés dans notre écran PRISM, nous avons
demandé s'ils partageaient l' effet de destruction associé à ABCB1. Étonnamment, aucun
d'entre eux ne l'a fait, ce qui suggère que le meurtre de la tépoxaline s'explique très
probablement par un mécanisme hors cible. Conformément à cette hypothèse, l'activité de
destruction de la tépoxaline n'était pas corrélée avec les profils génétiques de coupure de ses
cibles connues PTGS1 , PTGS2 et ALOX5 .

Pour mieux comprendre le mécanisme par lequel la tépoxaline inhibe sélectivement les
cellules cancéreuses, nous avons effectué un écran de modification CRISPR-Cas9 à l'échelle
du génome pour identifier les gènes nécessaires à l'activité médiée par la tépoxaline. Les
cellules cancéreuses colorectales LS1034 ont des niveaux élevés d'expression ABCB1 et sont
inhibées par la tépoxaline avec une IC 50 de 3,8 µM. Les cellules LS1034 exprimant Cas9 ont
été infectées avec une bibliothèque regroupée contenant 76 441 ARN guides simples (ARNg
s) ciblant 19 114 gènes et traitées avec 16 µM de tépoxaline (ou contrôle de véhicule) pendant
28 jours. Remarquablement, le gène KO le plus enrichi en cellules résistantes à la tépoxaline
était ABCB1 lui-même (Fig. 7b ). D'autres résultats de résistance comprenaient plusieurs
composants du complexe SWI / SNF ( SMARCA4 , SMARCB1 et ARID1A ), qui a été
précédemment impliqué dans la régulation de l'expression du gène ABCB1 36 .

Pour compléter le crible de perte de fonction CRISPR – Cas9, nous avons effectué un crible
d'activation CRISPR à l'échelle du génome pour identifier les gènes dont la surexpression a
été sélectionnée contre dans le cadre du traitement à la tépoxaline. Le gène présentant la
sélection la plus négative était également ABCB1 , indiquant que sa surexpression sensibilise
les cellules à la tépoxaline (Fig. 7c ). Conformément à ces résultats, la compétition cellulaire
et les dosages dose-réponse ont révélé une forte sélection pour les cellules nulles ABCB1
traitées à la tépoxaline par rapport aux cellules de type sauvage (Fig. 7d , Extended Data Fig.
7f-h et Tableau supplémentaire 8 ). La surexpression de ABCB1 dans une lignée cellulaire à
faible expression et insensible à la tepoxaline a entraîné une sensibilité accrue au médicament
(Extended Data Fig. 8a, b ). De plus, de puissants inhibiteurs de petites molécules ABCB1
n'ont pas phénocopié la tépoxaline dans le test PRISM et en fait antagonisé la destruction
induite par la tépoxaline, ce qui suggère que l'inhibition de l'ABCB1 à elle seule n'explique
pas l'activité anticancéreuse de la tépoxaline (Extended Data Fig. 8c, d ).
Étant donné que l' ABCB1 code pour un transporteur de médicaments, nous avons ensuite
demandé si l'expression de l'ABCB1 affectait les concentrations intracellulaires de tépoxaline.
Cependant, les expériences LC – MS ont indiqué que les concentrations intracellulaires de
tépoxaline n'étaient pas affectées par les niveaux d'expression d'ABCB1 ou par l'inhibition des
petites molécules d'ABCB1 (données étendues, figure 8e ). La tépoxaline est également
connue pour être métabolisée en un composé appelé RWJ20142 par conversion de son acide
hydroxamique en acide carboxylique 37 . RWJ20142 est généré en présence de sérum mais pas
de solution saline ou d'acétonitrile (données étendues, figure 8f ). Contrairement à la
tépoxaline, RWJ20142 n'était pas perméable aux cellules et ne montrait aucune inhibition des
cellules cancéreuses exprimant ABCB1 . Bien que la tépoxaline ait inhibé ABCB1 à des
concentrations élevées (données étendues, figure 8g, h ), nos résultats indiquent que la
tépoxaline ne tue pas les cellules cancéreuses simplement en inhibant l'activité ABCB1. Pris
ensemble, ces résultats suggèrent que la tépoxaline, mais pas son métabolite RWJ20142,
inhibe les cellules cancéreuses à expression élevée ABCB1 via un mécanisme médié par
ABCB1 qui reste à élucider complètement.

Discussion
Nous avons développé le jeu de données PRISM Repurposing en tant que ressource à grande
échelle contenant l'activité anticancéreuse des médicaments non oncologiques. L'écran
PRISM a récupéré 49 composés non oncologiques avec une activité anticancéreuse associée
aux biomarqueurs sélectifs et prédictifs (score de Pearson> 0,2, coefficient de bimodalité>
0,4) et 103 avec un seuil de coefficient de bimodalité moins strict (> 0,35). Il convient de
noter que six composés non oncologiques (figure 4 ) ont montré des schémas de destruction
sélectifs (bimodaux), mais leur activité était imprévisible sur la base des caractéristiques
génomiques de base des lignées cellulaires. Il est possible qu'une extension du nombre de
lignées cellulaires dans le panel PRISM aide à identifier de tels biomarqueurs.
Alternativement, la destruction pourrait être expliquée par des caractéristiques moléculaires
non encore mesurées dans les lignées cellulaires.

Il est concevable que certains médicaments non oncologiques puissent être portés directement
aux essais cliniques pour être testés chez des patients cancéreux. Cependant, avant de le faire,
il est important d'établir que l'activité de destruction de ces médicaments est observée à des
concentrations réalisables et tolérables chez l'homme. De même, il est important de confirmer
que les biomarqueurs prédictifs identifiés dans les lignées cellulaires représentent des
populations distinctes de tumeurs humaines in vivo. Il est probable que la plupart des
observations décrites dans cette étude ne seront pas adaptées à un test immédiat chez
l'homme; soit l'hypothèse du biomarqueur nécessitera d'être affinée, soit les composés eux-
mêmes nécessiteront une optimisation supplémentaire.

Contrairement au repositionnement immédiat des médicaments existants pour de nouvelles


indications, les résultats PRISM rapportés dans cette étude représentent également des points
de départ pour le développement de nouveaux médicaments. Lorsque l'activité anticancéreuse
d'un médicament se produit via un mécanisme hors cible, il est probable qu'une optimisation
supplémentaire pour cette nouvelle cible se traduira par des candidats médicaments plus
puissants et plus sélectifs. Nous notons que l'utilisation de criblages cellulaires tels que
PRISM permet la découverte de mécanismes d'action jusque-là inconnus qui seraient
difficiles à découvrir en utilisant des tests de criblage biochimiques conventionnels.
Nous avons lancé des études de suivi sur quatre des premiers résultats du dépistage PRISM.
Dans le cas du disulfirame, nous avons découvert un biomarqueur précédemment non reconnu
(suppression 16q) qui prédit la sensibilité. Les travaux futurs nécessiteront d'étendre ces
études au milieu in vivo et de déterminer si des concentrations de disulfirame suffisamment
élevées peuvent être atteintes pour obtenir des effets anticancéreux. L'accessibilité du cuivre
dans différents organes et types de cellules module probablement également l'activité
anticancéreuse du disulfirame. Les composés avec une diversité chimique remarquable tuent
les lignées cellulaires cancéreuses à haute expression de PDE3A . Ils ont tous induit la
formation de complexes PDE3A – SLFN12, comme cela a été décrit pour le composé
DNMDP 18 . Une compréhension structurelle de l'interaction de ces divers composés avec
PDE3A éclairera probablement l'optimisation future des thérapies anticancéreuses dirigées
par PDE3A – SLFN12. Notre découverte que les composés contenant du vanadium tuent
sélectivement les cellules cancéreuses exprimant des niveaux élevés du transporteur de sulfate
SLC26A2 était également surprenante, étant donné qu'un lien mécanique entre les deux n'avait
pas été suspecté auparavant. Une étude récente a montré que l'expression de SLC26A2 est un
mécanisme de résistance à la mort cellulaire induite par le ligand induisant l'apoptose liée au
TNF 38 ; il reste à déterminer si ce mécanisme est pertinent pour la destruction induite par le
vanadium et si ces composés dérégulent l'homéostasie du sulfate. Peut-être le plus intéressant
était notre observation que le médicament tepoxalin a la capacité unique d'inhiber les cellules
qui expriment des niveaux élevés du gène de résistance multidrogue ABCB1 . Alors que la
tépoxaline a été initialement développée comme inhibiteur de la cyclooxygénase / 5-
lipoxygénase, nos études sur la relation structure-activité ont clairement montré que l'activité
anticancéreuse de la tépoxaline est probablement indépendante de la cyclooxygénase et de la
5-lipoxygénase. Bien que nous ayons montré que l'ABCB1 est à la fois nécessaire et suffisant
pour conférer une cytotoxicité à la tépoxaline, le mécanisme précis par lequel une telle mort
cellulaire se produit doit être établi. Une optimisation plus poussée de la tépoxaline contre
cette nouvelle cible et la mise au point de l'activité inhibitrice de la cyclooxygénase / 5-
lipoxygénase du médicament entraîneraient probablement une meilleure tolérance en tant
qu'agent anticancéreux.

Historiquement, un défi avec les écrans phénotypiques à base de cellules est la difficulté
d'obtenir un aperçu moléculaire du mécanisme d'action des composés touchés. Cependant, nos
résultats dans la présente étude démontrent la puissance des écrans CRISPR – Cas9 de perte
de fonction et de gain de fonction à l'échelle du génome pour fournir des indices mécaniques
sur l'action des petites molécules. Par exemple, les écrans de désactivation CRISPR et
d'activation CRISPR indiquaient ABCB1 comme la cible la plus pertinente de la tépoxaline.
La disponibilité de ces méthodes de criblage génomique fonctionnelles revigorera
probablement plus largement le criblage cellulaire. Nous notons également que, alors que les
petites molécules sont généralement considérées comme des inhibiteurs de leurs cibles
protéiques, nos résultats PRISM indiquent que ce n'est souvent pas le cas. Par exemple, nous
avons découvert des composés qui stabilisent l'interaction protéine-protéine (par exemple,
PDE3A – SLFN12) et qui engagent ABCB1 mais ne tuent pas les cellules par l'inhibition
d'ABCB1. Une pléthore d'activités non inhibitrices de petites molécules reste probablement à
découvrir à partir de cet ensemble de données PRISM. Cependant, nous notons que lorsque
les cibles de médicaments anticancéreux ne sont pas elles-mêmes des dépendances du cancer,
il est possible qu'une forte pression sélective entraîne une régulation négative de la protéine
cible, entraînant une résistance aux médicaments. Une telle résistance aux médicaments
pourrait vraisemblablement être surmontée par un traitement médicamenteux combiné,
comme c'est la norme pour la plupart des types de cancer.
L'approche de codage à barres et de regroupement PRISM décrite dans cette étude augmente
considérablement l'efficacité du dépistage, mais il est concevable que le regroupement de
lignées cellulaires entraîne des mécanismes médiés paracrine qui modulent la sensibilité aux
médicaments. Dans la pratique, cependant, nous n'avons pas encore observé de telles
interactions cellule-cellule ou toute discordance cohérente entre PRISM et le profil de
viabilité un par un. Néanmoins, nous et d'autres avons signalé l'existence de mécanismes de
résistance aux médicaments à médiation micro-environnementale 39 ; le potentiel de telles
interactions doit être pris en compte lors de l'interprétation des résultats de PRISM.

L'ensemble de données PRISM Repurposing décrit dans cette étude représente près de la
moitié de tous les médicaments jamais testés chez l'homme. Étant donné le grand nombre de
résultats inattendus qui sont ressortis de ce premier écran, nous pensons que l'expansion de la
ressource PRISM dans la dimension des médicaments et des modèles de cancer est justifiée.
Ces données fourniront une composante pharmacologique importante de la carte de
dépendance au cancer ( https://depmap.org ), qui à son tour formera une base préclinique pour
la médecine de précision du cancer.

Les méthodes
Lignées cellulaires

Les lignées cellulaires parentales ont été obtenues auprès du Broad Institute-Novartis
Institutes for BioMedical Research Cancer Cell Encyclopedia (CCLE) project 10 avant le
codage à barres PRISM (voir https://portals.broadinstitute.org/ccle pour les sources
originales). Pour les études de suivi, les cellules LS1034, HeLa et HEK293T ont été achetées
auprès de l'ATCC. Les lignées cellulaires REC1, SF295, OVISE, COLO 320, HT-29 et SNU-
449 ont été fournies par CCLE. Les lignées cellulaires Kuramochi de type sauvage et
surexprimant ABCB1 (vecteur pLX_317) étaient des dons d'E. Stover 40 . Les cellules
knockout CRISPR HeLa PDE3A (cellules PDE3A - / - ) ont été décrites précédemment 18 . Les
lignées cellulaires LS1034, SF295, COLO 320, SNU-449 et OVISE dérivées avec Cas9 ont
été fournies par le Cancer Dependency Map (Broad Institute). Des empreintes digitales à
répétition tandem courte (STR) ont été effectuées par Genetica en utilisant le système
PowerPlex 16 HS (Promega Corporation). Les profils STR ont été comparés aux profils STR
rapportés par les fournisseurs et dans la littérature. Des lignées cellulaires mal identifiées ou
d'autres conflits STR sont répertoriés dans le tableau supplémentaire 9 . Ces lignées
cellulaires sont signalées dans les fichiers de données et ne sont pas affichées par défaut dans
l'interface du site Web. Il a été confirmé que les lignées cellulaires étaient négatives pour
Mycoplasma en utilisant le kit de détection de mycoplasmes MycoScope PCR (Genlantis).
Les lignées cellulaires LS1034, REC1, OVISE, SF295, COLO 320, SNU-449 et Kuramochi
ont été cultivées dans un milieu du Roswell Park Memorial Institute (RPMI) (Thermo Fisher
Scientific). Les cellules HeLa ont été cultivées en utilisant du DMEM (Thermo Fisher
Scientific). Tous les milieux ont été supplémentés avec 10% de FCS inactivé par la chaleur
(Sigma-Aldrich) et 1% de pénicilline-streptomycine G (Thermo Fisher Scientific) à
l'exception de la lignée cellulaire HEK293T, qui a été maintenue sans antibiotiques.

Dépistage PRISM

Nous avons apporté plusieurs améliorations à la méthode de codage à barres PRISM décrite
précédemment 4 . Le test utilise un code-barres de 24 nucléotides introduit de manière stable
dans des lignées cellulaires cancéreuses par transduction lentivirale. Le code à barres est situé
à la fin du gène de résistance à la blasticidine et est exprimé sous forme d'ARNm sous le
promoteur PGK hautement actif. Nous avons adapté la capture d'ARNm et la méthode de
détection Luminex développées pour le test d'expression génique L1000 41 afin de détecter les
codes-barres PRISM afin d'améliorer le débit. En plus d'utiliser une lecture basée sur l'ARNm,
les améliorations du test comprenaient la mise en commun de lignées cellulaires en fonction
de la similitude du temps de doublement, le regroupement des plaques de lysat avant la
détection et l'ajout d'un contrôle de code-barres à pic pour l'amplification et la détection.

Le protocole de test PRISM détaillé est disponible en ligne à https://depmap.org/repurposing .


En bref, les lignées cellulaires à code à barres ont été regroupées (25 lignées cellulaires par
pool) sur la base du temps de doublement et congelées dans des flacons prêts pour l'analyse.
Les flacons ont été décongelés et 1 pool a été immédiatement étalé par plaque de dosage à 384
puits à 1 250 cellules par puits en triple. Les cellules ont été soit traitées le matin suivant avec
des composés par transfert de broches (réutilisation des écrans primaires et secondaires à haut
débit), soit plaquées directement sur des plaques prêtes à l'essai contenant des composés
(utilisées pour le suivi dans les écrans MTS004 et MTS006 à échelle inférieure). Après une
incubation de 5 jours, les cellules ont été lysées. Les plaques de lysat contenant 1 pool de 25
lignées cellulaires chacune ont ensuite été regroupées pour donner 1 (dans l'écran secondaire)
ou 2 (dans l'écran principal) des pools de détection finale pour l'amplification et la mesure de
code à barres. Pour l'écran secondaire, un ensemble de dix codes à barres uniques a été ajouté
à chaque puits avant la PCR pour contrôler la variation de l'amplification par PCR et la
détection de Luminex après la mise en commun du lysat.

Traitement de l'information

Les valeurs d'intensité de fluorescence médiane (MFI) de Luminex ont été calculées comme
les valeurs de fluorescence médianes de toutes les billes correspondant à un seul code-barres
PRISM dans une seule réplique technique. Les valeurs MFI ont été transformées en log 2
(logMFI) et soumises à deux étapes de contrôle qualité. Tout d'abord, un «filtre de pool de
valeurs aberrantes» a été appliqué pour éliminer les artefacts de dépistage probables (données
étendues, figure 2 ). Dans chaque plaque d'essai, les valeurs logMFI étaient centrées médianes
par lignée cellulaire et chaque puits a été résumé par la médiane de ces valeurs MFI centrées.
Les puits de plus de cinq écarts absolus médians par rapport à la médiane dans tous les puits
de la même plaque composite et du même emplacement de plaque ont été supprimés.
Deuxièmement, un «filtre de séparation de contrôle» a été appliqué. Pour chaque plaque, des
lignées cellulaires avec une différence moyenne strictement standardisée de 42 valeurs <2 ont
été exclues du reste de l'analyse (Extended Data Fig. 3 ). Des valeurs de différence moyenne
strictement standardisées ont été calculées comme suit:

 frac left( mu−− mu+ right) sqrt sigma2−+ sigma2+

où μ - / + et σ - / + représentent les médianes et les écarts absolus médians des valeurs logMFI
calculées sur les puits de contrôle négatifs / positifs pour chaque lignée cellulaire sur chaque
plaque. Le nombre de répliques de lignées cellulaires de profil PRISM passant le contrôle de
qualité est indiqué dans la figure 4 des données étendues.

Au total, 1 448 composés ont été sélectionnés pour les tests dose-réponse secondaires en huit
points en fonction de la reproductibilité, de la prévisibilité, de la sélectivité et de la
disponibilité des composés (tableau supplémentaire 2 ). Pour l'écran secondaire uniquement,
dix codes à barres uniques ont été ajoutés à chaque puits de chaque plaque après lyse
cellulaire. Les valeurs MFI normalisées ont été calculées en prenant le rapport de chaque
valeur logMFI sur le logMFI médian des codes à barres inertes dans chaque puits. Pour les
données produites avant l'introduction du protocole de pointe, les valeurs MFI normalisées
ont été définies égales aux valeurs MFI.

Les valeurs de changement de pli ont été calculées comme le rapport du MFI normalisé à la
médiane du MFI normalisé des contrôles négatifs traités au diméthylsulfoxyde (DMSO) pour
chaque lignée cellulaire sur chaque plaque. Les effets de lot produits à partir de conditions de
détection et de dosage variables ont ensuite été supprimés à l'aide de ComBat (situé dans le
package sva; nous avons utilisé la version 3.30.1 de sva) 43 . ComBat a été analysé séparément
pour chaque condition de traitement en considérant les valeurs de changement de pli
transformées en log 2 comme sondes et les combinaisons de répétition de pool comme lots.
Les valeurs de changement de pli logarithmique corrigées ont ensuite été réduites médianes
pour chaque lignée cellulaire, écran, plaque source et combinaison de puits. Nous avons
marqué les lignées cellulaires comme sensibles à un traitement si le changement de pli médian
effondré était <0,3.

Analyse dose-réponse

Les relations dose-réponse ont été obtenues en ajustant les courbes logistiques à quatre
paramètres aux valeurs de viabilité pour chaque composé et lignée cellulaire à l'aide du
package R drc (version 3.0-1). Conformément à la pratique de Smirnov et al. 44 , l'asymptote
supérieure des courbes logistiques a été fixée à 1 et les valeurs de viabilité ont été ajustées en
fonction de la concentration du médicament selon:

 itV left(c right)= itE infty+ frac1−E infty1+ mathrme mathrmHS left(c− mathrmEC50 right)

où toutes les concentrations sont dans l'échelle du logarithme naturel. Les valeurs de CI50 ont
été définies comme la concentration c à laquelle V ( c ) = 0,5. De plus, l'aire dose-réponse
sous la courbe (ASC) a été calculée en utilisant l'intégrale normalisée:

A U C = ∫cm a xcm i nV( c ) d ccm a x- cm i n

Cette formulation place les valeurs d'AUC sur une échelle entre 0 et 1 pour les courbes avec
des asymptotes inférieures <1, où des valeurs d'AUC inférieures indiquent une sensibilité
accrue au traitement.

Découverte de biomarqueurs

Pour générer des biomarqueurs prédictifs, nous avons adopté les modèles prédictifs
ATLANTIS 9 et formé plusieurs modèles pour chaque profil PRISM. ATLANTIS est un
modèle de régression non linéaire sur mesure pour la prédiction de la dépendance génique
basé sur les caractéristiques de base des lignées cellulaires cancéreuses. Plus spécifiquement,
ATLANTIS est une implémentation efficace d'une forêt d'inférence conditionnelle 45 avec des
étapes supplémentaires de pondération et de sélection de caractéristiques itératives. Les
détails de la mise en œuvre ont été publiés précédemment 9 et le code est disponible sur un
référentiel public ( https://github.com/cancerdatasci/atlantis ).

Pour chaque profil de changement de pli logarithmique en fonction de la dose, 14 modèles


ATLANTIS sont formés (1 modèle par ensemble de fonctionnalités). Les ensembles de
fonctionnalités incluent les omiques de lignée cellulaire de base, les dépendances génétiques
et les facteurs de confusion expérimentaux. Tous les ensembles de fonctionnalités sont
répertoriés dans le tableau supplémentaire 10 .

Ensuite, la performance prédictive de chaque modèle a été évaluée sur la base de la


corrélation de Pearson entre les prédictions du modèle hors sac et la variable de réponse. Les
modèles avec des corrélations de Pearson supérieures à 0,2 étaient des modèles solides.
L'importance relative de chaque caractéristique (diminution moyenne de la précision) a été
calculée par ATLANTIS pour chaque modèle. La caractéristique la plus importante de chaque
modèle prédictif fort est présentée comme un biomarqueur prédictif potentiel ou un phénotype
fortement associé. La liste complète des biomarqueurs est disponible sur
https://depmap.org/repurposing .

Sélectivité de destruction des composés

Pour évaluer l'activité de destruction sélective, le coefficient de bimodalité 8 pour chaque


profil PRISM de changement de pli logarithmique médian a été calculé pour chaque composé
comme suit:

g2+ 1k +3 ( n - 1 )2/ ( n - 2 ) ( n - 3 )

où n est le nombre d'échantillons (lignées cellulaires), g est l'asymétrie de l'échantillon et k est


le kurtosis excédentaire de l'échantillon. Notez qu'un coefficient de bimodalité plus élevé
implique une distribution très asymétrique (grande amplitude de g ) mais à queue légère
(petite kurtosis).

Calcul des valeurs AUC pour la comparaison des jeux de données croisés

Les données de réorientation PRISM secondaires ont été comparées à CTD 2 (v.2.0, consulté
le 15 décembre 2015) et GDSC disponibles via le package PharmacoGX (version 1.12.0) 17 ,
44
. Pour les ensembles de données PRISM Repurposing et GDSC, les courbes dose-réponse
ont été ajustées comme décrit précédemment. CTD 2 fournit des paramètres de courbe dose-
réponse et les courbes n'ont pas été réajustées. La portée de la comparaison était limitée aux
composés criblés dans les trois ensembles de données avec une plage de doses quadruplée
minimale dans les ensembles de données. Les courbes dose-réponse ont été calculées pour
chaque combinaison de jeux de données composé-lignée cellulaire en utilisant toutes les doses
disponibles. Les valeurs d'AUC ont été calculées sur la plage de doses partagée (les courbes
n'ont pas été réajustées). Le tableau complet des paramètres dose-réponse publiés / recalculés
et des valeurs d'AUC est donné dans le tableau supplémentaire 11 .

Évaluation du bruit dans le jeu de données PRISM Repurposing

Le sem des valeurs de viabilité du changement de pli logarithme inféré a été calculé pour
estimer la quantité de bruit dans l'écran PRISM. Nous avons supposé que les valeurs logMFI
normalisées (en pointe) ont un bruit additif spécifique à la lignée cellulaire avec une variance
constante σ 2 entre les traitements. Une analyse de propagation sem (voir la section 9.3 de
Chatfield 46 ) donne ce qui suit:

 sigma mathrmlog mathrmfold change mathrm= sqrt frac sigma mathrmtreatment2+ sigma2  mathrmcontroln mat
hrmrep approx sigma sqrt frac1+1/n mathrmcontroln mathrmrep
où n rep est le nombre de répétitions (3 pour PRISM Repurposing), n contrôle est le nombre de
puits de contrôle négatif dans une plaque donnée (32 dans le format de test PRISM standard)
et σ log fold change est l'estimation sem; σ a été estimé séparément pour chaque lignée cellulaire et
plaque en utilisant des valeurs normalisées de contrôle négatif du log 2 MFI. Les estimations
de σ pour la même lignée cellulaire ont été réduites en médiane et utilisées pour calculer le
changement de pli log σ . Cette procédure a été appliquée séparément à chaque écran de réorientation
PRISM. Dans MTS006, des plaques uniquement DMSO ont été utilisées.

Projection de profils de viabilité à deux dimensions

Les profils de viabilité du journal de l'écran principal ont été intégrés dans un collecteur
bidimensionnel en utilisant l'algorithme UMAP 7 et sont visualisés sur la figure 2a . Les
lignées cellulaires auxquelles il manquait plus de 10% de leurs valeurs de viabilité (échouées
dans les étapes de contrôle qualité) ont été supprimées et les valeurs manquantes restantes ont
été imputées à l'aide du package R FastImputation (version 2.0) 47 . UMAP a été appliqué aux
données résultantes, en utilisant la métrique de distance cosinus et les paramètres de
configuration suivants: 7 voisins les plus proches; 0,5 distance minimum; 2 composants; et
200 époques de formation. Les autres paramètres ont été définis sur les valeurs par défaut
fournies par le package umap R (version 0.2.3.1). Pour la visualisation, nous avons filtré les
composés avec une corrélation de réplication moyenne de Pearson inférieure à 0,25. Les
mécanismes d'action comprenant moins de 20 composés sont représentés en gris translucide.

Comparaison avec les écrans de perte de fonction génétique

Des modèles linéaires ont été ajustés pour tester l'association entre les principaux profils de
changement de pli logarithmique de chaque médicament et les scores d'effet du gène CRISPR
de DepMap Avana en utilisant la fonction lmFit du package limma R (version 3.38.3) avec les
paramètres par défaut 48 . Les valeurs de p ont été corrigées dans chaque profil de dose pour
plusieurs hypothèses en utilisant la méthode de Benjamini – Hochberg. Pour les données
primaires, un seul profil a été sélectionné pour tester chaque médicament. La procédure a été
répétée pour les profils secondaires de changement de pli logarithmique. Une série de doses
uniques a été sélectionnée pour chaque médicament.

Composés pour les études de confirmation

Paclitaxel (no de catalogue S1150), tyrphostine AG-1296 (no de catalogue S8024), anagrélide
HCl (no de catalogue S3172), lévonorgestrel (no de catalogue S1727), acétate de
désoxycorticostérone (no de catalogue S4243), drospirénone (no de catalogue). S1377) et la
noréthindrone (n ° de catalogue S4040) ont été achetées auprès de Selleck Chemicals. Le
complexe d'oxyde de fumarate de dofequidar (n ° de catalogue SML0938), de N, N′-bis
(salicylidène) -o-phénylènediamine vanadium (IV) (n ° de catalogue 68541) et de sulfate
d'oxyde de vanadium (IV) (n ° 233706 au catalogue) a été acheté de Sigma-Aldrich. La
tépoxaline (n ° T103205 au catalogue) a été achetée auprès de Toronto Research Chemicals et
de WuXi AppTec (synthèse personnalisée). Le DCEBIO (n ° 1422 au catalogue) et la
zardavérine (n ° 1046 au catalogue) ont été achetés auprès de Tocris. Le disulfirame (HY-
B0240), le bortézomib (HY-10227) et le tanaproget (HY-15606) ont été achetés auprès de
MedChemExpress. BMOV (FB18735) a été acheté auprès de Carbosynth. Le
tétrathiomolybdate (n ° de catalogue AC389530010) a été acheté auprès de Thermo Fisher
Scientific. Le danazol (n ° 1500220 au catalogue) a été acheté auprès de Microsource. La
Gestrinone (n ° de catalogue Prestw-1267) a été achetée auprès de Prestwick.
Synthèse de RWJ20142

Les réactions ont été surveillées par chromatographie sur couche mince avec des plaques de
gel de silice préenduit Merck de 0,25 mm (60 F 254 ) et le système Waters Alliance HT LC /
MS (détecteur UV / visible Waters 2998, spectromètre de masse Waters ACQUITY SQD et
gestionnaire d'échantillons Waters e2795) en utilisant un Colonne Waters CORTECS C18 (3
× 30 mm 2 , granulométrie 2,7 μm). Les paramètres supplémentaires étaient: gradient de
solvant, 97% A à 0 min, 5% A à 1,75 min, 97% A à 2,28 min, total 2,60 min; solvant A, eau
(MILLIQ) + 0,01% d'acide formique (Sigma-Aldrich); solvant B, acétonitrile (EMD
Millipore) + 0,01% d'acide formique; débit, 1,75 ml min -1 . La purification des produits de
réaction a été réalisée par chromatographie flash en utilisant CombiFlash Rf avec des
colonnes Isco RediSep Rf High Performance Gold (Teledyne ISCO) ou SiliaSep High
Performance (SiliCycle) (4, 12, 24, 40, 80, 120 ou 120 g). Les spectres de résonance
magnétique nucléaire 1 H et de résonance magnétique nucléaire 13 C ont été obtenus en
utilisant un 400 Ascend (Bruker). Des déplacements chimiques sont rapportés par rapport au
chloroforme ( δ = 7,24) pour la résonance magnétique nucléaire 1H.

Dans une fiole séchée au four de 100 ml, une solution d'hexaméthyldisilazide de lithium (10
ml, 10 mmol, 1,0 M dans du tétrahydrofurane (THF)) a été ajoutée goutte à goutte à une
solution de 1- (4-chlorophényl) éthanone (1,10 g, 7,14 mmol ) dans du THF sec (20 ml) à -78
° C sous atmosphère d'argon. Après 1 h, une solution de dihydrofurane-2,5-dione (0,86 g, 8,52
mmol) dans du THF sec (10 ml) a été ajoutée à -78 ° C, agitée pendant 30 minutes puis
réchauffée à température ambiante. Après 2 h, le mélange réactionnel a été désactivé avec de
l'eau, acidifié avec HCl 1 N (pH 2), puis extrait avec du dichlorométhane (3 x 10 ml 2 ). Les
couches organiques combinées ont été séchées sur Na2S04, filtrées et concentrées. Le résidu a
été purifié par Chromatographie sur colonne de gel de silice (10 à 50% d'éthylacétate
d'éthanol dans des hexanes) pour donner de l'acide 6- (4-chlorophényl) -4,6-dioxohexanoïque
(550 mg, rendement 31%). LC – MS: MS (ESINeg) m / z = 253 [MH] - .

Dans un flacon de 50 ml, une solution de chlorhydrate de (4-méthoxyphényl) hydrazine (0,37


g, 2,12 mmol), d'acide 6- (4-chlorophényl) -4,6-dioxohexanoïque (0,49 g, 1,93 mmol) et de
triéthylamine (0,31 ml , 2,31 mmol) dans du méthanol (30 ml) a été agité pendant une nuit à
température ambiante. La réaction a été stoppée avec une solution aqueuse de HCl à 5% (pH
2), puis extraite avec du dichlorométhane (3 x 10 ml 2 ). Les couches organiques combinées
ont été séchées sur Na2S04, filtrées et concentrées. Le résidu a été purifié par
Chromatographie sur colonne de gel de silice (20 à 60% d'éthanol acétate d'éthyle dans des
hexanes) pour donner l'acide 3- [5- (4-chlorophényl) -1- (4-méthoxyphényl) pyrazole-3-yl]
propanoïque (285 mg, rendement 42%). LC – MS: MS (ESINeg) m / z = 355 [MH] - .
Résonance magnétique nucléaire 1 H (400 MHz, chloroforme-D) δ = 10,25 (brs, 1 H), 7,27 (d,
J = 8,5 Hz, 2 H), 7,20–7,12 (m, 4 H), 6,87 (d, J = 8,9 Hz, 2 H), 6,35 (s, 1 H), 3,82 (s, 3H),
3,07 (t, J = 7,5 Hz, 2 H), 2,83 (t, J = 7,5 Hz, 2H). La pureté du composé> 97% a été quantifiée
par LC – MS.

Synthèse de BEOV

Du sulfate de vanadyle trihydraté (25 g, 115 mmol) dissous dans 25 ml d'eau a été ajouté à
l'éthyl maltol (43,4 g, 310 mmol) dissous dans 125 ml d'eau chaude sous argon; la solution
résultante a été chauffée doucement sous agitation pendant 30 min. Le pH a été ajusté très
lentement à 8,5 en ajoutant du NaOH (12,7 g, 319 mmol) dans 10 ml d'eau. Le mélange
résultant a été chauffé au reflux pendant 2 h, puis laissé à refroidir à température ambiante. Le
solide bleu-gris foncé a été recueilli par filtration sous vide, lavé à l'eau froide et séché sous
vide pour produire du BEOV avec un rendement de 88%. Le composé était pur à 93% par LC
– MS.

Clonage

Les vecteurs pXPR_003 et pXPR_023 ont été acquis auprès de la plateforme de perturbation
génétique (GPP; Broad Institute). Les oligonucléotides pour la conception de sgRNA ont été
générés à l'aide de la ressource génératrice de guide de sgRNA Large GPP (
https://portals.broadinstitute.org/gpp/public/analysis-tools/sgrna-design ) et les
oligonucléotides respectifs ont été synthétisés par Integrated DNA Technologies. Pour cloner
les sgRNA dans les systèmes d'expression lentiviraux CRISPR tout-en-un pXPR_003 guide
seulement ou pXPR_023, nous avons suivi le protocole disponible sur le site Web du GPP (
https://portals.broadinstitute.org/gpp/public/resources/protocols ). Les séquences d'ARN sg
CRISPR sont présentées dans le tableau supplémentaire 12 .

Anticorps et western blot

Les anticorps suivants ont été utilisés: anti-PDE3A de lapin polyclonal (1: 1 000; n ° de
catalogue A302-740A; Bethyl Laboratories); souris monoclonale anti-V5 (1: 5 000; n ° de
catalogue R960-25; Thermo Fisher Scientific); lapin monoclonal anti-MDR1 / ABCB1 (clone
D3H1Q) (1: 1 000; n ° 12683 au catalogue; Cell Signaling Technology); anti-β-actine
monoclonale de souris (clone 8H10D10) (1: 1 000; n ° 3700 au catalogue; Cell Signaling
Technology); et anti-SLC26A2 monoclonal de souris (clone 3F6) (dilution 1: 1 000; n °
H00001836-M04 au catalogue; Novus Biologicals). Les cellules ont été lysées avec un
tampon d'essai de radio-immunoprécipitation (tampon CHAPS substitué à Extended Data Fig.
8a ) complété par des inhibiteurs de protéase et de phosphatase (Sigma-Aldrich). Pour les
transferts ABCB1, les protéines ont été transférées sur une membrane de nitrocellulose en
utilisant une cellule de transfert électrophorétique Mini Trans-Blot (Bio-Rad Laboratories)
dans un tampon Tris-glycine (Bio-Rad Laboratories) avec 10% de méthanol pendant 4 h à 60
V et 4 ° C. Les membranes ont été bloquées dans le tampon de blocage Odyssey (LI-COR)
pendant 1 h et sondées pendant une nuit avec des anticorps primaires. Le jour suivant, les
membranes ont été lavées et sondées avec des anticorps secondaires IRDye (n ° 926-68020 et
926-32211 au catalogue, chacun à une dilution de 1: 5 000; LI-COR). Pour les transferts
PDE3A et V5, différents anticorps secondaires ont été utilisés (926-32210 et 926-68020,
chacun à une dilution de 1/10 000; LI-COR). Les images de transfert ont été collectées avec
l'imageur Odyssey CLx (LI-COR).

PCR d'ADN génomique (ADNg) et séquençage de nouvelle génération pour quantifier la


fréquence d'édition CRISPR

Pour confirmer une coupe CRISPR efficace au niveau des loci cibles, des amorces de PCR
ont été conçues flanquant le site de coupe de l'ARNg s de 75 à 100 paires de bases (pb) de
chaque côté. Les séquences d'amorces de l'ADNg humain PCR correspondant aux régions
ciblées par les ARNgm MDR1, SLC26A2 et MTF1 sont présentées dans le tableau
supplémentaire 13 . L'ADNg a été isolé à partir de lignées cellulaires knock-out en utilisant le
kit Gentra Puregene (QIAGEN) et amplifié avec les amorces pour produire un amplicon
d'environ 150 à 250 pb de longueur en utilisant la Herculase II Fusion Polymerase (Agilent
Technologies). Le protocole de PCR impliquait une dénaturation de 2 min à 95 ° C, suivie de
24 cycles de 95 ° C pendant 2 min, 55 ° C pendant 2 min et 72 ° C pendant 1 min. Des
échantillons de PCR ont été purifiés et soumis pour le test de séquençage CRISPR de
prochaine génération au noyau d'ADN du Massachusetts General Hospital. L'efficacité de
désactivation a été évaluée par le pourcentage de lectures contenant un décalage de cadre
causé par un indel par rapport au nombre total de lectures. Les résultats de chaque guide ont
été moyennés sur l'ensemble des amorces avec une amplification réussie.

Essais de viabilité cellulaire

Les cellules ont été ensemencées à une densité de 2 000 cellules par puits (1 000 cellules par
puits pour la lignée cellulaire HeLa) dans une microplaque noire à fond clair à 96 puits
(Corning). Le lendemain, les composés ont été distribués à l'aide du distributeur numérique
D300e (Tecan). Après incubation, la viabilité a été évaluée par CellTiter-Glo (Promega
Corporation). La luminescence a été mesurée à l'aide d'un lecteur de plaques EnVision
(PerkinElmer; EnVision Manager 1.13.3009.1401). Les puits répliqués indépendants ont été
moyennés et normalisés au contrôle du véhicule. Les courbes de dose ont été générées à l'aide
de Prism 8 (logiciel GraphPad).

Test de co-immunoprécipitation PDE3A

L'immunoprécipitation PDE3A et le transfert Western d'expériences sur la protéine SLFN12-


V5 coprécipitée ont été effectués comme décrit précédemment 18 . En bref, les cellules HeLa
ont été étalées sur des plaques de 15 cm à 3 x 106 cellules par plaque et transfectées le
lendemain avec 15 pg de plasmide pLX307-SLFN12 (clone TRCN0000476272) en utilisant
FuGENE 6 (Promega Corporation) dans un rapport de 4: 1. Environ 72 h après la transfection,
les cellules ont été traitées avec 10 uM des composés touchés réutilisables ou 1 µM de
DNMDP ou 1 µM d'anagrélide pendant 6 h. Les cellules ont été collectées et lysées avec un
tampon d'essai de radio-immunoprécipitation modifié (150 mM de NaCl, 10% de glycérol, 50
mM de Tris-Cl pH 8,0, 50 mM de MgCl 2 , 1% de NP-40 détergent), des inhibiteurs de
protéase et de phosphatase complétés. L'immunoprécipitation a été réalisée en utilisant 2 mg
de lysats de protéines totales et 1 µg d'anticorps anti-PDE3A à 4 ° C pendant la nuit, suivie
d'une incubation avec 7,5 µl chacun de Protein A et Protein G Dynabeads (10001D et
10003D; Thermo Fisher Scientific) à 4 ° C pendant 1 h. Les billes ont été lavées avec du
tampon de lyse et les protéines ont été élues avec 30 pi de tampon de chargement
d'électrophorèse sur gel de lithium dodécyl sulfate-polyacrylamide.

Dosages d'activité enzymatique PDE3A et PDE3B

Un essai de polarisation de fluorescence commercial a été effectué en utilisant PDE3A et


PDE3B recombinants par BPS Bioscience. Les composés ont été testés en double à 9
concentrations dans une série de dilutions semi-logarithmiques (concentration maximale de
10 µM) avec une concentration finale de DMSO de 1%. Les réactions enzymatiques ont été
conduites à température ambiante pendant 60 min dans un mélange de 50 pi contenant un
tampon de dosage de phosphodiestérase, 100 nM de FAM-AMPc, une enzyme PDE et le
composé d'essai. Après la réaction enzymatique, 100 pi d'une solution de liaison (dilution 1:
100 de l'agent de liaison avec le diluant d'agent de liaison) ont été ajoutés à chaque mélange et
la réaction a été effectuée à température ambiante pendant 15 min. L'intensité de fluorescence
a été mesurée à une excitation de 485 nm et une émission de 528 nm à l'aide d'un lecteur de
microplaques Infinite M1000 (Tecan). L'intensité de fluorescence a été convertie en
polarisation de fluorescence en utilisant le logiciel Magellan v.6 (Tecan).
Analyse fluorimétrique à balayage différentiel (décalage thermique) des composés se
liant à PDE3A

Le gène de PDE3A (résidus 677–1 141) a été optimisé par codon pour l'expression d'
Escherichia coli (GeneArt; Thermo Fisher Scientific) et cloné dans un vecteur d'expression
qui a attaché une séquence de polyhistidine N-terminale suivie d'un site de clivage de la
protéase du virus du tabac Etch. La protéine a été exprimée dans E. coli et purifiée par
chromatographie d'affinité et d'exclusion stérique. La séquence de polyhistidine a été éliminée
par la protéase du virus de la gravure du tabac. PDE3A (5 uM) a été incubé pendant 20 min à
température ambiante avec 100 uM de chaque composé. Le tampon de réaction était HEPES
20 mM, pH 7,4, NaCl 150 mM, TCEP 500 uM, MgCl2 5 mM et DMSO 1%. Après
incubation, de l'orange SYPRO (Thermo Fisher Scientific) a été ajoutée pour donner une
concentration finale de 10 x par rapport au concentré de stock. La protéine a été testée en
utilisant le LightCycler 480 (Roche Life Science). La température a été augmentée de 25 à 95
° C en utilisant un gradient de 0,06 ° C s -1 .

Écran de désactivation à l'échelle du génome LS1034 CRISPR – Cas9

La bibliothèque d'ARNg de Brunello à l'échelle du génome a été obtenue auprès du Broad


Institute GPP 49 . Le virus a été titré à une efficacité d'infection cible de 0,3 à 0,6. Les cellules
LS1034-Cas9 ont été infectées par le virus Brunello dans des plaques à 12 puits par
centrifugation à 2000 tr / min et 30 ° C. Le jour suivant, les cellules ont été divisées en deux
flacons répliqués et sélectionnées avec 6 µg ml -1 de puromycine pendant 7 jours. Après
sélection, les réplicats ont été ensemencés dans de la tepoxaline 16 µM (Wuxi) ou un contrôle
DMSO. Les cellules ont été maintenues à 37 ° C et 5% de CO 2 dans des flacons CellSTACK
de 1 272 cm 2 2-STACK (Corning) en RPMI avec 10% de FCS. Les cellules ont été
réensemencées toutes les 7 jours à un minimum de 40 millions de cellules par passage (pour
maintenir environ 500 × représentation de la bibliothèque). Les médias et les médicaments ont
été rafraîchis toutes les 3 à 4 jours pendant un total de 3 semaines. L'ADNg a été isolé à partir
de culots cellulaires en utilisant les colonnes NucleoSpin Blood XL (MACHEREY-NAGEL).
La PCR et le séquençage de l'ADNg ont été effectués par le Broad Institute GPP.

Écran d'activation à l'échelle du génome pour le CRISPR – dCas9 LS1034

Les cellules LS1034 ont été transduites de manière stable avec pXPR_109 pour exprimer
dCas9-VP64 (réf. 50 ). L'induction sélective de l'expression de CD45 et CD4 à l'aide de guides
de contrôle a été confirmée par cytométrie en flux. La bibliothèque de virus à l'échelle du
génome de Calabrese B a été obtenue auprès du Broad Institute GPP. Les cellules LS1034-
dCas9-VP64 ont été infectées par centrifugation comme décrit précédemment. Le lendemain,
les cellules ont été divisées en deux répétitions et réensemencées. Le lendemain, 6 µg ml -1 de
puromycine ont été ajoutés. Après sélection pendant 6 jours, les réplicats ont été divisés en
bras médicamenteux DMSO ou tepoxaline 16 µM (Wuxi) en double et cultivés pendant 2
semaines comme décrit précédemment. L'ADNg a été isolé et séquencé comme décrit
précédemment.

Analyse d'écran CRISPR

Les guides ciblant plusieurs gènes ou avec <50 lectures dans le pool d'ADN plasmidique ont
été filtrés. Les dénombrements ont été normalisés par rapport à la taille totale de la
bibliothèque. La variation du log 2 au niveau du guide a été calculée en utilisant le rapport entre
le traitement et le nombre de témoins du véhicule. La moyenne des résultats de tous les guides
ciblant chaque gène. La signification statistique pour chaque résultat au niveau du gène a été
calculée en utilisant la méthode MAGeCK-MLE, en utilisant le nombre suggéré de tours de
permutation (10; réf. 51 ). Les valeurs de P bilatérales ont été corrigées pour les tests
d'hypothèses multiples à l'aide de la méthode de Benjamini – Hochberg.

Test de compétition à la tépoxaline

Les cellules de luciférase LS1034-Cas9-luciole ont été co-cultivées dans un rapport 1: 1 avec
des cellules de luciférase LS1034- Renilla , toutes deux infectées par l' ARNg ABCB1 ou un
ARNgg de contrôle de coupe. Les cellules ont été traitées avec de la tépoxaline 16 µM (Wuxi)
ou un véhicule. La coculture a été passée tous les 4 jours et réensemencée avec de la drogue.
L'activité luciférase a été quantifiée en utilisant le système de dosage de la luciférase Dual-
Glo (Promega Corporation) et mesurée en utilisant un lecteur de plaques EnVision. Les points
de données ont été collectés au jour 0 et tous les 4 jours jusqu'à 12 jours de traitement. Le
rapport de luminescence luciole sur Renilla a été normalisé à la mesure initiale au jour 0.

Essais de perméabilité et de stabilité des cellules de tépoxaline

Les composés ont été incubés dans du milieu seul ou avec 1 million de cellules ml -1 à 37 ° C
sous agitation douce pendant 3 h. Après incubation, les échantillons de cellules ont été
centrifugés à 500 g pendant 5 min et lavés deux fois avec du PBS froid. Les cellules ont été
remises en suspension dans 130 ul d'eau. Les échantillons ont été soniqués et centrifugés à 3
000 g pendant 15 min à 20 ° C; 5 pi de surnageant ont été combinés avec 45 pi de milieu
cellulaire, 50 pi d'eau et 50 pi d'acétonitrile contenant l'étalon interne. Les échantillons ont été
à nouveau centrifugés et une aliquote finale de 100 µl a été transférée sur une plaque à 96
puits pour analyse. Les échantillons ont été analysés sur un système de spectrométrie de
masse en tandem chromatographie liquide ultra-performant composé d'un système ACQUITY
UPLC de classe I FTN (Waters) et d'un système Triple Quad 4500 (SCIEX) avec des
composés détectés par détection de contrôle de réaction multiple en mode positif. La phase
mobile A était constituée d'eau avec 0,1% d'acide formique (n ° 33015-1L au catalogue;
Honeywell), tandis que la phase mobile B était constituée d'acétonitrile avec 0,1% d'acide
formique. Le gradient va de 10 à 95% B sur 0,8 min à un débit de 0,9 ml min -1 . Une colonne
ACQUITY BEH C18 de 1,7 m, 2,1 × 50 mm2 (eaux) a été utilisée avec une température de
colonne maintenue à 65 ° C. Les concentrations des échantillons ont été déterminées en
utilisant une courbe standard et des échantillons de contrôle de la qualité de la dilution
préparés dans une matrice de substitution. Le logiciel Analyst v.1.6.2 a été utilisé pour
l'intégration et la détermination des calculs. Pour l'étude de stabilité, 1 µM de tépoxaline a été
ajouté au PBS, RPMI avec 10% de FCS ou d'acétonitrile en double et mesuré par
spectrométrie de masse avec des points de temps préparés à 0, 24, 48 et 72 h. Le spectromètre
de masse a été exécuté en mode positif en utilisant la détection de surveillance de réaction
multiple pour la tépoxaline et l'étalon interne (75 nM de midazolam).

Essais de synergie / antagonisme des médicaments à base de tépoxaline

De la tépoxaline ou du paclitaxel ont été ajoutés dans une matrice dose-réponse aux cellules
LS1034 ou REC1, et la viabilité a été évaluée par CellTiter-Glo. Pour les données de viabilité
de combinaison de médicaments, nous avons d'abord normalisé les mesures CellTiter-Glo par
la médiane sur les puits DMSO sur chaque plaque. Nous avons ensuite utilisé le package
synergyfinder R (version 1.8.0) 52 pour estimer les scores de synergie Bliss dans toutes les
combinaisons de doses, en appliquant la méthode de correction de référence par défaut de
synergyfinder. Les valeurs de synergie pour chaque combinaison de médicaments et lignée
cellulaire ont été résumées par le score de synergie avec la plus grande amplitude entre les
combinaisons de doses (synergie maximale). Nous avons vérifié que des résultats similaires
ont été obtenus qualitativement en utilisant d'autres modèles de synergie (par exemple,
Loewe, agent unique le plus élevé et puissance d'interaction nulle) et des méthodes pour
agréger les scores de synergie entre les combinaisons de doses (par exemple, la moyenne).

Dosages d'activité ABCB1

Le test d'antagonisme ABCB1 a été réalisé par Eurofins en utilisant les méthodes publiées 53 .
En bref, les cellules MDR1-MDCK ont été incubées avec les composés d'essai et
l'acétoxyméthyle de calcéine. La variation de la concentration d'acétoxyméthyle de calcéine a
été évaluée par mesure de fluorescence. Un deuxième essai, la perméabilité des cellules
MDR1-MDCK, a été réalisé par Cyprotex. En bref, du lopéramide, un substrat MDR1 connu,
a été ajouté au côté apical d'une monocouche cellulaire et le transport vers le côté basal a été
quantifié en 60 minutes. L'inhibition du transport médié par le MDR1 du lopéramide a été
évaluée en ajoutant de la tépoxaline ou un témoin positif (vérapamil).

Profilage transcriptionnel par ARN-seq

Les cellules LS1034 ont été ensemencées dans des plaques à 12 puits. Le jour suivant, les
cellules ont été traitées en triple avec de la tépoxaline 12 µM ou un véhicule témoin DMSO
pendant 6 h. Des cellules SF295 de type sauvage et des cellules SF295 contenant Cas9 et des
ARNgb ciblant GFP ou MTF1 ont été étalées en triple sur une plaque à 6 puits et incubées
pendant une nuit. L'ARN a été isolé à l'aide du RNeasy Mini Kit (QIAGEN) avec un
traitement à la DNase. La qualité de l'ARN a été confirmée par Bioanalyzer (Agilent
Technologies). La préparation de la bibliothèque a été réalisée par le Molecular Biology Core
Facility du Dana-Farber Cancer Institute en utilisant le kit KAPA mRNA HyperPrep (Roche).
L'acide nucléique a été séquencé en utilisant un instrument Illumina NextSeq 500 PE75. Les
valeurs d'expression au niveau des gènes ont été obtenues à partir de RNA-seq en utilisant le
pipeline TOPMed RNA-seq (version 1) 54 . RSEM (version 1.3.0) a été utilisé pour générer
des transcriptions par million de quantifications d'expression au niveau du gène. Ces outils ont
été exécutés à l'aide des plates-formes FireCloud et Terra 55 . L'expression différentielle des
gènes a été calculée à l'aide du package DESeq2 (version 1.22.2) 56 .

Statistiques et reproductibilité

Aucune méthode statistique n'a été utilisée pour déterminer la taille des échantillons. Les
composés ont été plaqués pour le criblage sans égard à l'identité du composé, mais les
expériences n'ont pas été randomisées. Aucune donnée n'a été exclue de l'analyse, à
l'exception des points de données individuels signalés comme des échecs de dosage par le
processus décrit précédemment. Les tests statistiques sont décrits dans le texte et les légendes
des figures avec leurs tailles d'échantillons associées. Les données PRISM ont été générées à
l'insu des enquêteurs sur l'identité des composés et des lignées cellulaires pendant le
dépistage. Les enquêteurs n'étaient pas aveugles à l'identité des composés et des lignées
cellulaires au cours de l'analyse. De plus amples informations sur la conception de la
recherche sont disponibles dans le Résumé des rapports de recherche sur la nature lié à cet
article.
Résumé des rapports

De plus amples informations sur la conception de la recherche sont disponibles dans le


Résumé des rapports de recherche sur la nature lié à cet article.

Disponibilité des données


L'ensemble de données PRISM Repurposing, y compris les données de dépistage et toutes les
métadonnées, est disponible sur le portail Cancer Dependency Map (
https://depmap.org/repurposing ). Les données brutes et traitées de viabilité PRISM sont
disponibles sur le portail Cancer Dependency Map ( https://depmap.org/repurposing ) et ont
été archivées via figshare ( https://doi.org/10.6084/m9.figshare.9393293 ). Versions
interactives des Figs. 2a et 4 (avec les données brutes qui l'accompagnent) sont également
disponibles sur le portail de la carte de dépendance du cancer; les données sources du nuage
de points sont également déposées dans figshare. Les caractéristiques de la lignée cellulaire
utilisées pour l'analyse des biomarqueurs sont répertoriées dans le tableau supplémentaire 10
et archivées via figshare ( https://doi.org/10.6084/m9.figshare.10277810 ). Les données
d'ARN-seq ont été déposées auprès du Gene Expression Omnibus (numéro d' accès
GSE133299 ). Toutes les autres données à l'appui des conclusions de cette étude sont
disponibles auprès de l'auteur correspondant sur demande raisonnable.

Disponibilité du code
L'analyse des données a été effectuée dans R v.3.5.1 à l'aide de packages R personnalisés ou
accessibles au public. Les packages individuels sont explicitement cités dans le manuscrit. Le
code personnalisé est disponible sur demande et auprès de GitHub (
https://github.com/broadinstitute/repurposing ).

Les références
1. 1.

Alley, MC et al. Faisabilité du dépistage des médicaments avec des panels de lignées
cellulaires tumorales humaines à l'aide d'un essai de microculture au tétrazolium.
Cancer Res. 48 , 589–601 (1988).

o PubMed
o CAS
o Google Scholar
2. 2.

Garnett, MJ et al. Identification systématique des marqueurs génomiques de la


sensibilité aux médicaments dans les cellules cancéreuses. Nature 483 , 570-575
(2012).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
3. 3.

Basu, A. et al. Une ressource interactive pour identifier les dépendances génétiques et
génétiques du cancer ciblées par les petites molécules. Cell 154 , 1151-1161 (2013).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
4. 4.

Yu, C. et al. Identification à haut débit des vulnérabilités du cancer spécifiques au


génotype dans des mélanges de lignées cellulaires tumorales à code-barres. Nat.
Biotechnol. 34 , 419–423 (2016).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
5. 5.

Corsello, SM et al. The Drug Repurposing Hub: une bibliothèque de médicaments de


nouvelle génération et une ressource d'information. Nat. Med. 23 , 405–408 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
6. 6.

Ben-David, U. et al. L'évolution génétique et transcriptionnelle modifie la réponse aux


médicaments de la lignée cellulaire cancéreuse. Nature 560 , 325-330 (2018).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
7. sept.

McInnes, L., Healy, J., Saul, N. & Großberger, L. UMAP: approximation et projection
uniformes du collecteur. J. Logiciel Open Source. 3 , 861 (2018).

8. 8.
Ellison, AM Effet du dimorphisme des graines sur la dynamique dépendante de la
densité des populations expérimentales d' Atriplex triangularis (Chenopodiaceae). Un
m. J. Bot. 74 , 1280-1288 (1987).

o Article
o Google Scholar
9. 9.

Tsherniak, A. et al. Définition d'une carte de dépendance au cancer. Cell 170 , 564–
576.e16 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
10. dix.

Barretina, J. et al. L'encyclopédie de la lignée de cellules cancéreuses permet une


modélisation prédictive de la sensibilité aux médicaments anticancéreux. Nature 483 ,
603–607 (2012).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
11. 11.

Ghandi, M. et al. Caractérisation de nouvelle génération de l'encyclopédie Cancer Cell


Line. Nature 569 , 503–508 (2019).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
12. 12.

Li, H. et al. Le paysage du métabolisme des lignées cellulaires cancéreuses. Nat. Med.
25 , 850–860 (2019).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
13. 13.
Meyers, RM et al. La correction informatique de l'effet du nombre de copies améliore
la spécificité des écrans d'essentialité CRISPR – Cas9 dans les cellules cancéreuses.
Nat. Genet. 49 , 1779–1784 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
14. 14.

McFarland, JM et al. Amélioration de l'estimation des dépendances au cancer à partir


d'écrans d'ARNi à grande échelle en utilisant la normalisation basée sur un modèle et
l'intégration de données. Nat. Commun. 9 , 4610 (2018).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
15. 15.

Aben, N., Vis, DJ, Michaut, M. & Wessels, LFA TANDEM: une approche en deux
étapes pour maximiser l'interprétabilité des modèles de réponse aux médicaments en
fonction de plusieurs types de données moléculaires. Bioinformatics 32 , i413 – i420
(2016).

o PubMed
o Article
o CAS
o Google Scholar
16. 16.

Rydenfelt, M., Wongchenko, M., Klinger, B., Yan, Y. & Blüthgen, N. Le protéome et
le transcriptome des cellules cancéreuses prédisent la sensibilité aux médicaments
ciblés et cytotoxiques. Life Sci. Alliance 2 , e201900445 (2019).

o PubMed
o PubMed Central
o Article
o Google Scholar
17. 17.

Iorio, F. et al. Un paysage d'interactions pharmacogénomiques dans le cancer. Cell


166 , 740–754 (2016).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
18. 18.

de Waal, L. et al. Identification des modulateurs cytotoxiques du cancer de la PDE3A


par chimiogénomique prédictive. Nat. Chem. Biol. 12 , 102-108 (2016).

o PubMed
o Article
o CAS
o Google Scholar
19. 19.

Karin, M. et al. Les gènes de métallothionéine humaine sont regroupés sur le


chromosome 16. Proc. Natl Acad. Sci. USA 81 , 5494-5498 (1984).

o PubMed
o Article
o CAS
o Google Scholar
20. 20.

Skrott, Z. et al. Le disulfirame, un médicament consommant de l'alcool, cible le cancer


via l'adaptateur de ségrégation p97 NPL4. Nature 552 , 194–199 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
21. 21.

Nechushtan, H. et al. Un essai de phase IIb évaluant l'ajout de disulfirame à la


chimiothérapie pour le traitement du cancer du poumon non à petites cellules
métastatique. Oncologue 20 , 366–367 (2015).

o PubMed
o PubMed Central
o Article
o Google Scholar
22. 22.

Eckschlager, T., Adam, V., Hrabeta, J., Figova, K. & Kizek, R. Métallothionéines et
cancer. Curr. Pept protéique. Sci. 10 , 360-375 (2009).

o PubMed
o Article
o CAS
o Google Scholar
23. 23.
Irth, H., de Jong, GJ, Brinkman, UA & Frei, RW Réacteur post-colonne contenant du
cuivre métallique pour la détection du thirame et du disulfirame en chromatographie
liquide. J. Chromatogr. 370 , 439–447 (1986).

o PubMed
o Article
o CAS
o Google Scholar
24. 24.

Tsvetkov, P. et al. Le métabolisme mitochondrial favorise l'adaptation au stress


protéotoxique. Nat. Chem. Biol. 15 , 681–689 (2019).

o PubMed
o Article
o CAS
o Google Scholar
25. 25.

Iljin, K. et al. Le criblage cellulaire à haut débit de 4910 médicaments connus et de


petites molécules de type médicamenteux identifie le disulfirame comme un inhibiteur
de la croissance des cellules cancéreuses de la prostate. Clin. Cancer Res. 15 , 6070–
6078 (2009).

o PubMed
o Article
o CAS
o Google Scholar
26. 26.

Taylor, AM et al. Approches génomiques et fonctionnelles pour comprendre


l'aneuploïdie du cancer. Cancer Cell 33 , 676–689.e3 (2018).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
27. 27.

Koboldt, DC et al. Portraits moléculaires complets de tumeurs du sein humain. Nature


490 , 61–70 (2012).

o Article
o CAS
o Google Scholar
28. 28.

Bell, D. Analyses génomiques intégrées du carcinome ovarien. Nature 474 , 609–615


(2011).
o Article
o CAS
o Google Scholar
29. 29.

Wang, J., Yuen, VG & McNeill, JH Effet du vanadium sur la sensibilité à l'insuline et
l'appétit. Metabolism 50 , 667–673 (2001).

o PubMed
o Article
o Google Scholar
30. 30.

Thompson, KH et al. Traitement au vanadium du diabète de type 2: une perspective


d'avenir. J. Inorg. Biochem. 103 , 554–558 (2009).

o PubMed
o Article
o CAS
o Google Scholar
31. 31.

Hästbacka, J. et al. Le gène de la dysplasie diastrophique code pour un nouveau


transporteur de sulfate: le clonage positionnel par cartographie de déséquilibre de
liaison à structure fine. Cell 78 , 1073-1087 (1994).

o PubMed
o Article
o Google Scholar
32. 32.

Hästbacka, J. et al. Identification de la mutation fondatrice finlandaise de la dysplasie


diastrophique (DTD). EUR. J. Hum. Genet. 7 , 664–670 (1999).

o PubMed
o Article
o Google Scholar
33. 33.

Données TCGA standardisées prêtes pour l'analyse provenant de la large gamme


GDAC Firehose 2016_01_28 (Broad Institute TCGA Genome Data Analysis Center,
2016); https://doi.org/10.7908/C11G0KM9

34. 34.

Argentieri, DC et al. Tepoxalin: double inhibiteur de la cyclooxygénase / 5-


lipoxygénase du métabolisme de l'acide arachidonique avec une puissante activité
anti-inflammatoire et un profil gastro-intestinal favorable. J. Pharmacol. Exp. Ther.
271 , 1399-1408 (1994).
o PubMed
o CAS
o Google Scholar
35. 35.

Animal Drugs at FDA: Tepoxalin (Food and Drug Administration, consulté le 15


décembre 2019);
https://animaldrugsatfda.fda.gov/adafda/views/#/home/previewsearch/141-193

36. 36.

Dubey, R. et al. Le complexe SWI / SNF de remodelage de la chromatine contrôle la


résistance multidrogue en régulant de manière transcriptionnelle la pompe d'efflux de
médicament ABCB1. Cancer Res. 76 , 5810-5821 (2016).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
37. 37.

Waldman, SA et al. Pharmacocinétique et pharmacodynamique de la tépoxaline après


administration d'une dose orale unique à des volontaires sains. J. Clin. Pharmacol. 36 ,
462-468 (1996).

o PubMed
o Article
o CAS
o Google Scholar
38. 38.

Dimberg, LY et al. Un écran de perte de fonction à l'échelle du génome identifie


SLC26A2 comme un nouveau médiateur de la résistance TRAIL. Mol. Cancer Res. 15
, 382–394 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
39. 39.

Straussman, R. et al. Le micro-environnement tumoral induit une résistance innée aux


inhibiteurs de la RAF par la sécrétion de HGF. Nature 487 , 500–504 (2012).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
40. 40.

Stover, EH et al. Les analyses génomiques regroupées identifient les gènes anti-
apoptotiques comme médiateurs ciblables de la résistance à la chimiothérapie dans le
cancer de l'ovaire. Mol. Cancer Res. 17 , 2281-2293 (2019).

o PubMed
o Article
o Google Scholar
41. 41.

Subramanian, A. et al. Une carte de connectivité de nouvelle génération: la plateforme


L1000 et les 1 000 000 premiers profils. Cell 171 , 1437–1452.e17 (2017).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
42. 42.

Zhang, XD Une paire de nouveaux paramètres statistiques pour le contrôle de la


qualité dans les tests de criblage à haut débit d'interférence ARN. Genomics 89 , 552–
561 (2007).

o PubMed
o Article
o CAS
o Google Scholar
43. 43.

Johnson, WE, Li, C. & Rabinovic, A. Ajustement des effets de lot dans les données
d'expression de puces à ADN en utilisant des méthodes Bayes empiriques.
Biostatistics 8 , 118-127 (2007).

o PubMed
o Article
o Google Scholar
44. 44.

Smirnov, P. et al. PharmacoGx: un package R pour l'analyse de grands ensembles de


données pharmacogénomiques. Bioinformatics 32 , 1244-1246 (2016).

o PubMed
o Article
o CAS
o Google Scholar
45. 45.
Strobl, C., Boulesteix, A.-L., Kneib, T., Augustin, T. & Zeileis, A. Importance
variable conditionnelle pour les forêts aléatoires. BMC Bioinformatics 9 , 307 (2008).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
46. 46.

Chatfield, C. Statistics for Technology: a Course in Applied Statistics 3rd edn (CRC
Press, 2018).

47. 47.

Honaker, J., King, G. & Blackwell, M. Amelia II: un programme pour les données
manquantes. J. Stat. Softw. https://www.jstatsoft.org/article/view/v045i07 (2011).

48. 48.

Ritchie, ME et al. limma renforce les analyses d'expression différentielle pour le


séquençage d'ARN et les études de puces à ADN. Nucleic Acids Res. 43 , e47 (2015).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
49. 49.

Doench, JG et al. Conception optimisée de sgRNA pour maximiser l'activité et


minimiser les effets hors cible de CRISPR-Cas9. Nat. Biotechnol. 34 , 184-191
(2016).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
50. 50.

Sanson, KR et al. Bibliothèques optimisées pour les écrans génétiques CRISPR-Cas9


avec de multiples modalités. Nat. Commun. 9 , 5416 (2018).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
51. 51.
Li, W. et al. Contrôle qualité, modélisation et visualisation des écrans CRISPR avec
MAGeCK-VISPR. Genome Biol. 16 , 281 (2015).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar
52. 52.

Lui, L. et al. in Cancer Systems Biology: Methods and Protocols (ed von Stechow, L.)
351–398 (Springer, 2018).

53. 53.

Polli, JW et al. Utilisation rationnelle des dosages in vitro de la glycoprotéine P dans


la découverte de médicaments. J. Pharmacol. Exp. Ther. 299 , 620–628 (2001).

o PubMed
o CAS
o Google Scholar
54. 54.

Aguet, F. et al. Effets génétiques sur l'expression des gènes dans les tissus humains.
Nature 550 , 204-213 (2017).

o Article
o Google Scholar
55. 55.

Birger, C. et al. FireCloud, une plateforme cloud évolutive pour l'analyse collaborative
du génome: stratégies pour réduire et contrôler les coûts. Préimpression sur bioRxiv
https://doi.org/10.1101/209494 (2017).

56. 56.

Love, MI, Huber, W. & Anders, S. Estimation modérée du changement de pli et de la


dispersion pour les données d'ARN-seq avec DESeq2. Genome Biol. 15 , 550 (2014).

o PubMed
o PubMed Central
o Article
o CAS
o Google Scholar

Télécharger les références

Remerciements
Nous remercions C. Yu, W. Hahn, B. Wolpin, A. Bass, N. Gray, K. Stegmaier, E. Stover, T.
Lewis, M. Mesleh, A. Burgin, S. Alper, G. Botta, M. Macaluso, P. Tsvetkov, X. Jin, K.
Blakeslee, G. Ciolek et E. Lander pour des discussions scientifiques utiles. M. Passino, C.
Zhu, K. Gore, M. Laird, C. Trapechio et E. Parikh ont généré les lignées cellulaires PRISM à
code à barres et effectué les tests. K. Stumbraite a aidé à la prise d'empreintes digitales STR.
S. Johnson et J. Davis ont effectué le traitement et la détection du lysat. SE Johnston et R.
Singh ont fourni un soutien en chimie analytique. A. Vrcic, C. Sandland et S. Figueroa-Lazu
ont aidé à la gestion des composés. G. Kugener et A. Gonzalez ont fourni une assistance
technique. Cette étude a été financée en partie par la Fondation Carlos Slim (Slim Initiative in
Genomic Medicine for the Americas), le Next Generation Fund du Broad Institute of MIT and
Harvard (SMC), la Conquer Cancer Foundation of ASCO Young Investigator Award (SMC)
et National Institutes of Health accorde nos. U01 HG008699 (TRG et AS), U54 HL127366
(TRG et AS), KL2 TR002542 (SMC) et K08 CA230220 (SMC).

Informations sur l'auteur


Notes de l'auteur

1.
o Jordan G. Bryan

Adresse actuelle: Duke University, Durham, NC, USA

2.
o Uri Ben-David

Adresse actuelle: Département de génétique moléculaire et de biochimie humaine,


Université de Tel Aviv, Tel Aviv, Israël

3.
o Li Wang

Adresse actuelle: 10x Genomics, Pleasanton, CA, USA

4.
o Patrick J. O'Hearn

Adresse actuelle: Relay Therapeutics, Cambridge, MA, USA

5.
o Eric Stefan

Adresse actuelle: Biogen, Cambridge, MA, USA

6.
o Joshua A. Bittker

Adresse actuelle: Vertex Pharmaceuticals, Boston, MA, USA

7.
o Christopher C. Mader

Adresse actuelle: Flatiron Health, New York, NY, USA

Affiliations

1. Broad Institute of MIT and Harvard, Cambridge, MA, États-Unis


o Steven M. Corsello
o , Rohith T. Nagari
o , Ryan D. Spangler
o , Jordan Rossen
o , Mustafa Kocak
o , Jordan G. Bryan
o , Ranad Humeidi
o , David Peck
o , Xiaoyun Wu
o , Andrew A. Tang
o , Vickie M. Wang
o , Samantha A. Bender
o , Evan Lemire
o , Rajiv Narayan
o , Philip Montgomery
o , Uri Ben-David
o , Colin W. Garvie
o , Yejia Chen
o , Matthew G. Rees
o , Nicholas J. Lyons
o , James M. McFarland
o , Bang T. Wong
o , Li Wang
o , Nancy Dumont
o , Patrick J. O'Hearn
o , Eric Stefan
o , John G. Doench
o , Caitlin N. Harrington
o , Heidi Greulich
o , Matthew Meyerson
o , Francisca Vazquez
o , Aravind Subramanian
o , Jennifer A. Roth
o , Joshua A. Bittker
o , Jesse S. Boehm
o , Christopher C. Mader
o , Aviad Tsherniak
o & Todd R. Golub
2. Département d'oncologie médicale, Dana-Farber Cancer Institute, Boston, MA, États-Unis
o Steven M. Corsello
o & Matthew Meyerson
3. Harvard Medical School, Boston, MA, États-Unis
o Steven M. Corsello
o , Matthew Meyerson
o & Todd R. Golub
4. Département d'oncologie pédiatrique, Dana-Farber Cancer Institute, Boston, MA, États-Unis
o Todd R. Golub
5. Howard Hughes Medical Institute, Chevy Chase, MD, États-Unis
o Todd R. Golub

Contributions

SMC, MK, JGB, JAB, JSB, CCM, AT et TRG ont conceptualisé l'étude. SMC, RTN, RDS,
MK, JGB, DP, EL, RN, JAB, CCM, AT et TRG ont conçu la méthodologie de l'étude. JR,
MK, JGB, VMW, EL, RN, PM, YC, MGR et LW exploitaient le logiciel. SMC, RTN, RDS,
JR, MK et JGB ont validé les données. SMC, JR, MK, JGB, VMW, JMM et LW ont effectué
l'analyse formelle. SMC, RTN, RDS, JR, MK, JGB, RH, DP, XW, SAB, CWG, NJL, UB-D.,
ND, PJO, CNH, AS et CCM ont mené l'enquête. ES, JGD, HG, MM, FV, AS, JAR, JAB, AT
et TRG ont géré les ressources. SMC, RDS et SAB ont organisé les données. SMC, RTN,
RDS, JR, MK, JGB, RH, XW, VMW, AAT, SAB, UB-D., JMM, AT et TRG ont écrit le
brouillon original. MGR et ND ont examiné et édité le projet. JR, MK, VMW, AAT, PM et
BTW ont supervisé la visualisation des données. MM, AT et TRG ont supervisé l'étude. SAB,
AS, JAR et CCM ont supervisé l'administration du projet. SMC, JSB et TRG ont acquis le
financement.

auteur correspondant

Correspondance avec Todd R. Golub .

Déclarations éthiques
Intérêts concurrents

SMC, XW, HG, MM, AS et TRG reçoivent un financement de recherche non lié à ce projet
de Bayer HealthCare. MM reçoit un financement de la recherche d'Ono et sert de conseil
scientifique consultatif et de consultant pour OrigiMed. MM détient des brevets accordés à
LabCorp et Bayer. MM et TRG étaient auparavant des consultants et des actionnaires de
Foundation Medicine, qui a été acquise par Roche. JAB est un employé et actionnaire de
Vertex Pharmaceuticals. JGD et AT consultent Tango Therapeutics. TRG est consultant pour
GlaxoSmithKline et fondateur de Sherlock Biosciences. Des demandes de brevet pour les
utilisations de drogues détaillées dans ce manuscrit ont été déposées. Les autres auteurs ne
déclarent aucun intérêt concurrent.

Information additionnelle
Note de l'éditeur Springer Nature reste neutre en ce qui concerne les réclamations
juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Données étendues
Extended Data Fig. 1 PRISM Repurposing assay and data processing overview.

a , diversité de lignée des lignées cellulaires PRISM. Les 489+ lignées cellulaires cancéreuses
testées couvrent plus de 23 types de tumeurs. Les lignées de moins de 10 lignées cellulaires
sont répertoriées à droite. b , Protocole expérimental. Les lignées cellulaires sont regroupées
en doublant le temps en pools d'environ 25 lignées cellulaires. Un pool est plaqué sur chaque
plaque de test. Les composés sont transférés par transfert de broches à partir d'une plaque de
composé source (écrans HTS et HTS002), ou les cellules sont plaquées directement sur des
plaques prêtes à être générées par la distribution acoustique des composés (écrans MTS004,
MTS005 et MTS006). Dans les deux cas, les plaques composites sont partagées par toutes les
répliques de chaque condition de traitement. Après incubation et lyse, toutes les plaques de
test générées par une plaque de composé donnée sont regroupées et regroupées en 3 (HTS002,
MTS005 et MTS006 écrans) ou 6 (HTS, MTS004 écrans) plaques de détection afin que
chaque plaque de détection reçoive 1 ou zéro copie de chaque piscine. Dix codes-barres de
contrôle sont ensuite ajoutés à chaque puits de plaque de détection (écrans HTS002, MTS005
et MTS006). Les plaques de détection sont amplifiées par PCR et détectées à l'aide
d'instruments Luminex FLEXMAP 3D. c , workflow de traitement des données. Les valeurs
d'intensité de fluorescence médiane (MFI) sont calculées à partir des valeurs de fluorescence
pour chaque combinaison répliquée-condition-lignée cellulaire et sont transformées en log2.
Les puits des plaques d'essai sont normalisés, effondrés médians et comparés aux médianes
normalisées des autres puits des plaques d'essai dans la même position de puits qui ont été
dosés par la même plaque composite. Un z-score robuste est calculé, et les puits de plaque
d'essai avec un | z-score | > 5 sont filtrés. Des différences moyennes strictement standardisées
(SSMD) sont calculées entre les conditions de contrôle positives et négatives pour chaque
lignée cellulaire sur chaque plaque de test. Les combinaisons de plaques d'analyse de lignées
cellulaires avec SSMD <2 sont filtrées par un filtre de contrôle-séparation pour générer la
matrice de données log MFI. Dans les jeux de données auxquels des codes-barres de contrôle
ont été ajoutés, les données sont normalisées par rapport à la médiane des codes-barres de
contrôle pour générer la matrice de données normalisée MFI. Les données sont normalisées
par DMSO et les artefacts de regroupement sont corrigés à l'aide de ComBat pour générer la
matrice de données de changement de pli de journal. Jusqu'à 3 plaques traitées
indépendamment (filtrage QC basé sur une plage de 1 à 3) dans un écran sont réduites en
médiane pour générer la matrice de données de changement de pli de journal réduites.

Données étendues Fig. 2 Filtre QC de pool aberrant pour détecter les défaillances au
niveau du pool.

a , taux de réussite QC de l'écran principal par pool. La fraction des puits de plaque d'essai
traités qui passent le filtre aberrant est indiquée. Les données de l'IMF du lignage cellulaire
sont centrées sur la médiane et les médianes des puits de plaque d'essai sont comparées dans
chaque combinaison de plaques de détection de puits. Valeurs aberrantes extrêmes avec |
score z robuste | > 5 sont filtrés. b , taux de réussite QC de l'écran primaire par plaque de
détection. c , taux de réussite QC de l'écran primaire des plaques d'essai. Le taux de réussite
global était élevé (médiane 98,6%, minimum 83,8%). d , taux de réussite QC de l'écran
secondaire par pool. e , taux de réussite QC de l'écran secondaire par plaque de détection. Le
taux de réussite est supérieur à 95% pour 81% des plaques de détection. f , Taux de réussite
du CQ de l'écran secondaire par des combinaisons plaque-pool 3 plaques répliquées sont
combinées pour la visualisation. Le taux de réussite global était élevé (médiane 99,1%,
moyenne 94,3%), où les défaillances proviennent presque exclusivement de 7 plaques de
détection, impliquant une défaillance à l'étape de détection finale. À travers l'écran, 5,7% des
pools sont filtrés en tant que valeurs aberrantes.

Données étendues Fig. 3 Filtre QC de contrôle-séparation pour détecter les pannes de


ligne cellulaire.

aa , taux de réussite QC de l'écran principal par ligne cellulaire. La SSMD des valeurs log
MFI est calculée entre le contrôle positif et le traitement témoin négatif pour chaque lignée
cellulaire sur chaque plaque. Les données des lignées cellulaires avec SSMD <2 sont filtrées.
b , taux de réussite QC de l'écran primaire par plaque de détection. c , taux de réussite QC de
l'écran primaire des plaques d'essai. Le taux de réussite global était élevé (médiane 99,2%,
moyenne 94,3%). Certaines plaques de détection présentent des taux de défaillance plus
élevés pour des pools de détection spécifiques, ce qui implique une défaillance à l'étape de
détection finale. La majeure partie des données filtrées provenaient de deux pools de détection
de plaques de détection (PREP013_X2 et PREP003_X1 dans le pool de détection 8). d , taux
de réussite QC de l'écran secondaire par lignée cellulaire. La SSMD des valeurs log MFI est
calculée entre le contrôle positif et le traitement témoin négatif pour chaque lignée cellulaire
sur chaque plaque de test. Les données des lignées cellulaires avec SSMD <2 sont filtrées. e ,
taux de réussite QC de l'écran secondaire par plaque de détection. f , taux de réussite du CQ
de l'écran secondaire des plaques d'essai. Le taux de réussite global était inférieur à celui du
primaire (médiane 99,88%, moyenne 79,1%). Semblable à l'écran principal, le principal mode
de défaillance est les défaillances de plaque.

Données étendues Fig. 4 Nombre de répliques de puits passant le QC dans les écrans
PRISM.

a , nombre de réplicats de puits de test cellulaire individuel (max n = 3) qui passent les filtres
QC dans le tamis primaire, groupés par plaque composite et qualité de la lignée cellulaire.
86% (497 sur 578) des lignées cellulaires ont au moins un réplicat passant pour toutes les
plaques composées. L'identité des lignées cellulaires avec des données de qualité inférieure
est répertoriée en bas. b , nombre de répliques de puits de test de cellules individuelles (max n
= 3) qui passent les filtres QC dans l'écran secondaire. 95% (463 sur 489) des lignées
cellulaires ont au moins 1 réplicat passant sur au moins 85% (30 sur 35) des plaques
composées.

Données étendues Fig. 5 Comparaison des données de viabilité de PRISM avec des
ensembles de données de référence.

a , corrélations Pearson par paires entre les ASC de la réponse aux médicaments des
ensembles de données accessibles au public. Les valeurs de l'ASC ont été recalculées pour 84
composés et 318 lignées cellulaires (médiane 236 lignées cellulaires par composé) sur la
même gamme de doses pour chaque paire composé-lignée cellulaire dans les 3 ensembles de
données (GDSC, CTD2, REP), et plafonnées à 1. La La corrélation de Pearson entre les paires
de lignées composées-cellules partagées des ensembles de données est supérieure à 0,6.
44,8% des paires lignée cellulaire-composé montrent une inactivité (ASC> 0,8) dans les trois
ensembles de données (n = 16650 paires composé-lignée cellulaire). b , corrélations Pearson
par paires entre les AUC de la réponse aux médicaments après l'élimination des paires de
lignées cellulaires inactives. Les corrélations de Pearson ont été recalculées après filtrage des
points de données inactifs (AUC> 0,8 dans les trois ensembles de données) (n = 9188 paires
de lignées composé-cellules). c , Corrélation composée entre les ensembles de données
accessibles au public. La corrélation entre les données PRISM et d'autres ensembles de
données est similaire à la corrélation entre d'autres ensembles de données. Les points
représentent les corrélations de Pearson et les barres d'erreur représentent des intervalles de
confiance à 95% calculés à l'aide de la transformée z de Fisher. GDSC vs CTD2 est en bleu et
REP vs GDSC / CTD2 est en rouge. Le nombre de lignées cellulaires partagées par les trois
ensembles de données est indiqué après chaque nom de médicament. Les tests t appariés sur
les corrélations composées montrent une valeur statistiquement significative (valeur p
bilatérale: 0,012 et 0,014 pour le haut et le bas, respectivement) mais une petite moyenne des
différences (0,049 et 0,039 pour le haut et le bas, respectivement). Le nombre de points de
données utilisés pour calculer chaque corrélation est donné dans la figure pour chaque
composé.

Données étendues Fig. 6 PRISM Réutilisation de la quantification du bruit.

a , Estimation de l'erreur standard des lignées cellulaires dans les puits traités avec des
véhicules sur des plaques PRISM traitées avec du DMSO (n = 489 lignées cellulaires). Les
erreurs standard de changement de pli logarithmique sont estimées pour chaque lignée
cellulaire à l'aide de plaques DMSO uniquement incluses dans l'écran MTS006 (n = 384 × 3
puits répliqués pour chaque lignée cellulaire). b , Comparaison des estimations d'erreur
standard à travers les écrans. Le calcul de l'estimation d'erreur est répété pour chaque écran en
utilisant des puits DMSO sur des plaques composites standard (n = 32 puits répliqués par
plaque), à l'exception du MTS006, qui utilise des plaques DMSO uniquement (n = 384 puits
répliqués par plaque). Des niveaux de bruit plus élevés sont observés dans les écrans initiaux
à haut débit HTS001 (n = 578 lignées cellulaires) et HTS002 (n = 489 lignées cellulaires) par
rapport aux écrans à débit moyen MTS004 (n = 578 lignées cellulaires), MTS005 (n = 489
lignées cellulaires) et MTS006 (n = 489 lignées cellulaires). Les limites supérieures, les lignes
médianes et les limites inférieures correspondent respectivement aux 75 e , 50 e et 25 e
centiles. Les moustaches s'étendent des limites de la boîte à la valeur la plus extrême jusqu'à
1,5 IQR à partir de la médiane. Toutes les lignées cellulaires sont représentées sous forme de
points, quel que soit leur statut aberrant. c , Comparaison de l'erreur standard estimée des
puits de contrôle des véhicules entre les ensembles de données pharmacogénomiques à haut
débit. L'erreur standard moyenne à travers les lignées cellulaires (n = 301 lignées cellulaires
pour PRISM versus CTD2 et n = 197 pour PRISM versus GDSC) est indiquée par des lignes
pointillées avec un écart type entre parenthèses. d , Relation entre la sélectivité des
médicaments et la reproductibilité des répliques dans PRISM. La corrélation moyenne de
Pearson entre les réplicats pour chaque combinaison de composé, de dose et d'écran est
stratifiée par le coefficient de bimodalité moyen. À titre de comparaison, la distribution nulle
pour les composés appariés au hasard est indiquée en bleu.

Données étendues Fig. 7 Génération de lignées cellulaires knockout par édition CRISPR /
Cas9.

a , les cellules SF295 ont été transduites avec plusieurs guides ciblant le gène MTF-1. Après
la sélection, l'ADN génomique a été isolé et la région ciblée a été amplifiée par PCR. Les
résultats du test NGS CRISPR sont présentés en pourcentage de formation d'indel. b , gènes
exprimés différentiellement dans les cellules de gliome SF295 après knockout MTF-1 par
CRISPR / Cas9. Une perte d'expression de MT1E, MT1X et MT2A a été observée lors du
knock-out du MTF-1. L'expression des gènes à travers trois puits cellulaires indépendants par
lignée cellulaire a été mesurée par séquençage d'ARNm. Les valeurs p bilatérales pour
l'expression différentielle des gènes après knockout MTF-1 vs lignée cellulaire parentale ont
été calculées avec DESeq2 et corrigées pour des tests d'hypothèses multiples en utilisant la
méthode de Benjamini-Hochberg. c , sensibilité aux médicaments des cellules SF295 avec et
sans knock-out MTF-1. Le MTF-1 ne modifie pas la sensibilité pour contrôler le bortézomib
chimiothérapeutique. La viabilité moyenne à travers 3 puits traités indépendamment est
montrée, avec un écart type indiqué par des barres d'erreur. d , validation par immunoblot de
Western du knockout SLC26A2 dans les lignées cellulaires de cancer du mélanome ovarien
OVISE et A2058. La protéine SLC26A2 est connue pour migrer à travers une gamme de
poids moléculaires en raison de la glycosylation. Les résultats sont représentatifs de deux
expériences indépendantes. e , les cellules OVISE ont été transduites avec plusieurs guides
ciblant le gène SLC26A2. La fréquence d'Indel aux sites de coupure CRISPR Cas9 SLC26A2
a été évaluée par le test CRISPR NGS. f , western blot ABCB1 avec et sans knockout
CRISPR de ABCB1 dans la lignée cellulaire de cancer du côlon LS1034. Le Western blot a
été effectué une fois. g , Pourcentage de formation d'indel au site de coupure génomique dans
les lignées à élimination directe CRISPR LS1034 ABCB1 évaluées par le test CRISPR NGS.
h , Viabilité cellulaire des lignes à élimination directe CRISPR LS1034 après traitement à la
tépoxaline pendant 5 jours. La viabilité moyenne à travers 3 puits traités indépendamment est
montrée, avec un écart type indiqué par des barres d'erreur. Données source

Données étendues Fig. 8 Études mécanistes de la tépoxaline.

a , ABCB1 western blot avec et sans surexpression de ABCB1 dans la lignée cellulaire de
cancer ovarien de Kuramochi. Le Western blot a été effectué une fois avec trois échantillons
indépendants. b , Viabilité cellulaire des cellules de type sauvage de Kuramochi et des
cellules surexprimant ABCB1 après traitement à la tépoxaline pendant 8 jours. La viabilité
moyenne à travers 3 puits traités indépendamment est montrée, avec un écart type indiqué par
des barres d'erreur. c , (à gauche) Courbes dose-réponse à agent unique pour les cellules
LS1034 traitées avec de la tépoxaline et du zosuquidar pendant 5 jours. Deux répétitions ont
été moyennées. (Moyen) Courbes de réponse à la dose de tépoxaline en combinaison avec des
doses variables de zosuquidar (indiquées par différentes couleurs) pendant 5 jours. Les
données sont présentées pour des doses de tépoxaline supérieures à 470 nM (la plage indiquée
par les lignes verticales en pointillés ci-dessus). (À droite) Score de synergie Bliss estimé pour
chaque combinaison de doses, montrant un fort antagonisme du zosuquidar à des doses de
tépoxaline supérieures à ~ 5 μM. Deux combinaisons n'ont pas été testées (NT). d , le score de
synergie maximum est indiqué pour plusieurs combinaisons de médicaments mesurées dans
les lignées cellulaires LS1034 et REC1. Le tariquidar et l'élacridar étaient tous deux fortement
synergiques en combinaison avec le paclitaxel, tandis que tous les inhibiteurs de MDR1 testés
étaient antagonistes en combinaison avec la tépoxaline. e , étude de perméabilité cellulaire de
la tépoxaline et du RWJ20142 dans des lignées cellulaires de cancer du côlon LS1034 avec et
sans knockout ABCB1. Chaque lignée cellulaire ou témoin de milieu uniquement indiqué a
été traité avec 20 μM de tépoxaline ou RWJ20142 pendant 3 heures. Les concentrations de
tépoxaline et de RWJ20142 dans le lysat cellulaire ou le milieu ont été déterminées par
chromatographie liquide-spectrométrie de masse. La viabilité moyenne à travers 3 puits traités
indépendamment est montrée, avec un écart type indiqué par des barres d'erreur. Les points
ombrés indiquent les données sous-jacentes. f , étude de stabilité de la tépoxaline dans trois
véhicules différents sur 72 heures. Le pourcentage de tépoxaline restant est indiqué à chaque
point temporel. g , test d'antagonisme ABCB1 en utilisant la fluorescence de la calcéine AM.
Les cellules MDCKII ont été traitées avec la concentration indiquée de tépoxaline ou
RWJ20142. Le pourcentage moyen d'inhibition d'ABCB1 sur 3 répétitions est indiqué. h , test
d'activité basé sur le transport ABCB1. Le transport basolatéral du lopéramide du substrat
ABCB1 a été évalué en utilisant une monocouche de cellules MDCK-ABCB1 en présence de
tépoxaline ou de RWJ20142. Le pourcentage moyen d'inhibition d'ABCB1 sur 2 répétitions
est indiqué. Données source

Information supplémentaire
Résumé des rapports

Tableaux supplémentaires 1 à 13.

Données source
Données sources Fig. 5

Données source Données étendues Fig. 7

Données source Données étendues Fig. 8

Droits et autorisations
Réimpressions et autorisations

À propos de cet article


Citez cet article

Corsello, SM, Nagari, RT, Spangler, RD et al. Découvrir le potentiel anticancéreux des
médicaments non oncologiques par un profil de viabilité systématique. Nat Cancer (2020)
doi: 10.1038 / s43018-019-0018-6

Télécharger la citation

 Reçu 15 octobre 2019

 Accepté 06 décembre 2019

 Publié 20 janvier 2020

 DOI https://doi.org/10.1038/s43018-019-0018-6

Partagez cet article

Toute personne avec laquelle vous partagez le lien suivant pourra lire ce contenu:

Sujets

 Génétique chimique
 Développement de médicaments
 Dépistage
 Biomarqueurs tumoraux

   Abstrait
 Principale
 Résultats
 Discussion
 Les méthodes
 Disponibilité des données
 Disponibilité du code
 Les références
 Remerciements
 Informations sur l'auteur
 Déclarations éthiques
 Information additionnelle
 Données étendues
 Information supplémentaire
 Données source
 Droits et autorisations
 À propos de cet article

Cancer de la nature
ISSN 2662-1347 (en ligne)

 À propos de nous
 communiqués de presse
 bureau de presse
 Nous contacter

Découvrir le contenu

 Journaux AZ
 Articles par sujet
 Nano
 Échange de protocole
 Indice de la nature

Publiez avec nous

 Guide aux auteurs


 Guide des arbitres
 Politiques éditoriales
 Accès libre
 Réimpressions et autorisations

Services aux chercheurs

 Données de recherche
 Édition de la langue
 Édition scientifique
 Masterclasses Nature
 Académies de recherche sur la nature

Bibliothèques et institutions

 Service et outils bibliothécaires


 Portail bibliothécaire
 Recherche ouverte

Publicité et partenariats

 La publicité
 Partenariats et services
 Kits médias
 Le contenu de marque

Développement de carrière

 Carrières Nature
 La nature Conférences
 La nature événements

Sites Web régionaux

 Nature Chine
 Nature Inde
 Nature Japon
 Nature Corée
 Nature Moyen-Orient

© 2020 Springer Nature Limited

 Politique de confidentialité
 Utilisation de cookies
 Gérer les cookies
 Mention légale
 Déclaration d'accessibilité
 termes et conditions

Inscrivez-vous à la newsletter Nature Briefing - ce qui compte pour la science, gratuitement dans
votre boîte de réception tous les jours.
Entrez votre adresse email

J'accepte que mes informations soient traitées conformément à la politique de confidentialité de


Nature et Springer Nature Limited.

https://www.researchgate.net/publication/11323623_Vanadium_in_cancer_treatment

Vous aimerez peut-être aussi