DrugComb è un portale di dati ad accesso aperto che raccoglie i risultati di screening di combinazioni di farmaci tumorali. La base dati è composta da un'ampia varietà di linee cellulari tumorali ed i cui dati sono stati standardizzati ed armonizzati tra loro. È inoltre disponibile una ricca collezione, in continua espansione, di strumenti computazionali per la visualizzazione e l'analisi dei dati. Tutti i dati e gli strumenti informatici sono resi disponibili in modo libero e gratuito a beneficio dell'intera comunità di ricercatori oncologici.

Motivazioni

Rendere il trattamento del cancro più personalizzato ed efficace è una delle grandi sfide del nostro sistema sanitario. Tuttavia, molti farmaci che sono attualmente utilizzati in campo clinico hanno mostrato solamente una efficacia limitata ed il motivo per cui alcuni pazienti non rispondono positivamente al trattamento è ancora ignoto. Anche quando esiste un miglioramento delle condizioni come risposta al trattamento, le cellule tumorali con un alto tasso di mutazione e ridondanza funzionale possono facilmente sviluppare una resistenza ai farmaci mediante l'attivazione di percorsi compensatori. Per raggiungere delle terapie benefiche e durature nel tempo abbiamo perciò bisogno di combinazioni di farmaci a diversa tipologia di azione, con l'obiettivo di inibire selettivamente le cellule tumorali e bloccare l'emergere della resistenza ai farmaci. La piattaforma Sistemi di Medicina Individualizzata (ISM) di FIMM mira ad individuare nuove strategie terapeutiche con la più alta probabilità di successo in ambito clinico. I campioni cellulari di pazienti affetti da cancro sono raccolti in cliniche specializzate e successivamente coltivate per test di sensibilità a farmaci ed anche profilazione molecolare. Poiché la sperimentazione esaustiva di tutte le possibili combinazioni di farmaci per ogni specifico tipo di paziente non è possibile, i metodi computazionali offrono un efficace alternativa per predire le migliori potenziali combinazioni.

Strategia di ricerca

Per muoverci verso un futuro di medicina oncologica veramente personalizzata é innanzitutto necessario facilitare la progettazione razionale di combinazioni di farmaci. Con questo obiettivo, svilupperemo metodi di clustering per l'identificazione di sottogruppi omogenei di pazienti che richiedono trattamenti specifici ("il farmaco giusto per il paziente giusto"). Per i pazienti resistenti alla chemioterapia, svilupperemo modelli basati su reti per predire la combinazione di farmaci con la più alta probabilità di successo. La previsione della migliore combinazione di farmaci verrà effettuata per ciascun paziente e verrà convalidata utilizzando una piattaforma di test pre-clinica su campioni cellulari del paziente stesso. Esploreremo i dati ottenuti dallo screening delle combinazioni di farmaci per identificare eventuali sinergie significative a dosi terapeuticamente rilevanti. I risultati saranno modellati in reti di segnalazione cellulare del cancro per capire i meccanismi di azione. Le combinazioni di farmaci efficaci per singoli pazienti o gruppi di pazienti saranno infine tradotte in opzioni di trattamento. Gli approcci di previsione, modellizzazione e sperimentazione proposti hanno il potenziale di condurci a trattamenti nuovi, più efficaci e più sicuri rispetto alle attuali monoterapie citotossiche.

Riferimenti bibliografici

[1] DrugComb - an integrative cancer drug combination data portal. Zagidullin, B., Aldahdooh, J. Malyutina, A., Wang, W., Wang, Y., Saad, J., Pessia, A. and Tang. J. Manuscript.

[2] Malyutina, A., Majumder, M.M., Wang, W., Pessia, A., Heckman, C. and Tang, J. Drug combination sensitivity scoring facilitates the discovery of synergistic and efficacious drug combinations in cancer. Under Review.

[3] Wang, W., Malyutina, A., Pessia, A., Heckman, C. and Tang, J. Improving the consistency of functional genomics screens using molecular features - a multi-omics, pan-cancer study. Under Review.

[4] Tang, J. (2017) Informatics approaches for predicting, understanding and testing cancer drug combinations. Methods Mol. Biol. 1636:485-506. Book chapter in Kinase Signaling Networks, Springer

[5] Ianevski, A., He, L., Aittokallio, T. and Tang, J. (2017) SynergyFinder: a web application for analyzing drug combination dose-response matrix data. Bioinformatics. 33, 2413-2415

[6] He, L., Kulesskiy, E., Saarela, J., Turunen, L., Wennerberg, K., Aittokallio, T. and Tang, J. (2017) Methods for high-throughput drug combination screening and synergy scoring. Methods Mol. Biol. 1711:351-398. Book chapter in Cancer Systems Biology, Springer.

[7] Yadav, B., Wenerberg, K., Aittokallio, T. and Tang, J. (2015) Searching for drug synergy in complex dose-response landscapes using an interaction potency model. Comput. Struct. Biotechnol. J. 13, 504-513

[8] Tang, J., Wennerberg, K. and Aittokallio, T. (2015) What is synergy? The Saariselkä agreement revisited. Front. Pharmacol. 6, 181