DrugComb은 오픈 액세스 커뮤니티 기반의 데이터 포털로서, 다양한 암 세포주에대한 약물 조합 스크리닝 연구 결과의 축적과, 표준화, 그리고 데이터의 연결이 이루어지는 곳입니다. 약물 조합 데이터 분석을 위한 데이터 시각화 및 전산 툴들이 사용자들의 참여를 통해 적극적으로 확장될 수 있습니다. 이 곳에서 공개되는 모든 데이터셋과 전산 툴들은 매우 다양한 암 연구 커뮤니티의 연구자들이 자유롭게 사용할 수 있습니다.

배경

보다 높은 수준의 개인 맞춤의 그리고 효과적 암 치료를 개발하는 것은 오늘날 건강관리체계에 있어서 가장 어려운 과제 중 하나입니다. 임상에 사용되고 있는 많은 약물들이 지금까지 효능이 매우 제한적인데, 특정 환자에 약의 반응성이 왜 떨어지는지에 대한 이해도 매우 제한적입니다. 치료 초기에는 좋은 반응을 보이더라도 돌연변이 가능성이 높고 기능적 중복성을 갖는 특정 암 세포는 보상적 패스웨이를 활성화함으로써 약물 내성을 쉽게 발달시킬 수 있습니다. 효과적이고 지속적인 임상 반응에 도달하기 위해서는 암 세포를 선택적으로 억제하고 약물 내성의 출현을 차단하는 다중 표적 약물 조합이 매우 중요합니다. 헬싱키 의과대학의 시스템 종양학 연구 프로그램과 FIMM의 맞춤시스템의학 (ISM) 플랫폼은 임상에 사용될 가능성이 매우 높은 새로운 치료 옵션을 찾아내는 것을 목표로 합니다. 우선 클리닉에서 모아진 암 환자 샘플은 약물 민감도 테스트와 분자 프로파일링을 위해 배양됩니다. 각각의 특정 암 유형 또는 환자에 대해 모든 약물 조합에 대한 철저한 실험이 불가능하기 때문에, 가장 잠재성이 높은 약물 조합을 예측하는데 있어서 전산적 방법은 보다 높은 효율성을 제공합니다.

연구 전략

미래에 진정한 개인맞춤형 암 치료가 가능할 수 있게 하는 약물 조합의 합리적(과학적) 설계를 보다 쉽게 할 수 있도록 환자와 치료방법을 더욱 세분화하여 ("각 환자에게 딱 맞는 약물")을 식별하기위한 모델 기반 클러스터링 방법을 개발할 것입니다. 화학 요법에 내성이 있는 환자를 위해, 가장 효과가 높을 수 있는 약물 조합을 예측하기 위한 네트워크 모델링 접근법을 개발할 것입니다. 약물 조합 예측은 각 환자에 대해 이루어질 것이며 환자 샘플에서 전임상 약물 테스트 플랫폼을 사용하여 검증 될 것입니다. 치료 시 사용되는 용량에서 유의한 시너지 효과를 확인하기 위해 약물 조합의 스크린 데이터를 탐색 할 것입니다. 딱 맞는 약물의 조합은 암 신호 전달 네트워크에서의 작동 메커니즘을 추론하여 모델링될 것입니다. 개별 환자 샘플 또는 샘플 서브 그룹에서 선택적 효능을 갖는 약물 조합은 추후에 치료 옵션으로 중개(제안)될 것입니다. 여기서 제안되는 약물 조합의 예측, 모델링 및 테스트 파이프 라인은 현재의 세포독성 및 단일 치료요법과 비교하여 새로울 뿐만 아니라 보다 효과적이고 안전한 치료법으로 이어질 가능성이 있습니다.

References

[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