Press Release: Harnessing the Power of Bioinformatics: Identifying Therapeutic Targets for Resistant Small Cell Lung Cancer
JIA SOON LEN
No translator
Did you know that lung cancer caused 1.8 million deaths in 2018 and is the leading cause of cancer mortality globally? Among the risk factors, smoking is best known for having a strong epidemiological link with small cell lung cancer (SCLC), a type of lung cancer characterized by poor patient survival rate (5-year survival rate of 7%), high metastasis, and rapid tumor growth. It is estimated that SCLC makes up 15% of lung cancer cases. Over the past three decades, the standard treatment options for SCLC have, in essence, remained unchanged. Furthermore, the acquired resistance of SCLC to chemotherapy and refractory to existing drug treatment following rapid relapse all necessitate the need for novel and more effective therapeutics. In a paper published in this issue of the Journal of Young Investigators, Sie and coworkers analyzed single-cell RNA sequencing (scRNA-seq) datasets from Stewart et al. Using bioinformatics tools, Sie et al. aim to shed insights on the possible therapeutic targets for resistant SCLC — a condition defined as SCLC relapse that occurs within 60 days after first-line treatment.
The study led by Stewart and colleagues involves performing scRNA-seq on platinum-sensitive and -resistant SCLC circulating tumor cell-derived xenografts (CDX). Platinum chemotherapy works by binding to DNA and impairing its functions, eventually leading to cellular death. By downloading datasets uploaded by Stewart et al. on a public dataset repository Gene Expression Omnibus (GEO), Sie and coworkers carried out further data analysis using R studio and Gene Expression Profiling Interactive Analysis 2 (GEPIA2). R Studio is a software commonly used in data science, and GEPIA2 is an online tool used for analyzing tumor and normal cell gene expression.
Following data acquisition from GEO, the authors utilized R packages, such as ggplot2, cowplot, and Seurat, for quality control. An R package consists of codes, documents, and other relevant data necessary to perform specific tasks. To ensure high-quality data, the authors excluded data deemed as unsatisfactory/poor (e.g., doublets).
After cleaning the data, the authors performed data clustering, Gene Set Enrichment Analysis (GSEA), and leading-edge subset analysis. Data clustering involves dividing data into groups based on similarity. GSEA identifies gene pathways that are upregulated. Leading-edge subset analysis identifies prominent genes in a particular pathway that contribute to the enrichment signal observed.
To understand the possible impact of the expression of these genes on cancer survival, the authors carried out survival analysis using GEPIA2. This is done by cross-referencing with The Cancer Genome Atlas (TCGA) and Genotype-Tissue Expression online databases. These databases contain data that documents the impact of high or low expression of selected genes on the survivability of a particular cancer type. While data pertaining to SCLC is not available in these databases, cross-referencing the impact of the expression of these genes in other cancer types provides useful clues for their role in SCLC.
Performing data clustering, Sie et al. obtained 7 clusters in both talazoparib and prexasertib-treated-CDX, implying tumor heterogeneity. Through GSEA, the authors found that MYC oncogenes and oxidative phosphorylation genes were upregulated in both talazoparib and prexasertib-treated-CDX. Upregulation of these genes promotes cell proliferation and supports tumor growth/survival. Moreover, the author found reactive oxygen species (ROS) and TGF-b signaling pathways as two pathways that are significantly upregulated in the treated but not the untreated CDX group. In the subsequent leading-edge subset analysis, the authors found four differentially expressed genes in the ROS pathway (TXN, NDUFB4, TXNRD1, and LAMTOR5). However, survival analysis suggests out of these four genes, only TXN is known to have a significant impact on the survival of other cancer types. On the other hand, the authors identified HDAC1, SLC20A1, and CTNNB1 as leading-edge subset genes in the TGF-b signaling pathway shared by both CDX treatment groups.
Due to the limitations of the hardware used for their analysis, the authors only analyzed datasets involving untreated-CDX, talazoparib-treated CDX samples, and prexasertib-treated CDX samples. Talazoparib and prexasertib are inhibitors of poly-ADP ribose polymerase (PARP) and checkpoint kinase-1 (CHK1), respectively. Both PARP and checkpoint kinase are involved in DNA damage response. Inhibition of PARP and CHK1 prevents DNA repair, eventually leading to cell death.
Given the various limitations in the study, the authors were not able to perform fully analysis of the available datasets from Stewart et al. This likely restricted their ability to uncover deeper insights into the attributing factors for SCLC resistance to current treatments. Nonetheless, the findings by Sie et al. will be valuable to researchers working in the field to carry out subsequent validation studies. More importantly, Sie et al. demonstrated the capability of bioinformatics tools in uncovering molecular mechanisms responsible for disease pathology. The use of bioinformatics in drug development is expected to bring hope to patients diagnosed with diseases previously lacking effective treatments.
References
- Bray, F. et al. (2018) ‘Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries’, CA: A Cancer Journal for Clinicians 68, 394-424, available: https://doi.org:https://doi.org/10.3322/caac.21492
- Gazdar, A. F., Bunn, P. A. & Minna, J. D. (2017) ‘Small-cell lung cancer: what we know, what we need to know and the path forward’, Nature Reviews Cancer 17, 725-737, available: https://doi.org:10.1038/nrc.2017.87
- Rudin, C. M., Brambilla, E., Faivre-Finn, C. & Sage, J. (2021) ‘Small-cell lung cancer’, Nature Reviews Disease Primers 7, 3, available: https://doi.org:10.1038/s41572-020-00235-0
- Sabari, J. K., Lok, B. H., Laird, J. H., Poirier, J. T. & Rudin, C. M. (2017) ‘Unravelling the biology of SCLC: implications for therapy’, Nature Reviews Clinical Oncology 14, 549-561, available: https://doi.org:10.1038/nrclinonc.2017.71
- Sie, K., Subramanian, M. & McCalla, S. (2022) ‘Therapeutic Targets for Resistant Small Cell Lung Cancer Determined Through Bioinformatic Analyses’, Journal of Young Investigators 41, available: doi: 10.22186/jyi.41.2.7-18
- Stewart, C. A. et al. (2020) ‘Single-cell analyses reveal increased intratumoral heterogeneity after the onset of therapy resistance in small-cell lung cancer’, Nature Cancer 1, 423-436, available: https://doi.org:10.1038/s43018-019-0020-z
- Pawel, J. v. et al. (1999) ‘Topotecan Versus Cyclophosphamide, Doxorubicin, and Vincristine for the Treatment of Recurrent Small-Cell Lung Cancer’, Journal of Clinical Oncology 17, 658-658, available: https://doi.org:10.1200/jco.1999.17.2.658
- Tang, Z., Kang, B., Li, C., Chen, T. & Zhang, Z. (2019) ‘GEPIA2: an enhanced web server for large-scale expression profiling and interactive analysis’, Nucleic Acids Research 47, W556-W560, available: https://doi.org:10.1093/nar/gkz430
- Viale, A. et al. (2014) ‘Oncogene ablation-resistant pancreatic cancer cells depend on mitochondrial function’, Nature 514, 628-632, available: https://doi.org:10.1038/nature13611
Comunicado de prensa: Aprovechando el poder de la bioinformática: Identificación de dianas terapéuticas para el cáncer de pulmón de células pequeñas resistente
JIA SOON LEN
Julia Goralsky
¿Sabía que el cáncer de pulmón causó 1,8 millones de muertes en 2018 y es la principal causa de mortalidad por cáncer en el mundo? Entre los factores de riesgo, el tabaquismo es más conocido por tener un fuerte vínculo epidemiológico con el cáncer de pulmón de células pequeñas (CPCP), un tipo de cáncer de pulmón caracterizado por la baja tasa de supervivencia de los pacientes (tasa de supervivencia a 5 años del 7%), la alta metástasis y el rápido crecimiento tumoral. Se estima que el CPCP representa el 15% de los casos de cáncer de pulmón. En las últimas tres décadas, las opciones de tratamiento estándar para el CPCP han permanecido, en esencia, inalteradas. Además, la resistencia adquirida del CPCP a la quimioterapia y la refractariedad a los tratamientos farmacológicos existentes después de una rápida recaída hacen necesaria una terapéutica novedosa y más efectiva. En un artículo publicado en este número de Journal de Young Investigators, Sie y sus colegas analizaron los conjuntos de datos de secuenciación de ARN unicelular (“scRNA-seq”) de Stewart et al. Utilizando herramientas bioinformáticas, Sie et al. intentan arrojar información sobre las posibles dianas terapéuticas del CPCP resistente - una condición definida como la recaída del CPCP que ocurre en los 60 días siguientes al tratamiento de primera línea.
El estudio dirigido por Stewart y sus colegas implica la realización de scRNA-seq en xenoinjertos derivados de células tumorales circulantes (CDX) de CPCP sensibles y resistentes al platino. La quimioterapia con platino trabaja uniéndose al ADN y alterando sus funciones, lo que conduce eventualmente a la muerte celular. Al descargar los conjuntos de datos cargados por Stewart et al. en un repositorio público de conjuntos de datos Gene Expression Omnibus (GEO), Sie y sus colegas llevaron a cabo análisis de datos adicionales utilizando R Studio y Gene Expression Profiling Interactive Analysis 2 (GEPIA2). R Studio es un software de uso común en la ciencia de datos, y GEPIA2 es una herramienta en línea utilizada para analizar la expresión génica de células tumorales y normales.
Siguiendo la adquisición de datos de GEO, los autores utilizaron programas R, como ggplot2, cowplot y Seurat, para el control de calidad. Un programa R consiste en códigos, documentos y otros datos relevantes necesarios para realizar tareas específicas. Para garantizar datos de alta calidad, los autores excluyeron los datos considerados insatisfactorios/pobres (p. ej. dobletes).
Después de limpiar los datos, los autores realizaron la agrupación de datos, el análisis de enriquecimiento de conjuntos de genes (GSEA) y el análisis de subconjuntos de vanguardia. La agrupación de datos consiste en dividir los datos en grupos en función de su similitud. El GSEA identifica las vías genéticas que están reguladas al alza. El análisis de subconjuntos de vanguardia identifica los genes prominentes en una vía particular que contribuyen a la señal de enriquecimiento observada.
Para entender el posible impacto de la expresión de estos genes en la supervivencia del cáncer, los autores hicieron un análisis de supervivencia utilizando GEPIA2. Esto se hace mediante referencias cruzadas con las bases de datos en línea “The Cancer Genome Atlas (TCGA)” y “Genotype-Tissue Expression.” Estas bases de datos contienen datos que documentan el impacto de la expresión alta o baja de genes seleccionados en la supervivencia de un tipo de cáncer particular. Mientras que los datos relacionados con el CPCP no están disponibles en estas bases de datos, la referencia cruzada del impacto de la expresión de estos genes en otros tipos de cáncer proporciona pistas útiles sobre su papel en el CPCP.
Al realizar la agrupación de datos, Sie et al. obtuvieron 7 agrupaciones en el CDX tratado con talazonparib y el tratado con prexasertib, implicando heterogeneidad tumoral. Mediante GSEA, los autores encontraron que los oncogenes MYC y los genes de fosforilación oxidativa estaban regulados al alza en el CDX tratado con talazonparib y el tratado con prexasertib. La regulación al alza de estos genes promueve la proliferación celular y apoya el crecimiento/supervivencia del tumor. Además, el autor descubrió que las especies reactivas del oxígeno (ROS) y las vías de señalización del TGF-b son dos vías que están significativamente reguladas al alza en el grupo de CDX tratado pero no en el no tratado. En el subsiguiente análisis de subconjuntos de vanguardia, los autores encontraron cuatro genes expresados diferencialmente en la vía ROS (TXN, NDUFB4, TXNRD1 y LAMTOR5). Sin embargo, el análisis de supervivencia sugiere que, de estos cuatro genes, sólo se sabe que TXN tiene un impacto significativo en la supervivencia de otros tipos de cáncer. Por otro lado, los autores identificaron HDAC1, SLC20A1 y CTNNB1 como genes de subconjunto de vanguardia en la vía de señalización del TGF-b compartidos por ambos grupos de CDX de tratamiento.
Debido a las limitaciones del hardware utilizado para su análisis, los autores sólo analizaron conjuntos de datos que incluían muestras de CDX no tratadas, muestras de CDX tratadas con talazoparib y muestras de CDX tratadas con prexasertib. El talazoparib y el prexasertib son inhibidores de la poli-ADP ribosa polimerasa (PARP) y de la quinasa de punto de control-1 (CHK1), respectivamente. Ambas, la PARP y la quinasa de punto de control, están involucradas en la respuesta al daño del ADN. La inhibición de PARP y CHK1 impide la reparación del ADN, lo que conduce eventualmente a la muerte celular.
Dadas las diversas limitaciones del estudio, los autores no pudieron realizar un análisis completo de los conjuntos de datos disponibles de Stewart et al. Esto probablemente restringió su capacidad de descubrir conocimientos más profundos sobre los factores que atribuyen la resistencia del CPCP a los tratamientos actuales. No obstante, los hallazgos de Sie et al. serán valiosos para los investigadores que trabajan en el campo para llevar a cabo estudios de validación subsiguiente. Más importante aún, Sie et al. demostraron la capacidad de las herramientas bioinformáticas para descubrir los mecanismos moleculares responsables de la patología de la enfermedad. Se espera que el uso de la bioinformática en el desarrollo de fármacos traiga esperanza a los pacientes diagnosticados con enfermedades que antes carecían de tratamientos efectivos.
Referencias
- Bray, F. et al. (2018) ‘Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries’, CA: A Cancer Journal for Clinicians 68, 394-424, available: https://doi.org:https://doi.org/10.3322/caac.21492
- Gazdar, A. F., Bunn, P. A. & Minna, J. D. (2017) ‘Small-cell lung cancer: what we know, what we need to know and the path forward’, Nature Reviews Cancer 17, 725-737, available: https://doi.org:10.1038/nrc.2017.87
- Rudin, C. M., Brambilla, E., Faivre-Finn, C. & Sage, J. (2021) ‘Small-cell lung cancer’, Nature Reviews Disease Primers 7, 3, available: https://doi.org:10.1038/s41572-020-00235-0
- Sabari, J. K., Lok, B. H., Laird, J. H., Poirier, J. T. & Rudin, C. M. (2017) ‘Unravelling the biology of SCLC: implications for therapy’, Nature Reviews Clinical Oncology 14, 549-561, available: https://doi.org:10.1038/nrclinonc.2017.71
- Sie, K., Subramanian, M. & McCalla, S. (2022) ‘Therapeutic Targets for Resistant Small Cell Lung Cancer Determined Through Bioinformatic Analyses’, Journal of Young Investigators 41, available: doi: 10.22186/jyi.41.2.7-18
- Stewart, C. A. et al. (2020) ‘Single-cell analyses reveal increased intratumoral heterogeneity after the onset of therapy resistance in small-cell lung cancer’, Nature Cancer 1, 423-436, available: https://doi.org:10.1038/s43018-019-0020-z
- Pawel, J. v. et al. (1999) ‘Topotecan Versus Cyclophosphamide, Doxorubicin, and Vincristine for the Treatment of Recurrent Small-Cell Lung Cancer’, Journal of Clinical Oncology 17, 658-658, available: https://doi.org:10.1200/jco.1999.17.2.658
- Tang, Z., Kang, B., Li, C., Chen, T. & Zhang, Z. (2019) ‘GEPIA2: an enhanced web server for large-scale expression profiling and interactive analysis’, Nucleic Acids Research 47, W556-W560, available: https://doi.org:10.1093/nar/gkz430
- Viale, A. et al. (2014) ‘Oncogene ablation-resistant pancreatic cancer cells depend on mitochondrial function’, Nature 514, 628-632, available: https://doi.org:10.1038/nature13611
新闻稿：利用生物信息学的力量：寻找耐药性小细胞肺癌的治疗靶点
JIA SOON LEN
Julia Liang,Gina Lin
你知道吗？在 z2018年，肺癌导致了180万人死亡，是全球癌症死亡的主要原因之一。在各种风险因素中，吸烟因其与小细胞肺癌（SCLC）之间的强烈流行病学关联而最为人知。吸烟被公认为与小细胞肺癌（SCLC）具有强烈流行病学关联的主要风险因素。小细胞肺癌是一种以患者生存率低（5年生存率仅为7%）、高度转移性和肿瘤快速生长为特点的肺癌类型。据估计，小细胞肺癌约占肺癌病例的15%。在过去的三十年里，小细胞肺癌的标准治疗方案几乎没有实质性变化。此外，小细胞肺癌在快速复发后对化疗的获得性耐药性和现有药物治疗的难治性，迫切需要开发新型且更有效的治疗方法。
在本期《年轻研究者期刊》（Journal of Young Investigators）发表的一篇论文中，Sie及其研究团队通过分析Stewart等人提供的单细胞RNA测序（scRNA-seq）数据集，利用生物信息学工具探索可能针对耐药性小细胞肺癌的治疗靶点。耐药性小细胞肺癌是指在一线治疗后60天内复发的情况。
该研究 g由Stewart及其同事领导的研究，通过对对铂类化疗敏感和耐药的小细胞肺癌循环肿瘤细胞衍生异种移植模型（CDX）进行单细胞RNA测序，为研究提供了数据基础。铂类化疗通过结合DNA并破坏其功能，最终导致细胞死亡。研究团队从公开数据集存储库Gene Expression Omnibus（GEO）下载了Stewart等人上传的数据集，并利用R Studio和Gene Expression Profiling Interactive Analysis 2（GEPIA2）进行数据分析。R Studio是一种常用于数据科学的软件，而GEPIA2是一种在线工具，用于分析肿瘤和正常细胞的基因表达情况。
在从GEO获取数据后，作者使用了R语言的软件包（如ggplot2、cowplot和Seurat）进行质量控制。这些软件包包含执行特定任务所需的代码、文档和其他相关数据。为了确保数据的高质量，研究人员排除了不满意或质量较差的数据（例如双细胞数据）。
在 z数据清理后，研究团队进行了数据聚类分析、基因集富集分析（GSEA）以及核心子集分析。数据聚类分析是根据相似性将数据分组的过程，而GSEA用于识别上调的基因通路。核心子集分析则是识别在特定通路中对富集信号贡献较大的显著基因。
为探究这些基因表达对癌症生存的潜在影响，作者通过GEPIA2进行生存分析，并与The Cancer Genome Atlas（TCGA）和Genotype-Tissue Expression等在线数据库交叉验证。这些数据库记录了特定癌症类型中高或低基因表达对生存率的影响。尽管这些数据库中没有关于小细胞肺癌的数据，但通过交叉分析这些基因在其他癌症类型中的作用，为其在小细胞肺癌中的角色提供了重要线索。
利用数据聚类分析，研究团队在使用Talazoparib和Prexasertib治疗的CDX样本中分别得到了7个基因簇，表明肿瘤存在异质性。GSEA显示，在两种治疗组中，MYC癌基因和氧化磷酸化基因均呈上调状态。这些基因的上调促进了细胞增殖，并支持肿瘤的生长和存活。此外，研究还发现，反应性氧化物种（ROS）和TGF-β信号通路在治疗组中显著上调，但在未治疗组中没有表现出类似趋势。在核心子集分析中，作者发现ROS通路中有四个差异表达基因（TXN、NDUFB4、TXNRD1和LAMTOR5）。但生存分析显示，这四个基因中，只有TXN在其他癌症类型中对生存具有显著影响。此外，研究还识别出HDAC1、SLC20A1和CTNNB1作为TGF-β信号通路的核心基因。
由于硬件条件的限制，研究团队仅分析了未治疗CDX、使用Talazoparib治疗的CDX样本和使用Prexasertib治疗的CDX样本。Talazoparib和Prexasertib分别是多聚腺苷二磷酸核糖聚合酶（PARP）和检查点激酶-1（CHK1）的抑制剂。PARP和CHK1均参与DNA损伤反应，其抑制作用可阻止DNA修复，最终导致细胞死亡。
尽管研究受到诸多限制，作者未能对Stewart等人的可用数据集进行全面分析。这可能限制了他们深入挖掘导致小细胞肺癌（SCLC）对现有治疗产生耐药性的因素的能力。尽管如此, Sie及其团队的发现为后续研究提供了重要线索。更重要的是，他们展示了生物信息学工具在揭示疾病分子机制中的强大能力。随着生物信息学在药物开发中的应用，预计将为诊断患有缺乏有效治疗手段的疾病患者带来新的希望。
参考
- Bray, F. et al. (2018) ‘Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries’, CA: A Cancer Journal for Clinicians 68, 394-424, available: https://doi.org:https://doi.org/10.3322/caac.21492
- Gazdar, A. F., Bunn, P. A. & Minna, J. D. (2017) ‘Small-cell lung cancer: what we know, what we need to know and the path forward’, Nature Reviews Cancer 17, 725-737, available: https://doi.org:10.1038/nrc.2017.87
- Rudin, C. M., Brambilla, E., Faivre-Finn, C. & Sage, J. (2021) ‘Small-cell lung cancer’, Nature Reviews Disease Primers 7, 3, available: https://doi.org:10.1038/s41572-020-00235-0
- Sabari, J. K., Lok, B. H., Laird, J. H., Poirier, J. T. & Rudin, C. M. (2017) ‘Unravelling the biology of SCLC: implications for therapy’, Nature Reviews Clinical Oncology 14, 549-561, available: https://doi.org:10.1038/nrclinonc.2017.71
- Sie, K., Subramanian, M. & McCalla, S. (2022) ‘Therapeutic Targets for Resistant Small Cell Lung Cancer Determined Through Bioinformatic Analyses’, Journal of Young Investigators 41, available: doi: 10.22186/jyi.41.2.7-18
- Stewart, C. A. et al. (2020) ‘Single-cell analyses reveal increased intratumoral heterogeneity after the onset of therapy resistance in small-cell lung cancer’, Nature Cancer 1, 423-436, available: https://doi.org:10.1038/s43018-019-0020-z
- Pawel, J. v. et al. (1999) ‘Topotecan Versus Cyclophosphamide, Doxorubicin, and Vincristine for the Treatment of Recurrent Small-Cell Lung Cancer’, Journal of Clinical Oncology 17, 658-658, available: https://doi.org:10.1200/jco.1999.17.2.658
- Tang, Z., Kang, B., Li, C., Chen, T. & Zhang, Z. (2019) ‘GEPIA2: an enhanced web server for large-scale expression profiling and interactive analysis’, Nucleic Acids Research 47, W556-W560, available: https://doi.org:10.1093/nar/gkz430
- Viale, A. et al. (2014) ‘Oncogene ablation-resistant pancreatic cancer cells depend on mitochondrial function’, Nature 514, 628-632, available: https://doi.org:10.1038/nature13611