抗癌药物筛选工具cellMiner系列

CellMiner介绍

网址： https://discover.nci.nih.gov/cellminer/CellMiner。

由DTB, CCR, NCI, NIH等机构建成。它是一个为癌症研究社区所建的数据库和查询工具，以促进整合和研究NCI-60癌症细胞系的分子和药理学数据。NCI-60是一个由60种不同的人类癌症细胞系组成的细胞组，由美国国家癌症研究所的发展治疗项目用来筛选超过10万种化合物和天然产品。

CellMiner工具可以快速检索22,379个基因和360个microrna的转录本数据，以及20503种化合物的活性报告，包括102种经美国食品和药物管理局批准的药物。
使用5个微阵列平台定量NCI-60中基因转录本的表达水平。

药物和化合物活性水平的定量。药物活性水平表示为50%生长抑制水平(GI50)，在48小时内使用硫代霍达明B测定。
可以从该网站上下载数据，自己用R语言进行分析。分析步骤可以参考：cellMiner数据库的使用及药物敏感性预测

rcellminer

rcellminer是一个分析cellminer的R包。rcellminer R包补充了CellMiner的功能，提供了程序化的数据访问，以及数据可视化和分析的函数。

使用方法见：http://127.0.0.1:37716/help/library/rcellminer/doc/index.html

具体的使用方法和代码如下：

##安装包
if (!requireNamespace("BiocManager", quietly=TRUE))
  install.packages("BiocManager")
BiocManager::install("rcellminer")
BiocManager::install("rcellminerData")
library(rcellminer)
library(rcellminerData)
##查看帮助
help.search("rcellminer")
##查询化合物
searchForNscs("nib$")
##获得数据
# Get Cellminer data
drugAct <- exprs(getAct(rcellminerData::drugData))
molData <- getMolDataMatrices()
##可视化概要
# One drug
nsc <- "94600"
plots <- c("drug")
plotCellMiner(drugAct, molData, plots, nsc, NULL)
# One expression
gene <- "TP53"
plots <- c("exp")
plotCellMiner(drugAct, molData, plots, NULL, gene)

# Gene and drug to plot
nsc <- "609699"
gene <- "SLFN11"
plots <- c("exp", "cop", "drug")
plotCellMiner(drugAct, molData, plots, nsc, gene)

##一组药物在细胞中的平均活性
# Get CellMiner data
drugAct <- exprs(getAct(rcellminerData::drugData))
drugs <- as.character(searchForNscs("camptothecin"))
drugAct <- drugAct[drugs,]
mainLabel <- paste("Drug Set: Camptothecin Derivatives, Drugs:", length(drugs), sep=" ")
plotDrugSets(drugAct, drugs, mainLabel)

##获得MOA（Mechanism of action ）信息
# getFeatureAnnot() returns a named list of data frames with annotation data
# for drugs ("drug") and drug activity repeat experiments ("drugRepeat").
drugAnnot <- getFeatureAnnot(rcellminerData::drugData)[["drug"]]
# Get the names and MOA for compounds with MOA entries
knownMoaDrugs <- unique(c(getMoaToCompounds(), recursive = TRUE))
knownMoaDrugInfo <- data.frame(NSC=knownMoaDrugs, stringsAsFactors = FALSE)
knownMoaDrugInfo$Name <- drugAnnot[knownMoaDrugInfo$NSC, "NAME"]
# Process all NSCs
knownMoaDrugInfo$MOA <- sapply(knownMoaDrugInfo$NSC, getMoaStr)
# Order drugs by mechanism of action.
knownMoaDrugInfo <- knownMoaDrugInfo[order(knownMoaDrugInfo$MOA), ]
# Drug_MOA_Key data frame provides further details on MOA abbrevations.
Drug_MOA_Key[c("A2", "A7"), ]
##获得GI50数据
###GI50 (50% growth inhibition)
negLogGI50Data <- getDrugActivityData(nscSet = knownMoaDrugInfo$NSC)
gi50Data <- 10^(-negLogGI50Data)

########################案例介绍##################################
##评估药物MOA假说的相关证据
##例如，抗凋亡基因的高表达可能在拓扑异构酶抑制剂诱导的DNA损伤面前
##促进细胞存活，从而促进耐药。为了进一步探索这一点，我们可以检查已
##知抗凋亡基因的表达是否与拓扑异构酶1抑制剂喜树碱的活性显著负相关。
rm(list = ls())
# Get normalized (Z-score) NCI-60 gene expression and drug activity data.
nci60DrugActZ <- exprs(getAct(rcellminerData::drugData))
nci60GeneExpZ <- getAllFeatureData(rcellminerData::molData)[["exp"]]
antiApoptosisGenes <- c("BAG1", "BAG3", "BAG4", "BCL10", "BCL2",
                        "BCL2A1", "BCL2L1", "BCL2L10", "BCL2L2",
                        "BFAR", "BIRC3", "BIRC6", "BNIP1", "BNIP2",
                        "BNIP3", "BNIP3L", "BRAF", "CASP3", "CD27",
                        "CD40LG", "CFLAR", "CIDEA", "DAPK1", "DFFA",
                        "FAS", "IGF1R", "MCL1", "NOL3", "TMBIM1",
                        "TP53", "TP73", "XIAP")
camptothecinNsc <- "94600"
# Compute table of correlations between camptothecin activity and anti-apoptosis gene expression.
pcResults <- patternComparison(nci60DrugActZ[camptothecinNsc, ], nci60GeneExpZ[antiApoptosisGenes, ])
# Adjust p-values for multiple comparisons, sort with respect to q-values.
pcResults$QVAL <- p.adjust(pcResults$PVAL, method = "fdr")
pcResults <- pcResults[order(pcResults$QVAL), ]
# Identify genes with significant negative correlations (FDR < 0.1)
pcResults[((pcResults$COR < 0) & (pcResults$QVAL < 0.10)), ]
##BCL2L2的表达模式与该化合物的活性是显著负相关的
colorTab <- loadNciColorSet(returnDf = TRUE)
tissueColorTab <- unique(colorTab[, c("tissues", "colors")])
plotData <- as.data.frame(t(rbind(nci60DrugActZ[camptothecinNsc, , drop=FALSE],
                                  nci60GeneExpZ[c("TMBIM1", "BCL2L2"), ])))
colnames(plotData) <- c("Camptothecin", "TMBIM1", "BCL2L2")
plot(x=plotData$BCL2L2, y=plotData$Camptothecin, col=colorTab$colors, pch=16,
     xlab="BCL2L2 mRNA exp (Z-score)",
     ylab="Camptothecin Activity (Z-score)",
     main=paste0("Camptothecin Activity vs. BCL2L2 Expression (r = ",
                 round(pcResults["BCL2L2", "COR"], 2), ")"))
abline(lm(formula("Camptothecin ~ BCL2L2"), plotData), col="red")
legend("bottomleft", legend=tissueColorTab$tissues, col=tissueColorTab$colors,
       cex=0.7, pch = 16)

CellMinerCDB

CellMinerCDB用于癌症细胞系的综合跨数据库基因组学和药物基因组学分析。

网址：discover.nci.nih.gov/cellminercdb

CellMinerCDB整合了多种形式的药物数据以及多组学数据，纳入了多个癌症细胞系队列（the NCI-60, NCI-SCLC, Sanger/MGH GDSC, and Broad CCLE/CTRP）。

功能：

• 查询基因组学和基因调控网络分析
• 探索药物基因组决定因素和drug signature.
• 允许使用二元散点图和相关分析方便地比较细胞分子特征和药物反应
• 药物反应或任何基因组细胞属性的多变量模型也可以被评估
• 分析可以局限于起源组织，将所有来源的细胞系映射到一个统一的组织类型层次
• 基因通路注释允许对分析结果进行评估和过滤。

举例：

展示了CellMinerCDB在选择具有重复活性药物方面的价值，扩展了SLFN11在药物反应中的主导作用，并提出了拓扑异构酶抑制剂和施维因富辛的新的反应决定因素和基因组特征。

我们还引入了LIX1L基因，该基因与间充质特征以及细胞迁移和侵袭性的调节有关。

其他文献中引用的图

Ref：Marzi L, Szabova L, Gordon M, Weaver Ohler Z, Sharan SK, Beshiri ML, Etemadi M, Murai J, Kelly K, Pommier Y. The Indenoisoquinoline TOP1 Inhibitors Selectively Target Homologous Recombination-Deficient and Schlafen 11-Positive Cancer Cells and Synergize with Olaparib. Clin Cancer Res. 2019 Oct 15;25(20):6206-6216. doi: 10.1158/1078-0432.CCR-19-0419. Epub 2019 Aug 13. PMID: 31409613; PMCID: PMC6801079.

Ref：Marzi L, Agama K, Murai J, Difilippantonio S, James A, Peer CJ, Figg WD, Beck D, Elsayed MSA, Cushman M, Pommier Y. Novel Fluoroindenoisoquinoline Non-Camptothecin Topoisomerase I Inhibitors. Mol Cancer Ther. 2018 Aug;17(8):1694-1704. doi: 10.1158/1535-7163.MCT-18-0028. Epub 2018 May 10. PMID: 29748210; PMCID: PMC6072611.