CN102289606A - 药物的筛选方法以及药物组合设计方法 - Google Patents
药物的筛选方法以及药物组合设计方法 Download PDFInfo
- Publication number
- CN102289606A CN102289606A CN2011101857831A CN201110185783A CN102289606A CN 102289606 A CN102289606 A CN 102289606A CN 2011101857831 A CN2011101857831 A CN 2011101857831A CN 201110185783 A CN201110185783 A CN 201110185783A CN 102289606 A CN102289606 A CN 102289606A
- Authority
- CN
- China
- Prior art keywords
- gene
- drug
- disturbance
- medicine
- disturbed value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及计算机辅助药物筛选和药物组合设计的方法。该方法有效克服了现有药物设计与筛选方法模型中未考虑药物靶标网络性的缺点。
Description
技术领域
本发明所属领域为药物设计与筛选领域,具体而言是计算机辅助药物筛选和药物组合设计。
背景技术
建立基于计算机的疾病模型,进行计算机辅助药物筛选与设计,被认为是缩短新药研发周期、降低研发费用、提高针对性、提高成功率的有效手段。
现有的计算机辅助药物筛选主要基于药物分子的结构信息,而药物组合的理性设计也是基于临床前细胞毒性实验来进行,因此具有一定的局限性。在肿瘤药物研发流程中,药物与药物靶标之间的相互作用模型、临床前细胞模型发挥了重要作用。但是,许多药物进入临床实验后被证明无效,或者由于毒性而不可接受。这些包括许多近年在临床实验中失败的靶向治疗药物,例如用于肺癌治疗的EGFR和VEGF组合抑制剂。这些事实说明现有的临床前实验模型不能很好地模拟药物进入人体后的在体过程。现有用于计算机辅助药物筛选与药物组合设计的计算机模型中,缺乏对药物靶标的网络性的考虑:恶性肿瘤等复杂疾病的发生、发展机制均与分子网络的行为密切相关。从单个靶标出发进行药物设计与筛选,往往不能代表药物对细胞或病人的全局影响;而药物靶标的网络性与药物临床试验成功率密切相关。。
因此,需要开发计算机辅助药物筛选与药物组合设计的新方法,克服现有计算机辅助药物筛选和药物组合设计方法的不足。
发明内容
本发明的目的是建立一种新的计算机辅助药物筛选与药物组合设计的方法,该方法有效克服了现有药物设计与筛选方法模型中未考虑药物靶标网络性的缺点。
本发明提供了一种对疾病筛选候选药物的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)在上述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
4)计算所述药物的对所述基因网络的扰动效率(E):
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值,上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和,
其中,如果扰动效率大于0.005,则所述药物是所述疾病的候选药物。
两基因之间关联是指两基因之间有任何直接或间接的相互作用,包括但不限于物理的相互作用、相互调控。
本发明还提供了一种比较两种候选药物对疾病的效果的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)在上述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
4)计算所述药物的对所述基因网络的扰动效率(E):
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为一组基因节点的扰动值之和。
4)重复以上步骤2)至4)计算另一种候选药物对所述基因网络的扰动效率;
5)比较两种候选药物的扰动效率,扰动效率大的候选药物优于扰动效率小的后药物。
本发明还提供了比较多种候选药物对疾病的效果的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)在上述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
4)计算所述药物的对所述基因网络的扰动效率(E):
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和。
4)重复以上步骤2)至4)计算每种候选药物对所述基因网络的扰动效率;
5)对所有候选药物的扰动效率进行排序,扰动效率大的候选药物优于扰动效率小的后药物。
本发明还提供了一种对疾病筛选已知药物的配伍候选药物的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将已知药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
4)将所述已知药物与候选药物扰动的基因进行合并,在所述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
5)计算所述药物组合对所述基因网络的扰动效率(E):
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和,药物组合扰动效率应大于0.005说明候选药物可与所述已知药物配伍。
本发明还提供了一种对疾病比较两种候选药物与已知药物配伍的方法,所述方法包括步骤:
1)使用上述方法计算所述每种候选药物与所述已知药物组合的扰动效率,
2)比较所述扰动效率,较高扰动效率值的药物组合优于较低扰动效率值的药物组合。
本发明还提供了一种对疾病比较多种候选药物与已知药物配伍的方法,所述方法包括步骤:
1)使用上述方法计算所述每种候选药物与所述已知药物组合的扰动效率;
2)通过对扰动效率大小的进行排序,较高扰动效率值的药物组合优于较低扰动效率值的药物组合。
本发明的方法能很好地模拟药物进入生物体后的在体过程,能代表药物对细胞或患者的全局影响。
附图说明
图1方法流程图
图2单个药物的药效评价
图3药物组合的药效评价
图4乳腺癌的基因协同网络图
图5肺癌的基因协同网络图
图6药物筛选系统的性能评价
具体实施方式
在本发明中,选择与所述疾病相关的基因构建基因协同网络,所述基因优选是所述物种的所有基因。或者所述基因优选是与所述疾病或者与所述疾病发病部位或器官相关的基因,特别是所述候选药物将被验证用于或将作用于的疾病或器官相关的基因。所述疾病可以是例如乳腺癌、肺癌、肝癌、食道癌等。所述器官可以是肝、肺、心等。选择一类基因可以由本领域技术人员根据现有技术中的知识进行。
在本发明将药物处理生物体、部分或样品是指,药物以任何方式作用与生物体整体、器官、部分、原代细胞、离体培养组织块、细胞培养物。例如,患者服用药物,或者在细胞培养基中加入药物等。所述部位、样品优选是发病部位或来自发病部位的样品。
药物或治疗用核酸所针对的靶可以是疾病组织、血液、尿液、唾液、其它各种体液中的分子。分子可以包括基因、蛋白质、微小RNA(microRNAs)、其它小RNA(small RNAs)、长非编码RNA(long non-coding RNAs)、受体、细胞因子、激素、代谢物、酶中的一种或多种的组合。
在本发明的基因网络中,基因之间的关系可以是遗传性相互作用(geneticinteraction)、蛋白质相互作用(physical protein interaction)中的一种或多种的组合。
在本发明的基因网络中,基因之间的关系可以是由一种类似协同致死(syntheticlethality)的遗传性相互作用组成,其特征是:给定两个分子,单独任意一个分子具备某种特征(如高表达、或低表达、或激活、或抑制等)不改变该细胞或组织或个体的表型(phenotype),但是当2个分子同时具备某种特征(如高表达、或激活、或抑制等)时,则改变该细胞或组织或个体的表型(phenotype)。
以上提及的表型(phenotype)可以是细胞增值、细胞凋亡、细胞死亡、细胞自体吞噬、细胞迁移、肿瘤大小、肿瘤预后、肿瘤病人存活、肿瘤复发、肿瘤转移、细胞药物敏感性、细胞或个体耐药性、动物行为学变化的一种或多种组合。
在本发明的方法中,所述的药物可以为小分子化合物、天然产物、植物药、中药单体、中药复方中的一种或多种组合。
在本发明中,治疗用核酸可以是外源导入的DNA、RNA、microRNAs、其它小RNA(small RNAs)、长非编码RNA(long non-coding RNAs)中的一种或其组合。
在本发明中,治疗用核酸可以是外源导入的下列至少一种分子DNA、RNA、microRNAs、其它小RNA(small RNAs)、长非编码RNA(long non-coding RNAs)的抑制剂或拮抗剂。
在本发明中,药物或治疗用核酸所针对的靶可以是疾病组织、血液、尿液、唾液、其它各种体液中的分子。分子包括基因、蛋白质、微小RNA(microRNAs)、其它小RNA(small RNAs)、长非编码RNA(long non-coding RNAs)、受体、细胞因子、激素、代谢物、酶中的一种或多种的组合。
在本发明中,所述药物或治疗用核酸扰动的分子列表可以是由下列至少一种方式构建:(1)某生物系统经药物处理后的分子变化谱;(2)与药物作用后生物系统表型相关的分子谱。
在本发明中,所述药物或治疗用核酸的扰动系数计算方法可以具有以下特征:基于药物或治疗用核酸在疾病特异的分子相互作用网络上的扰动模式,特别地统计计算药物扰动了该网络中边(edge)的数量、扰动了该网络中节点(node)的数量。
测定给予药物前后变化的基因可以使用本领域中已知方法进行。这些方法例如任何测量蛋白质的方法、测量mRNA量的方法。例如Realtime PCR、基因芯片microarray、蛋白质芯片、蛋白质组学方法LC/MS等。
例如,作为非限制性实例,选择在给予所述药物前后有变化的基因的方法与标准如下:
药物扰动的生物分子谱可由(并不限于)下列两种方式构建:(1)某生物系统经药物处理后的生物分子变化谱,例如,Connectivity Map[1]系统所给出的药物处理细胞后,细胞的基因表达谱的改变,其选取的标准是基因表达的倍数变化不低于1.2倍;(2)与药物敏感性等表型相关的生物分子谱,例如,由NCI 60体外细胞对各种药物的敏感性测量[2],与NCI 60细胞本底的基因表达值(或microRNA表达值等)集成后可以计算出与肿瘤药物敏感性相关的基因列表(或microRNA列表)。其选取基因的标准是相关系数的P值不大于0.05。
两基因之间关联是指两基因之间有任何直接或间接的相互作用,包括但不限于物理的相互作用、相互调控关系、协同致死(synthetic lethal)及类似的协同关系。基因间关系测定可以使用本领域中已知方法进行。这些方法包括酵母双杂交(筛选蛋白质-蛋白质相互作用)、协同致死筛选等。基因间相互关系也可以来自已经发表的文献,或者来自相关数据库,例如HPRD(人类蛋白质相互作用数据库)等。
例如,作为非限制性实例,建立基因协同网络的方法与标准如下:
收集疾病组织器官基于疾病组织器官的基因表达谱数据,结合患者的临床特征,利用信息论的方法,识别在决定病人临床特征方面具有协同作用的基因配对,形成基因协同网络。针对每种疾病,例如肿瘤,利用肿瘤病人的肿瘤组织,或者血液等样本中的基因表达谱信息,结合该病人的临床预后信息(例如,无复发生存时间),即可得到任意2个基因之间是否具有SOD关系,从而通过SOD关系建立的基因-基因相互关系网络,或者基因模块间相互关系网络。该计算机生成的网络模型,类似肿瘤的动物模型,可以用于该种肿瘤的药物筛选模型。
可以利用多种基于信息论的指标可以用于刻画基因之间的协同关系。例如,条件互信息(conditional mutual information)即CMI(X;P|Y)给出了基因X,基因Y之间的协同关系:
CMI(X;P|Y)=H(X|Y)-H(X|P,Y)
其中,P为病人的临床特征(phenotype)的二值化表示(如1代表生存期短,0代表生存期长),随机变量X的熵由下式给出,代表变量X的不确定性:
条件熵H(X|Y)为“给定Y的情况下X的条件熵(Conditional Entropy of X givenY)”,表示“给定Y情况下X的不确定性(Uncertainty of X giyen Y)”,由下式给出:
互信息I(X,Y)表示“在知道Y的情况下,对于X的不确定性的减少量(Reductionof uncertainty of X due to knowledge of Y)”或反之,由下式给出:
另外,基于下式定义的“协同作用(synergy)”亦可用与表示基因之间的协同关系:
Syn(X,Y;P)=I(X,Y;P)-[I(X;P)+I(Y;P)]
基因协同网络的构建范围是全基因组水平上所有基因之间的可能关系。可以通过枚举任意二个基因,计算其条件互信息或者协同作用。评价基因配对之间的条件互信息或协同作用是否符合构建网络的标准,一般可采用自举法(bootstraping),自举法的P值一般应小于或等于0.05。
基因表达谱可以来自于基因芯片、来自于基于高通量并行测序技术的转录组学数据。所述“基因”既可包括编码蛋白质的编码基因,亦可包括非编码基因,如microRNAs、long non-coding RNAs等。表型(phenotype)是细胞增值、细胞凋亡、细胞死亡、细胞自体吞噬、细胞迁移、肿瘤大小、肿瘤预后、肿瘤病人存活、肿瘤复发、肿瘤转移、细胞药物敏感性、细胞或个体耐药性、动物行为学变化的一种或多种组合。
进一步将计算药物扰动效率,用于筛选比较药物的方式用图2进行说明。其中药物A扰动了基因1、基因2、基因3、基因4共4个节点,扰动的边为3个,其扰动效率为3/4=0.75;药物B也扰动了4个基因(基因1、基因2、基因3、基因5),但是扰动的边只有1个(基因3与基因5之间的边),其扰动效率为1/4=0.25。该模型认为药物A优于药物B。
进一步将筛选药物组合的方法用图3进行说明。初始药物扰动了4个基因(基因1、基因2、基因3、基因4),扰动效率为1/4=0.25。当初始药物与候选药物A组合时,药物A扰动了基因5,则初始药物+候选药物A的组合共扰动了5个基因(基因1,基因2,基因3、基因4,基因5)。由于基因5与基因1、基因2、基因3分别由协同作用,因此基因网络中被扰动的边为4条(基因1->基因4;基因1->基因5;基因2->基因5;基因3->基因5),扰动效率为4/5=0.8。当初始药物与候选药物B组合时,药物B扰动了基因6,则初始药物+候选药物B的组合共扰动了5个基因(基因1,基因2,基因3、基因4,基因6)。由于基因6只与基因3有协同作用,网络中被扰动的边为2条(基因1->基因4;基因3->基因6),扰动效率为2/5=0.4。因此,候选药物A与初始药物的组合较好的对基因网络中的协同作用进行了扰动,候选药物A与初始药物的组合由于候选药物B。
实施例
实施例1、用于乳腺癌治疗的单个药物的筛选
步骤1,构建乳腺癌的基因协同网络。所述基因表达谱数据来自:
http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE2034;该数据包括286个病人的基因芯片数据与临床信息,基因芯片是采用Affymetrix公司的GeneChip Human Genome U133 Array Set HG-U133A芯片,对所有病人的肿瘤组织的基因表达谱进行了测量。临床数据包括了所有病人的生存期等。
采用条件互信息即CMI(X;P|Y)给出任意两个基因X,基因Y之间的协同关系:
CMI(X;P|Y)=H(X|Y)-H(X|P,Y)
其中,P为病人的临床特征(phenotype)的二值化表示:5年内发生复发或转移的病人,其预后设置为1;5年内没有发生复发或转移的病人,其预后设置为0。
对所有基因之间的组合计算CMI后,筛选CMI大于0.1的所有基因配对,形成网络,并用cytoscape软件可视化,如图4所示。
步骤2,获得与药物敏感性相关的生物分子谱,数据来源为美国癌症研究所的NCI 60小分子化合物体外筛选系统:http://discover.nci.nih.gov/;其中包括序列号为125973的药物紫杉醇、以及某候选药物(序列号为141540)。获取与上述药物敏感性相关的基因列表的方式见参考文献[3]。
步骤3,在上述网络中,分别针对二种药物,标注所述被扰动的基因节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
步骤4,分别计算二种药物的扰动效率(E):
其中,网络中共有M(103)个基因节点,共有N(320)条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和。
计算得到紫杉醇(Paclitaxel)的扰动效率为0.015,高于某候选药物(序列号为141540),说明紫杉醇是较优的后续药物。
实施例2、用于肺癌治疗的药物组合的筛选
步骤1,构建肺癌的基因协同网络。所述基因表达谱数据来自:
http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE3593;该数据包括198个病人的基因芯片数据与临床信息,基因芯片是采用Affymetrix公司的GeneChip Human Genome U133 Array Set HG-U133A芯片,对所有病人的肿瘤组织的基因表达谱进行了测量。临床数据包括了所有病人的生存期等。
采用条件互信息即CMI(X;P|Y)给出任意两个基因X,基因Y之间的协同关系:
CMI(X;P|Y)=H(X|Y)-H(X|P,Y)
其中,P为病人的临床特征(phenotype)的二值化表示:5年内发生复发或转移的病人,其预后设置为1;5年内没有发生复发或转移的病人,其预后设置为0。
对所有基因之间的组合计算CMI后,筛选CMI大于0.1的所有基因配对,形成网络,并用cytoscape软件可视化,如图5所示。
步骤2,获得与药物敏感性相关的生物分子谱,数据来源为美国癌症研究所的NCI 60小分子化合物体外筛选系统:http://discover.nci.nih.gov/;其中,序列号为613327的已知药物化疗药吉西他滨为对肺癌有效的药物。其它所考察的药物列表来自己获批的治疗肺癌的药物[4]、正在临床试验开发阶段的药物[5]。获取与上述药物敏感性相关的基因列表的方式见参考文献[3]。
步骤3,将各种候选药物的扰动基因与已知药物吉西他滨合并,在上述网络中,分别针对各种药物与已知药物吉西他滨组合后扰动的基因节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
步骤4,针对上述各种候选药物与已知药物吉西他滨的组合,分别计算各种药物组合的扰动效率(E):
其中,网络中共有M(113)个基因节点,共有N(368)条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和。
步骤5,通过枚举所有候选药物与已知药物吉西他滨的组合,分别计算各个候选药物与已知药物化疗药吉西他滨组合后的扰动效率。结果表明,吉西他滨与硼替佐米(药物序列号为681239)的组合扰动效率最高,其扰动效率为0.02。
实施例3、药物筛选系统的性能评价
步骤1,构建乳腺癌的基因协同网络,所述基因表达谱数据来自:
http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE2034;该数据包括286个病人的基因芯片数据与临床信息,基因芯片是采用Affymetrix公司的GeneChip Human Genome U133 Array Set HG-U133A芯片,对所有病人的肿瘤组织的基因表达谱进行了测量。临床数据包括了所有病人的生存期等。
采用条件互信息即CMI(X;P|Y)给出任意两个基因X,基因Y之间的协同关系:
CMI(X;P|Y)=H(X|Y)-H(X|P,Y)
其中,P为病人的临床特征(phenotype)的二值化表示:5年内发生复发或转移的病人,其预后设置为1;5年内没有发生复发或转移的病人,其预后设置为0。
对所有基因之间的组合计算CMI后,筛选CMI大于0.1的所有基因配对,形成网络。
步骤2,通过文献得到已知的乳腺癌治疗药物5种(paclitaxel,5-fluorouracil,cyclophosphamide,doxorubicin,cisplatin,epirubicin)。获得药物筛选的候选药物列表,即来自美国癌症研究所的标准化合物库(http://www.dtp.nci.nih.gov/docs/cancer/searches/standard agent.html)的所有化合物。将二者取交集,得到药物筛选系统的阳性集。
步骤3,获得与上述所有药物敏感性相关的生物分子谱,数据来源为美国癌症研究所的NCI 60小分子化合物体外筛选系统:http://discover.nci.nih.gov/;获取与上述药物敏感性相关的基因列表的方式见参考文献[3]。
步骤4,对上述每种药物,计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
步骤5,对上述每种药物,计算各种药物组合的扰动效率(E):
其中,网络中共有M(103)个基因节点,共有N(320)条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值。上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和。
步骤6,计算阳性集药物扰动效率的平均值。
步骤7,用自举法(bootstrap)随机在候选药物列表中抽取5种药物,计算其扰动效率的平均值,从而得到如图6所示的背景分布曲线图。
在如图6所示的分布图中,大部分药物的扰动效率在0附近,而成功的乳腺癌药物的扰动效率平均值显著高于此背景分布中的大多数情形(p值=0.021),说明成功药物的扰动效率确实显著高于其它药物。
参考文献
1.Lamb,J.,et al.,The Connectivity Map:using gene-expression signatures to connect smallmolecules,genes,and disease.Science,2006.313(5795):p.1929-35.
2.Shoemaker,R.H.,The NCI60 human tumour cell line anticancer drug screen.Nat Rev Cancer,2006.6(10):p.813-23.
3.Scherf,U.,et al.,A gene expression database for the molecular pharmacology of cancer.NatGenet,2000.24(3):p.236-44.
4.Clegg,A.,et al.,Clinical and cost effectiveness of paclitaxel,docetaxel,gemcitabine,andvinorelbine in non-small cell lung cancer:a systematic review.Thorax,2002.57(1):p.20-8.
5.Provencio,M.,et al.,New molecular targeted therapies integrated with radiation therapy inlung cancer.Clin Lung Cancer,2010.11(2):p.91-7.
Claims (10)
1.一种对疾病筛选候选药物的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)在上述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值Di:如果一个基因被扰动,计数为1,否则为0;计算药物对各条边,也即节点间连线的扰动值Dj,如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该条边的扰动值才为1,否则为0;
4)计算所述药物的对所述基因网络的扰动效率E:
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值,上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和,
其中,如果扰动效率大于0.005,则所述药物是所述疾病的候选药物。
2.一种对疾病筛选已知药物的配伍候选药物的方法,所述方法包括步骤:
1)选择一种物种中与所述疾病相关的基因,建立基因协同网络,其中基因形成所述网络的节点,基因之间有关联则在相应基因节点间形成连线;
2)将已知药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
3)将候选药物处理所述物种的生物体、部分或样品,选择可被该药物直接或间接扰动的基因,即经药物处理后表达或量变化的基因或基因产物,或者与该药物敏感性统计相关的基因;
4)将所述已知药物与候选药物扰动的基因进行合并,在所述网络中,标注所述被扰动的基因或产物对应的节点;计算药物对各个基因的扰动值(Di):如果一个基因被扰动,计数为1,否则为0;计算药物对各条边(节点间连线)的扰动值(Dj),如果一个边连接基因X和基因Y,只有基因X和基因Y的扰动值同时为1,该连线(边)的扰动值才为1,否则为0;
5)计算所述药物组合对所述基因网络的扰动效率(E):
其中,设网络中共有M个基因节点,共有N条边,Di为第i个基因的扰动值,Dj为第j条边的扰动值,上式中,分子为所有边的扰动值之和;分母为所有基因节点的扰动值之和,
其中,药物组合扰动效率大于0.005表示所述候选药物可与所述已知药物配伍。
3.权利要求1和2的方法,其中步骤1中的基因包括编码基因和功能性RNA。
4.权利要求3的方法,其中所述功能性RNA包括微小RNA、其它小RNA、长非编码RNA。
5.权利要求1和2的方法,其中步骤1所述基因网络中,基因之间的关系是遗传性相互作用、蛋白质相互作用中的一种或多种的组合。
6.权利要求1和2的方法,其中步骤1所述基因网络中,基因之间的关系是由一种类似协同致死的遗传性相互作用组成。
7.权利要求1和2的方法,其中所述药物包括核酸、小分子化合物、天然产物、植物药、中药单体、中药复方中的一种或多种组合。
8.权利要求7的方法,其中所述核酸是外源导入的DNA、RNA、microRNA、小RNA、长非编码RNA中的一种或其组合。
9.权利要求7的方法,其中所述药物是下列至少一种分子DNA、RNA、microRNA、小RNA、长非编码RNA的抑制剂或拮抗剂。
10.权利要求1和2的方法,其中所述药物扰动的基因是由下列至少一种方式构建:(1)某生物系统经药物处理后的分子变化谱;(2)与药物作用后生物系统表型相关的分子谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101857831A CN102289606A (zh) | 2011-07-05 | 2011-07-05 | 药物的筛选方法以及药物组合设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101857831A CN102289606A (zh) | 2011-07-05 | 2011-07-05 | 药物的筛选方法以及药物组合设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102289606A true CN102289606A (zh) | 2011-12-21 |
Family
ID=45336027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101857831A Pending CN102289606A (zh) | 2011-07-05 | 2011-07-05 | 药物的筛选方法以及药物组合设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289606A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902849A (zh) * | 2012-12-30 | 2014-07-02 | 复旦大学 | 基于基因芯片数据和代谢网络测定癌症关键代谢酶的方法 |
CN105243294A (zh) * | 2015-09-18 | 2016-01-13 | 淮南师范学院 | 一种用于预测癌症病人预后相关的蛋白质对的方法 |
CN105740626A (zh) * | 2016-02-01 | 2016-07-06 | 华中农业大学 | 一种基于机器学习的药物活性预测方法 |
CN106055921A (zh) * | 2016-05-27 | 2016-10-26 | 华中农业大学 | 基于基因表达和药物靶标的药物活性预测与筛选方法 |
CN108073789A (zh) * | 2016-11-18 | 2018-05-25 | 财团法人资讯工业策进会 | 药物组合预测系统和药物组合预测方法 |
CN109411033A (zh) * | 2018-11-05 | 2019-03-01 | 杭州师范大学 | 一种基于复杂网络的药物疗效筛选方法 |
CN110349622A (zh) * | 2019-07-09 | 2019-10-18 | 南京邮电大学 | 基于决策树与线性回归模型预测癌症合成致死基因对的方法 |
CN112687370A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种电子药方生成方法、装置及电子设备 |
-
2011
- 2011-07-05 CN CN2011101857831A patent/CN102289606A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902849A (zh) * | 2012-12-30 | 2014-07-02 | 复旦大学 | 基于基因芯片数据和代谢网络测定癌症关键代谢酶的方法 |
CN103902849B (zh) * | 2012-12-30 | 2017-03-29 | 复旦大学 | 基于基因芯片数据和代谢网络测定癌症关键代谢酶的方法 |
CN105243294A (zh) * | 2015-09-18 | 2016-01-13 | 淮南师范学院 | 一种用于预测癌症病人预后相关的蛋白质对的方法 |
CN105740626A (zh) * | 2016-02-01 | 2016-07-06 | 华中农业大学 | 一种基于机器学习的药物活性预测方法 |
CN106055921A (zh) * | 2016-05-27 | 2016-10-26 | 华中农业大学 | 基于基因表达和药物靶标的药物活性预测与筛选方法 |
CN108073789A (zh) * | 2016-11-18 | 2018-05-25 | 财团法人资讯工业策进会 | 药物组合预测系统和药物组合预测方法 |
CN109411033A (zh) * | 2018-11-05 | 2019-03-01 | 杭州师范大学 | 一种基于复杂网络的药物疗效筛选方法 |
CN109411033B (zh) * | 2018-11-05 | 2021-08-31 | 杭州师范大学 | 一种基于复杂网络的药物疗效筛选方法 |
CN110349622A (zh) * | 2019-07-09 | 2019-10-18 | 南京邮电大学 | 基于决策树与线性回归模型预测癌症合成致死基因对的方法 |
CN112687370A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种电子药方生成方法、装置及电子设备 |
CN112687370B (zh) * | 2020-12-28 | 2023-12-22 | 北京博奥晶方生物科技有限公司 | 一种电子药方生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102289606A (zh) | 药物的筛选方法以及药物组合设计方法 | |
Ding et al. | Evaluating the molecule-based prediction of clinical drug responses in cancer | |
Falzone et al. | Identification of modulated MicroRNAs associated with breast cancer, diet, and physical activity | |
Newman et al. | Robust enumeration of cell subsets from tissue expression profiles | |
Millino et al. | Gene and microRNA expression are predictive of tumor response in rectal adenocarcinoma patients treated with preoperative chemoradiotherapy | |
Selvaraj et al. | Identification of target gene and prognostic evaluation for lung adenocarcinoma using gene expression meta-analysis, network analysis and neural network algorithms | |
CN106815486B (zh) | 一种个性化用药的系统药理学方法 | |
Piao et al. | Target gene screening and evaluation of prognostic values in non-small cell lung cancers by bioinformatics analysis | |
Wang et al. | Identification of a six‐gene signature with prognostic value for patients with endometrial carcinoma | |
CN106055921A (zh) | 基于基因表达和药物靶标的药物活性预测与筛选方法 | |
CN105874079A (zh) | 用于肺癌的分子诊断测试 | |
CN104854247A (zh) | 卵巢癌的预后及分层方法 | |
Srihari et al. | Understanding the functional impact of copy number alterations in breast cancer using a network modeling approach | |
KR20180050303A (ko) | 개인별 약물 치료 계획의 개발 방법 및 단백질체 프로파일을 기반으로 하는 표적 약물 개발 방법 | |
Li et al. | LncRNA and mRNA expression profiles of glioblastoma multiforme (GBM) reveal the potential roles of lncRNAs in GBM pathogenesis | |
Quitadamo et al. | An integrated network of microRNA and gene expression in ovarian cancer | |
Qattan et al. | Clinical identification of dysregulated circulating microRNAs and their implication in drug response in triple negative breast cancer (TNBC) by target gene network and meta-analysis | |
Xue et al. | A microRNA gene signature for identification of lung cancer | |
Gasparini et al. | Age-related alterations in immune contexture are associated with aggressiveness in rhabdomyosarcoma | |
Cui et al. | The prediction of drug-disease correlation based on gene expression data | |
Mohr et al. | Systematic analysis of the transcriptome profiles and co-expression networks of tumour endothelial cells identifies several tumour-associated modules and potential therapeutic targets in hepatocellular carcinoma | |
Ye et al. | A multi-omics network of a seven-gene prognostic signature for non-small cell lung cancer | |
Hu et al. | In silico integration approach reveals key microRNAs and their target genes in follicular thyroid carcinoma | |
Duran-Frigola et al. | Drug repositioning beyond the low-hanging fruits | |
Qi et al. | Investigating the mechanism of scutellariae barbata herba in the treatment of colorectal cancer by network pharmacology and molecular docking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111221 |