Hematolojik Kanserlerde Moleküler Hedeflere

ORİJİNAL ARAŞTIRMA
Hematolojik Kanserlerde
Moleküler Hedeflere Yönelik İlaç Tespiti
Murat İŞBİLEN,a
Ali Osmay GÜREa
a
Moleküler Biyoloji ve Genetik Bölümü,
Bilkent Üniversitesi, Ankara
Yazışma Adresi/Correspondence:
Ali Osmay GÜRE
Bilkent Üniversitesi,
Moleküler Biyoloji ve Genetik Bölümü,
Ankara, TÜRKİYE
[email protected]
ÖZET Amaç: Yakın gelecekte, kanser kemoterapisinin kişiye özel planlanmasında belki en önemli
kıstası moleküler tümör biyobelirteçleri oluşturacaktır. Böyle biyobelirteçler ile tümörün hangi kemoterapötik ajana cevap vereceğinin öngörülmesiyle, hem morbidite ve mortalitede, hemde maliyette kayda değer azalma olması beklenebilir. Gereç ve Yöntemler: Yakın zamanda tamamlanan ve
sonuçları veri tabanlarına yüklü iki büyük çalışmada, içlerinde hematolojik kanserlerin de bulunduğu, çok sayıda kanser türünden geliştirilmiş hücre hatlarının birçok ilaç için hassasiyet değerleri
tespit edilmiş, aynı zamanda bu hücrelerin mutasyon profilleri ve transkriptomları da tanımlanmıştır. Dolayısıyla bu veriler, her hangi bir kanser türü için ilaç hassasiyet bilgisi ile genom ilişkisini
tespit edilebilir kılmaktadır. Bu çalışmamızda, bu iki tür bilgiyi bulunduran veritabanından yararlanarak hematolojik kanserlerin alt gruplarının hangi ilaçlara en hassas olduğunu saptamayı hedefledik. Alt grupları hem klinikte kullanılan tanımlara göre, hemde transkriptomik profilleme ile kendi
oluşturduğumuz gruplamalar temelinde yaptık. Bulgular-Sonuç: Sonuçlarımız her iki analizle de
hemen her tür hematolojik kanser için tedavide kullanılabilecek potansiyel bir çok yeni ilacın varlığını göstermektedir.
Anahtar Kelimeler: Hematolojik kanserler; moleküler hedefe yönelik tedavi;
biyobelirteçler, farmakolojik
ABSTRACT Objective: Molecular biomarkers of chemosensitivity will possibly be the primary contributing factor in the planning of personalized cancer chemotherapy in the near future. It is highly
likely that the foresight these biomarkers will provide will decrease mortality and morbidity rates,
as well as treatment costs. Material and Methods: Two large studies, completed quite recently, have
made cytotoxicity data from a large number of drugs for cell lines derived from various cancers including hematological malignancies as well as their genomic and transcriptomic profiles publicly
available enabling the determination of genomic correlates of drug sensitivity. In this study, we
aimed the identification of drugs with selective action for subgroups of hematological malignancies.
We defined subgroups according to the classical clinical descriptions of these cancers as well as
those we defined by transcriptomic profiling. Results-Conclusion: Our results suggest the presence
of many drugs which potentially could be used for subgroups of hematological cancers as defined
by either method.
Key Words: Hematological neoplasms; molecular targeted chemotherapy;
biomarkers, pharmacological
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1):1-7
Copyright © 2014 by Türkiye Klinikleri
ematolojik kanserler (lösemi, lenfoma ve multipl miyelom) birarada değerlendirildiklerinde binde 2’lik insidans ile Türkiye’de erkeklerde akciğer kanserinden sonra ikinci, kandınlarda meme kanseriyle birlikte en sık görülen
kanser grubunu oluşturmaktadırlar. Mortalite/insidans oranları Hodgkin lenfoma
(HL) için 0,33 olmakla birlikte diğer gruplarda bunun çok üstünde olup, non-Hodgkin lenfoma (NHL), multipl myelom (MM) ve lösemiler için sırasıyla 0,69, 0,83 ve
0,86’dır.1 Günümüzde bu kanserler için farklı tedavi protokolleri bulunmaktadır.
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
1
Murat İŞBİLEN ve ark.
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
HL’da tedavi standart kemoterapi [adriamisin, bleomisin,
vinblastin, dakarbazin (ABVD)] ve radyoterapi iken, başkalarında hastalığın moleküler patolojisi ile yakından ilgilidir. Örneğin, kronik myeloid lösemide (KML) tedavi
BCR-ABL’i hedefleyen kinaz inhibitörleri (örneğin Imatinib) ile yapılmaktadır.2 Yakın zamana kadar bu ve dier
kanserler için tedavi yaklaşımları ya ampirik ya da moleküler mekanizmanın anlaşılması temelinde geliştirilen
ilaçların denenmesi ile geliştirilebilmekteydi. Ancak klinik ve patolojik sınıflandırmanın, diğer kanserlerde olduğu gibi hematolojik kanserlerde de var olduğu bilinen
heterojeniteyi belirlemekte yetersiz kaldığı bilinmektedir. Hematolojik kanserlerin moleküler yöntemlerle alt
gruplara ayrılabileceğini gösteren ilk çalışmalardan biri,
diffüz büyük B hücreli lenfomaların (DBL) farklı klinik
seyir gösteren türlerinin tümörlerdeki gen ifade farklılıkları temelinde tespit edilebileceği ile ilgili bir çalışma
idi.3 2000 yılında yayınlanan ve 4500’den fazla atıf alan
bu çalışmadan sonra benzeri transkriptomik analizler ile
ilgili lösemide 35,000, lenfomada 17,000, multipl myelomda 9,000’den fazla çalışma yapılmıştır (http://www.
ncbi.nlm.nih.gov/gds). Bu derece çok verinin kapsamlı
bir sentezini yapmak bu makale kapsamında mümkün
değildir. Ancak, daha önceki çalışmalarda, o tarihlerde
verileri bulunmadığından istifade edilemeyen iki büyük
çalışma 2012 yılında tamamlanmış olup sonuçları bilim
dünyası paylaşımına açılmıştır. Broad Institute ve Sanger
Institute/Welcome Trust kaynaklı bu iki büyük çalışma
ile, içlerinde hematolojik kanserlerin de bulunduğu bir
çok kanserden kaynaklı 200’den fazla hücre hattı için
hem transkriptomik ve genomik, hem de ilaç hassasiyet
bilgileri elde edilmiştir.4,5 Dolaysıyla, daha önce cevaplanması zor iki soru (hangi kanser türleri hangi kemoterapötik ajanlara hassastır? (1) ve hangi genlerin ifade
miktarları veya polimorfizmleri hangi ilaçlar için bir hassasiyet belirtecidir? (2), artık cevaplanabilmektedir. Bu
çalışmamızda bu iki soruyu hematolojik kanserler için cevaplamaya çalıştık. Sonuçlarımız hematolojik kanserlerin bilinen alt gruplarının ve ayrıca transkriptomik
analizlerimiz ile saptadığımız alt gruplarının, günümüzde bu kanserler için kullanılmayan birçok ilaca hassas olduklarını göstermektedir. Sonuçlarımızın geniş doğrulama çalışmalarına öncü olmasını ümit ediyoruz.
SONUÇLAR
HEMATOLOJİK KANSERLERİN TEDAVİSİNDE
ETKİN İLAÇLARIN TESPİTİ
İlaç/genom ilişkisinin incelenmiş olduğu iki büyük çalışmadan ilki olan, kanser hücre hattı ansiklopedisi (Can-
2
cer Cell Line Encyclopedia, CCLE) kapsamında içlerinde KML, AML, ALL (T ve B), lenfoma [DBL, HL, NHL ve
Burkitt (BL)], MM ve alt grubu bilinmeyen hematolojik
kanserden kaynaklı toplam 172 hücre hattı ve 24 ilaç çalışılmıştır.4 Kanser genom projesi (Cancer Genome Project, CGP) kapsamındaysa, 103 hematolojik kanser
kökenli hücre hattı için 130 ilaca hassasiyet bilgisi elde
edilmiştir.5 Çalışmamız dahilinde ilk olarak özellikle hematolojik kanser türlere etkili ilaçların tespit etmek istedik. CCLE’de ilaç sitotoksisite ölçümleri 4 (IC50, EC50,
Amax ve Activity Area), CGP’de iki değişik parametre
(IC50, ROC) olarak bulunmaktadır. Bunlardan CCLE
için Activity Area (AA), CGP için IC50 değerlerini kullandık. Bu değerlerin, her kanser türüne karşılık gelen
hücre hatları için elde edilmiş ortalama (median) değerleri kıyaslandığında, şaşıtrıcı bir biçimde, bir çok ilacın
en etkili olduğu tümörün bir hematolojik kanser olduğunu tespit ettik. Tablo 1a’da CCLE’de çalışılmış 24 ilaçtan 17 tanesinin (%68) tüm kanserler arasında en çok
etkili oldukları kanserin bir hematolojik kanser olduğu
görülmektedir. Benzer şekilde CGP için de, 103 ilaçtan
38’i (%37) yine bir hematolojik kanser için en etkili görünmektedir (Tablo 1b). Bu en etkili ilaçlar incelendiğinde, bazı tümörlerde bir temel yolağının, diğer
TABLO 1a: CCLE veritabanındaki ilaçların en etkili olduğu
kanser türleri.
Kanser Türü
KML
İlaçlar
İlaç Hedefi
AZD6244
MEK
AZD0530
Nilotinib
PD-0325901
PF-2341066
Sorafenib
ZD-6474
AML
MM
DBL
T-ALL
B-ALL
Panobinostat
RAF265
TKI258
AEW541
PD-0332991
TAE684
L-685458
Paclitaxel
Irinotecan
LBW242
Src, Abl/Bcr-Abl, EGFR
Abl/Bcr-Abl
MEK
c-MET, ALK
Flt3, C-KIT, PDGFRbeta, RET, Raf kinaz B,
Raf kinaz C, VEGFR-1, KDR, FLT4
Abl, EGFR, Flt3, C-KIT, RT, VEGFR-1,
KDR, FLT4
HDAC
Raf kinaz B, KDR
EGFR, FGFR1, PDGFRbeta, VEGFR-1, KDR
IGF-1R
CDK4/6
ALK
Gama Sekretaz
Beta-tübülin
Topoizomeraz 1
IAP
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
TABLO 1b: CGP veritabanındaki ilaçların en etkili olduğu
kanser türleri.
Kanser Türü
KML
İlaçlar
İlaç Hedefi
PF-02341066
MET, ALK
Imatinib
AZD-0530
SRC, ABL1
GNF-2
BCR-ABL
Dasatinib
A-770041
WH-4-023
ABL
AMPK agonisti
SRC, ABL, TEC
PDGFR, KIT, VEGFR
SB 216763
GSK3A/B
GSK269962A
ROCK
Vinblastine
Mikrotübüller
AZD8055
PAC-1
Cytarabine
Methotrexate
AZD7762
CEP-701
MK-2206
Cyclopamine
LFM-A13
Metformin
BX-795
ZM-447439
IPA-3
KU-55933
SL 0101-1
MM
SRC family, ABL
Nilotinib
Axitinib
DBL
SRC family
ABL
Bosutinib
ALL
ABL, SRC, KIT, PDGFR
AP-24534
AICAR
T-ALL
ABL, KIT, PDGFR
681640
Temsirolimus
mTORC1/2
CASP3 aktivatörü
DNA sentezi
Dihidrofolat redüktaz (DHFR)
CHK1/2
FLT3, JAK2, NTRK1, RET
AKT1/2
SMO
BTK
AMPK agonisti
TBK1, PDK1, IKK, AURKB/C
AURKB
PAK
ATM
RSK, AURKB, PIM3
VEE1, CHK1
MTOR
ATRA
Retinoik asit ve retinoik asit X reseptör agonisti
VX-702
p38
BI-D1870
RSK1/2/3/5, PLK1, AURKB
Lenalidomide
AML
ABT-263
BL
Roscovitine
TNF alfa
BCL2, BCL-XL, BCL-W
CDKs
bazılarında ise farklı yol ağlarının tümörleşmeyle ilgili
oldukları anlaşılabilmektedir. Örneğin, KML’de en etkili ilaçların BCR-ABL yolağındaki proteinleri (BCR-ABL,
RAF, SRC gibi), PI3K yol ağı elemanı mTOR ve GSK’yi
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
Murat İŞBİLEN ve ark.
inhibe ediyor oldukları, keza mTOR inhibitörü AMPK
agonisti bir ilacın bu listede olması şaşırtıcı olmayıp
KML’nin daha ziyade homojen ve aynı yol ağındaki bozulmalar ile ilişkili olduğu teyit edilmiş görünmektedir.
Ancak bu listede etki mekanizmaları örtüşen ilaçlar olmakla birlikte, bazılarının diğerlerine göre özellikle etkin olduğu görünmektedir. Örneğin, Nilotinib KML icin,
hematolojk kanserler dahil, diğer tüm kanserlerden daha etkin görünmektedir (Şekil 1A). Bir ilacın bir tümör
cinsi için bu derece belirgin farkla etkin olduğu kayda
değer sayıda sonuç elde ettik. Başka bazı ilaçların ise hemen her hematolojik kanser için etkili olabileceğini tespit ettik. Örneğin, metotreksat, en çok T-ALL’ye etkili
görünmekle birlikte, diğer hematolojik kanserler için de
etkili görünmektedir (Şekil 1B). Diğer yandan, MM için
en etkili ilaçların hedefleri KML’de olduğu gibi tirozin
kinaz yol ağı elemanları IGF-1R, MAPK (p38) ve mTOR
olmakla birlikte, TNF ve Retinoik asit inhibitörlerinin
de bu kanserde en etkin ilaçlar listesinde olması, tümörün KML’ye göre daha heterojen olduğunu göstermektedir. Ayrıca myelomların bir kısmında görülen ve siklin
genlerini etkileyen translokasyonlar ışığında, CDK4/6
inhibitörü PD-0332991’in de bu listede bulunuşu literatür ile uyumludur.2
HEMATOLOJİK KANSERLERİN TRANSKRİPTOMİK
SINIFLANDIRMAYLA TESPİT EDİLEN ALT GRUPLARININ
İLAÇ HASSASİYET PROFİLLERİ
Hematolojik kanserlerde varlığı bilinen heterojeniteyi
transkriptomik bir analiz ile tespit edebilmemiz halinde klinikopatolojik sınıflamaya göre daha homojen hücrelerden oluşan ayrımlar ve buna bağlı olarak da, daha
net ilaç hassasiyet profilleri oluşturabileceğimizi öngördük. Bu amaç doğrultusunda CCLE veritabanındaki tüm
hematolojik kanser kökenli hücre hatlarını ifade değeri bakımından standart sapması en yüksek 319 gen’e
karşılık gelen 400 probset’i kullanarak bir kümeleme
analizine tabii tuttuk. Sonuçlarımız CCLE veritabanındaki 10 değişik hematolojik kanserin, bu genler bakımından sadece 8 gruba ayrıldıklarını gösterdi (Şekil 2).
Aynı probsetleri kullanarak CGP’de de bir kümeleme
analizi yaptık. CCLE ve CGP’deki hücrelerin ancak
%29’u ortak olmakla birlikte, her iki veritabanında bu
kümeleme analizi ile tanımladığımız gruplar arasında
çok yüksek benzerlik olduğunu tespit ettik (Şekil 2). Bu
şekilde, belirlediğimiz hücre alt gruplarının güvenilebilir bir ayrım yapabildiği kanaatini edindik. Sekiz alt
grup incelendiğinde ilginç gözlemler yapılabilmektedir.
Örneğin birinci gruba (G1) hem CCLE hem CGP’de
AML hücre hatlarının çoğu girmekle birlikte, KML ve
3
Murat İŞBİLEN ve ark.
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
ŞEKİL 1: Hematolojik kanserlere etkin ilaçlara iki örnek. KML’ye en etkili olduğunu saptadığımız ilaçlar arasından Nilotinib’in CCLE’de elde edilmiş sitotoksisite bilgisi etkinlik alanı (activity area) cinsinden tüm kanserler için gösterilmektedir (A). Artan değerler hassasiyet artışına karşılık gelmektedir. Birçok hematolojik kansere etkili ilaçlara
bir örnek Metotrexat, CPG’de elde edilmiş IC50 değerleri cinsinden tüm kanserler için gösterilmektedir (B). Küçük değerler hassasiyet ifade etmektedir. Grafikler, her tümöre ait bütün hücre hatlarından elde edilen ortalama, %75 içi (kutu), %95 içi (kesik çizgiler) ve dışındaki (açık halkalar) değerleri göstermektedir. Hematolojik kanserler
alt gruplarına göre renklendirilmiştir.
(Renkli hali için Bkz. http://www.turkiyeklinikleri.com/journal/hematoloji-ozel-dergisi/1308-1160/)
ŞEKİL 2: CCLE verisetindeki hematolojik kanser hücre hatlarının transkriptomik hiyerarşik kümeleme analizi ve grupların tutarlılığı. CCLE’deki tüm hematolojik kanser hücre
hatlarının varyasyonu en yüksek 400 probset ile kümeleme analizi (A) ve hücre hatları için elde edilen dendogram (B). Dendogramdan, bu genler ile tüm hücrelerin 8 gruba
ayrildiklari görülmektedir. Aynı 400 probset ile CGP hematolojik kanser hücre hatları da 8 gruba ayrılmakta ve her iki veritabanındaki hematolojik kanser transkriptomik alt
grupları karşılaştırıldıklarında çok yüksek oranda konkordans görülmektedir (C). Renkler Pearson’un korrelasyon katsayısının 1’e ne kadar yakın (kırmızı) veya uzak (siyah)
olduğunu göstermektedir.
(Renkli hali için Bkz. http://www.turkiyeklinikleri.com/journal/hematoloji-ozel-dergisi/1308-1160/)
hatta DBL hücre hatlarının da bir kısmı dahil olmaktadır (Şekil 3). B-ALL hücre hatlarının önemli bir kısmı
G5 grubundayken, KML hücrelerinin de bir kısmı bu
gruptadır. Bu gruplar temelinde yaptığımız ilaç hassasiyet analizleri sonucunda önceki analizimizden farklı
birçok ilacın hematolojik kanser transkriptomik alt
gruplarına (HKTAG), klinikopatolojik gruplamaya göre
4
daha etkin olduğunu tespit ettik (Tablo 2). Örneğin, bir
ALK inhibitörü olan TAE684 ancak CCLE’de MM için
en etkili bir ilaç iken, çoğunu MM hücre hatlarının teşkil ettiği G7 grubuna daha etkin görünmektedir. Aynı
ilaç, içinde HL’ların bulunduğu G6 grubuna da en etkin
ilaçlardan biridir. Benzer şekilde bir PKC inhibitörü
olan Bryostatin’in, G2 grubundaki AML ve KML hücre
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
Murat İŞBİLEN ve ark.
ŞEKİL 3: Hematolojik kanser transkriptomik alt grupları-nın içerikleri Belirlenen 8 grubun CCLE ve CGP veritabanların-daki hematolojik kanser alt tipleri içerisindeki yüzdelik dağılımları. Her bir renk grafiğin altında gösterilen gruplara karşılık gelmektedir.
(Renkli hali için Bkz. http://www.turkiyeklinikleri.com/journal/hematoloji-ozel-dergisi/1308-1160/)
hatlarına en etkin ilaçlardan biri olduğu tespit edilmiştir (Tablo 2).
GEREÇ VE YÖNTEMLER
Tüm analizler CCLE (http://www.broadinstitute.org/
ccle) ve CGP (http://www.cancerrxgene.org) veritabanlarındaki, sırasıyla 916 ve 727 hücre hattı için, gen
ifade ve ilaç hassasiyet bilgileri kullanılarak yapılmıştır.
GEN SEÇİMİ VE HİYERARŞİK KÜMELEME ANALİZİ
CCLE (GSE36133) ve CGP (E-MTAB-783) mikrodizi verisetindeki tüm degerleri BRB Array Tools programı kullanılarak RMA yöntemi ile normalize ettik. CCLE
verisetindeki hematolojik kanser hücre hatlarında standart sapması en yüksek 1000 probseti ile Öklit uzaklığı
(Euclidean distance) tabanlı tam bağlamalı (complete
linkage) hiyerarşik kümeleme analizi yaptık. “Within
Cluster Sum of Square” küme içi hata hesaplama yöntemiyle doğru küme sayısını 9 olarak belirledik. 1000
probsetten bu kümeleri iyi ayıramayanları elemek amacıyla, her bir kümeyi tek başına ayıran genler hariç diğerleri analizlerden çıkardık. Bu seçimi yapmak için her
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
hücre hattına, belirlenen kümenin içerisindeyse 1, değilse 0 değerleri atayıp, her bir probsetin bu değerler ile
Pearson r katsayı değerini hesapladık. Pearson r katsayı
değeri herhangi bir küme için 0.5 ve üzerinde olan 400
adet probseti ileriki analizler için seçtik. Bu probsetleri
kullanılarak tekrar Öklit uzaklığı tabanlı tam bağlamalı
hiyerarşik kümeleme analizi yapılarak, küme içi hata hesaplaması sonucunda 8 adet küme belirledik. Çalışmamızdaki tüm analizler bu 8 küme temelinde yapılmıştır.
KUTU GRAFİKLERİ
CCLE ve CGP veritabanlarındaki bütün kanser türlerine
ait hücre hatları için ilaç hassasiyet değerlerinin dağılımları her bir ilaç için R programlama dili kullanılarak
kutu grafikleri ile ifade edilmiştir. Her bir kanser türü,
hematolojik kanser alt tipi ve hematolojik kanser grupları için bir kutu grafiği çizilmiş, hematolojik kanser alt
tipleri ve grupları için kutu grafikleri renklendirilmiştir.
CCLE VE CGP VERİTABANLARINDA KÜMELERİN UYUMU
CCLE ve CGP veritabanlarındaki kümelerin uyumunu
tespit edebilmek için daha önce yayınlanmış bir algoritmayi temel aldık.6 Her iki veritabanına ortak hücre hat-
5
Murat İŞBİLEN ve ark.
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
TABLO 2a: CCLE alt tiplerinde standart medyan AA* ilaç hassasiyet değerleri.
Alt Tip
Sorafenib
RAF265
B-ALL
-0,494
-1,715
BL
-1,841
HL
1,243
2,420
AML
KML
2,572
MM
Grup
TAE684
0,865
-0,068
-0,282
-1,117
-2,015
-0,700
-1,571
-1,404
-2,029
1,810
-0,073
0,045
-0,681
0,984
2,345
-0,662
0,734
3,247
-1,236
Nutlin-3
AZD6244
AEW541
TAE684
-1,721
1,998
-0,204
2,355
-0,636
1,405
-0,717
1,312
-1,053
G4
1,516
0,766
0,686
-0,936
-0,428
G6
1,550
-1,192
0,199
-0,201
G8
-0,401
-0,958
0,086
-1,128
Alt Tip
ALL
-
-
0,807
0,732
AZD6244
TAE684
AZD8055
-1,663
-2,005
-0,750
-0,806
0,102
-1,041
0,014
-1,614
-0,132
-1,690
DBL
-0,008
-1,393
0,972
-1,566
-0,207
-2,124
BL
KML
0,194
0,189
HL
-0,703
T-ALL
0,950
MM
Grup
G1
G2
G3
G4
0,696
0,259
0,800
0,036
0,295
-
2,036
1,056
0,369
-2,131
-0,286
-0,488
1,307
-1,107
-0,437
Bryostatin-1 CGP-082996
0,267
-0,800
0,290
-0,440
0,896
0,712
0,756
-0,571
1,021
-0,427
-0,832
-0,955
-
2,864
-0,731
-0,328
-2,799
-
-0,278
-
-0,957
-
Bryostatin-1 CGP-082996
0,291
-
0,727
-
CI-1040
-3,458
-0,884
-
-0,426
-0,211
1,192
-0,759
1,390
-0,763
-0,212
0,708
-2,000
-0,642
-1,637
1,014
-0,982
-0,545
0,159
0,822
-1,385
-
1,292
1,480
0,821
0,170
0,637
-
1,042
0,867
0,028
-0,490
0,807
0,199
-1,357
-2,067
0,405
-1,141
1,217
0,834
1,312
-1,751
0,002
-0,858
-0,964
2,094
0,035
KU-55933 PHA-665752
0,761
0,384
-
-
1,020
1,010
-0,087
-1,019
1,515
0,729
-1,699
-0,880
-1,826
-
1,894
0,205
0,317
-
0,849
-1,371
1,567
-1,911
GDC0941
RDEA119
ZM-447439
2,756
-1,728
-0,660
-0,994
-
1,243
0,612
-2,013
0,896
0,366
0,910
1,960
0,478
TABLO 2d: CGP gruplarında standart medyan log(IC50) ilaç hassasiyet değerleri.
-0,598
0,375
-1,454
-1,239
-1,363
-0,303
-0,770
-0,227
0,960
0,025
0,282
0,384
-1,947
1,261
0,003
-0,582
0,829
ZM-447439
1,450
1,393
0,000
0,760
RDEA119
-0,365
-1,723
-1,507
G7
-1,550
GDC0941
-0,959
0,778
-2,139
-0,464
-0,659
0,363
1,454
-0,243
1,646
1,505
-1,415
KU-55933 PHA-665752
-0,358
0,484
-0,523
-0,420
-0,278
0,505
-2,119
1,029
-0,928
-1,290
AZD8055
-
1,531
2,572
-0,639
-1,146
TAE684
-
-1,142
-0,837
1,741
AZD6244
-0,848
-0,404
-2,532
-
0,444
CI-1040
0,595
-0,171
0,756
Nutlin-3a
-1,316
-0,733
G8
-
0,601
0,088
-
3,328
-0,842
Sorafenib
G5
G6
-0,125
0,456
0,270
1,223
-
TABLO 2c: CGP alt tiplerinde standart medyan log(IC50) ilaç hassasiyet değerleri.
Nutlin-3a
-0,978
-
3,363
-1,248
AML
B-ALL
-
2,467
0,043
Sorafenib
-0,110
RAF265
-1,043
G7
2,767
-0,496
G2
G5
-0,054
TABLO 2b: CCLE gruplarında standart medyan AA* ilaç hassasiyet değerleri.
3,261
G3
0,583
-0,092
-0,278
0,403
2,133
-1,084
-1,007
0,248
0,733
Sorafenib
2,177
-0,489
-0,556
1,521
G1
AEW541
-0,644
1,229
T-ALL
AZD6244
0,069
1,319
0,377
DBL
Nutlin-3
1,864
-0,416
-0,853
-2,077
-
-1,855
-
1,515
-2,423
0,368
-1,485
0,961
2,012
1,784
-1,742
0,662
-0,242
CCLE ve CGP alt tiplerinde ilaç hassasiyet değerlerinin klinikopatolojik alt tiplerde ve bu çalışmada oluşturduğumuz gruplarda karşılaştırılması. Her bir alt tipin ve belirlenen grupların ilaçlar için hassasiyet değerleri standardize
medyan cinsinden verilmiştir (gereçler ve yöntem kısmına bakınız). Kırmızı kutular, transkriptomik gruplar için, klinikopatolojik sınıflandırmadan daha iyi sonuçlar elde ettiğimiz durumları ya da tersi durumları göstermektedir. Siyah
kutular ise, kırmızı kutuların içerdiği orenkleri en fazla içeren ve dolaysıyla karşılaştırma yapılan grup ya da alt tipleri göstermektedir. Kesik çizgili kutular ise, kırmızı veya siyah kutuların belirlemediği ancak o ilaç için en iyi hassasiyet değerini veren grubu ya da alt tipi göstermektedir. * AA: Etkinlik Alanı (Activity Area)
(Renkli hali için Bkz. http://www.turkiyeklinikleri.com/journal/hematoloji-ozel-dergisi/1308-1160/)
6
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
HEMATOLOJİK KANSERLERDE MOLEKÜLER HEDEFLERE YÖNELİK İLAÇ TESPİTİ
ları için seçtğimiz 400 probsetin ifade değerlerinin her
bir küme için medyan değerlerini Pearson r katsayısı
kullanılarak karşılaştırdık. CCLE veritabanındaki her bir
küme için bütün probsetlerin medyan değerlerini belirledik ve bu sayede 400 probsetin her biri için 8 adet medyan değeri hesapladık. CGP için de aynı işlemi
tekrarlayıp 400 probsetten bu veritabanında bulunanlar
(274 adet) için 8 adet medyan değeri hesapladık. Daha
sonra bu medyan değerlerini her bir küme için Pearson
r katsayı değerlerini hesaplayarak karşılaştırdık.
İLAÇ HASSASİYET KARŞILAŞTIRMASI VE
STANDART MEDYAN HESAPLANMASI
CCLE ve CGP veritabanlarındaki her bir ilaç için her bir
kanser çeşidinin ilaç hassasiyet değerlerinin medyan değerlerini hesapladık. Bu değeri, tüm kanserler için elde
edilen değerlerin medyanına göre kullanarak standardize ettik. Her ilaç için kanserlerin standardize medyan değerlerini, kansere özgü ilaç hassasiyet medyan değerinden
tüm kanserlerin ilaç hassasiyet medyanlarının ortalamasını çıkartıp tüm kanserlerin ilaç hassasiyet medyanlarının standart sapmasına bölerek elde ettik. Bu standart
medyan değerlerini her kanser türünün diğer kanser türlerine göre ilaç hassasiyet ölçüsü olarak kullandık.
TARTIŞMA
Bu çalışmada çok yeni iki veri tabanının belli bir tür kanser için uygun kemoterapötik ajan tespiti için nasıl kullanılabileceğine örnek bir yaklaşım tanimladık. Yaklaşımımızın, klinik kullanımda olmayan ancak olması halinde yarar elde edilebilecek ilaçların tespiti için çok
önemli olduğuna inaniyoruz. Ancak bu veya benzeri
yöntemlerle buluncak ilaçlar için bir sonraki aşama doğrulama deneyleri olmalıdır. Bu çalışmadan da görüleceği
üzere, iki veritabanında birden çalışılmış bazı ilaçlar için
ayrı sonuçlar elde edilebilmektedir. Örneğin Nutlin-3a,
1.
2.
3.
Tuncer AM. Türkiye'de Kanser Kontrolü. TC
Sağlık Bakanlığı. Ankara: Onur Yayınevi;
2007.
Tao J, Sotomayor E. Hematologic Cancers
from Molecular Pathobiology to Targeted
Therapeutics Cancer Growth and Progression. Volume 14. Dordrecht: Springer; 2012.
Alizadeh AA, Eisen MB, Davis RE, Ma C, Lossos IS, Rosenwald A, et al. Distinct types of
diffuse large B-cell lymphoma identified by
Murat İŞBİLEN ve ark.
CGP’deki sonuçlar ışığında AML için çok uygun bir ilaç
gibi görünürken, CCLE veritabanındaki AML hücrelerine çok az etkili görünmektedir (Tablo 2). Bu tür tutarsızlıkların bir kısmı bu çalışmada yaptığımız gruplama
temelli yaklaşım ile kısmen çözülmektedir. Örneğin Nutlin-3a, her iki veritabanında da tespit ettiğimiz beşinci
gruba (G5) son derece etkili görünmekte, dolaysıyla ilacın etki ettiği gruplarda tutarlılık oluşturulabilmektedir.
Ancak, gruplama yöntemimizin da yetersiz kaldıgı durumlar tespit edebildik. Örneğin, TAE684, CCLE’ye göre 6. gruba, CGP’ye göre 7. gruba bilhassa etkili
görünmektedir. Böyle tutarsız sonuçların sebepleri literatürde derinlemesine tartışılmış ve tutarlılık için en
önemli kıstasın sitotoksisite ölçüm yöntemi olduğu tespit edilmiştir.7 Ancak, bu ikinci ve daha önemli bir soruyu, hangi sitotoksisite yönteminin in vivo sitotoksik
yanıtı en iyi yansıttığı, sorusunu oluşturmaktadır. Bu sorunun da cevabı doğal olarak ancak in vivo doğrulama
deneyleri ile verilebilir. Çalışmamızda oluşturduğumuz
hematolojik kanser alt gruplarını transkriptomik bir yöntemle elde ettik. Bu yöntemin avantaji, klinikte de kullanılabilecek biyogöstergelerin tespit edilmiş olmasıdır.
Böyle biyogostergeler, klinikte tümör siniflandirilmasinda yardımcı olabilecekleri gibi, tümör biyolojisinin aydınlanmasını da mümkün kılabilir. Örneğin 6. grubu
belirleyen temel genler kanser-testis antijen genleri, 1.
grubu ise ifadesi artmış mezenkimal genler tanimlamaktadir. Dolaysıyla 6. grup tümörler kanser-testis antijenlerine yönelik immunoterapi adayları olabilecek iken, 1.
grup tümörler in vivo farklilasmaya cevap sonucu kontrol altına alınabilecek tümörler olabilir.
Teşekkür
Seçil Demirkol ve Kerem Mert Şenses’e çalışmamızı eleştirsel
bir yaklaşımla gözden geçirdikleri için teşekkür ederiz. Bu çalışma TÜBİTAK BİDEB tarafından M.İ.’ye verilen bir burs ile
desteklenmiştir.
KAYNAKLAR
4.
5.
Turkiye Klinikleri J Hematol-Special Topics 2014;7(1)
gene expression profiling. Nature 2000;403
(6769):503-11.
Barretina J, Caponigro G, Stransky N,
Venkatesan K, Margolin AA, Kim S, et al. The
Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity.
Nature 2012;483(7391):603-7.
Garnett MJ, Edelman EJ, Heidorn SJ, Greenman CD, Dastur A, Lau KW, et al. Systematic
identification of genomic markers of drug sensitivity in cancer cells. Nature 2012;483(7391):
6.
7.
570-5.
Widmer DS, Cheng PF, Eichhoff OM, Belloni
BC, Zipser MC, Schlegel NC, Javelaud D,
Mauviel A, Dummer R, Hoek KS. Systematic
classification of melanoma cells by phenotypespecific gene expression mapping. Pigment
cell & melanoma research 2012;25:343-53.
Haibe-Kains B, El-Hachem N, Birkbak NJ, Jin
AC, Beck AH, Aerts HJ, et al. Inconsistency in
large pharmacogenomic studies. Nature
2013;504(7480):389-93.
7