ThermoTargetMiner Charts the Proteome-Wide Target Landscape of Lung Cancer Therapeutics

In dit artikel wordt ThermoTargetMiner voorgesteld, een database die de proteoomwijde doelwitlandschappen van longkankertherapieën in kaart brengt met behulp van de PISA-assay, waardoor nieuwe doelwitten voor 77% van de geteste moleculen zijn geïdentificeerd en de werkingsmechanismen van geneesmiddelen zoals PEITC zijn verduidelijkt.

De kern

Titel: De "ThermoTargetMiner": Een warmte-zoektocht naar de sleutels van kankermedicijnen

Stel je voor dat je een enorme, donkere kelder vol met duizenden sloten hebt. Je hebt een zak vol met 67 verschillende sleutels (de medicijnen) en je wilt weten welke sleutel welk slot opent. Als je dat niet weet, kun je de medicijnen niet veilig gebruiken; ze kunnen de verkeerde deuren openen (bijwerkingen) of de juiste deuren niet vinden (geen werking).

Deze paper beschrijft een slimme nieuwe manier om die zoektocht te versnellen, specifiek voor longkanker. De onderzoekers hebben een database gemaakt genaamd ThermoTargetMiner. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: Medicijnen zijn vaak "geheime agenten"

Vaak weten artsen en wetenschappers niet precies waarom een medicijn werkt. Ze zien dat het een tumor laat krimpen, maar ze weten niet welk eiwit in de cel het medicijn vastpakt. Het is alsof je een auto ziet rijden, maar niet weet welke motor eronder zit. Dit maakt het moeilijk om nieuwe medicijnen te maken of bestaande medicijnen veiliger te maken.

2. De oplossing: De "Warmte-Test" (PISA)

De onderzoekers gebruiken een techniek die PISA heet. Denk hierbij aan een grote kookpan met een soep van miljoenen eiwitten (de cellen van de kanker).

• Het idee: Als je een medicijn (een sleutel) aan een eiwit (een slot) koppelt, wordt dat eiwit vaak sterker of zwakker tegen hitte.
• De test: Ze verwarmen de soep langzaam. De meeste eiwitten "smelten" en worden onoplosbaar (zoals een ei dat hard wordt als je het kookt). Maar de eiwitten waar het medicijn aan vastzit, gedragen zich anders: ze blijven soms juist oplosbaar of worden minder oplosbaar.
• De analogie: Stel je voor dat je een ijsblokje (het medicijn) in een glas water doet. Als je het glas verwarmt, smelt het ijs. Maar als je een speciaal deksel op het ijs zet (het medicijn bindt aan het eiwit), gedraagt het ijs zich anders in het warme water. Door te kijken welk ijsblokje anders reageert, weten we welk deksel erop zat.

3. De uitdaging: Ruis en "Nooit meer ruzie"

In het begin was het moeilijk. De "soep" bevatte zoveel eiwitten dat de echte signalen verdwenen in de ruis. Het was alsof je in een drukke discotheek probeert te luisteren naar één persoon die fluistert.

• De onderzoekers gebruikten een slimme wiskundige methode (OPLS-DA) om de ruis te filteren.
• Ze gebruikten een referentie-medicijn (Methotrexaat) als een "kalibratie-punt". Als alle metingen van dit bekende medicijn perfect op elkaar aansloten, wisten ze dat hun filter goed stond.
• Ze stelden een drempelwaarde in: alleen de eiwitten die extreem afweken van de rest (de "uitbijters") werden als echte kandidaten gezien.

4. De resultaten: Nieuze ontdekkingen

Met deze methode hebben ze 67 medicijnen getest op twee soorten longkankercellen (een agressieve en een minder agressieve vorm).

• Bekende targets bevestigd: Ze vonden de bekende "sleutels" terug. Bijvoorbeeld, medicijnen die tegen HSP90 werken, lieten precies die eiwitten reageren.
• Nieuwe targets gevonden: Voor 77% van de medicijnen vonden ze nieuwe eiwitten waar ze aan vastpakten.
  • Voorbeeld: Het medicijn PEITC (een stofje uit kruisbloemige groenten) bleek een enzym genaamd PAFAH1B aan te vallen. Ze bewezen dit door te laten zien dat als je dit enzym uitschakelt, het medicijn niet meer werkt. Het is alsof je de motor uit de auto haalt en de auto stopt.
  • Voorbeeld: Sunitinib (een bekend medicijn) bleek ook te werken op eiwitten die nog nooit eerder met dit medicijn in verband waren gebracht.

5. De Database: Een openbare bibliotheek

De onderzoekers hebben alle resultaten in een online database gezet: ThermoTargetMiner.

• Dit is als een openbare bibliotheek waar elke wetenschapper kan kijken: "Welke medicijnen werken op welk eiwit?"
• Het is gratis toegankelijk en helpt om medicijnen sneller te ontwikkelen, bijwerkingen te voorspellen en bestaande medicijnen voor nieuwe ziektes te gebruiken (hergebruik).

Samenvatting in één zin

Deze paper introduceert een snelle, hitte-gebaseerde testmethode die als een metaalzoeker fungeert in de chaos van onze cellen, waardoor we eindelijk kunnen zien welke medicijnen precies welke deuren openen in longkanker, en een gratis online kaartboek maken voor de hele wereld om dit te gebruiken.

Technische samenvatting

Probleemstelling

Het identificeren van de doelen (targets) van therapeutische verbindingen is cruciaal voor het begrijpen van werkingsmechanismen en bijwerkingen, maar deze data is vaak schaars. Bestaande methoden voor target-characterisering, zoals Thermal Proteome Profiling (TPP) en de Cellular Thermal Shift Assay (CETSA), hebben te kampen met een lage doorvoer (throughput) en vereisen vaak a priori kennis van het target. Een ander probleem is dat klinische proeven voor longkankermedicijnen vaak falen vanwege onbekende werkingsmechanismen of onverwachte toxiciteit door "off-target" effecten. Er is behoefte aan een snelle, betrouwbare en proteoom-brede techniek die zowel directe bindingsdoelen als downstream-effecten kan detecteren, zonder voorafgaande kennis van de targets.

Methodologie

De auteurs ontwikkelden en toepasten een geavanceerde workflow gebaseerd op de Proteome Integral Solubility Alteration (PISA) assay, gekoppeld aan massaspectrometrie (LC-MS/MS).

1. Experimenteel Ontwerp:

   • Cellen: Twee longkanker-modellen werden gebruikt: A549 (NSCLC) en NCI-H82 (SCLC).
   • Behandeling: 67 goedgekeurde en experimentele geneesmiddelen werden getest op zowel cellysaten als intacte cellen.
   • PISA-Assay: Na behandeling werden de monsters verhit (48-59°C) en gecentrifugeerd om de oplosbaarheid van eiwitten te bepalen. Veranderingen in oplosbaarheid wijzen op interacties met het geneesmiddel.
   • Quantificatie: Peptiden werden gelabeld met Tandem Mass Tags (TMT) en geanalyseerd via LC-MS/MS.

2. Data-analyse en Statistiek:

   • OPLS-DA: Om het ruisprobleem op te lossen waarbij niet-gelieerde eiwitten toevallige verschuivingen vertoonden, werd Orthogonal Partial Least Squares Discriminant Analysis (OPLS-DA) toegepast. Dit model vergelijkt elke drugbehandeling met alle andere condities.
   • Outlier-detectie: De auteurs ontwikkelden een statistische methode om "pro-targets" (kandidaat-doelen) te identificeren. Ze berekenden p-waarden voor de afwijkingen in de OPLS-DA-coördinaten.
   • Optimalisatie: Een optimale drempelwaarde werd bepaald door te kijken naar de clustering van methotrexaat (MTX) controlesamples. Een drempel van -log10(p) = 4.5 bleek optimaal om ruis te filteren en echte targets te isoleren.
   • Validatie: Een kandidaat-target werd als gevalideerd beschouwd als deze in meerdere datasets voorkwam (bijv. in zowel lysaat als intacte cellen, of in beide cellijnen).

3. Validatie-experimenten:

   • Voor specifieke nieuwe targets (zoals PAFAH1B3 voor PEITC) werden enzymactiviteitsassays en siRNA-silencing experimenten uitgevoerd om de functionele relevantie te bevestigen.

Belangrijkste Bijdragen

• ThermoTargetMiner Database: De creatie van een openbare, interactieve database (https://thermotargetminer.serve.scilifelab.se) die de resultaten van 67 geneesmiddelen bevat.
• Geoptimaliseerde PISA-workflow: Het introduceren van een statistisch robuuste aanpak (OPLS-DA + outlier-detectie) die de specificiteit van PISA-data aanzienlijk verbetert ten opzichte van eerdere methoden die puur op fold-change en p-waarden vertrouwden.
• Proteoom-brede dekking: Het analyseren van duizenden eiwitten tegelijkertijd, waardoor zowel bekende als onbekende targets en off-targets kunnen worden ontdekt.

Resultaten

• Data-omvang: In totaal werden meer dan 10.000 eiwitten geïdentificeerd en gekwantificeerd.
• Nieuwe Targets: Voor 77% van de geteste moleculen werden nieuwe kandidaat-targets ("pro-targets") gevonden.
• Validatie van Bekende Targets: De methode bevestigde bekende interacties, zoals:
  • Ganetespib bindt aan HSP90 (HSP90AA1/AB1).
  • Pevonedistat bindt aan NAE1 en UBA3.
  • Olaparib bindt aan PARP1.
• Ontdekking van Nieuwe Mechanismen:
  • PEITC: Een natuurlijk anticarcinogeen werd gekoppeld aan PAFAH1B3. Experimenten toonden aan dat PEITC de enzymatische activiteit van PAFAH remt en dat silencing van PAFAH1B3 de cytotoxiciteit van PEITC vermindert, wat bevestigt dat PAFAH1B3 een functioneel doelwit is.
  • Sunitinib: Naast de bekende RTK-targets werden nieuwe targets geïdentificeerd zoals TTC38 en NMT1/2.
  • Napabucasin: De data suggereert dat dit geneesmiddel werkt door oxidatieve stress te induceren, met name via interacties met eiwitten gerelateerd aan redox-homeostase (bijv. TXNRD2, GPX1, NQO1).
• Clustering: Geneesmiddelen met dezelfde bekende targets (bijv. MEK-remmers) clusterden correct samen in de analyse, wat de betrouwbaarheid van de methode onderstreept.

Significantie

De studie demonstreert dat PISA, wanneer gecombineerd met geavanceerde multivariate statistiek, een krachtig hulpmiddel is voor de snelle en betrouwbare karakterisering van geneesmiddeltargets.

• Versnelling van Drug Development: De database biedt een waardevol hulpmiddel om werkingsmechanismen te verklaren en potentiële bijwerkingen (off-targets) te voorspellen, wat kan bijdragen aan het verminderen van falen in klinische trials.
• Drug Repurposing: De geïdentificeerde nieuwe targets kunnen leiden tot het hergebruik van bestaande geneesmiddelen voor nieuwe indicaties.
• Community Resource: ThermoTargetMiner is een openbaar toegankelijke resource die onderzoekers in en buiten de oncologie in staat stelt om hypothesen te genereren over geneesmiddel-eiwitinteracties zonder zelf zware experimenten uit te hoeven voeren.

Samenvattend biedt dit werk een nieuwe standaard voor hoe proteomics-data kan worden gebruikt om de "black box" van geneesmiddelwerkingen te openen, specifiek gericht op de complexe wereld van longkankerbehandeling.