Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
IRIS
The effectiveness of most cancer targeted therapies is short-lived. Tumors often develop resistance that might be overcome with drug combinations. However, the number of possible combinations is vast, necessitating data-driven approaches to find optimal patient-specific treatments. Here we report AstraZeneca's large drug combination dataset, consisting of 11,576 experiments from 910 combinations across 85 molecularly characterized cancer cell lines, and results of a DREAM Challenge to evaluate computational strategies for predicting synergistic drug pairs and biomarkers. 160 teams participated to provide a comprehensive methodological development and benchmarking. Winning methods incorporate prior knowledge of drug-target interactions. Synergy is predicted with an accuracy matching biological replicates for >60% of combinations. However, 20% of drug combinations are poorly predicted by all methods. Genomic rationale for synergy predictions are identified, including ADAM17 inhibitor antagonism when combined with PIK3CB/D inhibition contrasting to synergy when combined with other PI3K-pathway inhibitors in PIK3CA mutant cells.
Menden, M.p., Wang, D., Mason, M.j., Szalai, B., Bulusu, K.c., Guan, Y., et al. (2019). Community assessment to advance computational prediction of cancer drug combinations in a pharmacogenomic screen. NATURE COMMUNICATIONS, 10(1), 2674 [10.1038/s41467-019-09799-2].
Community assessment to advance computational prediction of cancer drug combinations in a pharmacogenomic screen
Menden M. P.;Wang D.;Mason M. J.;Szalai B.;Bulusu K. C.;Guan Y.;Yu T.;Kang J.;Jeon M.;Wolfinger R.;Nguyen T.;Zaslavskiy M.;Abante J.;Abecassis B. S.;Aben N.;Aghamirzaie D.;Aittokallio T.;Akhtari F. S.;Al-lazikani B.;Alam T.;Allam A.;Allen C.;de Almeida M. P.;Altarawy D.;Alves V.;Amadoz A.;Anchang B.;Antolin A. A.;Ash J. R.;Aznar V. R.;Ba-alawi W.;Bagheri M.;Bajic V.;Ball G.;Ballester P. J.;Baptista D.;Bare C.;Bateson M.;Bender A.;Bertrand D.;Wijayawardena B.;Boroevich K. A.;Bosdriesz E.;Bougouffa S.;Bounova G.;Brouwer T.;Bryant B.;Calaza M.;Calderone A.;Calza S.;Capuzzi S.;Carbonell-Caballero J.;Carlin D.;Carter H.;Castagnoli L.;Celebi R.;Cesareni G.;Chang H.;Chen G.;Chen H.;Chen H.;Cheng L.;Chernomoretz A.;Chicco D.;Cho K. -H.;Cho S.;Choi D.;Choi J.;Choi K.;Choi M.;Cock M. D.;Coker E.;Cortes-Ciriano I.;Cserzo M.;Cubuk C.;Curtis C.;Daele D. V.;Dang C. C.;Dijkstra T.;Dopazo J.;Draghici S.;Drosou A.;Dumontier M.;Ehrhart F.;Eid F. -E.;ElHefnawi M.;Elmarakeby H.;van Engelen B.;Engin H. B.;de Esch I.;Evelo C.;Falcao A. O.;Farag S.;Fernandez-Lozano C.;Fisch K.;Flobak A.;Fornari C.;Foroushani A. B. K.;Fotso D. C.;Fourches D.;Friend S.;Frigessi A.;Gao F.;Gao X.;Gerold J. M.;Gestraud P.;Ghosh S.;Gillberg J.;Godoy-Lorite A.;Godynyuk L.;Godzik A.;Goldenberg A.;Gomez-Cabrero D.;Gonen M.;de Graaf C.;Gray H.;Grechkin M.;Guimera R.;Guney E.;Haibe-Kains B.;Han Y.;Hase T.;He D.;He L.;Heath L. S.;Hellton K. H.;Helmer Citterich M.;Hidalgo M. R.;Hidru D.;Hill S. M.;Hochreiter S.;Hong S.;Hovig E.;Hsueh Y. -C.;Hu Z.;Huang J. K.;Huang R. S.;Hunyady L.;Hwang J.;Hwang T. H.;Hwang W.;Hwang Y.;Isayev O.;Don't Walk O. B.;Jack J.;Jahandideh S.;Ji J.;Jo Y.;Kamola P. J.;Kanev G. K.;Karacosta L.;Karimi M.;Kaski S.;Kazanov M.;Khamis A. M.;Khan S. A.;Kiani N. A.;Kim A.;Kim J.;Kim J.;Kim K.;Kim K.;Kim S.;Kim Y.;Kim Y.;Kirk P. D. W.;Kitano H.;Klambauer G.;Knowles D.;Ko M.;Kohn-Luque A.;Kooistra A. J.;Kuenemann M. A.;Kuiper M.;Kurz C.;Kwon M.;van Laarhoven T.;Laegreid A.;Lederer S.;Lee H.;Lee J.;Lee Y. W.;Lepp_aho E.;Lewis R.;Li J.;Li L.;Liley J.;Lim W. K.;Lin C.;Liu Y.;Lopez Y.;Low J.;Lysenko A.;Machado D.;Madhukar N.;Maeyer D. D.;Malpartida A. B.;Mamitsuka H.;Marabita F.;Marchal K.;Marttinen P.;Mason D.;Mazaheri A.;Mehmood A.;Mehreen A.;Michaut M.;Miller R. A.;Mitsopoulos C.;Modos D.;Moerbeke M. V.;Moo K.;Motsinger-Reif A.;Movva R.;Muraru S.;Muratov E.;Mushthofa M.;Nagarajan N.;Nakken S.;Nath A.;Neuvial P.;Newton R.;Ning Z.;Niz C. D.;Oliva B.;Olsen C.;Palmeri A.;Panesar B.;Papadopoulos S.;Park J.;Park S.;Park S.;Pawitan Y.;Peluso D.;Pendyala S.;Peng J.;Perfetto L.;Pirro S.;Plevritis S.;Politi R.;Poon H.;Porta E.;Prellner I.;Preuer K.;Pujana M. A.;Ramnarine R.;Reid J. E.;Reyal F.;Richardson S.;Ricketts C.;Rieswijk L.;Rocha M.;Rodriguez-Gonzalvez C.;Roell K.;Rotroff D.;de Ruiter J. R.;Rukawa P.;Sadacca B.;Safikhani Z.;Safitri F.;Sales-Pardo M.;Sauer S.;Schlichting M.;Seoane J. A.;Serra J.;Shang M. -M.;Sharma A.;Sharma H.;Shen Y.;Shiga M.;Shin M.;Shkedy Z.;Shopsowitz K.;Sinai S.;Skola D.;Smirnov P.;Soerensen I. F.;Soerensen P.;Song J. -H.;Song S. O.;Soufan O.;Spitzmueller A.;Steipe B.;Suphavilai C.;Tamayo S. P.;Tamborero D.;Tang J.;Tanoli Z. -U. -R.;Tarres-Deulofeu M.;Tegner J.;Thommesen L.;Tonekaboni S. A. M.;Tran H.;Troyer E. D.;Truong A.;Tsunoda T.;Turu G.;Tzeng G. -Y.;Verbeke L.;Videla S.;Vis D.;Voronkov A.;Votis K.;Wang A.;Wang H. -Q. H.;Wang P. -W.;Wang S.;Wang W.;Wang X.;Wang X.;Wennerberg K.;Wernisch L.;Wessels L.;van Westen G. J. P.;Westerman B. A.;White S. R.;Willighagen E.;Wurdinger T.;Xie L.;Xie S.;Xu H.;Yadav B.;Yau C.;Yeerna H.;Yin J. W.;Yu M.;Yu M. H.;Yun S. J.;Zakharov A.;Zamichos A.;Zanin M.;Zeng L.;Zenil H.;Zhang F.;Zhang P.;Zhang W.;Zhao H.;Zhao L.;Zheng W.;Zoufir A.;Zucknick M.;Jang I. S.;Ghazoui Z.;Ahsen M. E.;Vogel R.;Neto E. C.;Norman T.;Tang E. K. Y.;Garnett M. J.;Veroli G. Y. D.;Fawell S.;Stolovitzky G.;Guinney J.;Dry J. R.;Saez-Rodriguez J.
2019-01-01
Abstract
The effectiveness of most cancer targeted therapies is short-lived. Tumors often develop resistance that might be overcome with drug combinations. However, the number of possible combinations is vast, necessitating data-driven approaches to find optimal patient-specific treatments. Here we report AstraZeneca's large drug combination dataset, consisting of 11,576 experiments from 910 combinations across 85 molecularly characterized cancer cell lines, and results of a DREAM Challenge to evaluate computational strategies for predicting synergistic drug pairs and biomarkers. 160 teams participated to provide a comprehensive methodological development and benchmarking. Winning methods incorporate prior knowledge of drug-target interactions. Synergy is predicted with an accuracy matching biological replicates for >60% of combinations. However, 20% of drug combinations are poorly predicted by all methods. Genomic rationale for synergy predictions are identified, including ADAM17 inhibitor antagonism when combined with PIK3CB/D inhibition contrasting to synergy when combined with other PI3K-pathway inhibitors in PIK3CA mutant cells.
Menden, M.p., Wang, D., Mason, M.j., Szalai, B., Bulusu, K.c., Guan, Y., et al. (2019). Community assessment to advance computational prediction of cancer drug combinations in a pharmacogenomic screen. NATURE COMMUNICATIONS, 10(1), 2674 [10.1038/s41467-019-09799-2].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/2108/230361
Citazioni
134
216
196
social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
