DrugCombDB: a comprehensive database of drug combinations toward the discovery of combinatorial therapy

Nucleic Acids Research | 2020 | IF=17

image-20220527214321528

1、数据收集

（1）HTS(high-throughput screening)高通量筛选技术可用于快速测得药物作用于癌症细胞系的不同剂量(dose concentrations)下的反应(Response)。其中，反应(Response)的指标常是细胞活力(cell viability)。

在细胞群体中总有一些因各种原因而死亡的细胞，总细胞中活细胞所占的百分比叫做细胞活力.

（2）药物组合测试（Combination Test）在应用HTS技术中，多为双药组合测试，用于评价组合效果（synergy协同、additivity叠加或者antagonism拮抗）。在具体实验中，通常设计n×n 剂量-响应矩阵(dose–response matrix)。

Drug synergy scoring using minimal dose response matrices | bioRxiv

本文收集了大规模HTS assay 药物组合测试（Combination Test）实验结果。包括如下两个主要的来源。

  • NIH(National In-stitutes of Health)

    • 主要收集自NIH下的NCI-ALMANAC (A Large Matrix of Anti- Neoplastic Agent Combinations)计划

    • 311604个作用于60种肿瘤细胞系的药物组合3×3剂量反应矩阵，共2873514次test

  • 文献：An unbiasedoncology compound screen to identify novel combination strategies.

    • 92208个作用于39种肿瘤细胞系的药物组合4×4剂量反应矩阵，共1475328次test

如下图所示，在文章发表时，根据作者说明已收集了 6055 92个combination tests，涉及448 555个双药物组合，2887种药物，以及124种肿瘤细胞系。

image-20220527161015945

  • 其它来源包括

    • 文献研究汇总

      image-20220527161808430

    • 其它数据库

      • DCDB、DrugCentral均收集自 FDA Orange Book数据
      • TTD：72种药物协同组合
      • ASDCD：抗菌药物组合
      • DrugBank：临床报道具有拮抗效应的antagonistic

文章提到，由于>=3药物组合的研究复杂性，在HTS实验少有涉及。在其它来源的收集中，也会注重区分出这些组合。

2、组合评价

通过药物组合的剂量-响应矩阵结果，去评价两药物间是否具有协同作用(synergistic)。

计算思路主要是：根据单药物的剂量-响应结果，得出双药物组合的**预期(expected)**剂量-响应。

  • 如果实验结果优于预期响应值，则认为在该剂量组合下具有协同作用；
  • 相反，如果低于预期值，则可能二者间具有拮抗(antagonistic)效果。

计算步骤(参考下图)

  • （1）首先计算结果(细胞活性viability)为0~1之间的百分数，为方便起见，常取百分值。

    • 该值越大表明药物可增强细胞活力，反之则表示产生抑制效果。

  • （2）然后用1减去这些值，转换为药物的效果，结果越大(>0)表明抑制作用越强。

  • （3）计算药物组合的预期效果值，不同指标有不同的计算方式。

    • 本文使用SynergyFinderR包计算了HSA、Bliss、Loewe、ZIP4个指标
    • 如下以HSA、Bliss两个指标为例演示

  • （4）药物组合实际抑制效果减去预期抑制效果(如下公式)。

    • Eab表示药物AB特定浓度组合的效果、Ea/Eb表示相同浓度下，单独药物的效果。(注意是百分数)；
    • 计算得到的Score值越大（大于0），表示该药物浓度组合越具有潜在的协同关系。

  • （5）最后取所有浓度组合的Score均值作为最终评价该药物组合的指标值。

$$ E_{HSA} = E_{AB} - max(E_A, E_B) $$

$$ E_{Bliss} = E_{AB} - (E_A + E_B-E_A×E_B) $$

image-20220527182215492

3、整合数据

（1）对于不同HTS平台来源的药物组合实验结果(cell viability)具有可比性，作者对每个平台数据进行最大-最小归一标准化。 $$ R_{inhibit} = \frac{max(viability)-viability}{max(viability)-min(viability)} $$ （2）由于可根据Synergy score的正负性，简单判断两药组合是协同还是抑制关系。

  • 如下图所示，由于整体呈围绕0的正态分布，文章根据每种指标的Top25%，定义为synergistic；Low25%定义为 antagonistic
  • 如果对于每一药物组合的4个指标都认为是协同(Top25)，则认为该组合具有协同关系
  • 最终根据上述过程，定义了85154个具有协同关系的两药组合；155824个具有拮抗关系的两药组合
image-20220527202446581

（3）最后文章将收集整理的数据放到了自建的DrugCombDB网站里，供用户查阅、下载

image-20220527203735071

最后数据库提供的化合物注释难以使用，后根据化合物名字在https://pubchem.ncbi.nlm.nih.gov/idexchange/idexchange.cgi网页进行化合物ID注释。

4、SynergyFinderR包使用

https://bioconductor.org/packages/release/bioc/vignettes/synergyfinder/inst/doc/User_tutorual_of_the_SynergyFinder_plus.html

如上所说，文章使用了SynergyFinderR药物组合剂量反应矩阵的四种协同分数。下面简单学习这个包的用法。

1
2

# BiocManager::install("synergyfinder")
library(synergyfinder)

4.1 输入数据

输入数据为一个表格，记录药物组合的相关实验信息；

SynergyFinderR对表格的列名具有严格的要求，具体如下

image-20220527211300120 
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

##示例数据为2种药物组合 6×6的剂量-反应矩阵
data("mathews_screening_data")
table(mathews_screening_data$block_id)
# 1  2 
# 36 36
head(mathews_screening_data)
#   block_id  drug_row  drug_col conc_r  conc_c  response conc_r_unit conc_c_unit
# 1        1 ispinesib ibrutinib   2500 50.0000  7.802637          nM          nM
# 2        1 ispinesib ibrutinib   2500 12.5000  6.831317          nM          nM
# 3        1 ispinesib ibrutinib   2500  3.1250 15.089589          nM          nM
# 4        1 ispinesib ibrutinib   2500  0.7812 24.503885          nM          nM
# 5        1 ispinesib ibrutinib   2500  0.1954 38.043076          nM          nM
# 6        1 ispinesib ibrutinib   2500  0.0000 45.790634          nM          nM

4.2 计算协同分数

  • (1) 导入数据
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

res <- ReshapeData(
  data = mathews_screening_data,
  data_type = "viability",
  impute = TRUE,
  impute_method = NULL,
  noise = TRUE,
  seed = 1)

##返回含有两个元素(表格)的列表
res$drug_pairs      #每种组合的注释信息
# # A tibble: 2 x 7
# block_id drug1      drug2     conc_unit1 conc_unit2 input_type replicate
# <int> <chr>      <chr>     <chr>      <chr>      <chr>      <lgl>    
# 1        1 ispinesib  ibrutinib nM         nM         viability  FALSE    
# 2        2 canertinib ibrutinib nM         nM         viability  FALSE    
head(res$response)  #每个剂量药物组合的实验结果： response = 1 - response_origin
# # A tibble: 6 x 5
# block_id conc1  conc2 response response_origin
# <int> <dbl>  <dbl>    <dbl>           <dbl>
# 1        1  2500 50         92.2            7.80
# 2        1  2500 12.5       93.2            6.83
# 3        1  2500  3.12      84.9           15.1 
# 4        1  2500  0.781     75.5           24.5 
# 5        1  2500  0.195     62.0           38.0 
# 6        1  2500  0         54.2           45.8
  • （2）计算协同分数
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

res <- CalculateSynergy(
  data = res,
  method = c("ZIP", "HSA", "Bliss", "Loewe"),
  Emin = NA,
  Emax = NA,
  correct_baseline = "non")
##在原有list的结果里，添加一个表示协同分数的表格元素
head(res$synergy_scores)
## ***_ref表示药物组合的期望值
## ***_synergy表示药物组合的score(实际值减去期望值)
# # A tibble: 6 x 12
# block_id conc1  conc2 ZIP_fit ZIP_ref ZIP_synergy HSA_ref HSA_synergy Bliss_ref
# <int> <dbl>  <dbl>   <dbl>   <dbl>       <dbl>   <dbl>       <dbl>     <dbl>
# 1        1  2500 50        93.3    79.4        13.9    71.3       20.9       86.9
# 2        1  2500 12.5      92.3    79.4        12.9    54.2       39.0       78.6
# 3        1  2500  3.12     82.7    67.9        14.8    54.2       30.7       73.1
# 4        1  2500  0.781    75.2    37.2        38.1    54.2       21.3       45.9
# 5        1  2500  0.195    57.3    37.2        20.1    54.2        7.75      52.5
# 6        1  2500  0        54.2    54.2         0      54.2        0         54.2
# # ... with 3 more variables: Bliss_synergy <dbl>, Loewe_ref <dbl>, Loewe_synergy <dbl>

1、对于cell viability的response_origin实验结果，以及response理论上应该在（0,1）范围之间。如果不是，则可能属于异常值，可通过设置correct_baseline参数进行校正。具体可参考原文档。

2、这个包还可以计算IC50值，就不记录了。具体可参考原文档。

  • （3）结果可视化
1
2
3
4
5
6
7

##(1)单药浓度曲线
PlotDoseResponseCurve(
  data = res,
  plot_block = 1,
  drug_index = 2,
  plot_new = FALSE,
  record_plot = FALSE)
image-20220527213242388 
1
2
3
4
5
6
7
8
9

##(2)药物组合二维热图
Plot2DrugHeatmap(
    data = res,
    plot_block = 1,
    drugs = c(1, 2),
    plot_value = "response",  #可以是其它值，包括上述计算的协同分数
    dynamic = FALSE,
    summary_statistic = c("mean",  "median")
)
image-20220527213557311 
1
2
3
4
5
6
7
8

##(3) 上述二者的组图
PlotDoseResponse(
  data = res,
  block_ids = c(1, 2),
  drugs = c(1,2),
  save_file = TRUE,
  file_type = "png"
)
image-20220527213931835 
1
2
3
4
5
6
7
8
9

##(3)热图立体化
Plot2DrugSurface(
  data = res,
  plot_block = 1,
  drugs = c(1, 2),
  plot_value = "response",
  dynamic = FALSE,
  summary_statistic = c("mean", "quantile_25", "median", "quantile_75")
)
image-20220527213732470