Integration of Genomic Computing and the Nichoid 3D culture system for repurposing and testing Synthetic Lethality-based anti-metastatic drugs

Conventional cancer treatments often fall short in addressing metastasis, a major cause of cancer-related deaths. The genetic concept of Synthetic Lethality (SL) presents an effective alternative by targeting genetic vulnerabilities in metastatic cancers, where inhibiting two genes simultaneously is lethal. This approach, focused on specific mutations in tumor cells, ensures precise and successful treatment with minimal off-target toxicity. Personalized SL therapy based on individual genetic profiles offers tailored solutions. However, drug development for targeting specific genes is challenging and costly. Drug repurposing, using existing drugs for new therapeutic applications, offers a quicker and cost-effective alternative, allowing to speed up the creation of new therapeutic regimes for personalized medicine. Pharmacological tests to assess the efficacy of the repurposed drug would still be necessary, but current 2D substrate tests may not accurately reflect 3D cell conditions, leading to disparities between in vitro and clinical results. This interdisciplinary investigation sought to integrate these fundamental aspects of drug development and testing, using both computational and experimental methods. The major aim is to identify potential candidates that could be repurposed for treating metastatic cancer, leveraging the genetic interaction of SL for the discovery process. The first step of the research passed through a data-driven approach to select the best repurposable drugs that target genes in SL pairs with deleted genes in metastases. This was performed by exploring and integrating several databases with freely accessible data. Interestingly, within the findings of this data analysis, statins, medications primarily used to lower cholesterol levels, emerged as a class of drugs with repurposing potential. A robust support to this hypothesis came from retrospective meta-analyses and experiments showcasing enhanced responses to anticancer treatments in individuals who were already prescribed statins for cardiovascular issues. A subsequent step involved utilizing a machine learning algorithm to predict both novel SL pairs and new interactions between drugs and targets. This was achieved through the application of Non-Negative Matrix Tri- Factorization (NMTF), a technique based on decomposing an input association matrix into three matrices of non-negative elements and then reconstructing it. The standalone use of NMTF yielded excellent performance, and this was further enhanced when NMTF was employed as an embedding generator in conjunction with other predictors. The algorithm’s versatility enabled the prediction of compelling new SL pairs (e.g. TP53 - MTOR or KRAS - STAT3) and novel drug-target combinations (e.g. antidepressants such as Mirtazapine targeting DRD2, Medroxyprogesterone acetate targeting NR3C1, or Olsalazine targeting PTSG1). The last phase involved the practical assessment of the anti-cancer impact of statins through in vitro experimentation. The Nichoid was selected as substrate for 3D cell culture in drug testing, based on preliminary findings indicating its capability to more accurately replicate the physiological cell conditions. This experimental validation demonstrated that statins have an impactful anti-tumor effect as they exploit the principle of SL. These results underscored the effectiveness of this combined approach, thus offering a holistic method for developing robust anti-tumor therapies that is strong both in computational prediction and experimental validation. This enhances the importance of the findings, diminishing both experimental expenses and timelines, while elevating the likelihood of approval. Future personalized cancer therapies with high efficacy and low toxicity may rely on novel treatments utilizing repurposed anti-metastatic drugs that exploit SL. This holds the promise of providing a higher assurance of survival.

I trattamenti convenzionali contro il cancro spesso non riescono a contrastare efficacemente le metastasi, una delle principali cause di morte correlate al cancro. Il concetto genetico della letalità sintetica (SL) presenta un'alternativa efficace mirando alle vulnerabilità genetiche nei tumori metastatici, dove l'inibizione simultanea di due geni è letale. Questo approccio, focalizzato su mutazioni specifiche nelle cellule tumorali, assicura un trattamento preciso e di successo con minima tossicità extrabersaglio. La terapia SL personalizzata basata sui profili genetici individuali offre soluzioni su misura. Tuttavia, lo sviluppo di farmaci per il targeting di geni specifici è impegnativo e costoso. Il riutilizzo dei farmaci, utilizzando farmaci esistenti per nuove applicazioni terapeutiche, offre un'alternativa più rapida ed economica, consentendo di accelerare la creazione di nuovi regimi terapeutici per la medicina personalizzata. Sarebbero comunque necessari test farmacologici per valutare l'efficacia del farmaco riutilizzato, ma i test su substrati 2D attuali potrebbero non riflettere accuratamente le condizioni cellulari 3D, portando a disparità tra i risultati in vitro e clinici. Questa ricerca interdisciplinare ha cercato di integrare questi aspetti fondamentali dello sviluppo e dei test dei farmaci, utilizzando metodi computazionali ed sperimentali. L'obiettivo principale è identificare potenziali candidati che potrebbero essere riutilizzati per il trattamento del cancro metastatico, sfruttando l'interazione genetica della SL per il processo di scoperta. Il primo passo della ricerca è stato un approccio basato sui dati per selezionare i migliori farmaci riutilizzabili che mirano ai geni nelle coppie di SL con geni eliminati nelle metastasi. Questo è stato realizzato esplorando e integrando diversi database con dati liberamente accessibili. Interessantemente, all'interno dei risultati di questa analisi dei dati, le statine, farmaci principalmente usati per abbassare i livelli di colesterolo, sono emerse come una classe di farmaci con potenziale di riutilizzo. Un solido supporto a questa ipotesi è venuto da meta-analisi retrospettive e da esperimenti che hanno mostrato risposte potenziate ai trattamenti anticancro in individui a cui erano già state prescritte statine per problemi cardiovascolari. Un passo successivo ha coinvolto l'utilizzo di un algoritmo di apprendimento automatico per predire sia nuove coppie di SL che nuove interazioni tra farmaci e bersagli. Questo è stato ottenuto attraverso l'applicazione della Tri-fattorizzazione della matrice non negativa (NMTF), una tecnica basata sulla decomposizione di una matrice di associazione in tre matrici di elementi non negativi e successiva ricostruzione. L'uso autonomo di NMTF ha fornito un'ottima prestazione, e ciò è stato ulteriormente potenziato quando NMTF è stato impiegato come generatore di incorporamento in combinazione con altri predittori. La versatilità dell'algoritmo ha permesso la previsione di nuove coppie di SL convincenti (ad esempio TP53 - MTOR o KRAS - STAT3) e nuove combinazioni di farmaco-bersaglio (ad esempio antidepressivi come la Mirtazapina mirati a DRD2, l'acetato di medrossiprogesterone mirato a NR3C1 o l'Olsalazina mirata a PTSG1). L'ultima fase ha coinvolto la valutazione pratica dell'impatto anticancro delle statine attraverso sperimentazioni in vitro. Il Nichoid è stato selezionato come substrato per la coltura cellulare 3D nei test di farmaci, sulla base di risultati preliminari che indicavano la sua capacità di replicare più accuratamente le condizioni cellulari fisiologiche. Questa convalida sperimentale ha dimostrato che le statine hanno un impatto anti-tumorale significativo poiché sfruttano il principio della SL. Questi risultati sottolineano l'efficacia di questo approccio combinato, offrendo così un metodo olistico per lo sviluppo di terapie anti-tumorali robuste sia nella previsione computazionale che nella convalida sperimentale. Ciò aumenta l'importanza delle scoperte, riducendo sia le spese sperimentali che i tempi, mentre eleva la probabilità di approvazione. Le future terapie contro il cancro personalizzate con elevata efficacia e bassa tossicità potrebbero fare affidamento su trattamenti innovativi che utilizzano farmaci anti-metastatici riutilizzati che sfruttano la SL. Ciò promette di fornire una maggiore garanzia di sopravvivenza.