Integrative pathway analysis approaches for cancer research and drug development

Abstract

O cancro é um grupo altamente heterogéneo de doenças que constitui uma das principais causas de morte no mundo moderno. A complexidade envolvida nos mecanismos moleculares que induzem neoplasias suscita a necessidade de desenvolver métodos de análise de dados para os identificar e compreender. O número cada vez maior de dados ómicos e ferramentas computacionais para a sua análise expandiu o conhecimento sobre vários tipos de cancro. Os modelos metabólicos baseados em restrições são particularmente interessantes, apresentando-se como uma estrutura flexível para integração de dados ómicos, com várias aplicações comprovadas no estudo do cancro. No entanto, estes modelos estão restritos à representação do metabolismo, descartando processos de expressão, regulação e sinalização. Além disso, os métodos atuais de integração de dados ómicos carecem de um processo padronizado e unificado para o seu uso. Neste trabalho, serão apresentados dois métodos de contextualização de dados ómicos. Foi desenvolvido um processo para a reconstrução de modelos metabólicos contextualizados, integrando transcriptómica para extrair, de forma genérica, modelos para tecidos humanos. Seguidamente, foi concebida uma nova abordagem de representação de modelos e um método de previsão de fenótipos (ipFBA), estabelecendo uma plataforma capaz de representar vários tipos de redes biológicas no mesmo método. As duas abordagens fazem parte de plataformas de software modulares e abertas para uso e contribuições por parte da comunidade. A validação dos métodos foi realizada usando dados ómicos detalhados para a linha celular de cancro da mama MCF7, revelando o impacto da parametrização nas abordagens acima mencionadas, e estabelecendo uma base sólida para um caso de estudo mais alargado em que os métodos desenvolvidos foram usados para identificar aspectos importantes do metabolismo do cancro consistentes com a literatura. Os modelos contextualizados revelaram melhores previsões de genes essenciais quando comparados com trabalhos anteriores, enquanto que o método ipFBA melhorou significativamente as previsões de atividade de fluxo. Este método também foi usado para caracterizar diferenças entre tecido saudável e cancro renal com uma representação detalhada da interação entre fluxos, genes metabólicos e os seus reguladores.

Cancer is a highly heterogeneous group of diseases that constitutes one of the leading causes of death in the modern world. The complexity involved in the molecular mechanisms that induce neoplasms elicits the need for data-driven approaches to identify and understand it. The increasingly large number of multi-omics datasets and in silico tools for their analysis, contributed positively with new insights on many cancer types. Constraint-based models of metabolism are particularly interesting as a flexible scaffold for omics data integration with several proven applications in cancer. However, the scope of constraint-based models is usually restricted to metabolism, discarding gene expression, regulation and signalling pathways. Furthermore, current methods for omics integration lack a standardised and unified pipeline for their usage. In this work, two methods for the contextualisation of multi-omics data are presented. Firstly, a pipeline for the reconstruction of context-specific metabolic models was developed, integrating transcriptomics data to extract models for human tissues. Using insights from this effort, a novel model representation approach was devised, complemented with a phenotype prediction method (ipFBA), providing a scaffold for multi-omics integration and representing various layers of biological networks in the same formalism. Both methods have been made available through the development of modular software frameworks that are open for usage and contributions from the community. Validation was performed using detailed MCF7 breast cancer cell line multi-omics measurements, revealing the impact of parametrisation, setting a solid basis for a larger case study with the aim of identifying critical aspects of cancer metabolism consistent with those reported in literature. Context-specific models revealed higher predictive accuracy for gene essentiality predictions than previous works, while ipFBA greatly improved flux activity predictions. The latter approach was also used to characterise differences in healthy and renal cancer patients, allowing a detailed visualisation of the interplay between fluxes, metabolic genes and their regulators.