Computational Identification of new candidate drugs for lung cancer treatment

项目摘要/摘要： -- 肺癌是头号死因，占中国所有与癌症相关的死亡人数的四分之一。 美国：目前需要一种新的治疗药物，以改善癌症的治疗水平，这是一个持续不断的问题和迫切需要的问题。 患有这种疾病的患者很少。然而，开发一种新的创新的药物体系是极其昂贵的费用和时间-- 消费，平均每年11亿美元和11年前。他们的药物改变了分析的用途，这就是为什么。 识别新的主要疾病或现有主要药物的适应症，为解决这一问题提供了一种有效的解决方案。 尤其是在大数据时代，已经产生了海量的生物医学数据，其中包括。 不同类型的基因组数据和基于人群的纵向医疗保健数据。这些数据将提供更多的信息。 这是一个很好的机会，为系统的药物研究改变用途和分析提供了一个很好的机会。这项研究项目的主要目标是解决问题。 应用新的计算技术和统计分析方法，更好地利用大规模的生物基因组学和现代医疗保健。 数据是为了寻找新的候选药物来治疗肺癌。具体的目标是：在这个新的项目中，我们将提出。 为了(1)适用于一种改变药物用途的方法，称为IDEA(一体化药物表达和分析)，由开发。 我们的研究小组希望通过整合不同的基因组学来系统地预测治疗肺癌的新的候选药物。 数据包括资源、数据和数据(2)将流行病学数据分析应用于以人口为基础的纵向医疗数据。 为了更好地识别与肺癌死亡率和降低死亡率密切相关的常用药物，我们的目标是1。 我们将整合10个肺癌基因和表达数据，这些数据包含大约2500个肿瘤样本，以及临床相关信息。 在样品中，约有20,000种化合物的药物和治疗概况，包括FDA批准的13,000种药物、药物和药物。 其他来自基因组学的数据来源。在AIM 2中，我们将系统地分析来自这两个数据库的医疗保健数据。 全国范围内以人口为基础的医疗数据库：美国联邦医疗保险计划数据库来自美国和美国。 国家健康保险研究中心数据库来自台湾。意义：这个项目将不会把这两个项目结合在一起。 互为补充的药物--改变药物用途的策略是为了更好地分析这两种最丰富的药物生物医学数据。 系统性药物研究改变了肺癌分析的目的。候选药物是通过两种基于基因组的药物来确定的。 而这些基于医疗保健的疾病分析也得到了新的分子生物学和流行病学研究证据的支持。 值得进行更详细的临床前评估和临床评估调查。由此产生的评估框架和评估流水线可以。 可以很容易地将其扩展到用于其他癌症类型和其他主要人类疾病的药物的再用途分析。

Project Summary/Abstract    Lung  cancer  is  the  leading  cause  and  accounts  for  a  quarter  of  all  cancer-­associated  deaths  in  the  United  States.  There  is  a  constant  and  critical  need  for  new  therapeutic  agents  to  improve  treatment  of  patients  with  this  disease.  However,  developing  an  innovative  drug  is  extremely  expensive  and  time-­ consuming,  taking  on  average  1.1  billion  dollars  and  11  years.  Drug  repurposing  analysis,  which  identifies  new  diseases  or  indications  of  existing  drugs,  provides  an  effective  solution  to  this  problem.  Particularly,  in  the  era  of  big  data,  a  vast  amount  of  biomedical  data  have  been  generated,  including  different  types  of  genomic  data  and  population-­based  longitudinal  healthcare  data.  These  data  provide  an  excellent  opportunity  for  systematic  drug  repurposing  analysis.  The  primary  goal  of  this  project  is  to  apply  computational  techniques  and  statistical  methods  to  utilize  large-­scale  genomic  and  healthcare  data for identifying new candidate drugs to treat lung cancer. Specific  Aims: In this project we propose  to (1) apply a drug repurposing method called IDEA (Integrative Drug Expression Analysis) developed by  our  group  to  systematically  predict  new  candidate  drugs  for  lung  cancer  by  integrating  diverse  genomic  data  resources,  and  (2)  apply  epidemiological  analysis  to  population-­based  longitudinal  healthcare  data  to identify commonly used drugs that are associated with mortality decrease in lung cancer. In Aim 1, we  will integrate 10 lung cancer gene expression data containing ~2500 tumor samples, clinical information  of  samples,  drug  treatment  profiles  for  20,000  compounds  including  >1300  FDA-­approved  drugs,  and  other  genomic  data  sources.  In  Aim  2,  we  will  systematically  analyze  the  healthcare  data  from  two  nationwide  population-­based  databases:  the  SEER-­Medicare  database  from  the  United  States  and  the  National Health Insurance Research Database from Taiwan. Significance: This project will combine two  complementary drug-­repurposing strategies to analyze the two most abundant biomedical data types for  systematic drug repurposing analysis in lung cancer. Candidate drugs identified by both genomic-­based  and  healthcare-­based  analyses  are  supported  by  both  molecular  and  epidemiological  evidences,  and  deserve  more  detailed  preclinical  and  clinical  investigation.  The  resulting  frameworks  and  pipelines  can  be readily extended to drug repurposing analysis in other cancer types and other human diseases.