Computational Identification of new candidate drugs for lung cancer treatment

肺癌治疗新候选药物的计算鉴定

• 批准号: 9888344
• 负责人: CHAO CHENG
• 金额: $ 17.38万
• 依托单位: BAYLOR COLLEGE OF MEDICINE
• 依托单位国家: 美国
• 财政年份: 2019
• 资助国家: 美国
• 起止时间: 2019-04-01 至 2021-09-30
• 项目状态: 已结题
• 来源: https://reporter.nih.gov/project-details/9888344
• 关键词: Accounting; Benign; Big Data; Cancer Patient; Cessation of life; Cholesterol; Classification; Clinical; Computational Technique; Computational algorithm; Computing Methodologies; Consumption; Data; Data Set; Data Sources; Databases; Development; Diabetes Mellitus; Disease; Drug Prescriptions; Drug usage; Epidemiology; Exhibits; Exposure to; FDA approved; Genes; Genomics; Goals; Healthcare; Malignant Neoplasms; Malignant neoplasm of lung; Medicare; Metformin; Methods; Modality; Molecular; Operative Surgical Procedures; Outcome; Patients; Pharmaceutical Preparations; Pharmacotherapy; Population Analysis; Process; Property; Reporting; Research; Sampling; Statistical Data Interpretation; Statistical Methods; Survival Rate; Systems Biology; Taiwan; Therapeutic Agents; Therapeutic Effect; Time; Translating; United States; United States National Health Insurance; anti-cancer; base; biomedical resource; cancer diagnosis; cancer gene expression; cancer therapy; cancer type; chemotherapy; clinical investigation; cohort; comorbidity; computational platform; computer framework; cost effective; cost efficient; data resource; drug candidate; drug development; drug standard; epidemiology study; genomic data; human disease; improved; innovation; mortality; mortality risk; novel; novel anticancer drug; novel therapeutics; outcome forecast; population based; pre-clinical; screening; targeted treatment; tool; transcriptomics; tumor

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.

项目总结/摘要   肺癌是最主要的原因，占世界上所有癌症相关死亡的四分之一。 美国。人们对新治疗药物的持续且迫切的需求，以改善治疗 然而，开发一种创新药物是极其昂贵和耗时的， 平均花费11亿美元和11年。药物再利用分析， 识别新的疾病或现有药物的适应症，为这一问题提供有效的解决方案。 特别是在大数据时代，产生了大量的生物医学数据，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。这些数据提供了 一个系统的药物再利用分析的绝佳机会。该项目的主要目标是 应用计算技术和统计方法，利用大规模的基因组和医疗保健 用于识别治疗肺癌的新候选药物的数据。具体目的：在这个项目中，我们提出 （1）应用由以下开发的称为IDEA（整合药物表达分析）的药物再利用方法： 我们的团队通过整合不同的基因组， 数据资源，以及（2）将流行病学分析应用于基于人群的纵向医疗保健数据 以确定与肺癌死亡率降低相关的常用药物。在目标1中，我们 将整合10个肺癌基因表达数据，包含约2500个肿瘤样本，临床信息 20，000种化合物的药物治疗概况，包括>1300种FDA批准的药物，以及 其他基因组数据来源。在目标2中，我们将系统地分析来自两个 全国性的基于人口统计的数据库：美国的SEER-2000医疗保险数据库和 本计画将联合收割机结合两种不同的切割方式， 补充药物-药物再利用策略，以分析两种最丰富的生物医学数据类型， 肺癌的系统性药物再利用分析。 和基于医疗保健的分析得到了分子和流行病学证据的支持， 值得更详细的临床前和临床研究。由此产生的框架和管道可以 很容易扩展到其他癌症类型和其他人类疾病中的药物再利用分析。

项目成果

Immune infiltration difference between tumor and adjacent normal regions is prognostic for gastric cancer patients.

肿瘤与邻近正常区域之间的免疫浸润差异是胃癌患者的预后指标。

• DOI: 10.1002/ctd2.8
• 发表时间: 2022
• 期刊: Clinical and translational discovery
• 作者: Zhang,Baoyi;Yao,Kevin;Cheng,Chao
• 通讯作者: Cheng,Chao

A B-Raf V600E gene signature for melanoma predicts prognosis and reveals sensitivity to targeted therapies.

• DOI: 10.1002/cam4.4491
• 发表时间: 2022-03
• 期刊: Cancer medicine
• 影响因子: 4
• 作者: Yao K;Zhou E;Cheng C
• 通讯作者: Cheng C

A framework to predict the applicability of Oncotype DX, MammaPrint, and E2F4 gene signatures for improving breast cancer prognostic prediction.

• DOI: 10.1038/s41598-022-06230-7
• 发表时间: 2022-02-09
• 期刊: Scientific reports
• 影响因子: 4.6
• 作者: Yao K;Tong CY;Cheng C
• 通讯作者: Cheng C

B cell infiltration is highly associated with prognosis and an immune-infiltrated tumor microenvironment in neuroblastoma.

• DOI: 10.20517/2394-4722.2021.72
• 发表时间: 2021
• 期刊: Journal of cancer metastasis and treatment
• 作者: Schaafsma E;Jiang C;Cheng C
• 通讯作者: Cheng C

Whole transcriptome signature for prognostic prediction (WTSPP): application of whole transcriptome signature for prognostic prediction in cancer.

用于预后预测的全转录组特征（WTSPP）：全转录组特征在癌症预后预测中的应用。

• DOI: 10.1038/s41374-020-0413-8
• 发表时间: 2020
• 期刊: Laboratory investigation; a journal of technical methods and pathology
• 作者: Schaafsma,Evelien;Zhao,Yanding;Wang,Yue;Varn,FrederickS;Zhu,Kenneth;Yang,Huan;Cheng,Chao
• 通讯作者: Cheng,Chao