Big Data-Driven Discovery of Novel Oncogenic Fusion Genes for Anticancer Therapy

Abstract

The integration of big data analytics with cancer research is catalyzing a transformative approach in cancer treatment, primarily focusing on the discovery of novel and efficacious anticancer targets. My study presents an advanced algorithm, specifically crafted to exploit the extensive data available in the field of oncology. I started with the genomic and clinical information of 8,864 patients with 33 different cancers (TCGA). Then I implemented the following algorithm to discover anticancer targets by analyzing the clinical significance (cBioPortal), drug development status (Cortellis), literature mining (Open Targets Platform), and dependency (DepMap) of candidate genes: Candidate genes = {gene

gene ∈ Genes, [Frequency(gene) ≥50, Drug(gene) ∈ {'biological testing', 'preclinical stage'}, Association(gene) ≥ 0.4, Publication(gene) ≤ 200] ∨ [Publication(gene) ≥ 200 ∧ Boolean(gene)]}. I employed this algorithm to analyze fusion genes, which represent promising anticancer targets known for their potential to elicit substantial clinical responses, but there is a high demand for new ones. I identified four druggable therapeutic targets out of a total of 15,291 fusion genes through the algorithm: frame-shifted FGFR3-TACC3, frame-shifted CHP1-RAD51B, in- framed DLK1-RPS11, and in-framed TBC1D22A-SMYD3. I conducted in vitro validation studies of these fusion genes in HEK293T cell lines, confirming that all fusion genes synthesized mRNA. Additionally, I discovered that two of these fusion genes not only produce fusion proteins but also induce oncogenic effects in the NIH3T3 cell lines. In the case of FGFR3-TACC3, cells exhibited a 4.1-fold increase in proliferation by day 10 (p < 0.0001) and a 5.6-fold increase in colony formation assay by day 21 (p < 0.01) compared to wild-type NIN3T3 cell lines. For DLK1-RPS11, cells showed a 2.0-fold increase in proliferation by day 10 (p < 0.0001) and a 5.6- fold increase in colony formation by day 21 (p < 0.0001) compared to wild- type NIN3T3 cell lines. These results demonstrate the tumorigenicity of the fusion genes. Taken together, this study emphasizes the crucial role of big data in propelling oncology research forward. The algorithm I developed can offer a new pathway for creating innovative cancer treatment, marking a significant advancement in the realm of personalized cancer therapy. Key words: big data analytics, oncology, algorithm, novel target, fusion gene Student number: 2022-29365

빅데이터 분석과 암 연구의 통합은 암 치료에 혁신적인 접근 방식을 가능하게 하며, 특히 효과적인 신규 항암 타겟의 발굴에 중점을 두고 있다. 본 연구에서는 종양학 분야에서 사용할 수 있는 방대한 데이터를 활용하기 위해 특별히 설계된 항암 타겟 발굴 알고리즘을 제시한다. 나는 33 가지 다양한 암종에서 8,864 명의 환자의 게놈 및 임상 정보를 활용하여 연구를 시작했다(TCGA). 그런 다음 후보 유전자의 임상적 연관성(cBioPortal), 약물 개발 동향(Cortellis), 관련 문헌(Open Targets Platform) 및 암세포의 의존도(DepMap) 등을 분석하여 항암 타겟을 발굴하는 알고리즘을 구현했다: 후보 유전자 = {gene

gene ∈ Genes, [Frequency(gene) ≥50, Drug(gene) ∈ {'biological testing', 'preclinical stage'}, Association(gene) ≥ 0.4, Publication(gene) ≤ 200] ∨ [Publication(gene) ≥ 200 ∧ Boolean(gene)]}. 나는 이 알고리즘을 사용하여 새로운 항암 타겟으로서 융합 유전자를 발굴했다. 융합 유전자는 높은 임상적 영향을 유발할 가능성이 있는 유망한 타겟으로 알려져 있다. 그러나 새로운 융합 유전자에 대한 수요는 여전히 매우 크다. 우리는 알고리즘을 통해 총 15,291 개의 융합 유전자 중에서 약물 타겟으로 활용 가능한 4 개의 융합 유전자(frame-shifted FGFR3-TACC3, frame-shifted CHP1-RAD51B, in-framed DLK1-RPS11, 및 in-framed TBC1D22A- SMYD3)를 발굴했다. HEK293T 세포주에서 이러한 융합 유전자에 대한 in vitro 검증 연구를 수행하여 모든 융합 유전자가 mRNA 를 발현함을 확인했다. 추가로, 이들 중 두 개의 융합 유전자가 융합 단백질을 발현할 뿐만 아니라 세포에서 발암 효과를 유도한다는 사실을 확인했다. FGFR3-TACC3 의 경우, NIH3T3 세포주에서 야생형 세포와 비교했을 때 10 일째 세포 증식이 4.1 배 증가했으며(p < 0.0001), 21 일째 콜로니 형성이 5.6 배 증가했다(p < 0.01). DLK1-RPS11 의 경우, 10 일째 세포 증식이 2.0 배 증가했으며(p < 0.0001), 21 일째 콜로니 형성이 5.6 배 증가했다(p < 0.0001). 이러한 결과는 내가 발굴한 융합 유전자의 발암 능력을 입증한다. 종합적으로, 본 연구는 빅데이터의 활용이 종양학 연구를 촉진하는 데 중요한 역할을 한다는 점을 강조한다. 우리가 개발한 알고리즘은 혁신적인 암 치료를 위한 새로운 경로를 제공할 수 있으며, 이는 개인 맞춤형 암 치료 분야에서 중요한 발전을 의미한다. 주요어: 빅데이터 분석, 종양학, 알고리즘, 신규 타겟, 융합 유전자 학번: 2022-29365