Высокопроизводительное секвенирование в молекулярной онкологии: поиск мишеней и стратификация пациентов для персонализации противоопухолевой терапии тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Пятницкий Михаил Алексеевич

• Пятницкий Михаил Алексеевич
• доктор наук
• 2022

Оглавление диссертации доктор наук Пятницкий Михаил Алексеевич

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ

1.1. Выявление критически важных генов в раковом геноме

1.1.1. Экспериментальные методы

1.1.2. Вычислительные предсказания

1.1.3. Синтетические летали

1.1.4. Базы данных

1.2. Системно-биологический анализ транскриптомных данных

1.2.1. Анализ перепредставленности

1.2.2. Транскриптомные функциональные карты

1.2.3. Выявление ключевых регуляторов экспрессии генов

1.2.4. Сигнальные и метаболические каскады

1.2.5. Объединение -омиксных данных

1.3. Персонализация противоопухолевой терапии: клинические испытания и

программные инструменты

1.3.1. Прецизионная онкология

1.3.2. Клинические испытания

1.3.3. Программные конвейеры для анализа геномных вариантов

1.3.4. Функциональная аннотация и клиническая интерпретация генетических вариантов

ГЛАВА 2. ИСХОДНЫЕ ДАННЫЕ И МЕТОДЫ ОБРАБОТКИ

2.1. Исходные данные

2.1.1 Выявление критически важных генов

2.1.2 Разработка метода стратификации пациентов

2.1.3. Изучение молекулярных механизмов ответа на терапию цетуксимабом

2.1.4. Тестирование программного конвейера для аннотации геномных вариантов

2.2. Выявление активированных регуляторов экспрессии

2.3. Транскрипционная функциональная карта для стратификации пациентов

2.3.1. Сравнение с другими алгоритмами и оценка воспроизводимости

2.3.2. Определение дискриминаторных кластеров регуляторов

2.3.3. Программная реализация метода

2.4. Идентификация критически важных генов

2.5. Подавление экспрессии генов и определение функциональной активности клеток меланомы

2.6. Секвенирование экзомов

2.7. Программный конвейер для аннотации генетических вариантов

2.8. Модель данных платформы для прецизионной онкологии

2.9. Программное обеспечение

ГЛАВА 3. УЯЗВИМЫЕ ТОЧКИ ПРОТЕОМА КЛЕТОК МЕЛАНОМЫ

3.1. Алгоритм идентификации критически важных белков

3.2. Критически важные гены для меланомы обогащены мембранными белками:

возможная связь с иммунным надзором

3.3. Детекция ранее известных онко-ассоциированных белков

3.4. Интерактом критически важных белков меланомы

3.5. Экспериментальная проверка критически важных генов меланомы

3.6. Обсуждение

ГЛАВА 4. СТРАТИФИКАЦИЯ ПАЦИЕНТОВ

4.1. Стратификация колоректального рака

4.2. Кластеризация заболеваний

4.3. Молекулярные механизмы ответа на терапию цетуксимабом

4.4. Обсуждение

ГЛАВА 5. ГЕНОМИКА И ТРАНСКРИПТОМИКА ДЛЯ ИНДИВИДУАЛЬНОЙ ОНКОФАРМАКОЛОГИИ

5.1. Пример №1 — колоректальный рак

5.2. Пример №2 — гепатоцеллюлярная карцинома

5.3. Обсуждение

ГЛАВА 6. ВЕБ-ПЛАТФОРМА ДЛЯ ПРЕЦИЗИОННОЙ ОНКОЛОГИИ

6.1. Функционал веб-платформы

6.1.1. Контроль качества экспериментальных данных

6.1.2. Нормализация и фильтрация генетических вариантов

6.1.3. Аннотация генетических вариантов

6.1.4. Расчет опухолевой нагрузки

6.1.5. Определение биомаркеров дикого типа

6.1.6. Клинические исследования

6.1.7. Генерация JSON-файла

6.2. База данных биомаркеров

6.3. Интерфейс пользователя

6.3.1. Раздел «Информация»

6.3.2. Раздел «Гистология»

6.3.3. Раздел «Секвенирование»

6.3.4. Раздел «Дополнительные исследования»

6.3.5 Раздел «Препараты»

6.3.6. Раздел «Клинические испытания»

6.3.7. Раздел «Заключение»

6.4. Пользовательские роли и сценарии работы

6.5. Обсуждение

ЗАКЛЮЧЕНИЕ

ВЫВОДЫ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Предсказанные критически важные гены для клеток меланомы

Пользовательский интерфейс административного раздела веб-платформы .... 235 БЛАГОДАРНОСТИ

СПИСОК СОКРАЩЕНИЙ

• БД — база данных

• КВГ — критически важный ген

• КРР — колоректальный рак

• ИГХ — иммуногистохимия

• ЭМП — эпителиально-мезенхимальный переход

• 1KG — 1000 Genomes Project, Проект 1000 Геномов

• AUC — Area Under Curve, площадь под кривой чувствительность-специфичность

• FDA — Food and Drug Administration, Управление по надзору за качеством пищевых продуктов и медикаментов США

• FISH — флуоресцентная in situ гибридизация

• GSVA — Gene Set Variation Analysis, анализ вариабельности наборов генов

• MSI — Microsatellite Instability, микросателлитная нестабильность

• NGS — Next Generation Sequencing, высокопроизводительные методы секвенирования

• PAM — partitioning around medoids, разделение по медоидам

• SNEA — Subnetwork Enrichment Analysis, анализ обогащения подграфами

• SNV, ОНП — Single Nucleotide Variant, однонуклеотидный полиморфизм

• TCGA — The Cancer Genome Atlas, Атлас Генома Опухоли

• TMB — Tumor Mutational Burden, мутационная нагрузка опухоли

• TNM — Tumor, Nodus, Metastasis, международная классификация стадий злокачественных новообразований

ВВЕДЕНИЕ

Актуальность проблемы

Пожалуй, ни одна другая биомедицинская проблема не получала такого внимания исследователей, как борьба с онкологическими заболеваниями. История изучения этих недугов насчитывает множество научных открытий. Однако, если суммировать в одном предложении ключевую информацию, которую человечеству удалось узнать о злокачественных опухолях за последние 100 лет развития науки, то вероятно это будет фраза «Рак — это болезнь генов». Первые мысли о генетической природе рака были высказаны в начале XX столетия и связаны с именами Давида фон Ганземана и Теодора Бовери (Boveri, 2008). С тех пор огромные усилия международного сообщества исследователей были затрачены на изучение особенностей генетики опухолевых клеток. Так, работы по анализу генетического сцепления в 1990-х гг. позволили идентифицировать важные гены, ассоциированные с развитием рака молочной железы и яичников (BRCA1, BRCA2), колоректального рака (MLH1, MSH2) и меланомы (CDKN2A). В 2000-е гг. благодаря мутационному скринингу были выявлены новые гены, участвующие в репарации ДНК и связанные с предрасположенностью к раку, включая MUTYH, CHEK2, ATM и PALB2 (Turnbull, et al., 2018).

Реализация международного проекта «Геном человека» вкупе с революционными достижениями в технологиях секвенировании ДНК открыла новую, геномную эру в биологии и онкологии. Развитие методов высокопроизводительного секвенирования (Next Generation Sequencing, NGS) сделало возможным прочтение порядка 1012 нуклеотидов за один запуск, что позволило быстро накапливать полногеномные выборки данных. При этом с помощью технологии NGS можно изучать разнообразные типы молекулярно-генетических аберраций — от идентификации хромосомных транслокаций и определения изменений числа копий генов до выявления однонуклеотидных замен. Также методы NGS успешно используются для анализа других уровней организации клеточной информации — транскриптома и эпигенома.

Внедрение новых технологий секвенирования ДНК совпало с началом организации масштабных проектов по молекулярному профилированию опухолей. В 2005 г. в США был запущен проект The Cancer Genome Atlas [https://portal.gdc.cancer.gov/], а в 2008 г. был сформирован уже международный консорциум International Cancer Genome Consortium [https://dcc.icgc.org/]. В результате этих усилий тысячи опухолевых образцов были детально охарактеризованы на геномном, транскриптомном, протеомном и эпигеномном уровнях.

Это позволило существенно расширить представления о молекулярных процессах, лежащих в основе онкогенеза, в том числе о роли некодирующих мутаций, альтернативного сплайсинга, изменений экспрессии генов, характерных паттернах мутационных процессов и т.д.

Совокупность молекулярных профилей опухолевых клеток и клинической информации может рассматриваться как существенно новый тип данных. Аналогично тому, как одновременное сопоставление геномов различных организмов привело к появлению сравнительной геномики и позволило пролить свет на многие вопросы эволюционной биологии, так и накопление больших объемов данных о мутациях в опухоли стимулировало изучение множества различных аспектов молекулярной онкологии. Так, например, разрабатываются подходы к идентификации новых онкоассоциированных генов (Nussinov, et al., 2019), определению давления отбора (Martincorena, et al., 2017), паттернов мутационных процессов (Alexandrov and Stratton, 2014), определения «траекторий» онкогенеза (Sun, et al., 2017).

Излишне говорить о том, насколько актуальны попытки использования больших массивов данных о молекулярно-генетических аберрациях для развития новых эффективных стратегий борьбы со злокачественными новообразованиями. Например, изучение закономерностей в распределении мутаций может выявить ключевые гены, ответственные за малигнизацию и прогрессию опухоли (т.н. драйверные гены). Примерами могут служить обнаружение мутаций в гене BRAF в 50% случаев меланомы, мутаций в гене PIK3CA в 25-30% случаев рака молочной железы и колоректального рака, мутаций в гене EFGR в 10-15% случаев немелкоклеточного рака легкого и т.д. Некоторые из этих результатов были использованы для разработки новых лекарств, включая селективные ингибиторы RAF, MEK, и EGFR (Hoelder, et al., 2012). Таким образом, анализ данных о мутациях в раке может быть использован для идентификации генов-мишеней и разработки таргетных препаратов, селективно воздействующих только на клетки опухоли.

Другой важной задачей является выделение отдельных подтипов онкологических заболеваний. Для этого вся когорта пациентов разбивается на группы (стратифицируется) на основе геномных, транскриптомных и эпигеномных характеристик опухоли. Подразумевается, что внутри каждой группы, объединенной общими активированными молекулярными механизмами онкогенеза, возможна выработка более эффективной стратегии борьбы с со специфическим подтипом опухоли и прогнозирование течения заболевания по сравнению с традиционным неадаптивным подходом. Примером может служить рак молочной железы, который два десятилетия назад считался относительно

«простым» заболеванием, а в настоящее время разделен на несколько молекулярных подтипов с различными патологическими особенностями и клиническими проявлениями (Kittaneh, et al., 2013). Аналогично исследователи выделяют подтипы и для других видов опухолей, например колоректального рака (Cancer Genome Atlas, 2012).

Наконец, «святым Граалем» онкологии можно считать изучение индивидуальных молекулярных особенностей одного пациента, т.н. прецизионная онкология. Поскольку спектр выявляемых мутаций в настоящее время рассматривается как основная причина эффективности ответа на ту или иную схему лечения, то для оптимизации подбора персонализированной противоопухолевой терапии необходимо проанализировать соответствующим образом отобранные и проаннотированные генетические варианты. Здесь задача прикладной клинической биоинформатики состоит в разработке программного обеспечения, облегчающего интерпретацию результатов NGS-анализа для определения задействованных молекулярных механизмов прогрессии опухоли и выявления биомаркеров с тераностической ценностью. Создание таких инструментов с дружественным интерфейсом пользователя, адаптированным под использование практикующими химиотерапевтами, способствует внедрению передовых технологий прецизионной онкологии в клиническую практику (Pishvaian, et al., 2019). В случае работы с образцами опухолей для пациентов из российской популяции, отдельной задачей может являться сопоставление паттернов вновь выявляемых мутаций с результатами международных проектов по онкогеномике.

Таким образом применение высокопроизводительного секвенирования в онкологии и всесторонний анализ полученных результатов позволяет решать различные научно-практические задачи, нацеленные как на долгосрочную перспективу (поиск генов-мишеней для противоопухолевой терапии), так и обладающие потенциальной возможностью быстрого транслирования в клинику (стратификация пациентов, анализ генетических вариантов для оптимизации схемы лечения). Настоящая работа призвана проиллюстрировать это утверждение.

Введение диссертации (часть автореферата) на тему «Высокопроизводительное секвенирование в молекулярной онкологии: поиск мишеней и стратификация пациентов для персонализации противоопухолевой терапии»

Цель работы

Разработать и применить вычислительные методы для предсказания критически важных белков в протеоме опухоли, стратификации пациентов и подбора персонализированной противораковой терапии, опираясь на данные по высокопроизводительному секвенированию геномов и транскриптомов малигнизированных клеток.

Задачи исследования

1. Разработать метод по идентификации ключевых белков в протеоме опухоли, чья активность необходима для функционирования раковых клеток.

2. Применить разработанный метод для данных о соматических мутациях в клетках меланомы, получив список потенциальных генов-мишеней.

3. Разработать метод стратификации пациентов в соответствии с выявляемыми особенностями регуляции генной экспрессии в образцах тканей.

4. Сравнить разработанный метод стратификации пациентов с аналогичными алгоритмами, применить его для изучения молекулярных механизмов, ассоциированных с эффективностью противораковой терапии на примере цетуксимаба.

5. Разработать программный конвейер по аннотации и приоритизации генетических вариантов, полученных в результате высокопроизводительного секвенирования геномов опухолевых клеток.

6. Проанализировать экзомы образцов колоректального рака и гепатоцеллюлярной карциномы из российской популяции, оценить пригодность разработанного конвейера для выявления вероятных генов-драйверов онкологической трансформации и определить потенциально эффективные препараты.

7. Спроектировать и разработать интернет-платформу для интерпретации молекулярного профиля онкологического пациента с целью оптимизации персонализированной противораковой терапии.

Научная новизна

В работе представлен новый подход к поиску белков, критически важных для функционирования опухолевых клеток, и основанный на анализе данных о соматических мутациях. При этом с увеличением массива данных о геномах опухолевых клеток предложенный подход потенциально может выявлять критически важные белки с большей достоверностью. В работе описан эксперимент по валидации вычислительных предсказаний критически важных белков для клеток меланомы.

Разработан новый метод для стратификации пациентов, основанный на анализе транскриптомных данных и выявлении активированных генов-регуляторов экспрессии. Метод может рассматриваться как биологически мотивированное уменьшение размерности пространства признаков, позволяя переходить от экспрессии десятков тысяч генов к активности десятков кластеров генов-регуляторов. Отличие предлагаемого подхода от аналогичных методов состоит в том, что идентификация активированных регуляторов проводится индивидуально для каждого образца, т.е. набор потенциальных биомаркеров

заранее не фиксирован. Идентифицированные кластеры генов-регуляторов позволяют интерпретировать сигнальные каскады, задействованные у каждого отдельного пациента. Показана более высокая точность работы метода по сравнению с аналогичными алгоритмами, проиллюстрировано применение метода для задачи кластеризации заболеваний, а также для выявления возможных молекулярных механизмов резистентности к терапии цетуксимабом в случае колоректального рака.

Разработан программный конвейер для аннотации генетических вариантов, интегрирующий максимальное количество общебиологической и онкоспецифической информации. Представлен метод по наложению экзомов колоректального рака российской популяции на глобальный ландшафт геномов опухолей из международного проекта TCGA.

Практическая значимость работы

В работе последовательно решаются три задачи, каждая из которых имеет потенциальное практическое применение.

Представлен подход, позволяющий предсказывать гены, критически важные для функционирования опухолевых клеток. Выявленные таким образом гены и кодируемые ими белки могут рассматриваться как потенциальные мишени для разработки новых препаратов для противоопухолевой терапии.

Разработан метод стратификации пациентов, основанный на выявлении активированных генов-регуляторов по результатам транскриптомного профилирования. Знание о том, что пациент, вероятно, относится к определенному подклассу заболевания, может скорректировать стратегию лечения и улучшить точность прогнозирования течения болезни.

В работе описан программный конвейер, предназначенный для аннотации генетических вариантов большим количеством общебиологической и онкоспецифической информации. Практическая применимость разработанной системы для оптимизации противоопухолевой терапии проиллюстрирована на примере анализа результатов полноэкзомного секвенирования образцов колоректального рака и гепатоцеллюлярной карциномы. Программный конвейер является ключевым компонентом разработанной веб-платформы по автоматической интерпретации молекулярного профиля онкологического пациента. Такая платформа может использоваться для облегчения работы врача-химиотерапевта, предоставляя доступ к базе данных о клинической значимости биомаркеров и генерируя отчет о потенциально эффективной или неэффективной терапии на основе загруженных данных о молекулярном портрете опухоли. C помощью

разработанной веб-платформы в ООО «Онко Генотест» были проанализированы более 50 образцов различных солидных опухолей.

Личный вклад автора

Автор участвовал в разработке метода поиска уязвимых мест в раковом протеоме, основываясь на результатах геномного секвенирования. Автор реализовал указанный метод, а также участвовал в проведении биоинформатического анализа и обработке данных по мутациям в меланоме и здоровых тканях. Автор участвовал в разработке подхода к стратификации пациентов на основе данных о регуляции генов. Автор осуществил программную реализацию указанного метода, провел сопоставление с аналогичными алгоритмами, проанализировал данные по чувствительности пациентов к терапии цетуксимабом, а также участвовал в биологической интерпретации и выдвижении гипотезы об активации эпителиально-мезенхимального перехода. Автором был разработан и реализован программный конвейер по аннотации генетических вариантов, проведена обработка NGS-данных для образцов колоректального рака российской популяции, а также изучена применимость конвейера для персонализации противоопухолевой терапии. Автором была произведена аннотация генетических вариантов для образцов гепатоцеллюлярной карциномы. Автор участвовал в разработке программной архитектуры и интерфейса пользователя интерактивной веб-платформы для прецизионной онкологии. Под руководством автора была спроектирована структура базы данных биомаркеров, формат взаимодействия между фронтенд- и бэкенд-компонентами платформы, программные модули для оценки качества результатов секвенирования и визуализации найденных взаимосвязей. Основной биоинформатический функционал бэкенд-компонента системы был реализован автором.

Основные положения, выносимые на защиту

1. Результаты крупномасштабных проектов по секвенированию геномов опухолевых клеток могут использоваться для поиска белков, чье функционирование необходимо для выживания раковых клеток. Такие белки являются перспективными мишенями для новых противоопухолевых препаратов.

2. Предложенный в работе метод позволяет решать задачу стратификации пациентов с помощью выявления кластеров активированных генов-регуляторов экспрессии. Идентифицированные кластеры регуляторов имеют биологическую интерпретацию и позволяют выдвигать гипотезы о молекулярных механизмах, характерных для выделенных подтипов заболеваний.

3. Разработанная веб-платформа автоматизирует клиническую интерпретацию молекулярно-генетического профиля пациента, включая результаты высокопроизводительного секвенирования ДНК образцов опухоли. Использование подобных программных продуктов позволяет реализовывать принципы персонализированной медицины с целью оптимизации противораковой терапии.

Апробация работы

Основные результаты работы доложены на конференциях и конгрессах: ASCO Annual Meeting 2017, «Московская конференция по вычислительной молекулярной биологии» (Москва, Россия, 2013 и 2015), «Международная конференция по биоинформатике регуляции и структуры генома» (Новосибирск, Россия, 2012 и 2018), HUPO 13 th Annual World Congress (Мадрид, Испания, 2014), HUPO 12th Annual World Congress (Йокогама, Япония, 2013), HUPO 11th Annual World Congress (Бостон, США,

2012), 6th Congress AOHUPO (Пекин, Китай, 2012), HUPO 9th Annual World Congress (Сидней, Австралия, 2010), HUPO 7th Annual World Congress (Амстердам, Нидерланды, 2008), 4th RECOMB Conference on Regulatory Genomics, Systems Biology and DREAM Challenges (Барселона, Испания, 2011), 38th FEBS Congress (Санкт-Петербург, Россия,

2013), 62nd ASMS Conference on Mass Spectrometry and Allied Topics (Балтимор, США,

2014), Genetics of Aging and Longevity (Сочи, Россия, 2014), «Молекулярная диагностика» (Москва, Россия, 2014), 65th ASMS Conference on Mass Spectrometry and Allied Topics (Индианаполис, США, 2017), «Российский конгресс лабораторной медицины» (Москва, Россия, 2015 и 2021), Big Data in Pharma (Москва, Россия, 2018), XVIII Ассамблея «Здоровая Москва» (Москва, Россия, 2020), Startup Village (Сколково, Россия, 2016 и 2021).

Публикации

Материалы диссертационной работы отражены в 44 публикациях, включая 24 статьи (5 и 19 статей в российских и международных научных изданиях соответственно), 17 публикаций в докладах российских и международных научных конференций, а также в трёх главах коллективных монографий. По итогам работы получен патент №2577107 «Способ поиска белков-мишеней, запускающих процесс канцерогенеза, в образцах тканей индивидуального пациента, для последующей противоопухолевой фармакотерапии», а также выдано свидетельство о государственной регистрации программы для ЭВМ №2020618223 «Платформа для обработки и интерпретации клинических данных и молекулярно-генетических исследований опухолей человека для подбора персонализированной терапии». Индекс Хирша соискателя ученой степени согласно данным системы Scopus составляет 12 баллов.

ГЛАВА 1. Обзор литературы

Представленная работа логически состоит из следующих разделов: выявление уязвимых точек в раковом геноме, стратификация пациентов на основе результата транскриптомного анализа и анализ молекулярно-генетических аберраций для персонализированного подбора терапии. Ниже дан обзор научной литературы по вышеперечисленным областям.

1.1. Выявление критически важных генов в раковом геноме

Одним из важнейших компонентов борьбы с онкологическими заболеваниями является разработка новых противоопухолевых препаратов. Тем не менее, из-за сложнейшей этиологии и мультифакториальности патогенеза злокачественных опухолей достигнутые успехи мало пропорциональны затраченным усилиям: только 3% противораковых препаратов, протестированных в клинических испытаниях между 2000 и 2015 гг., были в конечном счете одобрены для лечения пациентов (Wong, et al., 2019). Более того, недавние исследования показали, что существующие списки потенциальных мишеней — генов, ассоциированных с онкогенезом, — все еще неполны и многое предстоит расширить (Bailey, et al., 2018; Cheng, et al., 2017; Martincorena, et al., 2017). Первая глава настоящей работы посвящена разработке метода для идентификации генов, чье функционирование необходимо для пролиферации или выживания раковой клетки. Такие гены в дальнейшем будем называть критически важными генами (КВГ), по умолчанию не делая различий между геном и кодируемыми им белками. Поэтому данная часть литературного обзора посвящена методам экспериментального и вычислительного поиска КВГ, и в очень значительной степени пересекается с содержанием работы (Pyatnitskiy, et al., 2018).

Наиболее очевидный подход к терапии опухолей состоит в том, чтобы находить и ингибировать только онкоспецифичные КВГ, по возможности не затрагивая при этом КВГ здоровых клеток с целью уменьшения побочных эффектов. К сожалению, в реальности реализация этого подхода сталкивается с существенными трудностями. Например, в силу своей повышенной пролиферации опухолевые клетки обычно более чувствительны к цитотоксичным препаратам, повреждающим ДНК или нарушающим митотическую активность. Клиническая практика, однако, показывает, что многие типы опухолей характеризуются быстрым развитием резистентности к подобной терапии (Rabik and Dolan, 2007).

Некоторые типы злокачественных новообразований характеризуются т.н. феноменом «онкогенной зависимости», состоящего в том, что выживание опухоли зависит от активности какого-либо КВГ или ассоциированного с ним сигнального каскада (Pagliarini, et al., 2015). Такой КВГ, зачастую участвующий в регуляции дифференцировки и клеточного роста и обладающий повышенной активностью вследствие различных генетических аберраций (изменение числа копий генов, точечная замена, и т.д.), называется онкогеном.

Одни из первых подтверждений того, что пролиферация и выживаемость раковых клеток могут зависеть от активности онкогенов, были получены в работе (Shirasawa, et al., 1993). Было продемонстрировано, что нокаут мутантного гена KRAS вызывает торможение роста опухоли в экспериментах in vitro и in vivo. Первые же эксперименты по поиску КВГ на раковых клеточных линиях были проведены в работе (Harborth, et al., 2001), где с помощью технологии РНК-интерференции изучали 21 ген. Впоследствии, благодаря ряду крупномасштабных скрининговых исследований на культурах опухолевых клеток, был достигнут значительный прогресс в этом направлении (Aguirre, et al., 2016; Cowley, et al., 2014; Marcotte, et al., 2012; Marcotte, et al., 2016; Munoz, et al., 2016).

Феномен онкогенной зависимости успешно используется в клинической практике. Классическим примером является зависимость миелоидных клеток от повышенной активности киназы ABL, связанной с ее транслокацией под промотор высокоэкспрессируемого гена BCR. Поскольку белок ABL содержит тирозинкиназный домен, то получившаяся химера BCR-ABL является «всегда включенной» тирозинкиназой, вызывающей нарушения в регуляции клеточного цикла и способствующей неконтролируемому делению клетки. Разработка иматиниба, селективного ингибитора химерного белка BCR-ABL, произвела революцию в эффективности лечения хронического миелоидного лейкоза (Druker, 2008). Другим примером успешной эксплуатации феномена онкогенной зависимости является чувствительность клеток опухолей молочной железы, гиперэкспрессирующих рецептор ERBB2 (также известный как HER2/neu) к его ингибиторам (лапатиниб, трастузумаб) (Hynes and Lane, 2005).

Помимо анализа односложных примеров феномена онкогенной зависимости вида «опухоль с биомаркером X уязвима к его ингибированию», возможно сформулировать и проблему следующего уровня — «существуют ли опухоли с биомаркером X, уязвимые к ингибированию биомаркера Y?». Такой подход называется поиском т.н. «синтетических леталей» и имеет значительное преимущество в виде расширения диапазона потенциальных генов-мишеней. Платой за это является необходимость экспериментальной

проверки множества сочетаний биомаркер — ингибитор, количество которых многократно увеличивается. Благодаря крупномасштабным скрининговым исследованиям найден ряд синтетических леталей, которые потенциально могут эксплуатироваться в клинической практике. Так, клеточные линии с мутантным геном ARID1A чувствительны к ингибированию белка ARID1B (Helming, et al., 2014), а клетки опухоли молочной железы с амплифицированным геном MYC чувствительны к ингибированию компонентов сплайсосомы (Hsu, et al., 2015).

1.1.1. Экспериментальные методы

Основной экспериментальной стратегией определения КВГ является «выключение» гена в какой-либо клеточной линии с последующей оценкой биологического эффекта. В скрининговых исследованиях наиболее часто для этого применяют технологии РНК-интерференции или систему CRISPR/Cas9. Далее оба эти метода будут рассмотрены подробнее.

РНК-интерференция

Один из наиболее распространенных подходов по «выключению» гена основана на использовании феномена РНК-интерференции — механизма контроля экспрессии на посттранскрипционном уровне. Для этого в клетку вводят синтетические двуцепочечные РНК (т.н. малые интерферирующие РНК, миРНК), которые инициируют молекулярные каскады, приводящие к деградации целевой мРНК. Для проведения эксперимента обычно используют две возможные стратегии. Согласно первой стратегии, в каждой лунке планшета клетки подвергаются воздействию только одной геноспецифичной миРНК, а потенциальные КВГ определяются по измерению сигнала люминесценции с определенной лунки. В другом варианте геноспецифичные реагенты вносятся в культуру клеток в виде пула векторов, содержащих последовательность малых шпилечных РНК (мшРНК) ко всем инактивируемым генам. В клетке мшРНК процессируются в активную миРНК, а каждый вектор помечен уникальным штрихкодом. После культивирования трансфецированные клетки секвенируют и по относительному недостатку прочтений со штрихкодом определяют потенциальные КВГ (Housden, et al., 2017).

Исследователями были предприняты значительные усилия для широкомасштабного выявления КВГ среди сотен клеточных линий. Одним из определяющих экспериментов такого рода стал проект Achilles (Cowley, et al., 2014). Первоначально были проанализированы 216 раковых линий, причем каждый из протестированных 11 000 генов являлся мишенью для нескольких мшРНК. Для учета результатов от воздействия на ген

нескольких мшРНК был разработан алгоритм ATARiS (Shao, et al., 2013), который позволяет охарактеризовать эффект супрессии каждого гена одной суммарной величиной. Недавно проект Achilles был расширен, а итоговое количество протестированных клеточных линий достигло 501 (Tsherniak, et al., 2017). Также была разработана модификация алгоритма ATARiS, получившая название DEMETER. В новой версии для оценки эффекта супрессии учитывается последовательность нуклеотидов в таргетном гене и последовательность мшРНК. Было найдено 769 генов, которые с высокой степенью вероятности являются критически важными по крайней мере в одной клеточной линии, причем 20% из кодируемых белков могут быть использованы как мишени для лекарственного воздействия. Только 10 белков являются такими мишенями в 58% клеточных линий.

Технология РНК-интерференции является первым методом, который был использован для широкомасштабного определения КВГ. Однако этот подход не свободен от недостатков, основным из которых является наличие побочных эффектов, при котором миРНК связываются с нецелевыми генами. Также по своей природе РНК-интерференция приводит только к временному подавлению функции гена (генетический нокдаун), не инактивируя его полностью (генетический нокаут). Поэтому помимо проблемы ложнопозитивных находок (что вообще характерно для многих -омных технологий) для технологии РНК-интерференции существует опасность и ложнонегативных срабатываний, когда для проявления фенотипического эффекта требуется полное выключение функции гена. Поэтому для полноценной инактивации гена при помощи РНК-интерференции требуется одновременное воздействие нескольких миРНК. Еще одним источником потенциальных ошибок является предпочтительное использование стратегии, основанной только на миРНК или мшРНК. Было показано, что некоторые гены определяются как КВГ исключительно благодаря использованию той или иной платформы (Bhinder and Djaballah, 2013).

Технология CRISPR/Cas9

Бактериальная система адаптивного ответа против чужеродной ДНК CRISPR/Cas9 была впервые использована в редактировании генома человека несколько лет назад и уже стала революционной технологией в генной и геномной инженерии (Cong, et al., 2013; Jinek, et al., 2012). В отличие от РНК-интерференции, система CRISPR/Cas9 позволяет вводить наследуемые изменения последовательности заданных участков генома и модифицировать нетранскрибируемые области.

В настоящее время наиболее широко используется система CRISPR/SpyCas9 IIA подтипа из S. pyogenes. Как правило, она состоит из двух компонентов: неспецифичной РНК-зависимой ДНК-эндонуклеазы SpyCas9 и химерной направляющей РНК (хнРНК). Эндонуклеаза SpyCas9 образует комплекс с хнРНК, что переводит ее в конформацию, компетентную для поиска мишени в геноме. Направляющая РНК включает в себя участок длиной 20 нуклеотидов (т.н. спейсер), определяющий специфичность действия SpyCas9 и комплементарный целевому участку генома (протоспейсер). Если образуется стабильный гибрид спейсера и протоспейсера РНК:ДНК, то SpyCas9 вносит двухцепочечный разрыв в ДНК, который служит сигналом к инициации репарации. В клетках высших эукариот чаще всего такие разрывы ДНК репарируются системой NHEJ (Non-homologous End Joining), результатом чего становятся вставки или делеции в области разрыва. В случае кодирующих областей генов это обычно приводит к сдвигу рамки считывания или разрушению сайта сплайсинга и, в итоге, к синтезу дефектного белка. С целью более эффективного нарушения функций гена систему CRISPR/Cas нацеливают на начало кодирующей области гена. Однако небольшие делеции в малозначимом домене и не вызывающие сдвига рамки считывания могут и не повлиять на активность белка. Более эффективным подходом к нарушению функции гена является нацеливание системы CRISPR/Cas на участки, кодирующие важные каталитические домены (Munoz, et al., 2016).

Технология CRISPR/Cas9 активно используется для выполнения полногеномных скринингов на клеточных линиях человека. Так, в работе (Shalem, et al., 2014) использована библиотека из 64 751 хнРНК против 18 080 генов, с целью выявления КВГ для клеток линии A375 меланомы человека и плюрипотентных стволовых клеток HUES62. В работе (Wang, et al., 2015) использовали библиотеку из 73 151 хнРНК против 7114 генов для идентификации генов, нарушение функций которых повышает устойчивость хронической миелогенной лейкемии к 6-тиогуанину, а у клеточной линий лимфомы Беркитта HL60 — устойчивость к ингибитору ДНК топоизомеразы IIA — этопозиду. В первом случае обнаружены гены репарации MSH2, MSH6, MLH1 и PMS2, а во втором — гены TOP2A и CDK6.

В работе (Hart, et al., 2015) авторы создали библиотеку, состоящую из 176 500 хнРНК против 17 661 генов человека, и провели скрининг на КВГ у клеток различных линий колоректального рака, рака шейки матки, глиобластомы, и hTERT-иммортализованного эпителия сетчатки. Результаты были проанализированы с помощью алгоритма BAGEL. В итоге выявлено более 2000 важных генов, включая 1580 КВГ (Hart, et al., 2014). Интересным результатом стало обнаружение различий между близкими линиями

колоректального рака. Так, рост клеточной линии DLD1 избирательно подавляется ингибитором сигнального пути EGFR эрлотинибом, тогда как рост клеток линии HCT116 избирательно подавляется метформином — ингибитором комплекса окислительного фосфорилирования ETC I.

В работе Bertomeu и соавторов с использованием библиотеки из 278 000 хнРНК были профилированы менее хорошо охарактеризованные области генома, включая 19 000 генов Refseq и 3900 гипотетических генов (Bertomeu, et al., 2018). В результате было обнаружено 2280 КВГ, причем 486 из них перекрывались с предшествующими работами (Blomen, et al., 2015; Hart, et al., 2015; Wang, et al., 2015).

Технология CRISPR/Cas9 не лишена недостатков, главным из которых является наличие побочной нецелевой активности Cas9, которая зависит от последовательности хнРНК (Peng, et al., 2016).

Экспериментальные методы: проблемы и трудности

Экспериментальные методы представляются наиболее естественным способом поиска КВГ в раковых геномах. Однако в области пока отсутствует единое мнение относительно «золотого стандарта» по определению КВГ.

Скрининговые исследования КВГ были проведены для многих модельных организмов и человеческих клеточных линий. Были предприняты попытки идентифицировать набор КВГ, общих для всех типов клеток. Например, в трех работах по РНК-интерференции (Cowley, et al., 2014; Luo, et al., 2008; Marcotte, et al., 2012) сообщалось приблизительно о 250-300 таких КВГ. В то же время в недавних работах, использующих технологию CRISPR, в среднем идентифицировано от 1500 до 2200 КВГ, которые обогащены функциями метаболизма, репликации ДНК, транскрипции, сплайсинга и биосинтеза белка (Blomen, et al., 2015; Hart, et al., 2015; Wang, et al., 2015). Прямое сравнение CRISPR и РНК-интерференции пока дает неоднозначные результаты. Например, согласно публикации (Evers, et al., 2016), технология CRISPR/Cas9 показывает лучшие результаты по сравнению с РНК-интерференцией, а в работе (Morgens, et al., 2016) сделан вывод о сопоставимости обеих технологий. При работе с пятью клеточными линиями только 3% генов были детектированы как КВГ согласно обоим методам (Munoz, et al., 2016). Поэтому оптимальной стратегией, по-видимому, является одновременное использование обоих подходов. Например, в работе (Bertomeu, et al., 2018) разработан алгоритм RANKS, который позволяет работать с обоими типами данных, вычисляя значимость эффекта подавления отдельного гена.

Одним из возможных объяснений различий результатов является переменная эффективность генетического нокдауна с помощью РНК-интерференции (Housden, et al., 2017). Например, ген может быть критически важным в случае полного подавления, но может оказывать различное влияние на жизнеспособность клеток, когда ингибирован только частично. В этом случае, такой ген будет детектирован как универсальный КВГ согласно нокаутным методам (CRISPR/Cas9) или как контекст-зависимый КВГ с использованием генетического нокдауна (РНК-интерференция).

Существуют и общебиологические трудности по идентификации КВГ. Исследователи ограничены экспериментами на человеческих клеточных линиях, поскольку по естественным причинам генетические вмешательства in vivo проводить невозможно. Однако работа с клеточными линиями не позволяет смоделировать межклеточные взаимодействия и микроокружение опухоли (Bissell and Hines, 2011). Также свойства клеточной линии могут адаптироваться под условия культивирования в конкретной лаборатории, включая накопление новых мутаций. Все вышеперечисленные факторы могут быть важны для достоверного определения КВГ и затруднять трансляцию полученных результатов в практику.

Список литературы диссертационного исследования доктор наук Пятницкий Михаил Алексеевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Abbas W. and Herbein G. Plasma membrane signaling in HIV-1 infection. // Biochim Biophys Acta. 2014. Vol. 1838, №4. P. 1132-1142.

2. Adzhubei I.A., et al. A method and server for predicting damaging missense mutations. // Nat Methods. 2010. Vol. 7, №4. P. 248-249.

3. Agren R., et al. Identification of anticancer drugs for hepatocellular carcinoma through personalized genome-scale metabolic modeling. // Mol Syst Biol. 2014. Vol. 10, №3 P. 721-735.

4. Aguirre A.J., et al. Genomic Copy Number Dictates a Gene-Independent Cell Response to CRISPR/Cas9 Targeting. // Cancer Discov. 2016. Vol. 6, №8. P. 914-929.

5. Ahmed D., et al. Epigenetic and genetic features of 24 colon cancer cell lines. // Oncogenesis. 2013. Vol. 2, №9. P. 71-80

6. Aksoy B.A., et al. Prediction of individualized therapeutic vulnerabilities in cancer from genomic profiles. // Bioinformatics. 2014. Vol. 30, №14. P. 2051-2059.

7. Albitar L., et al. EGFR isoforms and gene regulation in human endometrial cancer cells. // Mol Cancer. 2010. Vol. 9, №166, P. 166-178.

8. Alexandrov L.B., et al. Signatures of mutational processes in human cancer. // Nature. 2013. Vol. 500, №7463. P. 415-421.

9. Alexandrov L.B. and Stratton M.R. Mutational signatures: the patterns of somatic mutations hidden in cancer genomes. // Curr Opin Genet Dev. 2014. Vol. 24, P. 52-60.

10. Allegretti M., et al. Tearing down the walls: FDA approves next generation sequencing (NGS) assays for actionable cancer genomic aberrations. // J Exp Clin Cancer Res. 2018. Vol. 37, №1. P. 47-52.

11. An O., et al. NCG 4.0: the network of cancer genes in the era of massive mutational screenings of cancer genomes. // Database (Oxford). 2014. Vol. 2014, bau015.

12. Anastasiadou E., Jacob L.S. and Slack F.J. Non-coding RNA networks in cancer. // Nat Rev Cancer. 2018. Vol. 18, №1. P. 5-18.

13. Anders S. and Huber W. Differential expression analysis for sequence count data. // Genome Biol. 2010. Vol. 11, №10. P. 106-113.

14. Anders S., et al. Count-based differential expression analysis of RNA sequencing data using R and Bioconductor. // Nature protocols. 2013. Vol. 8, №9. P. 1765-1786.

15. Andre F., et al. Alpelisib for PIK3CA-Mutated, Hormone Receptor-Positive Advanced Breast Cancer. // The New England journal of medicine. 2019. Vol. 380, №20. P. 19291940.

16. Antonarakis E.S., et al. AR-V7 and resistance to enzalutamide and abiraterone in prostate cancer. // The New England journal of medicine. 2014. Vol. 371, №11. P. 1028-1038.

17. Aparicio S. and Caldas C. The implications of clonal genome evolution for cancer medicine. // The New England journal of medicine. 2013. Vol. 368, №9. P. 842-851.

18. Ashburner M., et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. // Nat Genet. 2000. Vol. 25, №1. P. 25-29.

19. Athar A., et al. ArrayExpress update — from bulk to single-cell expression data. // Nucleic Acids Res. 2019. Vol. 47, № D1. P. 711-715.

20. Babij C., et al. STK33 kinase activity is nonessential in KRAS-dependent cancer cells. // Cancer Res. 2011. Vol. 71, №17. P. 5818-5826.

21. Bailey M.H., et al. Comprehensive Characterization of Cancer Driver Genes and Mutations. // Cell. 2018. Vol. 174, №4. P. 1034-1035.

22. Bakay M., et al. Nuclear envelope dystrophies show a transcriptional fingerprint suggesting disruption of Rb-MyoD pathways in muscle regeneration. // Brain: a journal of neurology. 2006. Vol. 129, № 4. P. 996-1013.

23. Barbie D.A., et al. Systematic RNA interference reveals that oncogenic KRAS-driven cancers require TBK1. // Nature. 2009. Vol. 462, №7269. P. 108-112.

24. Barillot E., et al. Computational Systems Biology of Cancer. CRC press; 2012.

25. Barretina J., et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. // Nature. 2012. Vol. 483, №7391. P. 603-607.

26. Barrett T., et al. NCBI GEO: archive for functional genomics data sets-update. // Nucleic Acids Res. 2013. Vol. 41, Database issue. P. 991-995.

27. Bartha A. and Gyorffy B. Comprehensive Outline of Whole Exome Sequencing Data Analysis Tools Available in Clinical Oncology. // Cancers (Basel). 2019. Vol. 11, №11. P.42-53

28. Bayerlova M., et al. Comparative study on gene set and pathway topology-based enrichment methods. // BMC Bioinformatics. 2015. Vol. 16, №334.

29. Bellam N. and Pasche B. Tgf-beta signaling alterations and colon cancer. // Cancer Treat Res. 2010. Vol. 155, № P. 85-103.

30. Benjamini Y. and Hochberg Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. // Journal of the Royal Statistical Society. Series B (Methodological). 1995. Vol. 57, №1. P. 289-300.

31. Benson A.B., 3rd, et al. Colon Cancer, Version 1.2017, NCCN Clinical Practice Guidelines in Oncology. // J Natl Compr Canc Netw. 2017. Vol. 15, №3. P. 370-398.

32. Berasain C. and Avila M.A. The EGFR signalling system in the liver: from hepatoprotection to hepatocarcinogenesis. // J Gastroenterol. 2014. Vol. 49, №1. P. 9-23.

33. Bersanelli M., et al. Methods for the integration of multi-omics data: mathematical aspects. // BMC Bioinformatics. 2016. Vol. 17. №2 P. 15-32.

34. Bertomeu T., et al. A High-Resolution Genome-Wide CRISPR/Cas9 Viability Screen Reveals Structural Features and Contextual Diversity of the Human Cell-Essential Proteome. // Mol Cell Biol. 2018. Vol. 38, №1. P. 314-321

35. Bhinder B. and Djaballah H. Systematic analysis of RNAi reports identifies dismal commonality at gene-level and reveals an unprecedented enrichment in pooled shRNA screens. // Comb Chem High Throughput Screen. 2013. Vol. 16, №9. P. 665-681.

36. Bissell M.J. and Hines W.C. Why don't we get more cancer? A proposed role of the microenvironment in restraining cancer progression. // Nat Med. 2011. Vol. 17, №3. P. 320-329.

37. Blomen V.A., et al. Gene essentiality and synthetic lethality in haploid human cells. // Science. 2015. Vol. 350, №6264. P. 1092-1096.

38. Bolger A.M., Lohse M. and Usadel B. Trimmomatic: a flexible trimmer for Illumina sequence data. // Bioinformatics. 2014. Vol. 30, №15. P. 2114-2120.

39. Bossuyt P.M. Where are all the new omics-based tests? // Clin Chem. 2014. Vol. 60, №10. P. 1256-1257.

40. Bouwman P. and Jonkers J. Molecular pathways: how can BRCA-mutated tumors become resistant to PARP inhibitors? // Clin Cancer Res. 2014. Vol. 20, №3. P. 540-547.

41. Boveri T. Concerning the origin of malignant tumours by Theodor Boveri. Translated and annotated by Henry Harris. // J Cell Sci. 2008. Vol. 121, №1. P. 1-84.

42. Bozic I., et al. Accumulation of driver and passenger mutations during tumor progression. // Proc Natl Acad Sci U S A. 2010. Vol. 107, №43. P. 18545-18550.

43. Bridgett S., et al. CancerGD: A Resource for Identifying and Interpreting Genetic Dependencies in Cancer. // Cell Syst. 2017. Vol. 5, №1. P. 82-86.

44. Cagnoni G. and Tamagnone L. Semaphorin receptors meet receptor tyrosine kinases on the way of tumor progression. // Oncogene. 2014. Vol. 33, №40. P. 4795-4802.

45. Campbell J., et al. Large-Scale Profiling of Kinase Dependencies in Cancer Cell Lines. // Cell Rep. 2016. Vol. 14, №10. P. 2490-2501.

46. Cancer Genome Atlas Network. Comprehensive molecular characterization of human colon and rectal cancer. // Nature. 2012. Vol. 487, №7407. P. 330-337.

47. Cancer Genome Atlas Research Network. Integrated genomic analyses of ovarian carcinoma. // Nature. 2011. Vol. 474, №7353. P. 609-615.

48. Cancer Genome Atlas Research Network. Comprehensive molecular characterization of urothelial bladder carcinoma. // Nature. 2014. Vol. 507, №7492. P. 315-322.

49. Cerami E., et al. The cBio cancer genomics portal: an open platform for exploring multidimensional cancer genomics data. // Cancer Discov. 2012. Vol. 2, №5. P. 401-404.

50. Cerami E.G., et al. Pathway Commons, a web resource for biological pathway data. // Nucleic Acids Res. 2011. Vol. 39, Database issue. P. 685-690.

51. Chalmers Z.R., et al. Analysis of 100,000 human cancer genomes reveals the landscape of tumor mutational burden. // Genome Med. 2017. Vol. 9, №1. P. 34-51.

52. Chang L., et al. Targeting pan-essential genes in cancer: Challenges and opportunities. // Cancer Cell. 2021. Vol. 39, №4. P. 466-479.

53. Chapman P.B., et al. Improved survival with vemurafenib in melanoma with BRAF V600E mutation. // The New England journal of medicine. 2011. Vol. 364, №26. P. 2507-2516.

54. Chatr-Aryamontri A., et al. The BioGRID interaction database: 2017 update. // Nucleic Acids Res. 2017. Vol. 45, №1. P. 369-379.

55. Chen L., Liu S. and Tao Y. Regulating tumor suppressor genes: post-translational modifications. // Signal Transduct Target Ther. 2020. Vol. 5, №1. P. 90-112.

56. Chen W.H., et al. OGEE v2: an update of the online gene essentiality database with special focus on differentially essential genes in human cancer cell lines. // Nucleic Acids Res. 2017. Vol. 45, №1. P. 940-944.

57. Chen Y., Verbeek F.J. and Wolstencroft K. Establishing a consensus for the hallmarks of cancer based on gene ontology and pathway annotations. // BMC Bioinformatics. 2021. Vol. 22, №1. P. 178-190.

58. Cheng J., et al. Pan-cancer analysis of homozygous deletions in primary tumours uncovers rare tumour suppressors. // Nat Commun. 2017. Vol. 8, №1. P. 1221-1240.

59. Cheng W.C., et al. Intra- and inter-individual variance of gene expression in clinical studies. // PLoS One. 2012. Vol. 7, №6. P. e38650.

60. Cingolani P., et al. A program for annotating and predicting the effects of single nucleotide polymorphisms, SnpEff: SNPs in the genome of Drosophila melanogaster strain w1118; iso-2; iso-3. // Fly (Austin). 2012. Vol. 6, №2. P. 80-92.

61. Cleven A.H., et al. Poorer outcome in stromal HIF-2 alpha- and CA9-positive colorectal adenocarcinomas is associated with wild-type TP53 but not with BNIP3 promoter hypermethylation or apoptosis. // Br J Cancer. 2008. Vol. 99, №5. P. 727-733.

62. Cline M.S., et al. Exploring TCGA Pan-Cancer data at the UCSC Cancer Genomics Browser. // Sci Rep. 2013. Vol. 3, P. 2652.

63. Coldren C.D., et al. Baseline gene expression predicts sensitivity to gefitinib in non-small cell lung cancer cell lines. // Mol Cancer Res. 2006. Vol. 4, №8. P. 521-528.

64. Collado-Torres L., et al. Reproducible RNA-seq analysis using recount2. // Nat Biotechnol. 2017. Vol. 35, №4. P. 319-321.

65. Cong L., et al. Multiplex genome engineering using CRISPR/Cas systems. // Science. 2013. Vol. 339, №6121. P. 819-823.

66. Consortium for Pan-Cancer Analysis of Whole Genomes. Pan-cancer analysis of whole genomes. // Nature. 2020. Vol. 578, №7793. P. 82-93.

67. Costanzo M., et al. A global genetic interaction network maps a wiring diagram of cellular function. // Science. 2016. Vol. 353, №6306. P. 1420-1429

68. Costello J.C., et al. A community effort to assess and improve drug sensitivity prediction algorithms. // Nat Biotechnol. 2014. Vol. 32, №12. P. 1202-1212.

69. Cotto K.C., et al. DGIdb 3.0: a redesign and expansion of the drug-gene interaction database. // Nucleic Acids Res. 2018. Vol. 46, №D1. P. D1068-D1073.

70. Cowley G.S., et al. Parallel genome-scale loss of function screens in 216 cancer cell lines for the identification of context-specific genetic dependencies. // Sci Data. 2014. Vol. 1, P. 135-140.

71. Creixell P., et al. Pathway and network analysis of cancer genomes. // Nat Methods. 2015. Vol. 12, №7. P. 615-621.

72. Cui G., et al. IL-17A in the tumor microenvironment of the human colorectal adenoma-carcinoma sequence. // Scand J Gastroenterol. 2012. Vol. 47, №11. P. 1304-1312.

73. Curtis C., et al. The genomic and transcriptomic architecture of 2,000 breast tumours reveals novel subgroups. // Nature. 2012. Vol. 486, №7403. P. 346-352.

74. da Silva J.P.M., et al. In silico network topology-based prediction of gene essentiality. // Physica A. 2008. Vol. 387, №4. P. 1049-1055.

75. Daber R., Sukhadia S. and Morrissette J.J. Understanding the limitations of next generation sequencing informatics, an approach to clinical pipeline validation using artificial data sets. // Cancer Genet. 2013. Vol. 206, №12. P. 441-448.

76. Dancey J.E., et al. The genetic basis for cancer treatment decisions. // Cell. 2012. Vol. 148, №3. P. 409-420.

77. Daraselia N., et al. Extracting human protein interactions from MEDLINE using a full-sentence parser. // Bioinformatics. 2004. Vol. 20, №5. P. 604-611.

78. Davis A.P., et al. The Comparative Toxicogenomics Database: update 2019. // Nucleic Acids Res. 2018. Vol .47. № . P. 948-954.

79. de Souza W., Carvalho B.d.S. and Lopes-Cendes I. Rqc: A Bioconductor Package for Quality Control of High-Throughput Sequencing Data. // Journal of Statistical Software, Code Snippets. 2018. Vol. 87, №2. P. 1-14.

80. del Rio G., Koschutzki D. and Coello G. How to identify essential genes from molecular networks? // BMC Syst. Biol. 2009. Vol. 3, № 102.

81. Dennis G., et al. DAVID: Database for Annotation, Visualization, and Integrated Discovery. // Genome Biol. 2003. Vol. 4, №5. P. 3-12.

82. DePristo M.A., et al. A framework for variation discovery and genotyping using next-generation DNA sequencing data. // Nat Genet. 2011. Vol. 43, №5. P. 491-498.

83. Dhanjal J.K., Radhakrishnan N. and Sundar D. Identifying synthetic lethal targets using CRISPR/Cas9 system. // Methods. 2017. Vol. 131, №6. P. 66-73.

84. Dobzhansky T. Genetics of natural populations; recombination and variability in populations of Drosophila pseudoobscura. // Genetics. 1946. Vol. 31, №14. P. 269-290.

85. Douville C., et al. CRAVAT: cancer-related analysis of variants toolkit. // Bioinformatics. 2013. Vol. 29, №5. P. 647-648.

86. Druker B.J. Translation of the Philadelphia chromosome into therapy for CML. // Blood. 2008. Vol. 112, №13. P. 4808-4817.

87. Duarte N.C., et al. Global reconstruction of the human metabolic network based on genomic and bibliomic data. // Proc Natl Acad Sci U S A. 2007. Vol. 104, №6. P. 1777-1782.

88. Duffy S., et al. Overexpression screens identify conserved dosage chromosome instability genes in yeast and human cancer. // Proc Natl Acad Sci U S A. 2016. Vol. 113, №36. P. 9967-9976.

89. Dugan T.A., et al. Decorin modulates fibrin assembly and structure. // J Biol Chem. 2006. Vol. 281, №50. P. 38208-38216.

90. Easwaran H., Tsai H.C. and Baylin S.B. Cancer Epigenetics: Tumor Heterogeneity, Plasticity of Stem-like States, and Drug Resistance. // Mol Cell. 2014. Vol. 54, №5. P. 716-727.

91. Eberle J. Countering TRAIL Resistance in Melanoma. // Cancers (Basel). 2019. Vol. 11, №5. P. 34-42.

92. Edwards J.S. and Palsson B.O. The Escherichia coli MG1655 in silico metabolic genotype: its definition, characteristics, and capabilities. // Proc Natl Acad Sci U S A. 2000. Vol. 97, №10. P. 5528-5533.

93. Efroni S., et al. Superposition of transcriptional behaviors determines gene state. // PLoS One. 2008. Vol. 3, №8. P. e2901.

94. Ein-Dor L., et al. Outcome signature genes in breast cancer: is there a unique set? // Bioinformatics. 2005. Vol. 21, №2. P. 171-178.

95. Eisenhauer E.A., et al. New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1). // Eur J Cancer. 2009. Vol. 45, №2. P. 228-247.

96. Essaghir A., et al. Transcription factor regulation can be accurately predicted from the presence of target gene signatures in microarray gene expression data. // Nucleic Acids Res. 2010. Vol. 38, №11. P. e120.

97. Estevez-Garcia P., et al. Gene expression profile predictive of response to chemotherapy in metastatic colorectal cancer. // Oncotarget. 2015. Vol. 6, №8. P. 6151-6159.

98. Evers B., et al. CRISPR knockout screening outperforms shRNA and CRISPRi in identifying essential genes. // Nat Biotechnol. 2016. Vol. 34, №6. P. 631-633.

99. Fabregat A., et al. The Reactome Pathway Knowledgebase. // Nucleic Acids Res. 2018. Vol. 46, №D1. P. D649-D655.

100. Farrell J.J., et al. Cytidine deaminase single-nucleotide polymorphism is predictive of toxicity from gemcitabine in patients with pancreatic cancer: RTOG 9704. // Pharmacogenomics J. 2012. Vol. 12, №5. P. 395-403.

101. Feagins L.A. Role of transforming growth factor-beta in inflammatory bowel disease and colitis-associated colon cancer. // Inflamm Bowel Dis. 2010. Vol. 16, №11. P. 19631968.

102. Fernandez-Retana J., et al. Transcript profiling distinguishes complete treatment responders with locally advanced cervical cancer. // Transl Oncol. 2015. Vol. 8, №2. P. 77-84.

103. Ferreiro-Neira I., et al. XPO1 Inhibition Enhances Radiation Response in Preclinical Models of Rectal Cancer. // Clin Cancer Res. 2016. Vol. 22, №7. P. 1663-1673.

104. Finotello F. and Di Camillo B. Measuring differential gene expression with RNA-seq: challenges and strategies for data analysis. // Briefings in functional genomics. 2015. Vol. 14, №2. P. 130-142.

105. Flaherty K.T., et al. Molecular Landscape and Actionable Alterations in a Genomically Guided Cancer Clinical Trial: National Cancer Institute Molecular Analysis for Therapy Choice (NCI-MATCH). // J Clin Oncol. 2020. Vol. 38, №33. P. 3883-3894.

106. Foroutan M., et al. Single sample scoring of molecular phenotypes. // BMC Bioinformatics. 2018. Vol. 19, №1. P. 404.

107. Franceschini A., et al. STRING v9.1: protein-protein interaction networks, with increased coverage and integration. // Nucleic Acids Res. 2013. Vol. 41, № Database issue. P. D808-815.

108. Fritsch E.F., Hacohen N. and Wu C.J. Personal neoantigen cancer vaccines: The momentum builds. // Oncoimmunology. 2014. Vol. 3, № P. e29311.

109. Fu Y., et al. FunSeq2: a framework for prioritizing noncoding regulatory variants in cancer. // Genome Biol. 2014. Vol. 15, №10. P. 480.

110. Fujita A., et al. Evaluating different methods of microarray data normalization. // BMC Bioinformatics. 2006. Vol. 7, №42. P. 469-481.

111. Fujita S., et al. Single nucleotide variant sequencing errors in whole exome sequencing using the Ion Proton System. // Biomed Rep. 2017. Vol. 7, №1. P. 17-20.

112. Futreal P.A., et al. A census of human cancer genes. // Nat Rev Cancer. 2004. Vol. 4, №3. P. 177-183.

113. Gagan J. and Van Allen E.M. Next-generation sequencing to guide cancer therapy. // Genome Med. 2015. Vol. 7, №1. P. 80.

114. Galamb O., et al. Inflammation, adenoma and cancer: objective classification of colon biopsy specimens with gene expression signature. // Disease markers. 2008. Vol. 25, №1. P. 1 -16.

115. Gatto F., et al. Flux balance analysis predicts essential genes in clear cell renal cell carcinoma metabolism. // Sci Rep. 2015. Vol. 5. P. 10738.

116. Gedaly R., et al. PI-103 and sorafenib inhibit hepatocellular carcinoma cell proliferation by blocking Ras/Raf/MAPK and PI3K/AKT/mTOR pathways. // Anticancer Res.

2010. Vol. 30, №12. P. 4951-4958.

117. Geeleher P., Cox N.J. and Huang R.S. Clinical drug response can be predicted using baseline gene expression levels and in vitro drug sensitivity in cell lines. // Genome Biol. 2014. Vol. 15, №3. P. R47.

118. Gehring J.S., et al. SomaticSignatures: inferring mutational signatures from single-nucleotide variants. // Bioinformatics. 2015. Vol. 31, №22. P. 3673-3675.

119. Gerlach K., et al. Transcription factor NFATc2 controls the emergence of colon cancer associated with IL-6-dependent colitis. // Cancer Res. 2012. Vol. 72, №17. P. 4340-4350.

120. Ghandi M., et al. Next-generation characterization of the Cancer Cell Line Encyclopedia. // Nature. 2019. Vol. 569, №7757. P. 503-508.

121. Gnad F., et al. Assessment of computational methods for predicting the effects of missense mutations in human cancers. // BMC Genomics. 2013. Vol. 14, Suppl 3. P. S7.

122. Gonen M., et al. A Community Challenge for Inferring Genetic Predictors of Gene Essentialities through Analysis of a Functional Screen of Cancer Cell Lines. // Cell Syst. 2017. Vol. 5, №5. P. 485-497 e483.

123. Gonzalez-Perez A., et al. IntOGen-mutations identifies cancer drivers across tumor types. // Nature methods. 2013. Vol. 10, №11. P. 1081-1082.

124. Good B.M., et al. Organizing knowledge to enable personalization of medicine in cancer. // Genome Biol. 2014. Vol. 15, №8. P. 438.

125. Greenblum S.I., et al. The Pathologist: an automated tool for pathway-centric analysis. // BMC Bioinformatics. 2011. Vol. 12. P. 133-148.

126. Griffith M., et al. CIViC is a community knowledgebase for expert crowdsourcing the clinical interpretation of variants in cancer. // Nat Genet. 2017. Vol. 49, №2. P. 170-174.

127. Gulubova M., et al. Role of TGF-beta1, its receptor TGFbetaRII, and Smad proteins in the progression of colorectal cancer. // Int J Colorectal Dis. 2010. Vol. 25, №5. P. 591-599.

128. Guo J., Liu H. and Zheng J. SynLethDB: synthetic lethality database toward discovery of selective and sensitive anticancer drug targets. // Nucleic Acids Res. 2016. Vol. 44, №D1. P. D1011-1017.

129. Haber J.E., et al. Systematic triple-mutant analysis uncovers functional connectivity between pathways involved in chromosome regulation. // Cell Rep. 2013. Vol. 3, №6. P. 21682178.

130. Haibe-Kains B., et al. Inconsistency in large pharmacogenomic studies. // Nature. 2013. Vol. 504, №7480. P. 389-393.

131. Halama N., et al. Tumoral Immune Cell Exploitation in Colorectal Cancer Metastases Can Be Targeted Effectively by Anti-CCR5 Therapy in Cancer Patients. // Cancer Cell. 2016. Vol. 29, №4. P. 587-601.

132. Hamidi A., et al. TGF-beta promotes PI3K-AKT signaling and prostate cancer cell migration through the TRAF6-mediated ubiquitylation of p85alpha. // Sci Signal. 2017. Vol. 10, №486. P. eaal4186.

133. Hanahan D. and Weinberg R.A. Hallmarks of cancer: the next generation. // Cell.

2011. Vol. 144, №5. P. 646-674.

134. Hanzelmann S., Castelo R. and Guinney J. GSVA: gene set variation analysis for microarray and RNA-Seq data. // BMC Bioinformatics. 2013. Vol. 14, № 7.

135. Harborth J., et al. Identification of essential genes in cultured mammalian cells using small interfering RNAs. // J Cell Sci. 2001. Vol. 114, № Pt 24. P. 4557-4565.

136. Harris D.R., Mims A. and Bunz F. Genetic disruption of USP9X sensitizes colorectal cancer cells to 5-fluorouracil. // Cancer Biol Ther. 2012. Vol. 13, №13. P. 1319-1324.

137. Hart T., et al. Measuring error rates in genomic perturbation screens: gold standards for human functional genomics. // Mol Syst Biol. 2014. Vol. 10. P. 733-746.

138. Hart T., et al. High-Resolution CRISPR Screens Reveal Fitness Genes and Genotype-Specific Cancer Liabilities. // Cell. 2015. Vol. 163, №6. P. 1515-1526.

139. Hartwell L.H., et al. Integrating genetic approaches into the discovery of anticancer drugs. // Science. 1997. Vol. 278, №5340. P. 1064-1068.

140. Haslem D.S., et al. Precision Oncology Strategy in Trastuzumab-Resistant Human Epidermal Growth Factor Receptor 2-Positive Colon Cancer: Case Report of Durable Response to Ado-Trastuzumab Emtansine. // JCO Precis Oncol. 2017. Vol. 1, №1. P. 1-6.

141. Haury A.C., Gestraud P. and Vert J.P. The influence of feature selection methods on accuracy, stability and interpretability of molecular signatures. // PLoS One. 2011. Vol. 6, №12. P. e28210.

142. Haynes W.A., et al. Differential expression analysis for pathways. // PLoS Comput. Biol. 2013. Vol. 9, №3. P. e1002967.

143. Heavner B.D., et al. Version 6 of the consensus yeast metabolic network refines biochemical coverage and improves model performance. // Database (Oxford). 2013. Vol. 2013. P. bat059.

144. Helming K.C., et al. ARID1B is a specific vulnerability in ARID1A-mutant cancers. // Nat Med. 2014. Vol. 20, №3. P. 251-254.

145. Herranz N., et al. Polycomb complex 2 is required for E-cadherin repression by the Snail 1 transcription factor. // Molecular and cellular biology. 2008. Vol. 28, №15. P. 4772-4781.

146. Hochreiter S., Clevert D.A. and Obermayer K. A new summarization method for Affymetrix probe level data. // Bioinformatics. 2006. Vol. 22, №8. P. 943-949.

147. Hoelder S., Clarke P.A. and Workman P. Discovery of small molecule cancer drugs: successes, challenges and opportunities. // Mol Oncol. 2012. Vol. 6, №2. P. 155-176.

148. Hong B., et al. Targeting tumor suppressor p53 for cancer therapy: strategies, challenges and opportunities. // Curr Drug Targets. 2014. Vol. 15, №1. P. 80-89.

149. Hopfner M., Schuppan D. and Scherubl H. Growth factor receptors and related signalling pathways as targets for novel treatment strategies of hepatocellular cancer. // World J Gastroenterol. 2008. Vol. 14, №1. P. 1-14.

150. Hornbeck P.V., et al. PhosphoSitePlus, 2014: mutations, PTMs and recalibrations. // Nucleic Acids Res. 2015. Vol. 43, № Database issue. P. D512-520.

151. Housden B.E., et al. Loss-of-function genetic tools for animal models: cross-species and cross-platform differences. // Nat Rev Genet. 2017. Vol. 18, №1. P. 24-40.

152. Howard M., et al. VarStack: a web tool for data retrieval to interpret somatic variants in cancer. // Database (Oxford). 2020. Vol. 2020. P. baaa92.

153. Hsu T.Y., et al. The spliceosome is a therapeutic vulnerability in MYC-driven cancer. // Nature. 2015. Vol. 525, №7569. P. 384-388.

154. Huang Y., et al. Protein studies in dysferlinopathy patients using llama-derived antibody fragments selected by phage display. // European journal of human genetics: EJHG. 2005. Vol. 13, №6. P. 721-730.

155. Huang Y., et al. Loss of nuclear localization of TET2 in colorectal cancer. // Clin Epigenetics. 2016. Vol. 8. P. 9-23.

156. Huang Z.H., et al. Prognostic role of p53 codon 72 polymorphism in gastric cancer patients treated with fluorouracil-based adjuvant chemotherapy. // J Cancer Res Clin Oncol. 2008. Vol. 134, №10. P. 1129-1134.

157. Hummel M., et al. TEQC: an R package for quality control in target capture experiments. // Bioinformatics. 2011. Vol. 27, №9. P. 1316-1317.

158. Hummel M., et al. Association between a prognostic gene signature and functional gene sets. // Bioinform Biol Insights. 2008. Vol. 2. P. 329-341.

159. Hung J.H., et al. Identification of functional modules that correlate with phenotypic difference: the influence of network topology. // Genome Biol. 2010. Vol. 11, №2. P. 23-41.

160. Hynes N.E. and Lane H.A. ERBB receptors and cancer: the complexity of targeted inhibitors. // Nat Rev Cancer. 2005. Vol. 5, №5. P. 341-354.

161. Jackson R.A. and Chen E.S. Synthetic lethal approaches for assessing combinatorial efficacy of chemotherapeutic drugs. // Pharmacol Ther. 2016. Vol. 162. P. 69-85.

162. Jacunski A., Dixon S.J. and Tatonetti N.P. Connectivity Homology Enables Inter-Species Network Models of Synthetic Lethality. // PLoS Comput Biol. 2015. Vol. 11, №10. P.e1004506.

163. Jaiswal A., et al. Seed-effect modeling improves the consistency of genome-wide loss-of-function screens and identifies synthetic lethal vulnerabilities in cancer cells. // Genome Med. 2017. Vol. 9, №1. P. 51.

164. Jauliac S., et al. The role of NFAT transcription factors in integrin-mediated carcinoma invasion. // Nat Cell Biol. 2002. Vol. 4, №7. P. 540-544.

165. Jeong H., et al. Lethality and centrality in protein networks. // Nature. 2001. Vol. 411, №6833. P. 41-42.

166. Jerby-Arnon L., et al. Predicting cancer-specific vulnerability via data-driven detection of synthetic lethality. // Cell. 2014. Vol. 158, №5. P. 1199-1209.

167. Jerby L., Shlomi T. and Ruppin E. Computational reconstruction of tissue-specific metabolic models: application to human liver metabolism. // Mol Syst Biol. 2010. Vol. 6. P. 401412.

168. Jewison T., et al. SMPDB 2.0: big improvements to the Small Molecule Pathway Database. // Nucleic Acids Res. 2014. Vol. 42, № Database issue. P. D478-484.

169. Jia P. and Zhao Z. Personalized pathway enrichment map of putative cancer genes from next generation sequencing data. // PLoS One. 2012. Vol. 7, №5. P. e37595.

170. Jinek M., et al. A programmable dual-RNA-guided DNA endonuclease in adaptive bacterial immunity. // Science. 2012. Vol. 337, №6096. P. 816-821.

171. Jones S., et al. Personalized genomic analyses for cancer mutation discovery and interpretation. // Sci Transl Med. 2015. Vol. 7, №283. P. 283ra253.

172. Kalia S.S., et al. Recommendations for reporting of secondary findings in clinical exome and genome sequencing, 2016 update (ACMG SF v2.0): a policy statement of the American College of Medical Genetics and Genomics. // Genet Med. 2017. Vol. 19, №2. P. 249-255.

173. Kamburov A., et al. The ConsensusPathDB interaction database: 2013 update. // Nucleic Acids Res. 2013. Vol. 41, № Database issue. P. D793-800.

174. Kaminker J.S., et al. CanPredict: a computational tool for predicting cancer-associated missense mutations. // Nucleic Acids Res. 2007. Vol. 35, № Web Server issue. P. W595-598.

175. Kandoth C., et al. Mutational landscape and significance across 12 major cancer types. // Nature. 2013. Vol. 502, №7471. P. 333-339.

176. Kanehisa M. and Goto S. KEGG: kyoto encyclopedia of genes and genomes. // Nucleic Acids Res. 2000. Vol. 28, №1. P. 27-30.

177. Kang Y., et al. Nkx2.1 transcription factor in lung cells and a transforming growth factor-beta1 heterozygous mouse model of lung carcinogenesis. // Mol Carcinog. 2004. Vol. 40, №4. P. 212-231.

178. Kanhaiya K., et al. Controlling Directed Protein Interaction Networks in Cancer. // Sci Rep. 2017. Vol. 7, №1. P. 10327.

179. Kao J., et al. Molecular profiling of breast cancer cell lines defines relevant tumor models and provides a resource for cancer gene discovery. // PLoS One. 2009. Vol. 4, №7. P.e6146.

180. Kaplun A., et al. PGMD: a comprehensive manually curated pharmacogenomic database. // Pharmacogenomics J. 2016. Vol. 16, №2. P. 124-128.

181. Kappeler A. and Mueller C. The role of activated cytotoxic T cells in inflammatory bowel disease. // Histol Histopathol. 2000. Vol. 15, №1. P. 167-172.

182. Karczewski K.J., et al. The mutational constraint spectrum quantified from variation in 141,456 humans. // Nature. 2020. Vol. 581, №7809. P. 434-443.

183. Karr J.R., et al. A whole-cell computational model predicts phenotype from genotype. // Cell. 2012. Vol. 150, №2. P. 389-401.

184. Kaufman L. and Rousseeuw P.J. Finding Groups in Data. Wiley-Interscience; 2005.

185. Kawajiri C., et al. Successful treatment of Philadelphia chromosome-positive mixed phenotype acute leukemia by appropriate alternation of second-generation tyrosine kinase inhibitors according to BCR-ABL1 mutation status. // Int J Hematol. 2014. Vol. 99, №4. P. 513518.

186. Kel A., et al. ExPlain: finding upstream drug targets in disease gene regulatory networks. // SAR QSAR Environ Res. 2008. Vol. 19, №5-6. P. 481-494.

187. Khambata-Ford S., et al. Expression of epiregulin and amphiregulin and K-ras mutation status predict disease control in metastatic colorectal cancer patients treated with cetuximab. // J Clin Oncol. 2007. Vol. 25, №22. P. 3230-3237.

188. Khatri P., Sirota M. and Butte A.J. Ten years of pathway analysis: current approaches and outstanding challenges. // PLoS Comput Biol. 2012. Vol. 8, №2. P. e1002375.

189. Khrunin A., et al. Pharmacogenomics of cisplatin-based chemotherapy in ovarian cancer patients of different ethnic origins. // Pharmacogenomics. 2012. Vol. 13, №2. P. 171-178.

190. Khurana E., et al. Integrative annotation of variants from 1092 humans: application to cancer genomics. // Science. 2013. Vol. 342, №6154. P. 1235587.

191. Khuri S. and Wuchty S. Essentiality and centrality in protein interaction networks revisited. // BMC Bioinformatics. 2015. Vol. 16. P. 109.

192. Kim R., Emi M. and Tanabe K. Cancer immunoediting from immune surveillance to immune escape. // Immunology. 2007. Vol. 121, №1. P. 1-14.

193. Kim Y.S., et al. Sorafenib induces apoptotic cell death in human non-small cell lung cancer cells by down-regulating mammalian target of rapamycin (mTOR)-dependent survivin expression. // Biochem Pharmacol. 2011. Vol. 82, №3. P. 216-226.

194. Kittaneh M., Montero A.J. and Gluck S. Molecular profiling for breast cancer: a comprehensive review. // Biomark Cancer. 2013. Vol. 5. P. 61-70.

195. Knickelbein K. and Zhang L. Mutant KRAS as a critical determinant of the therapeutic response of colorectal cancer. // Genes Dis. 2015. Vol. 2, №1. P. 4-12.

196. Koboldt D.C., et al. VarScan 2: somatic mutation and copy number alteration discovery in cancer by exome sequencing. // Genome Res. 2012. Vol. 22, №3. P. 568-576.

197. Koch M., et al. Tumor infiltrating T lymphocytes in colorectal cancer: Tumor-selective activation and cytotoxic activity in situ. // Ann Surg. 2006. Vol. 244, № 6. P. 986-992; discussion 992-983.

198. Kockar C., et al. Global fibrinolytic capacity increased exponentially in metastatic colorectal cancer. // Clinical and applied thrombosis/hemostasis: official journal of the International Academy of Clinical and Applied Thrombosis/Hemostasis. 2005. Vol. 11, №2. P. 227-230.

199. Koh J.L., et al. COLT-Cancer: functional genetic screening resource for essential genes in human cancer cell lines. // Nucleic Acids Res. 2012. Vol. 40, № Database issue. P. D957-963.

200. Koscielny S. Why most gene expression signatures of tumors have not been useful in the clinic. // Sci Transl Med. 2010. Vol. 2, №14. P. 14ps12.

201. Kotelnikova E.A., et al. NGS-based identification of druggable alterations and signaling pathways — Hepatocellular carcinoma case report. // Biopolymers and Cell. 2015. Vol. 31, №6. P. 436-446.

202. Kressner U., et al. Stromal tenascin distribution as a prognostic marker in colorectal cancer. // Br J Cancer. 1997. Vol. 76, №4. P. 526-530.

203. Krishnan V.G. and Ng P.C. Predicting cancer drivers: are we there yet? // Genome Med. 2012. Vol. 4, №11. P. 88-96.

204. Krivosheeva I.A., et al. Analysis of candidate genes expected to be essential for melanoma surviving. // Cancer Cell Int. 2020. Vol. 20. P. 488-501.

205. Krzywinski M., et al. Circos: an information aesthetic for comparative genomics. // Genome Res. 2009. Vol. 19, №9. P. 1639-1645.

206. Kumar R.D., et al. Prioritizing Potentially Druggable Mutations with dGene: An Annotation Tool for Cancer Genome Sequencing Data. // PLoS One. 2013. Vol. 8, №6. P. e67980.

207. Kuperstein I., et al. Atlas of Cancer Signalling Network: a systems biology resource for integrative analysis of cancer data with Google Maps. // Oncogenesis. 2015. Vol. 4. P. e160.

208. Kurnit K.C., et al. «Personalized Cancer Therapy»: A Publicly Available Precision Oncology Resource. // Cancer Res. 2017. Vol. 77, №21. P. e123-e126.

209. Kutmon M., et al. PathVisio 3: An Extendable Pathway Analysis Toolbox. // PLoS Comput. Biol. 2015. Vol. 11, №2. P. e1004085.

210. Kwak E.L., et al. Anaplastic lymphoma kinase inhibition in non-small-cell lung cancer. // The New England journal of medicine. 2010. Vol. 363, №18. P. 1693-1703.

211. Lachmann A., et al. Massive mining of publicly available RNA-seq data from human and mouse. // Nat Commun. 2018. Vol. 9, №1. P. 1366-1372.

212. Lagana A., et al. Computational design of artificial RNA molecules for gene regulation. // Methods Mol Biol. 2015. Vol. 1269. P. 393-412.

213. Landrum M.J., et al. ClinVar: public archive of relationships among sequence variation and human phenotype. // Nucleic Acids Res. 2014. Vol. 42, № Database issue. P. D980-985.

214. Langmead B. and Salzberg S.L. Fast gapped-read alignment with Bowtie 2. // Nat Methods. 2012. Vol. 9, №4. P. 357-359.

215. Larsson L. Acute quadriplegic myopathy: an acquired «myosinopathy». // Advances in experimental medicine and biology. 2008. Vol. 642. P. 92-98.

216. Lawrence M.S., et al. Discovery and saturation analysis of cancer genes across 21 tumour types. // Nature. 2014. Vol. 505, №7484. P. 495-501.

217. Lawrence M.S., et al. Mutational heterogeneity in cancer and the search for new cancer-associated genes. // Nature. 2013. Vol. 499, №7457. P. 214-218.

218. Le Tourneau C., et al. Molecularly targeted therapy based on tumour molecular profiling versus conventional therapy for advanced cancer (SHIVA): a multicentre, open-label, proof-of-concept, randomised, controlled phase 2 trial. // Lancet Oncol. 2015. Vol. 16, №13. P. 1324-1334.

219. Lee E., et al. Inferring pathway activity toward precise disease classification. // PLoS Comput Biol. 2008. Vol. 4, №11. P. e1000217.

220. Lee M., et al. Tumor mutational burden as a predictive biomarker for checkpoint inhibitor immunotherapy. // Hum Vaccin Immunother. 2020. Vol. 16, №1. P. 112-115.

221. Leinonen R., et al. The sequence read archive. // Nucleic Acids Res. 2011. Vol. 39, № Database issue. P. D19-21.

222. Lesko A.C., Goss K.H. and Prosperi J.R. Exploiting APC function as a novel cancer therapy. // Curr Drug Targets. 2014. Vol. 15, №1. P. 90-102.

223. Lever J., et al. Text-mining clinically relevant cancer biomarkers for curation into the CIViC database. // Genome Med. 2019. Vol. 11, №1. P. 78.

224. Li B., et al. Development of a Drug-Response Modeling Framework to Identify Cell Line Derived Translational Biomarkers That Can Predict Treatment Outcome to Erlotinib or Sorafenib. // PLoS One. 2015. Vol. 10, №6. P. e0130700.

225. Li C., et al. Transforming growth factor-beta inhibits pulmonary surfactant protein B gene transcription through SMAD3 interactions with NKX2.1 and HNF-3 transcription factors. // J Biol Chem. 2002. Vol. 277, №41. P. 38399-38408.

226. Li H. A statistical framework for SNP calling, mutation discovery, association mapping and population genetical parameter estimation from sequencing data. // Bioinformatics. 2011. Vol. 27, №21. P. 2987-2993.

227. Li R., et al. SNP detection for massively parallel whole-genome resequencing. // Genome Res. 2009. Vol. 19, №6. P. 1124-1132.

228. Li X. and Warner J.L. A Review of Precision Oncology Knowledgebases for Determining the Clinical Actionability of Genetic Variants. // Front Cell Dev Biol. 2020. Vol. 8. P. 48-62.

229. Li Z.H., et al. The role of copper transporter ATP7A in platinum-resistance of esophageal squamous cell cancer (ESCC). // J Cancer. 2016. Vol. 7, №14. P. 2085-2092.

230. Liberzon A., et al. The Molecular Signatures Database (MSigDB) hallmark gene set collection. // Cell Syst. 2015. Vol. 1, №6. P. 417-425.

231. Lih C.J., et al. Analytical Validation of the Next-Generation Sequencing Assay for a Nationwide Signal-Finding Clinical Trial: Molecular Analysis for Therapy Choice Clinical Trial. // J Mol Diagn. 2017. Vol. 19, №2. P. 313-327.

232. Lin V.T.G. and Yang E.S. The Pros and Cons of Incorporating Transcriptomics in the Age of Precision Oncology. // J Natl Cancer Inst. 2019. Vol. 111, №10. P. 1016-1022.

233. Linnemann C., et al. High-throughput epitope discovery reveals frequent recognition of neo-antigens by CD4+ T cells in human melanoma. // Nat Med. 2015. Vol. 21, №1. P. 81-85.

234. Liu X., et al. dbNSFP v3.0: A One-Stop Database of Functional Predictions and Annotations for Human Nonsynonymous and Splice-Site SNVs. // Hum Mutat. 2016. Vol. 37, №3. P. 235-241.

235. Liu Y.Y., Slotine J.J. and Barabasi A.L. Controllability of complex networks. // Nature. 2011. Vol. 473, №7346. P. 167-173.

236. Loaiza-Bonilla A., et al. KDR Mutation as a Novel Predictive Biomarker of Exceptional Response to Regorafenib in Metastatic Colorectal Cancer. // Cureus. 2016. Vol. 8, №2. P. e478.

237. Lu X., et al. MET Exon 14 Mutation Encodes an Actionable Therapeutic Target in Lung Adenocarcinoma. // Cancer Res. 2017. Vol. 77, №16. P. 4498-4505.

238. Luo B., et al. Highly parallel identification of essential genes in cancer cells. // Proc Natl Acad Sci U S A. 2008. Vol. 105, №51. P. 20380-20385.

239. Luo H., et al. DEG 10, an update of the database of essential genes that includes both protein-coding genes and noncoding genomic elements. // Nucleic Acids Res. 2014. Vol. 42, № Database issue. P. D574-580.

240. Luo J. and Qi Y. Identification of Essential Proteins Based on a New Combination of Local Interaction Density and Protein Complexes. // PLoS One. 2015. Vol. 10, №6. P. e0131418.

241. MacArthur D.G., et al. A systematic survey of loss-of-function variants in human protein-coding genes. // Science. 2012. Vol. 335, №6070. P. 823-828.

242. Marcotte R., et al. Essential gene profiles in breast, pancreatic, and ovarian cancer cells. // Cancer Discov. 2012. Vol. 2, №2. P. 172-189.

243. Marcotte R., et al. Functional Genomic Landscape of Human Breast Cancer Drivers, Vulnerabilities, and Resistance. // Cell. 2016. Vol. 164, №1-2. P. 293-309.

244. Martincorena I., et al. Universal Patterns of Selection in Cancer and Somatic Tissues. // Cell. 2017. Vol. 171, №5. P. 1029-1041 e1021.

245. Martinez-Ledesma E., de Groot J.F. and Verhaak R.G. Seek and destroy: relating cancer drivers to therapies. // Cancer Cell. 2015. Vol. 27, №3. P. 319-321.

246. Masica D.L., et al. CRAVAT 4: Cancer-Related Analysis of Variants Toolkit. // Cancer Res. 2017. Vol. 77, №21. P. e35-e38.

247. Massard C., et al. High-Throughput Genomics and Clinical Outcome in Hard-to-Treat Advanced Cancers: Results of the MOSCATO 01 Trial. // Cancer Discov. 2017. Vol. 7, №6. P. 586-595.

248. Matsushita H., et al. Cancer exome analysis reveals a T-cell-dependent mechanism of cancer immunoediting. // Nature. 2012. Vol. 482, №7385. P. 400-404.

249. Maximchik P.V., et al. Cellular Energetics as a Target for Tumor Cell Elimination. // Biochemistry (Mosc). 2016. Vol. 81, №2. P. 65-79.

250. McFarland C.D., et al. Impact of deleterious passenger mutations on cancer progression. // Proc Natl Acad Sci U S A. 2013. Vol. 110, №8. P. 2910-2915.

251. McKenna A., et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data. // Genome Res. 2010. Vol. 20, №9. P. 12971303.

252. McLaren W., et al. The Ensembl Variant Effect Predictor. // Genome Biol. 2016. Vol. 17, №1. P. 122.

253. Megchelenbrink W., et al. Synthetic dosage lethality in the human metabolic network is highly predictive of tumor growth and cancer patient survival. // Proc Natl Acad Sci U S A. 2015. Vol. 112, №39. P. 12217-12222.

254. Mendez R., et al. HLA and melanoma: multiple alterations in HLA class I and II expression in human melanoma cell lines from ESTDAB cell bank. // Cancer Immunol Immunother. 2009. Vol. 58, №9. P. 1507-1515.

255. Meng C., et al. moCluster: Identifying Joint Patterns Across Multiple Omics Data Sets. // J Proteome Res. 2016. Vol. 15, №3. P. 755-765.

256. Meric-Bernstam F., et al. A decision support framework for genomically informed investigational cancer therapy. // J Natl Cancer Inst. 2015. Vol. 107, №7. P. 98-111.

257. Merino D.M., et al. Establishing guidelines to harmonize tumor mutational burden (TMB): in silico assessment of variation in TMB quantification across diagnostic platforms: phase I of the Friends of Cancer Research TMB Harmonization Project. // J Immunother Cancer. 2020. Vol. 8, №1. P. 147-164.

258. Metzeler K.H., et al. Spectrum and prognostic relevance of driver gene mutations in acute myeloid leukemia. // Blood. 2016. Vol. 128, №5. P. 686-698.

259. Meyers R.M., et al. Computational correction of copy number effect improves specificity of CRISPR-Cas9 essentiality screens in cancer cells. // Nat Genet. 2017. Vol. 49, №12. P. 1779-1784.

260. Mi G., et al. Length bias correction in gene ontology enrichment analysis using logistic regression. // PLoS One. 2012. Vol. 7, №10. P. e46128.

261. Michiels S., Koscielny S. and Hill C. Prediction of cancer outcome with microarrays: a multiple random validation strategy. // Lancet. 2005. Vol. 365, №9458. P. 488492.

262. Miller G.J., et al. Increased incidence of neoplasia of the digestive tract in men with persistent activation of the coagulant pathway. // Journal of thrombosis and haemostasis: JTH. 2004. Vol. 2, №12. P. 2107-2114.

263. Missero C., Pirro M.T. and Di Lauro R. Multiple ras downstream pathways mediate functional repression of the homeobox gene product TTF-1. // Molecular and cellular biology. 2000. Vol. 20, №8. P. 2783-2793.

264. Misyura M., et al. Comparison of Next-Generation Sequencing Panels and Platforms for Detection and Verification of Somatic Tumor Variants for Clinical Diagnostics. // J Mol Diagn. 2016. Vol. 18, №6. P. 842-850.

265. Mo Q., et al. Pattern discovery and cancer gene identification in integrated cancer genomic data. // Proc Natl Acad Sci U S A. 2013. Vol. 110, №11. P. 4245-4250.

266. Morgens D.W., et al. Systematic comparison of CRISPR/Cas9 and RNAi screens for essential genes. // Nat Biotechnol. 2016. Vol. 34, №6. P. 634-636.

267. Morris L.G. and Chan T.A. Therapeutic targeting of tumor suppressor genes. // Cancer. 2015. Vol. 121, №9. P. 1357-1368.

268. Muller F.L., Aquilanti E.A. and DePinho R.A. Collateral Lethality: A new therapeutic strategy in oncology. // Trends Cancer. 2015. Vol. 1, №3. P. 161-173.

269. Munoz D.M., et al. CRISPR Screens Provide a Comprehensive Assessment of Cancer Vulnerabilities but Generate False-Positive Hits for Highly Amplified Genomic Regions. // Cancer Discov. 2016. Vol. 6, №8. P. 900-913.

270. Muraoka-Cook R.S., Dumont N. and Arteaga C.L. Dual role of transforming growth factor beta in mammary tumorigenesis and metastatic progression. // Clinical cancer research: an official journal of the American Association for Cancer Research. 2005. Vol. 11, №2 Pt 2. P. 937-943.

271. Muscat A.M., et al. The evolutionary pattern of mutations in glioblastoma reveals therapy-mediated selection. // Oncotarget. 2018. Vol. 9, №8. P. 7844-7858.

272. Nag S., et al. Targeting MDM2-p53 interaction for cancer therapy: are we there yet? // Curr Med Chem. 2014. Vol. 21, №5. P. 553-574.

273. Nanda J.S., Kumar R. and Raghava G.P.S. dbEM: A database of epigenetic modifiers curated from cancerous and normal genomes. // Sci Rep. 2016. Vol. 6, № P. 1934019352.

274. Nasarre P., Gemmill R.M. and Drabkin H.A. The emerging role of class-3 semaphorins and their neuropilin receptors in oncology. // Onco Targets Ther. 2014. Vol. 7. P. 1663-1687.

275. Nasser M.W., et al. Cross-desensitization among CXCR1, CXCR2, and CCR5: role of protein kinase C-epsilon. // J Immunol. 2005. Vol. 174, №11. P. 6927-6933.

276. Nei M. and Gojobori T. Simple methods for estimating the numbers of synonymous and nonsynonymous nucleotide substitutions. // Mol Biol Evol. 1986. Vol. 3, №5. P. 418-426.

277. Neri F., et al. TET1 is a tumour suppressor that inhibits colon cancer growth by derepressing inhibitors of the WNT pathway. // Oncogene. 2015. Vol. 34, №32. P. 4168-4176.

278. Ng P.C. and Henikoff S. Predicting deleterious amino acid substitutions. // Genome Res. 2001. Vol. 11, №5. P. 863-874.

279. Novichkova S., Egorov S. and Daraselia N. MedScan, a natural language processing engine for MEDLINE abstracts. // Bioinformatics. 2003. Vol. 19, №13. P. 1699-1706.

280. Nussinov R., et al. Review: Precision medicine and driver mutations: Computational methods, functional assays and conformational principles for interpreting cancer drivers. // PLoS Comput Biol. 2019. Vol. 15, №3. P. e1006658.

281. O'Neil N.J., Bailey ML. and Hieter P. Synthetic lethality and cancer. // Nat Rev Genet. 2017. Vol. 18, №10. P. 613-623.

282. Offer S.M., et al. Phenotypic profiling of DPYD variations relevant to 5-fluorouracil sensitivity using real-time cellular analysis and in vitro measurement of enzyme activity. // Cancer Res. 2013. Vol. 73, №6. P. 1958-1968.

283. Ogata H., et al. KEGG: Kyoto Encyclopedia of Genes and Genomes. // Nucleic Acids Res. 1999. Vol. 27, №1. P. 29-34.

284. Oliveras-Ferraros C., et al. Stem cell property epithelial-to-mesenchymal transition is a core transcriptional network for predicting cetuximab (Erbitux) efficacy in KRAS wild-type tumor cells. // J Cell Biochem. 2011. Vol. 112, №1. P. 10-29.

285. Olivier M., et al. The Need for Multi-Omics Biomarker Signatures in Precision Medicine. // Int J Mol Sci. 2019. Vol. 20, №19. P. 4781-4790.

286. Opdam S., et al. A Systematic Evaluation of Methods for Tailoring Genome-Scale Metabolic Models. // Cell Syst. 2017. Vol. 4, №3. P. 318-329.

287. Orth J.D., Thiele I. and Palsson B.O. What is flux balance analysis? // Nat Biotechnol. 2010. Vol. 28, №3. P. 245-248.

288. Oshlack A. and Wakefield M.J. Transcript length bias in RNA-seq data confounds systems biology. // Biology direct. 2009. Vol. 4. P. 14-26.

289. Ostrow S.L., et al. Cancer evolution is associated with pervasive positive selection on globally expressed genes. // PLoS Genet. 2014. Vol. 10, №3. P. e1004239.

290. Ottaviani A., et al. The D4Z4 macrosatellite repeat acts as a CTCF and A-type lamins-dependent insulator in facio-scapulo-humeral dystrophy. // PLoS Genet. 2009. Vol. 5, №2. P.e1000394.

291. Ovens K. and Naugler C. Preliminary evidence of different selection pressures on cancer cells as compared to normal tissues. // Theor Biol Med Model. 2012. Vol. 9. P. 44-56.

292. Pagliarini R., Shao W. and Sellers W.R. Oncogene addiction: pathways of therapeutic response, resistance, and road maps toward a cure. // EMBO Rep. 2015. Vol. 16, №3. P. 280-296.

293. Pakakasama S., et al. Genetic polymorphisms of folate metabolic enzymes and toxicities of high dose methotrexate in children with acute lymphoblastic leukemia. // Ann Hematol. 2007. Vol. 86, №8. P. 609-611.

294. Park H.J., et al. Deregulation of FoxM1b leads to tumour metastasis. // EMBO Mol Med. 2011. Vol. 3, №1. P. 21-34.

295. Pedersen B.S., Layer R.M. and Quinlan A.R. Vcfanno: fast, flexible annotation of genetic variants. // Genome Biol. 2016. Vol. 17, №1. P. 118-119.

296. Pegram M.D., et al. Phase II study of receptor-enhanced chemosensitivity using recombinant humanized anti-p185HER2/neu monoclonal antibody plus cisplatin in patients with HER2/neu-overexpressing metastatic breast cancer refractory to chemotherapy treatment. // J Clin Oncol. 1998. Vol. 16, №8. P. 2659-2671.

297. Peng C., et al. A Comprehensive Overview of Online Resources to Identify and Predict Bacterial Essential Genes. // Front Microbiol. 2017. Vol. 8. P. 2331-2338.

298. Peng R., Lin G. and Li J. Potential pitfalls of CRISPR/Cas9-mediated genome editing. // FEBS J. 2016. Vol. 283, №7. P. 1218-1231.

299. Perez-Llamas C. and Lopez-Bigas N. Gitools: analysis and visualisation of genomic data using interactive heat-maps. // PLoS One. 2011. Vol. 6, №5. P. e19541.

300. Pinero J., et al. The DisGeNET knowledge platform for disease genomics: 2019 update. // Nucleic Acids Res. 2020. Vol. 48, №D1. P. D845-D855.

301. Pishvaian M.J., et al. A virtual molecular tumor board to improve efficiency and scalability of delivering precision oncology to physicians and their patients. // JAMIA Open. 2019. Vol. 2, №4. P. 505-515.

302. Poddubskaya E., et al. Transcriptomics-Guided Personalized Prescription of Targeted Therapeutics for Metastatic ALK-Positive Lung Cancer Case Following Recurrence on ALK Inhibitors. // Front Oncol. 2019. Vol. 9. P. 1026-1038.

303. Pollard K.S., van der Laan M.J. and Wall G. 2003. hopach: Hierarchical Ordered Partitioning and Collapsing Hybrid (HOPACH). Release 2.16.0

304. Prahallad A., et al. Unresponsiveness of colon cancer to BRAF(V600E) inhibition through feedback activation of EGFR. // Nature. 2012. Vol. 483, №7387. P. 100-103.

305. Pusztai L. Chips to bedside: incorporation of microarray data into clinical practice. // Clin Cancer Res. 2006. Vol. 12, №24. P. 7209-7214.

306. Pyatnitskiy M., et al. Bringing Down Cancer Aircraft: Searching for Essential Hypomutated Proteins in Skin Melanoma. // PLoS One. 2015. Vol. 10, №11. P. e0142819.

307. Pyatnitskiy M., et al. Clustering gene expression regulators: new approach to disease subtyping. // PLoS One. 2014. Vol. 9, №1. P. e84955.

308. Pyatnitskiy M.A., Karpov D.S. and Moshkovskii S.A. Searching for Essential Genes in the Cancer Genome. // Biochemistry (Moscow), Supplement Series B: Biomedical Chemistry. 2018. Vol. 12, №4. P. 283-296.

309. Qin C., Sun Y. and Dong Y. A New Method for Identifying Essential Proteins Based on Network Topology Properties and Protein Complexes. // PLoS One. 2016. Vol. 11, №8. P.e0161042.

310. Quast S.A., et al. Sensitization of melanoma cells for TRAIL-induced apoptosis by activation of mitochondrial pathways via Bax. // Eur J Cell Biol. 2014. Vol. 93, №1-2. P. 42-48.

311. Rabik C.A. and Dolan M.E. Molecular mechanisms of resistance and toxicity associated with platinating agents. // Cancer Treat Rev. 2007. Vol. 33, №1. P. 9-23.

312. Ramos A.H., et al. Oncotator: cancer variant annotation tool. // Hum Mutat. 2015. Vol. 36, №4. P. E2423-2429.

313. Reardon H.V., et al. AVIA 3.0: interactive portal for genomic variant and sample level analysis. // Bioinformatics. 2021. Vol. 37, №16. P. 2467-2469.

314. Rees M.G., et al. Correlating chemical sensitivity and basal gene expression reveals mechanism of action. // Nat Chem Biol. 2016. Vol. 12, №2. P. 109-116.

315. Reid R.J., et al. A Synthetic Dosage Lethal Genetic Interaction Between CKS1B and PLK1 Is Conserved in Yeast and Human Cancer Cells. // Genetics. 2016. Vol. 204, №2. P. 807-819.

316. Reva B., Antipin Y. and Sander C. Predicting the functional impact of protein mutations: application to cancer genomics. // Nucleic Acids Res. 2011. Vol. 39, №17. P. e118.

317. Riedemann L., et al. Megalin genetic polymorphisms and individual sensitivity to the ototoxic effect of cisplatin. // Pharmacogenomics J. 2008. Vol. 8, №1. P. 23-28.

318. Rigden D.J. and Fernandez X.M. The 2021 Nucleic Acids Research database issue and the online molecular biology database collection. // Nucleic Acids Res. 2021. Vol. 49, №D1. P. D1-D9.

319. Rodier A., et al. Identification of functional domains involved in BTG1 cell localization. // Oncogene. 2001. Vol. 20, №21. P. 2691-2703.

320. Rodon J., et al. Genomic and transcriptomic profiling expands precision cancer medicine: the WINTHER trial. // Nat Med. 2019. Vol. 25, №5. P. 751-758.

321. Rodriguez-Antona C. and Taron M. Pharmacogenomic biomarkers for personalized cancer treatment. // J Intern Med. 2015. Vol. 277, №2. P. 201-217.

322. Romond E.H., et al. Trastuzumab plus adjuvant chemotherapy for operable HER2-positive breast cancer. // The New England journal of medicine. 2005. Vol. 353, №16. P. 16731684.

323. Rossi M., et al. Neuropilin-2 gene expression correlates with malignant progression in cutaneous melanoma. // Br J Dermatol. 2014. Vol. 171, №2. P. 403-408.

324. Rouault J.P., et al. BTG1, a member of a new family of antiproliferative genes. // EMBO J. 1992. Vol. 11, №4. P. 1663-1670.

325. Rouits E., et al. Relevance of different UGT1A1 polymorphisms in irinotecan-induced toxicity: a molecular and clinical study of 75 patients. // Clin Cancer Res. 2004. Vol. 10, №15. P. 5151-5159.

326. Roy S., et al. Standards and Guidelines for Validating Next-Generation Sequencing Bioinformatics Pipelines: A Joint Recommendation of the Association for Molecular Pathology and the College of American Pathologists. // J Mol Diagn. 2018. Vol. 20, №1. P. 4-27.

327. Rubio-Perez C., et al. In silico prescription of anticancer drugs to cohorts of 28 tumor types reveals targeting opportunities. // Cancer Cell. 2015. Vol. 27, №3. P. 382-396.

328. Safikhani Z., et al. Revisiting inconsistency in large pharmacogenomic studies. // F1000Res. 2016. Vol. 5. P. 2333-2341.

329. Saito R., et al. A travel guide to Cytoscape plugins. // Nature methods. 2012. Vol. 9, №11. P. 1069-1076.

330. Saito R.A., et al. Thyroid transcription factor-1 inhibits transforming growth factor-beta-mediated epithelial-to-mesenchymal transition in lung adenocarcinoma cells. // Cancer research. 2009. Vol. 69, №7. P. 2783-2791.

331. Saito Y.D., et al. Fyn: a novel molecular target in cancer. // Cancer. 2010. Vol. 116, №7. P. 1629-1637.

332. Sakai K., et al. A comparative study of curated contents by knowledge-based curation system in cancer clinical sequencing. // Sci Rep. 2019. Vol. 9, №1. P. 11340.

333. Sakano S., et al. Nucleotide excision repair gene polymorphisms may predict acute toxicity in patients treated with chemoradiotherapy for bladder cancer. // Pharmacogenomics. 2010. Vol. 11, №10. P. 1377-1387.

334. Salomonis N., et al. GenMAPP 2: new features and resources for pathway analysis. // BMC Bioinformatics. 2007. Vol. 8, №217.

335. Salvador S. and Chan P. Determining the Number of Clusters/Segments in Hierarchical Clustering/Segmentation Algorithms. In Proceedings of the 16th IEEE International Conference on Tools with Artificial Intelligence. IEEE Computer Society; 2004.

336. Sato Y., et al. Integrated molecular analysis of clear-cell renal cell carcinoma. // Nat Genet. 2013. Vol. 45, №8. P. 860-867.

337. Schaefer C.F., et al. PID: the Pathway Interaction Database. // Nucleic Acids Res. 2009. Vol. 37, № Database issue. P. D674-679.

338. Scholl C., et al. Synthetic lethal interaction between oncogenic KRAS dependency and STK33 suppression in human cancer cells. // Cell. 2009. Vol. 137, №5. P. 821-834.

339. Schriml L.M., et al. Human Disease Ontology 2018 update: classification, content and workflow expansion. // Nucleic Acids Res. 2019. Vol. 47, № D1. P. D955-D962.

340. Schroeder M.P., Gonzalez-Perez A. and Lopez-Bigas N. Visualizing multidimensional cancer genomics data. // Genome medicine. 2013. Vol. 5, №1. P. 9.

341. Schwartzberg L., et al. Precision Oncology: Who, How, What, When, and When Not? // Am Soc Clin Oncol Educ Book. 2017. Vol. 37. P. 160-169.

342. Schwarz J.M., et al. MutationTaster evaluates disease-causing potential of sequence alterations. // Nat Methods. 2010. Vol. 7, №8. P. 575-576.

343. Sepulveda J.L. Using R and Bioconductor in Clinical Genomics and Transcriptomics. // J Mol Diagn. 2020. Vol. 22, №1. P. 3-20.

344. Shafieian M., Chen S. and Wu S. Integrin-linked kinase mediates CTGF-induced epithelial to mesenchymal transition in alveolar type II epithelial cells. // Pediatr Res. 2015. Vol. 77, №4. P. 520-527.

345. Shalem O., et al. Genome-scale CRISPR-Cas9 knockout screening in human cells. // Science. 2014. Vol. 343, №6166. P. 84-87.

346. Shannon P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. // Genome Res. 2003. Vol. 13, №11. P. 2498-2504.

347. Shao D.D., et al. ATARiS: computational quantification of gene suppression phenotypes from multisample RNAi screens. // Genome Res. 2013. Vol. 23, №4. P. 665-678.

348. Shen H. and Laird P.W. Interplay between the Cancer Genome and Epigenome. // Cell. 2013. Vol. 153, №1. P. 38-55.

349. Sherry S.T., Ward M. and Sirotkin K. dbSNP-database for single nucleotide polymorphisms and other classes of minor genetic variation. // Genome Res. 1999. Vol. 9, №8. P. 677-679.

350. Shihab H.A., et al. Predicting the functional, molecular, and phenotypic consequences of amino acid substitutions using hidden Markov models. // Hum Mutat. 2013. Vol. 34, №1. P. 57-65.

351. Shirasawa S., et al. Altered growth of human colon cancer cell lines disrupted at activated Ki-ras. // Science. 1993. Vol. 260, №5104. P. 85-88.

352. Shostak K., et al. NF-kappaB-induced KIAA1199 promotes survival through EGFR signalling. // Nat Commun. 2014. Vol. 5. P. 5232-5239.

353. Sicoli D., et al. CCR5 receptor antagonists block metastasis to bone of v-Src oncogene-transformed metastatic prostate cancer cell lines. // Cancer Res. 2014. Vol. 74, №23. P. 7103-7114.

354. Sillars-Hardebol A.H., et al. Identification of key genes for carcinogenic pathways associated with colorectal adenoma-to-carcinoma progression. // Tumour Biol. 2010. Vol. 31, №2. P. 89-96.

355. Singer F., et al. SwissMTB: establishing comprehensive molecular cancer diagnostics in Swiss clinics. // BMC Med Inform Decis Mak. 2018. Vol. 18, №1. P. 89-102.

356. Singh S., et al. CXCL8 and its cognate receptors in melanoma progression and metastasis. // Future Oncol. 2010. Vol. 6, №1. P. 111-116.

357. Sinha S., et al. Systematic discovery of mutation-specific synthetic lethals by mining pan-cancer human primary tumor data. // Nat Commun. 2017. Vol. 8. P. 15580-15594.

358. Sis B., et al. Prognostic significance of matrix metalloproteinase-2, cathepsin D, and tenascin-C expression in colorectal carcinoma. // Pathol Res Pract. 2004. Vol. 200, №5. P. 379-387.

359. Sivachenko A.Y. and Yuryev A. Pathway analysis software as a tool for drug target selection, prioritization and validation of drug mechanism. // Expert Opin Ther Targets. 2007. Vol. 11, №3. P. 411-421.

360. Sivachenko A.Y., et al. Molecular networks in microarray analysis. // J Bioinform Comput Biol. 2007. Vol. 5, №2B. P. 429-456.

361. Soldatos T.G., Kaduthanam S. and Jackson D.B. Precision Oncology — The Quest for Evidence. // J Pers Med. 2019. Vol. 9, №3. P. 43-46.

362. Song J.K., et al. Deficiency of C-C chemokine receptor 5 suppresses tumor development via inactivation of NF-kappaB and upregulation of IL-1Ra in melanoma model. // PLoS One. 2012. Vol. 7, №5. P. e33747.

363. Sonkin D., et al. Tumor Suppressors Status in Cancer Cell Line Encyclopedia. // Mol Oncol. 2013. Vol. 7, №4. P. 791-798.

364. Sosman J.A., et al. Survival in BRAF V600-mutant advanced melanoma treated with vemurafenib. // The New England journal of medicine. 2012. Vol. 366, №8. P. 707-714.

365. Stan S. and Philip C. Determining the Number of Clusters/Segments in Hierarchical Clustering/Segmentation Algorithms. In, Proceedings of the 16th IEEE International Conference on Tools with Artificial Intelligence. IEEE Computer Society; 2004.

366. Steinhoff C. and Vingron M. Normalization and quantification of differential expression in gene expression microarrays. // Briefings in bioinformatics. 2006. Vol. 7, №2. P. 166-177.

367. Su J., Yoon B.J. and Dougherty E.R. Accurate and reliable cancer classification based on probabilistic inference of pathway activity. // PLoS One. 2009. Vol. 4, №12. P. e8161.

368. Subramanian A., et al. GSEA-P: a desktop application for Gene Set Enrichment Analysis. // Bioinformatics. 2007. Vol. 23, №23. P. 3251-3253.

369. Subramanian A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. // Proc Natl Acad Sci U S A. 2005. Vol. 102, №43. P. 15545-15550.

370. Subramanian I., et al. Multi-omics Data Integration, Interpretation, and Its Application. // Bioinform Biol Insights. 2020. Vol. 14. P. 1177932219899051.

371. Sugiyama D., et al. Anti-CCR4 mAb selectively depletes effector-type FoxP3+CD4+ regulatory T cells, evoking antitumor immune responses in humans. // Proc Natl Acad Sci U S A. 2013. Vol. 110, №4. P. 17945-17950.

372. Sultova E., et al. Implementation of Precision Oncology for Patients with Metastatic Breast Cancer in an Interdisciplinary MTB Setting. // Diagnostics (Basel). 2021. Vol. 11, №4. P. 733-743.

373. Sun G.G., et al. Expression of BTG1 in hepatocellular carcinoma and its correlation with cell cycles, cell apoptosis, and cell metastasis. // Tumour Biol. 2014. Vol. 35, №12. P. 1177111779.

374. Sun Y., et al. Computational approach for deriving cancer progression roadmaps from static sample data. // Nucleic Acids Res. 2017. Vol. 45, №9. P. e69.

375. Sutton L.A. and Rosenquist R. Clonal evolution in chronic lymphocytic leukemia: impact of subclonality on disease progression. // Expert Rev Hematol. 2015. Vol. 8, №1. P. 7178.

376. Suwanabol P.A., et al. TGF-beta and Smad3 modulate PI3K/Akt signaling pathway in vascular smooth muscle cells. // Am J Physiol Heart Circ Physiol. 2012. Vol. 302, №11. P. H2211-2219.

377. Swainston N., et al. Recon 2.2: from reconstruction to model of human metabolism. // Metabolomics. 2016. Vol. 12. P. 109.

378. Szklarczyk D., et al. STRING v10: protein-protein interaction networks, integrated over the tree of life. // Nucleic Acids Res. 2015. Vol. 43, № Database issue. P. D447-452.

379. Talloen W., et al. I/NI-calls for the exclusion of non-informative genes: a highly effective filtering tool for microarray data. // Bioinformatics. 2007. Vol. 23, №21. P. 2897-2902.

380. Tamagnone L. Emerging role of semaphorins as major regulatory signals and potential therapeutic targets in cancer. // Cancer Cell. 2012. Vol. 22, №2. P. 145-152.

381. Tamborero D., et al. Comprehensive identification of mutational cancer driver genes across 12 tumor types. // Sci Rep. 2013. Vol. 3. P. 2650.

382. Tamborero D., et al. Cancer Genome Interpreter annotates the biological and clinical relevance of tumor alterations. // Genome Med. 2018. Vol. 10, №1. P. 25.

383. Tan A., Abecasis G.R. and Kang H.M. Unified representation of genetic variants. // Bioinformatics. 2015. Vol. 31, №13. P. 2202-2204.

384. Tang Q., Jiang J. and Liu J. CCR5 Blockade Suppresses Melanoma Development Through Inhibition of IL-6-Stat3 Pathway via Upregulation of SOCS3. // Inflammation. 2015. Vol. 38, №6. P. 2049-2056.

385. Tarca A.L., et al. A novel signaling pathway impact analysis. // Bioinformatics (Oxford, England). 2009. Vol. 25, №1. P. 75-82.

386. Tate J.G., et al. COSMIC: the Catalogue Of Somatic Mutations In Cancer. // Nucleic Acids Res. 2019. Vol. 47, № D1. P. D941-D947.

387. Thalamuthu A., et al. Evaluation and comparison of gene clustering methods in microarray analysis. // Bioinformatics. 2006. Vol. 22, №19. P. 2405-2412.

388. Thompson J.M., et al. Approaches to identifying synthetic lethal interactions in cancer. // Yale J Biol Med. 2015. Vol. 88, №2. P. 145-155.

389. Tkachev V., et al. Oncobox Method for Scoring Efficiencies of Anticancer Drugs Based on Gene Expression Data. // Methods Mol Biol. 2020. Vol. 2063. P. 235-255.

390. Truesdell J., Miller V.A. and Fabrizio D. Approach to evaluating tumor mutational burden in routine clinical practice. // Transl Lung Cancer Res. 2018. Vol. 7, №6. P. 678-681.

391. Tsang H., Addepalli K. and Davis S.R. Resources for Interpreting Variants in Precision Genomic Oncology Applications. // Front Oncol. 2017. Vol. 7. P. 214.

392. Tsherniak A., et al. Defining a Cancer Dependency Map. // Cell. 2017. Vol. 170, №3. P. 564-576 e516.

393. Turnbull C., Sud A. and Houlston R.S. Cancer genetics, precision prevention and a call to action. // Nat Genet. 2018. Vol. 50, №9. P. 1212-1218.

394. Tuxen I.V., et al. Copenhagen Prospective Personalized Oncology (CoPPO)-Clinical Utility of Using Molecular Profiling to Select Patients to Phase I Trials. // Clin Cancer Res. 2019. Vol. 25, №4. P. 1239-1247.

395. Uen W.C., et al. Anchorage independency promoted tumor malignancy of melanoma cells under reattachment through elevated interleukin-8 and CXC chemokine receptor 1 expression. // Melanoma Res. 2015. Vol. 25, №1. P. 35-46.

396. UniProt C. UniProt: a hub for protein information. // Nucleic Acids Res. 2015. Vol. 43, № Database issue. P. D204-212.

397. Van Allen E.M., et al. Whole-exome sequencing and clinical interpretation of formalin-fixed, paraffin-embedded tumor samples to guide precision cancer medicine. // Nat Med. 2014. Vol. 20, №6. P. 682-688.