depmap

DepMap — Carte de dépendance au cancer

Présentation

Le projet Carte de dépendance au cancer (DepMap), dirigé par le Broad Institute, caractérise systématiquement les dépendances génétiques à travers des centaines de lignées cellulaires cancéreuses en utilisant des cribles CRISPR à l'échelle du génome (CRISPR DepMap), l'interférence ARN (ARNi) et des tests de sensibilité aux composés (PRISM). Les données de DepMap sont essentielles pour :

• Identifier quels gènes sont essentiels pour des types de cancer spécifiques
• Trouver des dépendances sélectives au cancer (cibles thérapeutiques)
• Valider des cibles médicamenteuses en oncologie
• Découvrir des interactions létales synthétiques

Ressources clés :

• Portail DepMap : https://depmap.org/portal/
• Téléchargements de données DepMap : https://depmap.org/portal/download/all/
• Paquet Python : depmap (ou accès via API/téléchargements)
• API : https://depmap.org/portal/api/

Quand utiliser ce skill

Utilisez DepMap lorsque :

• Validation de cible : Un gène est-il essentiel à la survie dans des lignées cellulaires cancéreuses avec une mutation spécifique (par exemple, KRAS-mutant) ?
• Découverte de biomarqueurs : Quelles caractéristiques génomiques prédisent la sensibilité à l'inactivation d'un gène ?
• Létalité synthétique : Trouver des gènes qui sont sélectivement essentiels lorsqu'un autre gène est muté/supprimé
• Sensibilité aux médicaments : Quelles caractéristiques des lignées cellulaires prédisent la réponse à un composé ?
• Essentialité pancan : Un gène est-il largement essentiel dans tous les types de cancer (mauvaise cible) ou sélectivement essentiel ?
• Analyse de corrélation : Quelles paires de gènes ont des profils de dépendance corrélés (co-essentialité) ?

Concepts de base

Scores de dépendance

Score	Plage	Signification
Chronos (CRISPR)	~ -3 à 0+	Plus négatif = plus essentiel. Seuil d'essentialité commune : −1. Gènes pan-essentiels ~−1 à −2
ARNi DEMETER2	~ -3 à 0+	Échelle similaire à Chronos
Effet génique	normalisé	Chronos normalisé ; −1 = effet médian des gènes essentiels communs

Seuils clés :

• Chronos ≤ −0,5 : probablement dépendant
• Chronos ≤ −1 : fortement dépendant (plage d'essentialité commune)

Annotations des lignées cellulaires

Chaque lignée cellulaire possède :

• DepMap_ID : identifiant unique (par exemple ACH-000001)
• cell_line_name : nom lisible par l'homme
• primary_disease : type de cancer
• lineage : lignée tissulaire large
• lineage_subtype : sous-type spécifique

Capacités principales

1. API DepMap

import requests
import pandas as pd

BASE_URL = "https://depmap.org/portal/api"

def depmap_get(endpoint, params=None):
    url = f"{BASE_URL}/{endpoint}"
    response = requests.get(url, params=params)
    response.raise_for_status()
    return response.json()

2. Scores de dépendance génique

def get_gene_dependency(gene_symbol, dataset="Chronos_Combined"):
    """Obtenir les scores de dépendance CRISPR pour un gène dans toutes les lignées cellulaires."""
    url = f"{BASE_URL}/gene"
    params = {
        "gene_id": gene_symbol,
        "dataset": dataset
    }
    response = requests.get(url, params=params)
    return response.json()

# Autrement, utiliser le point d'accès /data :
def get_dependencies_slice(gene_symbol, dataset_name="CRISPRGeneEffect"):
    """Obtenir une tranche de dépendance d'un gène à partir d'un jeu de données."""
    url = f"{BASE_URL}/data/gene_dependency"
    params = {"gene_name": gene_symbol, "dataset_name": dataset_name}
    response = requests.get(url, params=params)
    data = response.json()
    return data

3. Analyse basée sur le téléchargement (recommandée pour les grandes requêtes)

Pour une analyse à grande échelle, téléchargez les fichiers de données DepMap et analysez localement :

import pandas as pd
import requests, os

def download_depmap_data(url, output_path):
    """Télécharger un fichier de données DepMap."""
    response = requests.get(url, stream=True)
    with open(output_path, 'wb') as f:
        for chunk in response.iter_content(chunk_size=8192):
            f.write(chunk)

# Fichiers de données DepMap 24Q4 (mettre à jour la version si nécessaire)
FILES = {
    "crispr_gene_effect": "https://figshare.com/ndownloader/files/...",
    # OU télécharger depuis : https://depmap.org/portal/download/all/
    # Fichiers disponibles :
    # CRISPRGeneEffect.csv - scores d'effet génique Chronos
    # OmicsExpressionProteinCodingGenesTPMLogp1.csv - expression ARNm
    # OmicsSomaticMutationsMatrixDamaging.csv - matrice binaire de mutations
    # OmicsCNGene.csv - nombre de copies
    # sample_info.csv - métadonnées des lignées cellulaires
}

def load_depmap_gene_effect(filepath="CRISPRGeneEffect.csv"):
    """
    Charger la matrice d'effet génique CRISPR DepMap.
    Lignes = lignées cellulaires (DepMap_ID), Colonnes = gènes (Symbole (EntrezID))
    """
    df = pd.read_csv(filepath, index_col=0)
    # Renommer les colonnes en symboles de gènes uniquement
    df.columns = [col.split(" ")[0] for col in df.columns]
    return df

def load_cell_line_info(filepath="sample_info.csv"):
    """Charger les métadonnées des lignées cellulaires."""
    return pd.read_csv(filepath)

4. Identifier les dépendances sélectives

import numpy as np
import pandas as pd

def find_selective_dependencies(gene_effect_df, cell_line_info, target_gene,
                                 cancer_type=None, threshold=-0.5):
    """Trouver les lignées cellulaires dépendantes de manière sélective d'un gène."""

    # Obtenir les scores pour le gène cible
    if target_gene not in gene_effect_df.columns:
        return None

    scores = gene_effect_df[target_gene].dropna()
    dependent = scores[scores <= threshold]

    # Ajouter les informations de la lignée cellulaire
    result = pd.DataFrame({
        "DepMap_ID": dependent.index,
        "gene_effect": dependent.values
    }).merge(cell_line_info[["DepMap_ID", "cell_line_name", "primary_disease", "lineage"]])

    if cancer_type:
        result = result[result["primary_disease"].str.contains(cancer_type, case=False, na=False)]

    return result.sort_values("gene_effect")

# Exemple d'utilisation (après chargement des données)
# df_effect = load_depmap_gene_effect("CRISPRGeneEffect.csv")
# cell_info = load_cell_line_info("sample_info.csv")
# deps = find_selective_dependencies(df_effect, cell_info, "KRAS", cancer_type="Lung")

5. Analyse de biomarqueurs (effet génique vs mutation)

import pandas as pd
from scipy import stats

def biomarker_analysis(gene_effect_df, mutation_df, target_gene, biomarker_gene):
    """
    Tester si la mutation dans biomarker_gene prédit la dépendance à target_gene.

    Args :
        gene_effect_df : DataFrame d'effet génique CRISPR
        mutation_df : DataFrame binaire de mutations (1 = muté)
        target_gene : Gène dont on évalue la dépendance
        biomarker_gene : Gène dont la mutation pourrait prédire la dépendance
    """
    if target_gene not in gene_effect_df.columns or biomarker_gene not in mutation_df.columns:
        return None

    # Aligner les lignées cellulaires
    common_lines = gene_effect_df.index.intersection(mutation_df.index)
    scores = gene_effect_df.loc[common_lines, target_gene].dropna()
    mutations = mutation_df.loc[scores.index, biomarker_gene]

    mutated = scores[mutations == 1]
    wt = scores[mutations == 0]

    stat, pval = stats.mannwhitneyu(mutated, wt, alternative='less')

    return {
        "target_gene": target_gene,
        "biomarker_gene": biomarker_gene,
        "n_mutated": len(mutated),
        "n_wt": len(wt),
        "mean_effect_mutated": mutated.mean(),
        "mean_effect_wt": wt.mean(),
        "pval": pval,
        "significant": pval < 0.05
    }

6. Analyse de co-essentialité

import pandas as pd

def co_essentiality(gene_effect_df, target_gene, top_n=20):
    """Trouver les gènes dont les profils de dépendance sont les plus corrélés (partenaires co-essentiels)."""
    if target_gene not in gene_effect_df.columns:
        return None

    target_scores = gene_effect_df[target_gene].dropna()

    correlations = {}
    for gene in gene_effect_df.columns:
        if gene == target_gene:
            continue
        other_scores = gene_effect_df[gene].dropna()
        common = target_scores.index.intersection(other_scores.index)
        if len(common) < 50:
            continue
        r = target_scores[common].corr(other_scores[common])
        if not pd.isna(r):
            correlations[gene] = r

    corr_series = pd.Series(correlations).sort_values(ascending=False)
    return corr_series.head(top_n)

# Les gènes co-essentiels partagent souvent des complexes ou des voies biologiques

Workflows de requêtes

Workflow 1 : Validation de cible pour un type de cancer

1. Télécharger CRISPRGeneEffect.csv et sample_info.csv
2. Filtrer les lignées cellulaires par type de cancer
3. Calculer l'effet génique moyen pour le gène cible dans le cancer vs tous les autres
4. Calculer la sélectivité : à quel point la dépendance est-elle spécifique à votre type de cancer ?
5. Recouper avec les données de mutation, d'expression ou de CNA comme biomarqueurs

Workflow 2 : Crible de létalité synthétique

1. Identifier les lignées cellulaires avec mutation/suppression du gène d'intérêt (par exemple, BRCA1-mutant)
2. Calculer les scores d'effet génique pour tous les gènes dans les lignées mutantes vs WT
3. Identifier les gènes significativement plus essentiels dans les lignées mutantes (partenaires de létalité synthétique)
4. Filtrer par sélectivité et taille d'effet

Workflow 3 : Analyse de sensibilité aux composés

1. Télécharger les données de sensibilité aux composés PRISM (primary-screen-replicate-treatment-info.csv)
2. Corréler l'AUC/log2(fold-change) du composé avec les caractéristiques génomiques
3. Identifier les biomarqueurs prédictifs de la sensibilité aux composés

Référence des fichiers de données DepMap

Fichier	Description
CRISPRGeneEffect.csv	Effect génique CRISPR Chronos (données de dépendance principales)
CRISPRGeneEffectUnscaled.csv	Scores CRISPR non mis à l'échelle
RNAi_merged.csv	Dépendance ARNi DEMETER2
sample_info.csv	Métadonnées des lignées cellulaires (lignée, maladie, etc.)
OmicsExpressionProteinCodingGenesTPMLogp1.csv	Expression ARNm
OmicsSomaticMutationsMatrixDamaging.csv	Mutations somatiques dommageables (binaire)
OmicsCNGene.csv	Nombre de copies par gène
PRISM_Repurposing_Primary_Screens_Data.csv	Sensibilité aux médicaments (bibliothèque de repositionnement)

Téléchargez tous les fichiers depuis : https://depmap.org/portal/download/all/

Bonnes pratiques

• Utilisez les scores Chronos (pas DEMETER2) pour les analyses CRISPR actuelles — mieux contrôlés pour l'efficacité de coupure
• Distinguer pan-essentiel de sélectif au cancer : Les gènes cibles avec une faible variance (essentiels dans toutes les lignées) sont de mauvaises cibles médicamenteuses
• Valider avec les données d'expression : Un gène non exprimé dans une lignée cellulaire sera noté comme non essentiel indépendamment de sa fonction réelle
• Utiliser le DepMap ID pour l'identification des lignées cellulaires — le cell_line_name peut être ambigu
• Tenir compte du nombre de copies : Les gènes amplifiés peuvent sembler essentiels en raison de l'effet du nombre de copies (hypothèse de l'ADN poubelle)
• Correction pour tests multiples : Lors du calcul des associations de biomarqueurs à l'échelle du génome, appliquer une correction FDR

Ressources supplémentaires

• Portail DepMap : https://depmap.org/portal/
• Téléchargements de données : https://depmap.org/portal/download/all/
• Article DepMap : Behan FM et al. (2019) Nature. PMID : 30971826
• Article Chronos : Dempster JM et al. (2021) Nature Methods. PMID : 34349281
• GitHub : https://github.com/broadinstitute/depmap-portal
• Figshare : https://figshare.com/articles/dataset/DepMap_24Q4_Public/27993966