EGFR vs ERBB2: Genabhängigkeit und Wirkstoffe
EGFR vs ERBB2 in DepMap-Chronos-Daten: 224 von 1178 Zelllinien hängen von EGFR ab, 177 von ERBB2. Dazu 118 gegenüber 59 bekannte Wirkstoffe laut Annotation.
Datenstand 6. November 2026 · Das BioQ-Team

Im DepMap-Release depmap_24q4 senkt ein EGFR-Knockout die Viabilität in 224 von 1178 Zelllinien (19,0 %), bei ERBB2 in 177 (15,0 %). Keines der beiden Gene ist common essential. Für EGFR sind 118 Wirkstoffe bekannt, für ERBB2 59. Neratinib, Lapatinib und Afatinib stehen in beiden Listen. Alle Daten haben den Stand 2026-11-06. Der folgende Vergleich EGFR vs ERBB2 zeigt, wie sich beide Gene in Dependenz und Wirkstoffannotation unterscheiden.
Fragestellung: EGFR vs ERBB2 bei Genabhängigkeit und Wirkstoffen
EGFR und ERBB2 sind Paraloge derselben Familie der Rezeptortyrosinkinasen, und viele Kinase-Inhibitoren wirken auf beide. Wir wollten zwei Vergleiche, jeweils mit denselben Blöcken für beide Gene:
- Genabhängigkeit: Wie oft senkt ein CRISPR-Knockout die Viabilität in Krebszelllinien, und in welchen Lineages?
- Wirkstoffe: Welche Substanzen sind für das jeweilige Gen annotiert, in welchem klinischen Stadium und mit welcher exakten Potenz?
Die Dependenz-Blöcke nutzen den Chronos-Gene-Effect. Ein negativerer Wert bedeutet, dass der Knockout die Viabilität stärker senkt. Eine Zelllinie gilt als abhängig, wenn ihr Effekt höchstens so groß ist wie ein benannter Schwellenwert. Dieser Schwellenwert ist eine von der Analyse gewählte Konstante, keine Eigenschaft der Daten. Die Wirkstoff-Blöcke kombinieren Open Targets, ChEMBL, den Drug Repurposing Hub und ClinicalTrials.gov.
Was BioQ geliefert hat
Genabhängigkeit nach Lineage
Über alle 1178 Zelllinien hat EGFR 224 abhängige Linien (19,0 %) und einen mittleren Gene-Effect von -0,294. ERBB2 hat 177 abhängige Linien (15,0 %) und einen Mittelwert von -0,329. EGFR hat also mehr abhängige Linien, ERBB2 dagegen den etwas negativeren Mittelwert. Beide Gene sind als nicht common essential markiert.
Die fünf Lineages mit dem negativsten mittleren Effekt für EGFR:
| Zelllinie (Abstammung) | Zelllinien | Abhängig | % abhängig | Mittlerer Geneffekt |
|---|---|---|---|---|
| Head and Neck | 77 | 51 | 66.2 | -0.702 |
| Prostate | 10 | 6 | 60 | -0.696 |
| Biliary Tract | 35 | 17 | 48.6 | -0.561 |
| Cervix | 18 | 7 | 38.9 | -0.434 |
| Esophagus/Stomach | 69 | 27 | 39.1 | -0.422 |
Dieselbe Ansicht für ERBB2:
| Zelllinie (Abstammung) | Zelllinien | Abhängig | % abhängig | Mittlerer Geneffekt |
|---|---|---|---|---|
| Breast | 53 | 18 | 34 | -0.643 |
| Head and Neck | 77 | 35 | 45.5 | -0.509 |
| Esophagus/Stomach | 69 | 18 | 26.1 | -0.476 |
| Biliary Tract | 35 | 9 | 25.7 | -0.431 |
| Pancreas | 47 | 11 | 23.4 | -0.425 |
Wirkstoffe
Für EGFR listet BioQ 118 Wirkstoffe und zeigt hier die obersten 6:
| Wirkstoff | Höchste klinische Phase | Wirkmechanismus | Bester exakter pChEMBL | Typ | Studien nach Name |
|---|---|---|---|---|---|
| Osimertinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 11.7 | IC50 | 188 |
| Afatinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 11 | IC50 | 112 |
| Mobocertinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 11 | IC50 | 4 |
| Neratinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 10.7 | IC50 | 69 |
| Erlotinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 10.54 | IC50 | 355 |
| Lapatinib | APPROVAL | Epidermal growth factor receptor erbB1 inhibitor | 10.22 | IC50 | 144 |
Für ERBB2 listet BioQ 59 Wirkstoffe. Die obersten 6 sind Neratinib (exakter pChEMBL-Wert 9,0, IC50), Lapatinib (8,8, KI), Afatinib (8,7, IC50), Tucatinib (8,7, IC50), Lapatinib Ditosylate (8,52, IC50) und Afatinib Dimaleate (8,3, KD). Alle sechs haben als maximales klinisches Stadium APPROVAL.

Einordnung und Interpretation
Gemeinsamkeiten. Beide Gene sind nicht common essential, ein Knockout schadet also nur einem Teil der Zelllinien. Head and Neck, Biliary Tract und Esophagus/Stomach stehen bei beiden Genen unter den obersten fünf. Die klarste Überschneidung zeigt Head and Neck: Bei EGFR sind 51 von 77 Linien abhängig (66,2 %), bei ERBB2 35 von 77 (45,5 %).
Unterschiede. Die stärksten EGFR-Lineages nach Head and Neck sind Prostate (6 von 10, 60,0 %) und Biliary Tract (17 von 35, 48,6 %). Die ERBB2-Liste führt Breast an: 18 von 53 Linien sind abhängig (34,0 %), der Mittelwert liegt bei -0,643. Breast taucht unter den obersten fünf von EGFR nicht auf. Prostate und Cervix fehlen in den obersten fünf von ERBB2, Pancreas fehlt in denen von EGFR. In Esophagus/Stomach sind bei EGFR 27 von 69 Linien abhängig (39,1 %), bei ERBB2 18 von 69 (26,1 %). Dennoch ist der ERBB2-Mittelwert von -0,476 negativer als der EGFR-Mittelwert von -0,422. Ein geringerer Anteil abhängiger Linien bedeutet also nicht immer einen schwächeren mittleren Effekt.
Wirkstoffüberlappung und Selektivität. Neratinib, Lapatinib und Afatinib sind für beide Gene annotiert, was zur gemeinsamen Familie passt. Ihre aufgeführten exakten pChEMBL-Werte sind bei EGFR höher als bei ERBB2:
- Neratinib: 10,7 für EGFR, 9,0 für ERBB2.
- Lapatinib: 10,22 für EGFR, 8,8 für ERBB2.
- Afatinib: 11,0 für EGFR, 8,7 für ERBB2.
Verstehen Sie das als Hinweis auf eine EGFR-/ERBB2-Selektivität, nicht als gemessenes Verhältnis. Die Werte sind jeweils die höchste einzelne exakte Messung, und der Assay-Typ unterscheidet sich teils. Lapatinib ist bei EGFR als IC50 angegeben, bei ERBB2 als KI. Tucatinib steht bei ERBB2 mit 56 Studien nach Namen unter den obersten sechs, bei EGFR dagegen nicht. Diese Liste ist abgeschnitten und zeigt daher nicht, ob Tucatinib im vollständigen EGFR-Satz fehlt.
Die Studienzahlen werden über den Wirkstoffnamen zugeordnet, nicht über das Gen. Neratinib (69), Lapatinib (144) und Afatinib (112) zeigen deshalb bei beiden Genen identische Zahlen. Sie trennen auch nicht zwischen Studien zu EGFR-getriebenen und zu ERBB2-getriebenen Erkrankungen.
So reproduzieren Sie es in BioQ
BioQ hat für diesen Vergleich 2 verschiedene Ressourcen genutzt. Es führte 4 Engine-Abfragen in 1,09 Engine-Sekunden aus, und jeder Block nennt Quelle und Release. Von Hand müssten Sie Gen-Identifikatoren, Lineage-Definitionen und Wirkstoffnamen über getrennte Portale hinweg abgleichen.
- Öffnen Sie BioQ und geben Sie die folgende Abfrage ein.
- Lesen Sie den Dependenz-Block (DepMap, Chronos) und den Wirkstoff-Block für EGFR.
- Wiederholen Sie die Abfrage mit ERBB2 statt EGFR, sodass beide Gene dieselben Blöcke und Parameter verwenden.
- Vergleichen Sie die Lineage-Zeilen und die gemeinsamen Wirkstoffnamen. Prüfen Sie den Assay-Typ neben jedem pChEMBL-Wert, bevor Sie Potenzen vergleichen.
EGFR
Grenzen: Was die Daten nicht zeigen
- Zelllinien sind keine Tumoren. Eine Abhängigkeit in einer kultivierten Linie belegt nicht dieselbe Abhängigkeit bei Patientinnen und Patienten.
- Der Schwellenwert ist eine Konvention. Die Zahl und der Anteil abhängiger Linien hängen vom benannten Schwellenwert ab. Der mittlere Gene-Effect tut das nicht.
- Kleine Lineages sind verrauscht. Prostate hat nur 10 Linien, die 60,0 % beruhen also auf sehr wenigen Beobachtungen.
- Top-fünf-Listen sind abgeschnitten. Eine Lineage, die in einer Liste fehlt, kann dennoch eine Abhängigkeit zeigen. Sie rangiert nur beim mittleren Effekt tiefer.
- Potenzwerte sind keine gepaarten Messungen. Die pChEMBL-Zahlen sind einzelne exakte Messungen aus verschiedenen Assays und ergeben daher kein sauberes Selektivitätsverhältnis.
- Annotation ist kein Wirksamkeitsnachweis. Die Wirkstoffebene zeigt maximales klinisches Stadium und Potenz, aber weder Behandlungsergebnisse noch die Eignung für einzelne Patienten. Studienzahlen nach Namen verknüpfen eine Studie nicht mit einem Gen.
Daten und Methode
Die Zahlen auf dieser Seite wurden am 2026-11-06 aus der BioQ-Engine gelesen (4 Abfragen, insgesamt 1.1 s Engine-Zeit). Die Tabellen erzeugt Code aus den Antworten der Engine; der Text erklärt sie nur.
/depmap, /drugs
Führen Sie dieselbe Abfrage selbst in BioQ aus: EGFR
Nur für Forschungszwecke. Diese Seite fasst öffentliche Daten zusammen und ist keine medizinische Beratung.
BioQ ist eine KI-Suchmaschine und ein Agent mit einem Ziel: die biologische Forschung um das 100-Fache zu beschleunigen. Fragen Sie in der Web-App, über die REST-API oder per MCP aus Claude, ChatGPT oder Cursor.
Verwendete Abfragen
Häufige Fragen
Wie viele Zelllinien hängen in DepMap von EGFR im Vergleich zu ERBB2 ab?
In depmap_24q4 sind 224 von 1178 Zelllinien (19,0 %) von EGFR abhängig und 177 von 1178 (15,0 %) von ERBB2. Keines der beiden Gene ist als common essential markiert.
Welche Lineages sind am stärksten von EGFR und von ERBB2 abhängig?
Bei EGFR führt Head and Neck mit 51 von 77 abhängigen Linien (66,2 %). Bei ERBB2 führt Breast mit 18 von 53 (34,0 %). Head and Neck steht auch bei ERBB2 unter den obersten fünf, mit 35 von 77 (45,5 %).
Wie viele Wirkstoffe sind für EGFR und für ERBB2 bekannt?
BioQ listet 118 Wirkstoffe für EGFR und 59 für ERBB2. Neratinib, Lapatinib und Afatinib stehen bei beiden Genen unter den obersten sechs.
Zeigen die pChEMBL-Werte eine EGFR-/ERBB2-Selektivität?
Bei Neratinib, Lapatinib und Afatinib ist der aufgeführte exakte pChEMBL-Wert bei EGFR (10,7; 10,22; 11,0) höher als bei ERBB2 (9,0; 8,8; 8,7). Es sind einzelne Messungen, und bei Lapatinib ist der ERBB2-Wert ein KI, der EGFR-Wert ein IC50. Sie ergeben daher kein gepaartes Selektivitätsverhältnis.
Wie lange dauert der Vergleich EGFR vs ERBB2 in BioQ?
Die 4 Engine-Abfragen benötigten zusammen 1,09 Engine-Sekunden und nutzten 2 verschiedene Ressourcen.
Quellen
Die Ergebnisse stammen aus öffentlichen Datenbanken zum angegebenen Datum und können sich ändern. BioQ liefert Forschungsinformationen, keine medizinische Beratung.
Weitere Beiträge
MDM2 und MDM4 im Vergleich: Genabhängigkeit
MDM2 und MDM4 im Vergleich anhand von DepMap 24q4: 384 von 1178 Zelllinien hängen von MDM2 ab, 142 von MDM4; 12 Wirkstoffe zu MDM2, 1 Wirkstoff zu MDM4.
Neue CD4-Studie: CAR-NK-Zellen und HIV-Rebound
Neue CD4-Studie zu CAR-NK-Zellen und HIV-Rebound, eingeordnet mit BioQ-Daten zu CD4: DepMap-Abhängigkeit, Open-Targets-Erkrankungen, Wirkstoffe und Reactome.
GSTM1 neue Studie: Cisplatin-Nierenschädigung
Studie 2026 verknüpft GSTM1-Verlust mit stärkerer Cisplatin-Nierenschädigung; BioQ zeigt die Daten aus DepMap, Open Targets, ChEMBL, Reactome und STRING.


