A heterogeneous biomedical knowledge network framework for rare disease drug candidate prioritization: integrating Orphadata and DisGeNET via gene-bridge harmonization

Für mehr als dreihundert Millionen Menschen weltweit bedeutet die Diagnose einer seltenen Krankheit oft ein Urteil zu einem Leben mit sehr wenigen medizinischen Optionen. Während die moderne Medizin bei der Behandlung häufiger Leiden unglaubliche Fortschritte gemacht hat, fehlt für die überwiegende Mehrheit dieser seltenen Erkrankungen jede zugelassene Medikation. Der Grund dafür ist oft wirtschaftlicher Natur: Die Entwicklung eines neuen Medikaments ist ein kostspieliger und langwieriger Prozess, und Pharmaunternehmen finden es schwierig, die Investition zu rechtfertigen, wenn die Zahl der potenziellen Patienten so gering ist. Dies lässt Forscher und Ärzte nach einem anderen Weg suchen, der nicht erfordert, bei Null anzufangen. Stattdessen suchen sie nach Wegen, bestehende Medikamente zu finden, die bei diesen vernachlässigten Leiden helfen könnten – eine Strategie, die als Drug Repurposing (Arzneimittel-Repositionierung) bekannt ist. Um dies effektiv zu tun, verlassen sich Wissenschaftler auf das komplexe Geflecht von Verbindungen zwischen Krankheiten, den Gene, die sie verursachen, und den Medikamenten, die diese Gene beeinflussen. Wenn ein Medikament dafür bekannt ist, mit einem bestimmten Gen zu interagieren, und eine seltene Krankheit durch ein Problem in genau diesem Gen verursacht wird, besteht eine starke Wahrscheinlichkeit, dass das Medikament zur Behandlung der Krankheit helfen könnte.

Die Herausforderung besteht jedoch darin, dass die Informationen, die benötigt werden, um diese Verbindungen herzustellen, über verschiedene Datenbanken verstreut sind, die nicht dieselbe Sprache sprechen. Eine bedeutende Datenbank, Orphadata, katalogisiert die Beziehungen zwischen seltenen Krankheiten und den Genen, die sie verursachen, während eine andere, DisGeNET, aufzeichnet, wie Tausende von Medikamenten mit Genen interagieren. Das Problem ist, dass diese beiden Quellen unterschiedliche Benennungssysteme für dieselben Gene verwenden, was es unmöglich macht, ihre Daten einfach zu kombinieren. Eine neue Studie von Diya Ramani adressiert diese Barriere, indem sie eine Brücke zwischen diesen beiden Welten schlägt. Die Forscherin entwickelte ein Computerkonzept, das zuerst die Namen der Gene über beide Datenbanken hinweg standardisiert und sie in eine einzige, konsistente Sprache übersetzt. Sobald die Daten harmonisiert sind, werden sie in ein massives, dreidimensionales Netzwerk verwoben, in dem Krankheiten, Gene und Medikamente alle miteinander verknüpft sind. Dieses Netzwerk enthält über fünfzehntausend distinkte Informationspunkte, die fast zweieinhalbtausend seltene Krankheiten und mehr als elftausend Medikamente repräsentieren.

Um dieses komplexe Geflecht begreifbar zu machen, nutzt die Studie eine Art künstliche Intelligenz namens Graph Attention Network. Anstatt zu versuchen, völlig neue Entdeckungen vorherzusagen, was ein hoch unsicheres Unterfangen ist, wird das System darauf trainiert, die Struktur des bestehenden Netzwerks zu verstehen. Es lernt, Muster in der Art und Weise zu erkennen, wie Krankheiten, Gene und Medikamente miteinander verbunden sind, und erstellt so effektiv eine Karte biologischer Beziehungen. Sob sobald das System diese Muster gelernt hat, kann es eine spezifische seltene Krankheit als Abfrage nehmen und alle Medikamente in seiner Datenbank danach ranken, wie eng sie durch gemeinsame Gene mit dieser Krankheit verwandt sind. Das Ziel ist nicht, ein neues Heilmittel zu erfinden, sondern die vielversprechendsten bestehenden Kandidaten für weitere Untersuchungen zu priorisieren und so eine chaotische Liste von Möglichkeiten in eine fokussierte Kurzliste für Ärzte und Forscher zu verwandeln.

Die Ergebnisse dieses Ansatzes sind beeindruckend in ihrer Fähigkeit, das Rauschen zu durchbrechen. Als das System an zweihundert verschiedenen seltenen Krankheiten getestet wurde, platzierte es erfolgreich eine bekannte, wirksame Behandlung innerhalb der Top-Ten-Vorschläge für vierzig Prozent der Fälle. Dies ist eine massive Verbesserung gegenüber dem Zufallsprinzip, das in einem so großen Pool von Optionen fast nie das richtige Medikament finden würde. Um die biologische Logik hinter dem Erfolg zu illustrieren, betrachtete die Studie einen spezifischen Fall im Zusammenhang mit einer Störung namens Hawkinsinuria. Das System hatte keine Vorabkenntnisse über die beteiligten spezifischen Stoffwechselwege, dennoch rankte es ein Medikament namens Nitisonon als viertwahrscheinlichsten Kandidaten. Dieses Medikament ist bereits der Standard für eine andere Erkrankung, die denselben genetischen Pfad teilt. Die Tatsache, dass das System diese Verbindung identifizierte, ohne explizit über den Pfad informiert worden zu sein, deutな darauf hin, dass die zugrunde liegenden Muster, die es gelernt hat, biologisch fundiert und bedeutsam sind.

Die Studie ist sorgfältig darin, ihre Ergebnisse als ein Werkzeug zur Entscheidungsunterstützung und nicht als endgültige klinische Antwort darzustellen. Das System ist darauf ausgelegt, Hypothesen zu generieren und einen Ausgangspunkt für menschliche Experten zu bieten, die die Vorschläge dann durch weitere Forschung und Tests validieren müssen. Sie hebt eine signifikante Wissenslücke hervor und stellt fest, dass fast die Hälfte der in der Orphadata-Datenbank enthaltenen seltenen Krankheiten nicht in das Netzwerk aufgenommen werden konnte, da es keine entsprechenden Medikamentendaten für ihre assoziierten Gene gab. Diese Einschränkung ist kein Versagen der Methode, sondern ein Spiegelbild des aktuellen Zustands der medizinischen Literatur, in der viele seltene Erkrankungen nach wie vor unteruntersucht sind. Durch die Bereitstellung des gesamten Prozesses als reproduzierbar und die Veröffentlichung als kostenloses, interaktives Online-Tool hat die Forscherin der wissenschaftlichen Gemeinschaft einen praktischen Weg eröffnet, die weite Landschaft der Behandlungen für seltene Krankheiten zu navigieren. Die Arbeit zeigt, dass wir, indem wir bestehende Datenteile sorgfältig miteinander verbinden, Muster erkennen können, die zuvor verborgen waren, und so einen Hoffnungsschimmer für die Millionen von Patienten bieten, die derzeit keine Behandlungsmöglichkeiten haben.