Homology-Based Variant-Effect Predictors Break Down on Cytochrome P450 Pharmacogenes
Diese Studie zeigt auf, dass auf Homologie basierende Prädiktoren für Varianten-Effekte bei Cytochrom-P450-Pharmogenen systematisch versagen, da sie primär die Proteinabundanz anstatt der katalytischen Aktivität verfolgen, was einen neuen Modellierungsansatz erforderlich macht, der substratspezifischen Kontext einbezieht, um funktionelle Konsequenzen genau vorherzusagen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der dieselbe Dosis eines Medikaments einen Menschen rettet, einem anderen jedoch schadet. Dies ist kein Mysterium des Pechs, sondern der Biologie. In unserem Körper fungiert eine Familie von Enzymen namens Cytochrom P450 als chemische Verarbeitungsanlage, die etwa drei Viertel der Medikamente, die wir einnehmen, abbaut. Da diese Enzyme von Person zu Person variieren, verarbeiten sie Medikamente in unterschiedlichem Tempo. Für die einen ist eine Standarddosis zu schwach, um zu wirken; für andere baut sie sich bis zu gefährlichen Konzentrationen auf. Wissenschaftler hofften seit langem vorherzusagen, wie der einzigartige genetische Code eines Menschen diese Enzyme verändern würde, um Ärzten die Möglichkeit zu geben, die perfekte Dosis für jedes Individuum zu verschreiben. Um dies zu erreichen, verließen sie sich auf Computerprogramme, die die Auswirkung einer genetischen Veränderung dadurch erahnen, dass sie untersuchen, wie ähnlich diese Veränderung den Variationen ist, die über Millionen von Jahren in anderen Arten vorkamen. Die Logik war simpel: Wenn die Natur einen Teil des Enzyms über Äonen hinweg unverändert gelassen hat, muss eine Änderung schlecht sein.
Doch eine neue Studie zeigt, dass diese lang gehegte Logik bei der Anwendung auf diese medikamentenverarbeitenden Enzyme versagt. Forscher der Stanford University, unter der Leitung von Helen Xu und Russ Altman, testeten die fortschrittlichsten verfügbaren Computermodelle anhand von Realdaten des Enzyms CYP2C9. Sie fanden heraus, dass die Standardwerkzeuge, die bei der Vorhersage krankheitsverursachender Mutationen gut funktionieren, nicht verstehen, wie diese spezifischen Enzyme arbeiten. Die Modelle sind im Wesentlichen blind für den wichtigsten Teil der Geschichte: das spezifische Medikament, das das Enzym zu zerlegen versucht. Die Studie legt nahe, dass wir, um wirklich vorherzusagen, wie ein Mensch auf ein Medikament reagiert, nicht nur auf die Form des Enzyms oder seine Geschichte schauen dürfen; wir müssen auch die spezifische Chemikalie betrachten, der es begegnet.
Die Forscher begannen, indem sie ein leistungsstarkes neues Werkzeug namens AlphaMissense testeten, das künstliche Intelligenz nutzt, um vorherzusagen, ob eine genetische Veränderung schädlich ist. Sie fütterten es mit Daten von sechs wichtigen medikamentenverarbeitenden Enzymen. Das Werkzeug hatte erhebliche Schwierigkeiten und bezeichnete fast doppelt so viele Veränderungen als „ungewiss“ wie bei seiner Leistung im Rest des menschlichen Körpers. Als das Team tiefer in die Daten für CYP2C9 eintauchte, entdeckte es den Grund. Das Computermodell maß eigentlich nicht, wie gut das Enzym funktionierte, sondern maß hauptsächlich, wie viel des Enzyms in der Zelle vorhanden war. Wenn eine genetische Veränderung das Enzym instabil machte und es verschwinden ließ, markierte das Modell dies als Problem. Aber wenn das Enzym stabil und vorhanden blieb, ging das Modell davon aus, dass es einwandfrei funktionierte, selbst wenn es völlig unfähig war, Medikamente zu verarbeiten.
Um dieses Scheitern zu verstehen, betrachtete das Team die physische Struktur des Enzyms und die Chemie der Veränderungen. Sie fragten sich, ob das Modell etwas Offensichtliches übersehen hatte, wie etwa den Ort der Veränderung oder die Art des chemischen Austauschs. Sie fanden heraus, dass diese Faktoren fast nichts erklärten. Die Fehler des Modells berückshten weder einen Mangel an Strukturdaten noch ein Missverständnis der grundlegenden Chemie. Das Problem saß tiefer. Das Modell war auf der Idee trainiert worden, dass die Evolution Enzyme unverändert lässt, weil sie überlebenswichtig sind. Aber diese medikamentenverarbeitenden Enzyme sind anders. Sie haben sich entwickelt, um eine Vielzahl von Chemikalien aus unserer Nahrung und Umwelt zu bewältigen, nicht nur eine einzige, spezifische Aufgabe. Weil sie darauf ausgelegt sind, flexibel zu sein, bestraft die Natur sie nicht für Veränderungen. Eine genetische Variation, die die Fähigkeit des Enzyms ruiniert, eine spezifische Substanz zu verarbeiten, könnte das Enzym dennoch vollkommen stabil und zahlreich lassen, was den Computer glauben lässt, alles sei in Ordnung.
Die Forscher versuchten daraufhin, ein besseres Modell zu bauen. Sie kombinierten die Standardwerkzeuge mit einem neuen Ansatz, der sich auf die spezifischen Muster des genetischen Codes des Enzyms konzentrierte, statt nur auf dessen Evolutionsgeschichte. Dieses neue, maßgeschneiderte Modell war wesentlich besser darin, die tatsächliche chemische Aktivität des Enzyms vorherzusagen. Es konnte zwischen einem stabilen, funktionierenden Enzym und einem stabilen, defekten Enzym unterscheiden. Dennoch stieß selbst dieses verbesserte Modell an eine Grenze. Als die Forscher ihre Vorhersagen mit realen medizinischen Aufzeichnungen und klinischen Kennzeichnungen verglichen, war die Übereinstimmung gering. Das Modell konnte die Aktivität des Enzyms in einem Reagenzglas vorhersagen, aber es konnte nicht vorhersagen, wie sich diese Aktivität auf einen Patienten auswirkt, der ein spezifisches Medikament einnimmt.
Der Grund für diese Diskrepanz liegt in der Natur der Enzyme selbst. Diese Proteine sind keine Zweckmaschinen; sie sind Multitasker, die mit vielen verschiedenen Medikamenten interagieren. Die Studie fand heraus, dass dieselbe genetische Veränderung je nach vorhandenem Medikament völlig unterschiedliche Auswirkungen haben kann. Eine Mutation könnte dazu führen, dass das Enzym bei einem Medikament schlecht arbeitet, bei einem anderen jedoch keinerlei Auswirkungen hat. Die aktuellen Computermodelle behandeln das Enzym so, als besäße es eine einzige, universelle Funktion, und ignorieren dabei, dass sich seine Aufgabe mit jedem Medikament ändert, dem es begegnet. Die Forscher fanden heraus, dass in den medizinischen Datenbanken, die sie untersuchten, mehr als siebzig Prozent der genetischen Variationen, die gegen mehrere Medikamente getestet wurden, unterschiedliche Ergebnisse für jedes einzelne zeigten.
Dieser Befund deutet darauf an, dass sich der gesamte Ansatz zur Vorhersage von Medikamentenreaktionen ändern muss. Seit Jahrzehnten versuchen Wissenschaftler, einer genetischen Variante einen einzigen Wert zuzuweisen und zu fragen, ob sie „gut“ oder „schlecht“ ist. Diese Studie argumentt, dass diese Frage für medikamentenverarbeitende Enzyme die falsche ist. Eine Variante ist nicht an sich gut oder schlecht; sie ist nur im Kontext eines spezifischen Medikaments gut oder schlecht. Die Forscher schlagen vor, dass zukünftige Werkzeuge darauf ausgerichtet sein müssen, eine andere Frage zu stellen: Wie beeinflusst diese spezifische genetische Veränderung die Verarbeitung dieses spezifischen Medikaments? Bis Computermodelle in der Lage sind, den spezifischen chemischen Partner zu berücksichtigen, mit dem das Enzym zusammenarbeitet, werden sie nicht in der Lage sein, die komplexen Interaktionen vollständig vorherzusagen, die darüber entscheiden, ob ein Medikament heilt oder schadet. Der Weg nach vorn besteht nicht nur in besseren Daten oder klügeren Algorithmen, sondern in einer Neudefinition dessen, was wir als die Funktion dieser lebenswichtigen biologischen Maschinen verstehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.