Population-scale drug target and variant prioritization with Varformer
Varformer ist ein neuartiges multimodales Transformer-Modell, das Positive-Unlabeled-Learning und Cross-Modal-Attention nutzt, um Varianten- und Gen-Ebene-Merkmale zu integrieren und so eine Spitzenleistung bei der Priorisierung sowohl von Wirkstofftargets als auch von pathogenen Varianten über verschiedene genetische Abstammungsgruppen hinweg zu erzielen.
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
Das Finden des richtigen Zielmoleküls für ein neues Medikament gehört zu den schwierigsten Teilen der Arzneimittelentwicklung. Wissenschaftler müssen ein spezifisches Protein im Körper identifizieren, das, wenn es blockiert oder verstärkt wird, eine Krankheit behandelt, ohne Schaden anzurichten. Seit Jahrzehnten verlassen sich Forscher auf die Humangenetik, um diese Suche zu leiten, indem sie nach natürlichen Variationen in unserer DNA suchen, die Menschen vor Krankheiten schützen oder sie dafür anfällig machen. Die meisten dieser genetischen Studien haben sich jedoch stark auf Menschen europäischer Abstammung konzentriert. Dies schafft einen blinden Fleck, da sich die genetische Zusammensetzung eines Menschen aus Südasien, Afrika oder Amerika erheblich unterscheiden kann, was bedeutet, dass ein Medikament, das für eine Gruppe funktioniert, bei einer anderen versagen oder Nebenwirkungen verursachen könnte. Darüber hinaus haben bestehende Computermodelle oft Schwierigkeiten, mit der schieren Komplexität dieser genetischen Unterschiede umzugehen, da sie meist tausende einzelner DNA-Veränderungen zu einer einzigen, vereinfachten Zusammenfassung für jedes Gen kollabieren lassen. Dieser Ansatz birgt das Risiko, die subtilen, vielfältigen Muster zu übersehen, die tatsächlich bestimmen, ob ein Gen ein sicheres und wirksames Ziel für eine neue Therapie ist.
Ein Forschungsteam hat ein neues System der künstlichen Intelligenz namens Varformer entwickelt, um diese Probleme zu lösen. Anstatt die Daten zu vereinfachen, lernt dieses System direkt aus den rohen, komplexen Mustern der genetischen Variation, die in diversen menschlichen Populationen vorkommen. Die Forscher trainierten das Modell mit genetischen Daten aus vier Hauptgruppen: Menschen mit südasiatischer, afrikanischer, admixter amerikanischer und nicht-finnischer europäischer Abstammung. Indem sie den Computer mit Millionen spezifischer DNA-Veränderungen, sogenannten Missense-Varianten, sowie Informationen darüber fütterten, wie Gene funktionieren und wo sie im Körper aktiv sind, lernte Varformer, die Signaturen erfolgreicher Wirkstofftargets zu erkennen. Das System betrachtet das Problem als eine Suche nach den „guten“ Targets in einem riesigen Pool von Unbekannten und nutzt dabei eine Lernstrategie, die anerkennt, dass ein Gen nicht automatisch ein schlechter Kandidat ist, nur weil es noch nicht getestet wurde.
Die Ergebnisse zeigen, dass Varformer zwischen Genen, die bereits als Wirkstofftargets validiert wurden, und solchen, die dies nicht wurden, mit bemerkenswerter Genauigkeit unterscheiden kann. Bei Tests an drei verschiedenen Datensätzen, die von bekannten Proteinfamilien bis hin zu unklareren Kandidaten reichten, setzte das System wahre Wirkstofftargets konsistent an die Spitze seiner Liste. Beim schwierigsten Test, der Targets beinhaltete, die noch nicht von Regulierungsbehörden zugelassen worden waren, übertraf Varformer bisherige Methoden um eine deutliche Spanne und identifizierte fast zwei zusätzliche korrekte Targets für je zwanzig von ihm überprüfte Gene. Entscheidend war, dass das System die Daten nicht einfach nur auswendig lernte; es lernte, Targets zu priorisieren, die über alle vier Abstammungsgruppen hinweg starke Kandidaten blieben. Dies deutet darauf hin, dass die genetische Unterstützung für diese Targets robust ist und nicht von dem spezifischen genetischen Hintergrund einer einzelnen Population abhängt, was einen Weg bietet, die Arzneimittelentwicklung für ein globales Publikum abzusichern.
Über die Identifizierung ganzer Gene hinaus bewertet das System auch einzelne DNA-Veränderungen. In einem Test mit einer Kohorte britisch-bangladeschischer und pakistanischer Teilnehmer konnte das Modell bekannte krankheitsverursachende Varianten erfolgreich unter den Top 20 der Kandidaten für die Mehrheit der Träger platzieren. Diese Fähigkeit, spezifische schädliche Mutationen zu lokalisieren, ist entscheidend für das Verständnis darüber, wie genetische Unterschiede zu Krankheiten bei Individuen beitragen. Die Forscher fanden heraus, dass die Kombination der Modellwerte mit bestehenden Methoden die Fähigkeit verbesserte, schädliche Varianten zu identifizieren, was darauf hindeutet, dass das neue System einzigartige Informationen erfasst, die andere Werkzeuge übersehen. Obwohl das Modell kein Kristallball ist, der garantiert, dass ein Medikament in klinischen Studien erfolgreich sein wird – da Studien von vielen Faktoren jenseits der Genetik abhängen, wie etwa dem Studiendesign und der kommerziellen Rentabilität –, bietet es eine leistungsstarke, einheitliche Grundlage für die Entscheidung, welche Gene und Varianten zuerst verfolgt werden sollten.
Die Arbeit stellt eine Verschiebung hin zu einem inklusiveren und präziseren Ansatz in der Arzneimittelentwicklung dar. Durch das Training an diversen Populationen und das direkte Lernen aus der komplexen Landschaft der genetischen Variation bietet Varformer einen Weg, therapeutische Targets zu finden, die wahrscheinlich für Menschen aller Hintergründe funktionieren. Die Forscher haben das System als Open-Source-Tool zur Verfügung gestellt, damit andere Wissenschaftler es nutzen können, um Targets und Varianten über das gesamte menschliche Genom hinweg zu priorisieren. Dieser Ansatz verbessert nicht nur die Chancen, ein neues Medikament zu finden, sondern hilft auch sicherzustellen, dass die gefundenen Medikamente für die gesamte menschliche Bevölkerung relevant und sicher sind, nicht nur für einen Bruchteil davon.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.