Genetic similarity among 178 disease phenotypes predicts therapeutic and side effects for 1,711 drugs

Diese Studie zeigt, dass eine genagnostische Methode, die die genetische Ähnlichkeit zwischen 178 Erkrankungen quantifiziert, erfolgreich neue therapeutische Anwendungen und Nebenwirkungen für 1.711 Wirkstoffe vorhersagen kann und damit einen neuen Weg für die Wirkstoffentwicklung eröffnet, der die Identifizierung spezifischer kausaler Gene oder Zielstrukturen umgeht.

Das Wesentliche

Stellen Sie sich eine riesige Bibliothek mit Informationen zur menschlichen Gesundheit vor. In dieser Bibliothek hat jede Krankheit einen „genetischen Fingerabdruck", der aus Tausenden winziger DNA-Hinweise besteht. Lange Zeit versuchten Wissenschaftler, neue Medikamente zu finden, indem sie nach einer einzigen, perfekten Übereinstimmung zwischen dem Ziel eines Medikaments und dem Fingerabdruck einer spezifischen Krankheit suchten. Doch dies ist wie die Suche nach einer Nadel im Heuhaufen, und oft ist die Nadel versteckt oder fehlt.

Dieser Artikel schlägt einen anderen Weg vor, diese Bibliothek zu betrachten. Anstatt nach einer einzigen perfekten Übereinstimmung zu suchen, fragen die Autoren: „Welche Krankheiten sehen sich genetisch ähnlich, auch wenn sie auf den ersten Blick völlig unterschiedlich erscheinen?"

Hier ist die Aufschlüsselung ihrer Arbeit mit einfachen Analogien:

1. Die Kernidee: Die Theorie des „genetischen Cousins"

Stellen Sie sich Krankheiten wie Menschen vor. Manche Krankheiten sind offensichtliche Verwandte (wie ein Herzinfarkt und Bluthochdruck – beide betreffen das Herz). Doch diese Studie suchte nach „genetischen Cousins" – Krankheiten, die vielleicht in verschiedenen Vierteln leben (verschiedene Körpersysteme), aber dieselbe Familien-DNA teilen.

Die Forscher hypothesierten, dass, wenn Krankheit A und Krankheit B genetische Cousins sind, ein Medikament, das bei Krankheit A wirkt, auch bei Krankheit B wirken könnte, selbst wenn niemand zuvor erkannt hatte, dass sie verwandt sind.

2. Die Methode: Fünf verschiedene „Lineale"

Um zu messen, wie ähnlich zwei Krankheiten sind, nutzte das Team nicht nur ein Lineal; sie bauten fünf verschiedene Messwerkzeuge.

• Werkzeug 1 & 2: Betrachten das große Ganze des gesamten Genoms (wie den Vergleich der allgemeinen Größe und Statur zweier Menschen).
• Werkzeug 3 & 4: Betrachten spezifische Gene und wie sie in verschiedenen Geweben ein- oder ausgeschaltet werden (wie den Vergleich ihrer spezifischen Hobbys oder Fähigkeiten).
• Werkzeug 5: Betrachtet, wie Gene und Krankheiten in spezifischen molekularen Vierteln überlappen.

Sie nutzten diese Werkzeuge, um 178 verschiedene Krankheiten zu vergleichen.

3. Die Entdeckung: Ähnlichkeit sagt Erfolg voraus

Sie testeten ihre Theorie gegen eine Liste von 1.711 gängigen Medikamenten. Sie fragten: „Teilen Krankheiten, die genetisch ähnlich sind, tatsächlich dieselben Medikamente?"

Die Antwort war ein lautes Ja.

• Der „Indikations"-Test: Wenn ein Medikament Krankheit A behandelt und Krankheit B genetisch ähnlich zu Krankheit A ist, ist es wahrscheinlicher, dass das Medikament auch Krankheit B behandelt.
• Der „Nebenwirkung"-Test: Wenn ein Medikament bei Krankheit A eine Nebenwirkung verursacht und Krankheit B genetisch ähnlich ist, ist es wahrscheinlicher, dass das Medikament auch bei Krankheit B dieselbe Nebenwirkung verursacht.

4. Das „magische" Vorhersagemodell

Die Autoren bauten ein Computermodell (ein „Vorhersager"), das alle fünf Messwerkzeuge kombiniert. Sie nutzten dieses Modell, um neue Anwendungen für Medikamente zu erraten.

• Für neue Behandlungen: Wenn das Modell einer Vorhersage eine hohe Punktzahl gab (Wahrscheinlichkeit > 0,1), waren diese Medikament-Krankheits-Paare zweimal so wahrscheinlich erfolgreich in klinischen Studien und erhielten die Zulassung durch Aufsichtsbehörden im Vergleich zu zufälligen Vermutungen.
• Für Nebenwirkungen: Wenn das Modell eine Nebenwirkung mit einer hohen Punktzahl vorhersagte (Wahrscheinlichkeit > 0,2), war es 1,4-mal wahrscheinlicher, dass es sich um eine echte Nebenwirkung handelte.

5. Die „zweiseitige Münze"-Überraschung

Eine der interessantesten Erkenntnisse ist, dass das Modell in beide Richtungen funktioniert.

• Das Modell, das trainiert wurde, um neue Heilmittel zu finden, war überraschend gut darin, Nebenwirkungen vorherzusagen.
• Das Modell, das trainiert wurde, um Nebenwirkungen zu finden, war überraschend gut darin, neue Heilmittel vorherzusagen.

Die Analogie: Stellen Sie sich ein Medikament als Schlüssel vor. Das „Schloss", das es öffnet, ist die Krankheit, die es heilt. Aber manchmal verkeilt derselbe Schlüssel versehentlich ein anderes Schloss im Haus und verursacht eine Nebenwirkung. Die Studie fand heraus, dass der genetische Bauplan des „geheilten" Schlosses und des „verkeilten" Schlosses oft so ähnlich sind, dass man, wenn man das eine kennt, das andere erraten kann.

6. Reale Beispiele aus dem Artikel

Der Artikel gibt zwei konkrete Beispiele, wie dies funktioniert:

• Naltrexon (Medikament gegen Alkoholismus) $\rightarrow$ Reizdarmsyndrom (RDS): Naltrexon behandelt Alkoholismus. Das Modell sagte voraus, dass es möglicherweise beim Reizdarmsyndrom (RDS) helfen könnte. Warum? Weil RDS in diesem spezifischen Kontext genetisch ähnlich zu Alkoholismus ist. Die Biologie des Darms und der Opioidrezeptoren im Gehirn sind verknüpft, auch wenn sie wie verschiedene Körperteile erscheinen.
• Anastrozol (Medikament gegen Brustkrebs) $\rightarrow$ Malabsorption: Anastrozol senkt den Östrogenspiegel. Das Modell sagte voraus, dass es möglicherweise ein „Malabsorptionssyndrom" (Schwierigkeiten bei der Aufnahme von Nährstoffen) verursachen könnte. Warum? Weil die bekannten Nebenwirkungen des Medikaments (Knochenverlust, Venenentzündung) eine genetische Verbindung mit der Art und Weise teilen, wie der Darm Nährstoffe aufnimmt.

Was dies bedeutet (laut dem Artikel)

Die Autoren betonen, dass diese Methode gen-unabhängig ist. Das bedeutet, Sie müssen nicht genau wissen, welches Gen eine Krankheit verursacht, um eine Heilung zu finden. Sie müssen nur wissen, dass Krankheit A und Krankheit B einen genetischen „Vibe" teilen.

Wichtige Einschränkungen, die erwähnt werden:

• Der Artikel räumt ein, dass dies nicht bei jedem Medikament funktioniert. Einige Medikamente behandeln nur Symptome (wie ein Schmerzmittel gegen Kopfschmerzen) statt die zugrunde liegende genetische Ursache zu beheben, sodass diese Methode diese möglicherweise verpasst.
• Die Daten sind nicht perfekt; einige Krankheiten haben mehr genetische Daten als andere, was die „Lineale" für bestimmte Zustände weniger genau machen kann.

Zusammenfassend:
Dieser Artikel zeigt, dass wir, indem wir die genetischen „Stammbäume" von Krankheiten betrachten, vorhersagen können, welche Medikamente bei neuen Krankheiten wirken und welche neue Nebenwirkungen verursachen werden. Es ist wie die Erkenntnis, dass zwei Häuser von außen unterschiedlich aussehen, aber weil sie mit denselben Bauplänen gebaut wurden, derselbe Handwerker (Medikament) beide reparieren kann.

Technische Zusammenfassung

1. Problemstellung

Während die menschliche Genetik (via GWAS) vielversprechend bei der Identifizierung von Wirkstofftargets ist, wird ihre klinische Translation durch die Schwierigkeit behindert, genetische Varianten mit spezifischen kausalen Genen zu verknüpfen. Traditionelle Ansätze verwerfen oft einen signifikanten Anteil genetischer Daten, da sie auf der Identifizierung genomweiter signifikanter Loci und ihrer kausalen Gene beruhen. Darüber hinaus nutzen bestehende Methoden das Phänomen der Pleiotropie (bei dem genetische Varianten mehrere Merkmale beeinflussen) oft nicht vollumfänglich für die Wirkstoffwiederverwendung, insbesondere bei Krankheiten, die phänotypisch unrelated erscheinen. Es besteht ein Bedarf an einer gen-agnostischen Methode, die das breite Spektrum genetischer Daten nutzt, um neue Wirkstoff-Krankheits-Verbindungen (sowohl therapeutische Indikationen als auch adverse Nebenwirkungen) vorherzusagen, ohne die vorherige Identifizierung spezifischer kausaler Gene zu erfordern.

2. Methodik

Die Autoren entwickelten ein Framework, um die genetische Ähnlichkeit zwischen Krankheitspaaren zu quantifizieren und diese Metrik zur Vorhersage von Wirkstoff-Krankheits-Assoziationen zu nutzen.

A. Datensammlung und -kuratierung

• Krankheiten: 178 distincte Krankheitsphänotypen.
• Medikamente: 1.711 gängige Medikamente.
• Phänotypische Kontrolle: Um genetische Signale von klinischen Ähnlichkeiten zu isolieren, verwendeten die Autoren Krankheitsannotationen (ICD10, UK HRCS) und ClinGraph (ein klinisches Wissensgraph), um phänotypische Ähnlichkeits-Embeddings zu berechnen. Paare mit hoher phänotypischer Ähnlichkeit wurden in spezifischen Analysen ausgeschlossen, um sicherzustellen, dass das Modell auf genetischer und nicht nur klinischer Überlappung beruhte.

B. Fünf genetische Ähnlichkeitsmetriken
Die Studie konstruierte fünf distincte Metriken, um verschiedene Ebenen der genetischen Architektur zu erfassen:

1. LDSC-basiert: Genomweite genetische Korrelation mittels LD Score Regression (aus GWAS Atlas).
2. MAGMA-basiert: Auf GENEbene aggregierte Assoziations-p-Werte aus GWAS-Signalen (GWAS Atlas).
3. S-MultiXcan-basiert: Genregulationsprofile basierend auf genetisch vorhergesagter Genexpression über 44 Gewebe hinweg (PhenomeXcan).
4. L2G-basiert: Maschinell lernbasierte Wahrscheinlichkeiten kausaler Gene an GWAS-Loci (Open Targets).
5. COLOC-basiert: Kollokalisierung von GWAS-Loci mit molekularen QTLs (eQTLs, pQTLs, sQTLs) (Open Targets).

C. Predictive Modeling

• Ansatz: Ein Bayessches logistisches Regressionsmodell wurde entwickelt, um alle fünf genetischen Ähnlichkeitsmetriken zu integrieren. Dies ermöglicht Vorhersagen, auch wenn Daten für bestimmte Metrik-Krankheits-Paare fehlen.
• Eingabe: Für ein gegebenes Wirkstoff-Krankheits-Paar berechnet das Modell die maximale genetische Ähnlichkeit zwischen der Kandidatenkrankheit und den bekannten Indikationen (oder bekannten Nebenwirkungen) des Wirkstoffs.
• Training: Modelle wurden auf bekannten Wirkstoff-Krankheits-Paaren trainiert. Entscheidend ist, dass die Autoren separate Modelle trainierten: eines unter Verwendung aller Paare und ein weiteres, das auf phänotypisch dissimilaren Paaren beschränkt war, um den Nutzen genetischer Ähnlichkeit unabhängig von klinischem Koinzidenz nachzuweisen.
• Validierung: Vorhersagen wurden validiert gegen:
  • Daten zum Fortschreiten klinischer Studien (Phase I bis Zulassung).
  • Unabhängige Nebenwirkungsdatenbanken (SIDER, offSIDES).
  • Permutationstests zur Bewertung der Signifikanz gegenüber zufälliger Chance.

3. Hauptbeiträge

• Gen-agnostisches Framework: Die Studie schlägt eine Methode vor, die die Notwendigkeit umgeht, spezifische kausale Gene zu identifizieren, und stattdessen aggregierte genetische Ähnlichkeit nutzt.
• Phenomweite Skalierung: Sie bewertet 178 Krankheiten und 1.711 Medikamente und liefert eine umfassende Karte potenzieller Wirkstoff-Krankheits-Verbindungen.
• Entkopplung von Genetik und Phänotyp: Durch strenge Stratifizierung nach phänotypischer Ähnlichkeit demonstrieren die Autoren, dass genetische Ähnlichkeit auch für Krankheiten, die keine offensichtlichen klinischen Merkmale teilen, eine Vorhersagekraft bietet.
• Bidirektionale Vorhersage: Die Studie zeigt, dass genetische Ähnlichkeit sowohl therapeutische Indikationen (Wiederverwendung) als auch adverse Nebenwirkungen vorhersagen kann, und bemerkenswerterweise, dass diese beiden Domänen eine gemeinsame genetische Basis teilen.

4. Hauptergebnisse

• Genetische Ähnlichkeit korreliert mit Wirkstoffteilung: Krankheiten mit höheren genetischen Ähnlichkeitswerten teilen signifikant mehr Medikamente (sowohl als Indikationen als auch als Nebenwirkungen), selbst nach Kontrolle für phänotypische Ähnlichkeit und Körpersystem.
• Vorhersagekraft für Indikationen:
  • Das Modell erreichte eine AUROC von 0,747 auf zurückgehaltenen Daten (alle Paare) und 0,559, wenn auf phänotypisch dissimilare Paare beschränkt.
  • Erfolg klinischer Studien: Wirkstoff-Krankheits-Paare mit einer vorhergesagten Wahrscheinlichkeit >0,1 waren 2,03-mal wahrscheinlicher, von klinischen Studien der Phase I bis zur regulatorischen Zulassung fortzuschreiten, im Vergleich zu Paaren mit niedriger vorhergesagter Wahrscheinlichkeit.
• Vorhersagekraft für Nebenwirkungen:
  • Das Nebenwirkungsmodell erreichte eine AUROC von 0,548 auf phänotypisch dissimilaren Paaren.
  • Vorhersagen mit Wahrscheinlichkeit >0,2 waren 1,42-mal wahrscheinlicher, echten adversen Effekten zu entsprechen (validiert gegen SIDER).
• Gemeinsame genetische Basis (Cross-Prediction):
  • Das Indikationsmodell konnte echte Nebenwirkungen besser als Zufall vorhersagen (AUROC = 0,525, p < 0,001).
  • Das Nebenwirkungsmodell konnte echte Indikationen besser als Zufall vorhersagen (AUROC = 0,542, p < 0,001).
  • Dies impliziert, dass die biologischen Pfade, die die Wirksamkeit eines Medikaments antreiben, oft mit denen überlappen, die seine Toxizität verursachen.
• Fallstudien:
  • Naltrexon bei IBS: Vorhergesagt (Wahrscheinlichkeit=0,283) basierend auf genetischer Ähnlichkeit zu Alkoholismus. Unterstützt durch biologische Rationalität (Opioidrezeptoren im GI-Trakt), trotz fehlender direkter GWAS-Treffer für IBS-Targets.
  • Anastrozol bei Malabsorption: Vorhergesagt (Wahrscheinlichkeit=0,61) basierend auf Ähnlichkeit zu Osteoporose/Phlebitis, verknüpft über Östrogen-Signalwege, die den Darm beeinflussen.

5. Bedeutung und Implikationen

• Beschleunigte Wirkstoffentwicklung: Diese Methode identifiziert Wiederverwendungs-Kandidaten, die von Ansätzen, die sich ausschließlich auf genomweit signifikante GWAS-Treffer oder die Identifizierung kausaler Gene verlassen, übersehen würden. Sie ist besonders wertvoll für Krankheiten mit schwachen oder fehlenden GWAS-Signalen an spezifischen Wirkstofftargets.
• Sicherheitsprofilierung: Die Fähigkeit, Nebenwirkungen aus genetischer Ähnlichkeit zu bekannten adversen Ereignissen vorherzusagen, bietet ein proaktives Werkzeug für die Sicherheitsbewertung, das potenziell den Abbruch klinischer Studien reduzieren könnte.
• Mechanistische Einsicht: Die Erkenntnis, dass Indikationen und Nebenwirkungen eine gemeinsame genetische Basis teilen, legt nahe, dass Wirkstoffwirksamkeit und Toxizität zwei Seiten derselben biologischen Medaille sind, angetrieben durch gemeinsame pleiotrope Pfade.
• Ressource zur Validierung: Die Autoren stellen ein öffentliches Repository mit vorhergesagten Wahrscheinlichkeiten für Tausende von Wirkstoff-Krankheits-Paaren bereit, das als Priorisierungsressource für experimentelle Validierung dient.

Eingeschränkte Aspekte: Die Studie erkennt an, dass symptomatische Behandlungen möglicherweise nicht von genetischen Assoziationen erfasst werden, Datenunvollständigkeit über verschiedene genetische Datenbanken hinweg besteht und die variierenden Stichprobengrößen von GWAS-Studien das Vertrauen in Ähnlichkeitsschätzungen beeinflussen. Dennoch stärkt die strenge Kontrolle für phänotypische Ähnlichkeit die Validität des identifizierten genetischen Signals.