TDEP: Predicting Target Perturbation Response from Drug-Induced Transcriptomes

Das Finden des richtigen Schlüssels für ein biologisches Schloss ist die zentrale Herausforderung der modernen Wirkstoffforschung. Wissenschaftler wissen schon lange, dass Medikamente wirken, indem sie sich an spezifische Proteine im Körper binden, ganz so wie ein Schlüssel, der in ein Schloss passt. Wenn der Schlüssel passt, kann er das Schloss drehen, um eine Krankheit zu stoppen oder einen Heilungsprozess einzuleiten. Jahrzehntelang haben Forscher versucht, diese Übereinstimmungen mithilfe zweier Hauptstrategien vorherzusagen. Ein Ansatz betrachtet die physische Form der Moleküle und versucht zu sehen, ob sie wie Puzzleteile zusammenpassen. Der andere betrachtet die chemische Folgewirkung und beobachtet, wie sich die internen Anweisungen einer Zelle ändern, wenn ein Medikament eingeführt wird. Während die formbasierten Methoden gut darin sind zu erraten, ob eine Übereinstimmung stattfinden wird, scheitern sie oft daran zu erklären, was als Nächstes passiert. Die chemischen Methoden können zwar die Folgen aufzeigen, haben aber Schwierigkeiten, genau zu bestimmen, welches Protein die Veränderung verursacht hat, da sie sich oft im Rauschen der komplexen zellulären Reaktionen verlieren.

Ein Forschungsteam der Ewha Womans University in Südkorea hat einen neuen Weg entwickelt, um diese Lücke zu schließen. Sie haben ein System namens TDEP entwickelt, was für „Target-perturbed Differential Expression Profile“ steht. Anstatt nur vorherzusagen, ob ein Medikament an ein Protein bindet, sagt TDEP die spezifische Kettenreaktion voraus, die dieses Protein im gesamten Handbuch der Zelle, dem sogenannten Transkriptom, verursacht. Stellen Sie sich eine Zelle wie eine riesige Bibliothek von Büchern vor, wobei jedes Buch ein Gen ist. Wenn ein Medikament auf ein Zielprotein trifft, verändert es nicht nur das Lesen eines einzelnen Buches; es verändert die Lesereihenfolge von Tausenden anderen. TDEP lernt, die Reaktion der Bibliothek auf ein Medikament zu lesen und arbeitet dann rückwärts, um genau das Protein vorherzusagen, das die ursprüngliche Störung verursacht hat. Dies ermöglicht es Wissenschaftlern, nicht nur die Übereinstimmung zu finden, sondern auch die biologische Geschichte zu verstehen, die darauf folgt.

Die Forscher bauten ihr System auf, indem sie einem Computer beibrachten, Muster in massiven Mengen biologischer Daten zu erkennen. Sie begannen mit einer riesigen Sammlung von medikamenteninduzierten Veränderungen der Genaktivität, die aus einer öffentlichen Datenbank namens Connectivity Map gewonnen wurden. Diese Datenbank enthält über eine Million Schnappschüsse darüber, wie verschiedene Zellen auf verschiedene Chemikalien reagieren. Das Team kombinierte diese chemischen Schnappschüsse mit den genetischen Sequenzen der Proteine, die die Medikamente treffen sollen. Sie verwendeten eine Art künstliche Intelligenz, die Proteinsequenzen versteht – ähnlich wie ein Sprachmodell Sätze versteht –, um die Zielproteine darzustellen. Dann trainierten sie das System darauf, ein spezifisches Protein mit dem einzigartigen Muster der Genveränderungen zu verbinden, das es hervorruft. Das System sagt nicht einfach nur „Ja“ oder „Nein“ zu einer Interaktion; es erstellt eine detaillierte Karte davon, wie sich die Gene der Zelle verändern würden, wenn dieses spezifische Protein blockiert würde.

Als das Team sein neues System gegen bestehende Methoden testete, waren die Ergebnisse beeindruckend. Sie verglichen TDEP mit älteren Modellen, die sich auf molekulare Formen verlassen, sowie mit anderen, die auf genetischen Daten aus Experimenten basieren, bei denen Gene künstlich ausgeschaltet wurden. In Tests mit Medikamenten, die das System zuvor noch nie gesehen hatte, erreichte TDEP einen AUC-Wert von 0,87 bei der korrekten Identifizierung von Interaktionen. Diese Leistung war vergleichbar mit den besten formbasierten Modellen, die derzeit als Goldstandard gelten, und signifikant besser als die älteren genetischen Methoden, die Schwierigkeiten hatten, einen AUC-Wert von 0,6 zu erreichen. Die Forscher stellten fest, dass das System besonders gut darin war, aus den ihm gegebenen Daten zu lernen, und dabei die häufige Falle vermeidete, einfach die Antworten auswendig zu lernen. Es lernte, die zugrunde liegende biologische Logik zu erkennen, die ein Protein mit seinen zellulären Konsequenzen verbindet.

Eine der wichtigsten Entdeckungen war, wie das System mit verschiedenen Arten von Unbekannten umgeht. Die Forscher testeten das Modell in zwei Szenarien: eines, in dem die Medikamente neu, die Proteine jedoch bekannt waren, und eines, in dem die Proteine völlig neu waren. Sie fanden heraus, dass das System zwei verschiedene Werkzeuge nutzt, um diese Probleme zu lösen. Wenn das Protein bekannt ist, stützt sich das System auf die detaillierte Karte der Genveränderungen, die es gelernt hat, um das Ergebnis vorherzusagen. Wenn das Protein neu ist, stützt es sich auf sein tiefes Verständnis der genetischen Sequenz des Proteins, um eine fundierte Vermutung anzustellen. Dieser duale Ansatz ermöglicht es dem System, robust zu sein und sowohl bei einem neuen Medikament als auch bei einem neuen Zielprotein gut zu funktionieren. Darüber hinaus zeigte das System, dass es sein Wissen auf verschiedene Zelltypen übertragen kann. Ein Modell, das auf einem bestimmten Typ von Krebszellen trainiert wurde, konnte immer noch genaue Vorhersagen treffen, wenn es auf einen anderen Typ von Krebszellen angewendet wurde, was darauf hindeutet, dass die grundlegenden Regeln, wie diese Proteine Gene beeinflussen, über verschiedene biologische Kontexte hinweg geteilt werden.

Das Team untersuchte auch genau, ob das System tatsächlich Biologie lernte oder nur Abkürzungen fand. Sie untersuchten die spezifischen Gene, die das System als verändert vorhersagte, wenn ein Ziel blockiert wird, und verglichen sie mit realen Daten aus anderen Experimenten. Dabei fanden sie eine starke Übereinstimmung. Wenn das System beispielsweise die Wirkung der Blockierung eines spezifischen herzbezogenen Proteins vorhersagte, stimmten die von ihm markierten Gene, die sich am wahrscheinlichsten verändern würden, mit den Genen überein, die sich tatsächlich änderten, als dieses Protein in unabhängigen Experimenten entfernt wurde. Dies deutet darauf hin, dass das System echte biologische Signale erfasst und nicht nur statistisches Rauschen. Die Forscher merkten an, dass die Vorhersagen zwar nicht perfekt sind und die Effektstärken manchmal klein ausfallen, die Fähigkeit, eine Erklärung auf Genebene für die Wirkung eines Medikaments zu generieren, jedoch ein bedeutender Schritt nach vorn ist. Es bietet eine Möglichkeit, Hypothesen darüber aufzustellen, wie ein Medikament wirkt, die dann im Labor getestet werden können.

Trotz dieser Erfolge weisen die Forscher vorsichtig auf die Grenzen ihrer Arbeit hin. Das System stützt sich derzeit auf Daten aus einem spezifischen Satz von Krebszelllinien und Medikamenten, die bereits in der öffentlichen Datenbank profiliert wurden. Es kann noch nicht die Auswirkungen völlig neuer chemischer Strukturen vorhersagen, die noch nie im Labor getestet wurden. Zudem sagt das System zwar voraus, ob ein Medikament mit einem Ziel interagiert, misst aber nicht, wie stark sie binden. Die Forscher räumen auch ein, dass die von ihnen verwendeten biologischen Daten von einer spezifischen Technologie stammen und die Ergebnisse variieren könnten, wenn sie auf Daten von anderen Messplattformen angewendet würden. Die Kernleistung bleibt jedoch bestehen: Sie haben demonstriert, dass es möglich ist, die detaillierten transkriptionellen Konsequenzen der gezielten Blockierung eines spezifischen Proteins mit hoher Genauigkeit vorherzusagen.

Diese Arbeit bietet eine neue Perspektart darauf, wie wir die Wirkstoffforschung angehen. Indem sie über einfache Ja-oder-Nein-Vorhersagen hinausgeht, bietet TDEP ein Fenster in den Wirkmechanismus. Es ermöglicht Wissenschaftlern, die potenziellen Nebenwirkungen oder therapeutischen Vorteile eines Medikaments zu sehen, indem sie das spezifische Muster der Genveränderungen betrachten, das es vorherzusagen versucht. Die Forscher schlagen vor, dass dieser Ansatz helfen könnte, zu priorisieren, welche Zielproteine es wert sind, verfolgt zu werden, neue Ideen darüber zu entwickeln, wie bestehende Medikamente wirken könnten, und sogar dabei zu helfen, neue Anwendungen für alte Medikamente zu finden. Da die Datenbanken biologischer Daten weiter wachsen und die Modelle der künstlichen Intelligen Intelligenz immer ausgefeilter werden, könnte diese Methode, die Verbindung von Proteinzielen zu ihren vollständigen zellulären Konsequenzen, zu einem Standardwerkzeug im Kampf gegen Krankheiten werden. Die Studie steht als Beweis dafür, dass die Kombination von Gensequenzen mit zellulären Reaktionsdaten Erkenntnisse liefern kann, die weder ein Ansatz allein hätte erreichen können.