When do protein-truncating variants and copy-number loss agree? A pre-specified, power-aware genome-wide audit of cross-perturbation effect equivalence in 885,362 gene-trait pairs

Auf der Suche nach dem Verständnis darüber, wie Gene die menschliche Gesundheit beeinflussen, verlassen sich Wissenschaftler seit langem auf eine kraftvolle Idee: Wenn man sehen kann, was passiert, wenn ein Gen kaputt geht, kann man erahnen, was passiert, wenn man versucht, es zu reparieren. Diese Logik bildet das Fundament eines Großteils der modernen Arzneimittelentwicklung. Forscher suchen nach natürlichen Variationen in der menschlichen Population, die wie zufällige Experimente wirken. Manchmal wird ein einzelner Buchstabe im genetischen Code verändert, was effektiv die Anweisungen eines Gens unterbricht. Ein anderes Mal fehlt ein größeres DNA-Stück gänzlich, wodurch das Gen und seine Nachbarn gelöscht werden. Jahrelang war die Annahme, dass diese zwei Arten von Schäden – das Brechen eines Gens durch einen winzigen Fehler gegenüber dem Löschen durch eine große Lücke – das gleiche Ergebnis erzielen sollten. Wenn ein defektes Gen zu hohem Cholesterinspiegel führt, dann sollte ein gelöschtes Gen dasselbe bewirken. Dieser Glaube erlaubt es Wissenschaftlern, verschiedene Arten von genetischen Daten als austauschbare Karten zu behandeln, um vorherzusagen, welche Wirkstofftargets sicher und effektiv sein werden.

Eine neue, massive Prüfung der menschlichen genetischen Daten deutet jedoch darauf an, dass diese Annahme weit fragiler ist als bisher angenommen. Ein Team von Forschern unter der Leitung von Beiji Lu setzte sich zum Ziel zu testen, ob diese zwei Arten, ein Gen zu beschädigen, wirklich dieselbe Geschichte erzählen. Sie suchten nicht nur nach Mustern; sie bauten ein strenges, vorab geplantes System auf, um zu prüfen, ob die Effekte tatsächlich äquivalent waren oder ob die Daten einfach zu verrauscht waren, um einen Unterschied festzustellen. Durch die Untersuchung von fast 900.000 Gen-Merkmal-Paaren entdeckten sie, dass die Daten in der überwiegenden Mehrheit der Fälle stumm sind. Wichtiger noch: Sie fanden heraus, dass die wenigen Fälle, in denen die beiden Arten von Schäden tatsächlich übereinstimmen, oft nur leere Signale sind und kein Beweis für einen echten biologischen Effekt. Die Studie kommt zu dem Schluss, dass wir diese genetischen Karten noch nicht austauschbar nutzen können, um die Arzneimittelentwicklung zu leiten, da die Werkzeuge, die wir besitzen, nicht präzise genug sind, um zwischen einer wahren biologischen Übereinstimmung und einem statistischen Zufall zu unterscheiden.

Die Forscher näherten sich dieser Frage mit der Vorsicht eines Prüfers statt der eines Jägers. Anstatt nach ein paar spannenden Entdeckungen zu suchen, entwarfen sie einen dreistufigen Prozess mit strengen Regeln, die sie aufgeschrieben hatten, bevor sie die Daten betrachteten. Ihr Ziel war es, ein vollständiges Inventar darüber zu erstellen, wo proteinkürzende Varianten – winzige Fehler, die den Code eines Gens unterbrechen – und Kopienzahlverluste – große Deletionen, die ein Gen entfernen – sich in ihren Auswirkungen einig sind. Sie nutzten Daten aus der UK Biobank, einer riesigen Sammlung von Gesundheits- und genetischen Informationen von Hunderttausenden von Freiwilligen, zusammen mit einem externen Datensatz von AstraZeneca, um ihre Ergebnisse gegenzuprüfen. Das Team konzentrierte sich auf 57 verschiedene körperliche Merkmale, die von Blutdruck bis hin zur Knochendichte reichten, und untersuchte, wie fast 16.000 Gene diese beeinflussten.

Die erste Stufe ihres Audits offenbarte eine ernüchternde Realität: Die Datenlage ist unglaublich dünn. Als sie nach Genen suchten, bei denen beide Arten von genetischer Schädigung einen klaren, signifikanten Effekt zeigten, fanden sie nur sehr wenige. Von Hunderttausenden von Möglichkeiten lieferte nur ein winziger Bruchteil genügend Beweise, um mit Zuversicht etwas aussagen zu können. Die Forscher hatten gehofft, mindestens 100 Gene zu finden, bei denen sie eine klare, dreifache Übereinstimmung zwischen verschiedenen Arten genetischer Evidenz sehen könnten, aber sie fanden nur 14. Dieser Mangel an Daten zwang sie dazu, ihren Fokus auf eine einfachere Frage zu verengen: Stimmen die beiden Arten von Schäden in der Richtung des Effekts überein oder widersprechen sie sich?

Als sie zur genomweiten Analyse übergingen, wurden die Ergebnisse noch deutlicher. Von den 885.362 Gen-Merkmal-Paaren, die sie untersuchten, wurde die überwältigende Mehrheit – mehr als 880.000 – als „informationsarm“ klassifiziert. Das bedeutet, dass die Daten für die meisten Gene schlichtweg zu schwach waren, um zu sagen, ob die beiden Arten von Schäden identisch oder unterschiedlich sind. Es war nicht so, dass die Effekte verschieden waren; es war so, dass das Signal zu schwach war, um gemessen zu werden. Nachdem sie strenge statistische Korrekturen angewandt hatten, um sicherzustellen, dass sie keine falschen Muster sahen, identifizierten sie 4.252 Paare, in denen die Effekte statistisch äquivalent waren, und 216 Paare, in denen sie sich deutlich unterschieden.

Hier liegt die entscheidende Erkenntnis, die aktuelle Strategien der Arzneimittelentwicklung infrage stellt. Die Forscher mussten mindestens 200 Gen-Merkmal-Paare finden, bei denen beide Arten von Schäden aktiv waren und in die gleiche Richtung zeigten, um zu beweisen, dass die beiden genetischen Karten für das Drug Targeting austauschbar sind. Sie fanden lediglich neun solcher Fälle. Die überwiegende Mehrheit der „äquivalenten“ Paare waren tatsächlich Fälle, in denen keine der beiden Schadensarten einen nachweisbaren Effekt auf das Merkmal hatte. Mit anderen Worten: Die Karten stimmten überein, weil beide nichts Geschehenes zeigten, nicht weil beide dasselbe Zeigen eines Ereignisses dokumentierten. Diese Unterscheidung ist entscheidend: Ein Arzneimittelentwickler muss wissen, dass das Brechen eines Gens eine spezifische Veränderung verursacht, und nicht nur, dass das Brechen eines Gens keine Veränderung verursacht.

Die Studie untersuchte auch, warum die wenigen Fälle von Diskrepanzen existierten. Sie fanden heraus, dass Gene, die unterschiedliche Effekte durch die zwei Arten von Schäden zeigten, fast immer in Regionen lagen, in denen große DNA-Stücke deletiert wurden, was oft mehrere Gene gleichzeitig entfernte. Dies deutet darauf darauf hin, dass bei einer großen Deletion der Effekt nicht nur das einzelne untersuchte Gen betrifft, sondern das Entfernen eines Clusters von Genen ist. Dieser „Passagier-Eff Effekt“, bei dem die Deletion eines Gens die Auswirkungen seiner Nachbarn mit sich zieht, erzeugt ein verwirrendes Signal, das eine Einzelgen-Analyse nicht entwirren kann. Die Forscher fanden heraus, dass Gene mit diesen widersprüchlichen Signalen durch Deletionen abgedeckt waren, die im Median 10 proteinkodierende Gene entfernten, verglichen mit nur 2,5 für die Gene, bei denen die Signale übereinstimmten.

Das Team versuchte auch, ein Computermodell zu bauen, um vorherzusagen, wann diese zwei Arten von genetischer Schädigung voneinander abweichen würden, in der Hoffnung, ein Werkzeug zu schaffen, das Forscher warnen könnte, wenn ein Wirkstofftarget irreführend sein könnte. Sie fütterten das Modell mit Daten über die Präzision der Messungen und die Struktur der genetischen Deletionen. Das Modell funktionierte fast perfekt bei der Trennung der verschiedenen Fälle, aber nicht, weil es Biologie gelernt hatte. Es funktionierte, weil es die Einschränkungen der Daten selbst gelernt hatte. Das Modell konnte den Unterschied zwischen einem starken und einem schwachen Signal erkennen, aber es konnte nicht zwischen einem echten biologischen Effekt und einem statistischen Zufall unterscheiden. Da die „Labels“ für das Modell aus denselben verrauschten Daten abgeleitet wurden, die auch für das Training des Modells verwendet wurden, war das Modell im Wesentlichen dabei, das Rauschen auswendig zu lernen, anstatt eine Regel zu entdecken.

Letztendlich dient diese Studie als notwendiger Innehalten im Eifer der Nutzung genetischer Daten für die Arzneimittelentdeckung. Die Forscher haben keinen neuen Weg gefunden, den Erfolg von Medikamenten vorherzusagen; stattdessen haben sie festgestellt, dass die aktuelle Methode, von der Annahme auszugehen, dass alle genetischen Schäden gleich sind, durch die Evidenz nicht gestützt wird. Das von ihnen erstellte Inventar ist eine Karte dessen, wo die Daten schweigen, wo sie klar sind und wo sie irreführend sind. Sie kommen zu dem Schluss, dass wir neue Arten von Daten benötigen, die in der Lage sind, einzelne Gene von ihren Nachbarn zu isolieren und wahre biologische Effekte vom Rauschen großer Deletionen zu trennen. Bis solche Daten verfügbar sind, bleibt die Annahme, dass ein defektes Gen und ein gelöschtes Gen austauschbar sind, unbewiesen und vielleicht auch mit den derzeit zur Verfügung stehenden Werkzeugen unbeweisbar. Der Wert dieser Arbeit liegt nicht in einem Durchbruch, sondern in der Klarheit ihres negativen Ergebnisses: Sie sagt der wissenschaftlichen Gemeinschaft genau, wo die Straße endet und welche Art von neuem Fahrzeug benötigt wird, um die Reise fortzusetzen.