A heterogeneous biomedical knowledge network framework for rare disease drug candidate prioritization: integrating Orphadata and DisGeNET via gene-bridge harmonization

Para más de trescientos millones de personas en todo el mundo, el diagnóstico de una enfermedad rara es a menudo una sentencia a una vida con muy pocas opciones médicas. Si bien la medicina moderna ha logrado avances increíbles en el tratamiento de dolencias comunes, la gran mayoría de estas condiciones raras carecen de cualquier medicamento aprobado. La razón es, a menudo, económica: desarrollar un nuevo fármaco es un proceso costoso y prolongado, y las compañías farmacéuticas encuentran difícil justificar la inversión cuando el número de pacientes potenciales es tan pequeño. Esto deja a investigadores y médicos buscando un camino diferente, uno que no requiera empezar desde cero. En su lugar, buscan formas de encontrar medicamentos existentes que podrían funcionar para estas condiciones ignoradas, una estrategia conocida como reposicionamiento de fármacos. Para hacer esto de manera efectiva, los científicos se apoyan en la intrincada red de conexiones entre enfermedades, los genes que las causan y los fármacos que afectan a esos genes. Si se sabe que un fármaco interactúa con un gen específico, y una enfermedad rara es causada por un problema en ese mismo gen, existe una fuerte posibilidad de que el fármaco pueda ayudar a tratar la enfermedad.

El desafío, sin embargo, es que la información necesaria para establecer estas conexiones se encuentra dispersa en diferentes bases de datos que no hablan el mismo lenguaje. Una base de datos importante, Orphadata, cataloga las relaciones entre enfermedades raras y los genes que las causan, mientras que otra, DisGeNET, registra cómo miles de fármacos interactúan con los genes. El problema es que estas dos fuentes utilizan sistemas de nomenclatura distintos para los mismos genes, lo que hace imposible combinar sus datos de forma sencilla. Un nuevo estudio realizado por Diya Ramani aborda esta barrera construyendo un puente entre estos dos mundos. La investigadora creó un marco informático que primero estandariza los nombres de los genes en ambas bases de datos, traduciéndolos a un lenguaje único y consistente. Una vez armonizados los datos, estos se entrelazan en una enorme red tridimensional donde enfermedades, genes y fármacos están todos vinculados. Esta red contiene más de quince mil puntos de información distintos, que representan casi dos mil quinientas enfermedades raras y más de once mil fármacos.

Para dar sentido a esta compleja red, el estudio utiliza un tipo de inteligencia artificial llamada Red de Atención de Grafos (Graph Attention Network). En lugar de intentar predecir descubrimientos enteramente nuevos, que es un empeño altamente incierto, el sistema es entrenado para comprender la estructura de la red existente. Aprende a reconocer patrones en la forma en que las enfermedades, los genes y los fármacos están conectados, creando efectivamente un mapa de relaciones biológicas. Una vez que el sistema ha aprendido estos patrones, puede tomar una enfermedad rara específica como consulta y clasificar todos los fármacos de su base de datos según qué tan estrechamente estén relacionados con esa enfermedad a través de genes compartidos. El objetivo no es inventar una nueva cura, sino priorizar los candidatos existentes más prometedores para una mayor investigación, convirtiendo una lista caótica de posibilidades en una lista corta y enfocada para médicos e investigadores.

Los resultados de este enfoque son sorprendentes en su capacidad para filtrar el ruido. Cuando el sistema fue probado en doscientas enfermedades raras diferentes, logró colocar un tratamiento conocido y eficaz dentro de las diez mejores sugerencias en el cuarenta por ciento de los casos. Esto representa una mejora masiva respecto al azar, que casi nunca encontraría el fármaco correcto en un grupo tan grande de opciones. Para ilustrar la lógica biológica detrás del éxito, el estudio analizó un caso específico relacionado con un trastorno llamado Hawkinsinuria. El sistema no tenía conocimiento previo de las vías metabólicas específicas involucradas, pero clasificó a un fármaco llamado Nitisinona como el cuarto candidato más probable. Este fármaco es ya el tratamiento estándar para una condición diferente que comparte la misma vía genética. El hecho de que el sistema identificara esta conexión sin haber sido informado explícitamente sobre la vía sugiere que los patrones subyacentes que aprendió son biológicamente sólidos y significativos.

El estudio es cuidadoso al enmarcar sus hallazgos como una herramienta de apoyo a la decisión en lugar de una respuesta clínica final. El sistema está diseñado para generar hipótesis y proporcionar un punto de partida para expertos humanos, quienes deben luego validar las sugerencias mediante mayor investigación y pruebas. El trabajo destaca una brecha significativa en el conocimiento actual, señalando que casi la mitad de las enfermedades raras en la base de datos de Orphadata no pudieron incluirse en la red porque no había datos de fármacos disponibles para sus genes asociados. Esta limitación no es un fallo del método, sino un reflejo del estado actual de la literatura médica, donde muchas condiciones raras siguen estando poco estudiadas. Al hacer que todo el proceso sea reproducible y desplegarlo como una herramienta interactiva y gratuita en línea, la investigadora ha proporcionado a la comunidad científica una forma práctica de navegar por el vasto paisaje de los tratamientos para enfermedades raras. El trabajo demuestra que, al conectar cuidadosamente las piezas de datos existentes, podemos empezar a ver patrones que anteriormente estaban ocultos, ofreciendo un destello de esperanza para los millones de pacientes que actualmente no tienen opciones de tratamiento.