Population-scale drug target and variant prioritization with Varformer
Varformer es un novedoso modelo de transformador multimodal que aprovecha el aprendizaje de positivo-no etiquetado y la atención transmodal para integrar características a nivel de variante y de gen, logrando un rendimiento de vanguardia en la priorización tanto de dianas terapéuticas como de variantes patogénicas a través de diversos grupos de ascendencia genética.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Encontrar el objetivo adecuado para un nuevo medicamento es una de las partes más difíciles del descubrimiento de fármacos. Los científicos deben identificar una proteína específica en el cuerpo que, si se bloquea o se potencia, trate una enfermedad sin causar daño. Durante décadas, los investigadores han dependido de la genética humana para guiar esta búsqueda, buscando variaciones naturales en nuestro ADN que protejan a las personas de las enfermedades o las hagan susceptibles a ellas. Sin embargo, la mayoría de estos estudios genéticos se han centrado excesivamente en personas de ascendencia europea. Esto crea un punto ciego, porque la composición genética de una persona del sur de Asia, África o las Américas puede diferir significativamente, lo que significa que un fármaco que funciona para un grupo podría fallar o causar efectos secundarios en otro. Además, los modelos informáticos existentes suelen tener dificultades para manejar la enorme complejidad de estas diferencias genéticas, ya que generalmente colapsan miles de cambios individuales de ADN en un resumen simplificado para cada gen. Este enfoque corre el riesgo de pasar por alto los patrones sutiles y variados que realmente determinan si un gen es un objetivo seguro y eficaz para una nueva terapia.
Un equipo de investigadores ha desarrollado un nuevo sistema de inteligencia artificial llamado Varformer para resolver estos problemas. En lugar de simplificar los datos, este sistema aprende directamente de los patrones brutos y complejos de la variación genética presentes en diversas poblaciones humanas. Los investigadores entrenaron el modelo utilizando datos genéticos de cuatro grupos principales: personas de ascendencia del sur de Asia, africana, estadounidense mestiza y europea no finlandesa. Al alimentar a la computadora con millones de cambios específicos de ADN, conocidos como variantes de sentido erróneo (missense variants), junto con información sobre cómo funcionan los genes y dónde están activos en el cuerpo, Varformer aprendió a reconocer las firmas de los objetivos farmacológicos exitosos. El sistema trata el problema como una búsqueda de los objetivos "buenos" entre un vasto conjunto de desconocidos, utilizando una estrategia de aprendizaje que reconoce que el hecho de que un gen aún no haya sido probado no significa que sea un mal candidato.
Los resultados muestran que Varformer puede distinguir entre genes que ya han sido validados como objetivos de fármacos y aquellos que no lo han sido, con una precisión notable. Al ser probado en tres conjuntos diferentes de desafíos, que iban desde familias de proteínas bien conocidas hasta candidatos más oscuros, el sistema clasificó consistentemente los verdaderos objetivos de fármacos cerca de la cima de su lista. En la prueba más difícil, que involucraba objetivos que aún no habían sido aprobados por los reguladores, Varformer superó a los métodos anteriores por un margen significativo, identificando casi dos objetivos correctos adicionales por cada veinte genes que revisaba. Crucialmente, el sistema no solo memorizó los datos; aprendió a priorizar objetivos que permanecían como candidatos sólidos en los cuatro grupos de ascendencia. Esto sugiere que el apoyo genético para estos objetivos es robusto y no depende de la base genética específica de una sola población, ofreciendo una forma de reducir el riesgo en el desarrollo de fármacos para una audiencia global.
Más allá de identificar genes completos, el sistema también califica cambios de ADN individuales. En una prueba que involucró una cohorte de participantes británicos bangladesíes y pakistaníes, el modelo clasificó con éxito variantes conocidas causantes de enfermedades dentro de los veinte mejores candidatos para la mayoría de los individuos que las portaban. Esta capacidad de señalar mutaciones específicas dañinas es vital para comprender cómo las diferencias genéticas contribuyen a las enfermedades en los individuos. Los investigadores descubrieron que combinar las puntuaciones del modelo con métodos existentes mejoró la capacidad de identificar variantes dañinas, lo que sugiere que el nuevo sistema captura información única que otras herramientas pasan por alto. Si bien el modelo no es una bola de cristal que garantice que un fármaco tendrá éxito en los ensayos clínicos —ya que los ensayos dependen de muchos factores más allá de la genética, como el diseño del ensayo y la viabilidad comercial—, proporciona una base poderosa y unificada para decidir qué genes y variantes valen la pena perseguir primero.
El trabajo representa un cambio hacia un enfoque más inclusivo y preciso del descubrimiento de fármacos. Al entrenarse en poblaciones diversas y aprender directamente del complejo paisaje de la variación genética, Varformer ofrece una forma de encontrar objetivos terapéuticos que probablemente funcionen para personas de todos los orígenes. Los investigadores han puesto el sistema a disposición como una herramienta de código abierto, permitiendo que otros científicos lo utilicen para priorizar objetivos y variantes en todo el genoma humano. Este enfoque no solo mejora las probabilidades de encontrar un nuevo medicamento; ayuda a asegurar que los medicamentos encontrados sean relevantes y seguros para toda la población humana, y no solo para una fracción de ella.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.