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

Este estudio demuestra que un método agnóstico a los genes que cuantifica la similitud genética entre 178 enfermedades puede predecir con éxito nuevos usos terapéuticos y efectos adversos para 1.711 fármacos, ofreciendo una nueva vía para el descubrimiento de medicamentos que evita la necesidad de identificar genes o dianas causales específicos.

Lo esencial

Imagina que tienes una biblioteca masiva de información sobre la salud humana. Dentro de esta biblioteca, cada enfermedad tiene una "huella dactilar genética" compuesta por miles de pistas diminutas de ADN. Durante mucho tiempo, los científicos intentaron encontrar nuevos medicamentos buscando una coincidencia única y perfecta entre el objetivo de un fármaco y la huella dactilar específica de una enfermedad. Pero esto es como intentar encontrar una aguja en un pajar, y a menudo, la aguja está oculta o falta.

Este artículo propone una forma diferente de mirar la biblioteca. En lugar de buscar una coincidencia única y perfecta, los autores preguntan: "¿Qué enfermedades se parecen genéticamente entre sí, incluso si parecen totalmente diferentes en la superficie?"

Aquí está el desglose de su trabajo utilizando analogías simples:

1. La idea central: La teoría del "primo genético"

Piensa en las enfermedades como personas. Algunas enfermedades son parientes obvios (como un ataque cardíaco y la presión arterial alta; ambas afectan al corazón). Pero este estudio buscó "primos genéticos": enfermedades que podrían vivir en barrios diferentes (sistemas corporales distintos) pero comparten el mismo ADN familiar.

Los investigadores hipotetizaron que si la Enfermedad A y la Enfermedad B son primos genéticos, un medicamento que funciona para la Enfermedad A también podría funcionar para la Enfermedad B, incluso si nadie se dio cuenta antes de que estaban relacionadas.

2. El método: Cinco "reglas" diferentes

Para medir qué tan similares son dos enfermedades, el equipo no usó solo una regla; construyó cinco herramientas de medición diferentes.

• Herramienta 1 y 2: Observan el panorama general de todo el genoma (como comparar la altura y la complexión general de dos personas).
• Herramienta 3 y 4: Observan genes específicos y cómo se activan o desactivan en diferentes tejidos (como comparar sus pasatiempos o habilidades específicas).
• Herramienta 5: Observa cómo los genes y las enfermedades se superponen en vecindarios moleculares específicos.

Utilizaron estas herramientas para comparar 178 enfermedades diferentes.

3. El descubrimiento: La similitud predice el éxito

Pusieron a prueba su teoría contra una lista de 1.711 medicamentos comunes. Preguntaron: "¿Las enfermedades que son genéticamente similares comparten realmente los mismos medicamentos?"

La respuesta fue un rotundo sí.

• La prueba de "indicación": Si un medicamento trata la Enfermedad A, y la Enfermedad B es genéticamente similar a la Enfermedad A, es más probable que el medicamento también trate la Enfermedad B.
• La prueba de "efecto secundario": Si un medicamento causa un efecto secundario en la Enfermedad A, y la Enfermedad B es genéticamente similar, es más probable que el medicamento cause ese mismo efecto secundario en la Enfermedad B.

4. El modelo de predicción "mágico"

Los autores construyeron un modelo informático (un "predictor") que combina las cinco herramientas de medición. Utilizaron este modelo para adivinar nuevos usos para los medicamentos.

• Para nuevos tratamientos: Cuando el modelo dio una predicción con una puntuación alta (probabilidad > 0,1), esos pares medicamento-enfermedad tenían el doble de probabilidades de tener éxito en ensayos clínicos y ser aprobados por los reguladores en comparación con las suposiciones aleatorias.
• Para efectos secundarios: Cuando el modelo predijo un efecto secundario con una puntuación alta (probabilidad > 0,2), era 1,4 veces más probable que fuera un efecto secundario real.

5. La sorpresa de la "moneda de dos caras"

Uno de los hallazgos más interesantes es que el modelo funciona en ambos sentidos.

• El modelo entrenado para encontrar nuevas curas fue sorprendentemente bueno para predecir efectos secundarios.
• El modelo entrenado para encontrar efectos secundarios fue sorprendentemente bueno para predecir nuevas curas.

La analogía: Imagina que un medicamento es una llave. La "cerradura" que abre es la enfermedad que cura. Pero a veces, esa misma llave atascada accidentalmente una cerradura diferente en la casa, causando un efecto secundario. El estudio encontró que el plano genético de la cerradura "curada" y la cerradura "atascada" a menudo son tan similares que si conoces una, puedes adivinar la otra.

6. Ejemplos del mundo real del artículo

El artículo da dos ejemplos concretos de cómo funciona esto:

• Naltrexona (medicamento para el alcoholismo) $\rightarrow$ Síndrome del intestino irritable (SII): La naltrexona trata el alcoholismo. El modelo predijo que podría ayudar al síndrome del intestino irritable (SII). ¿Por qué? Porque el SII es genéticamente similar al alcoholismo en este contexto específico. La biología del intestino y los receptores opioides del cerebro están vinculados, aunque parezcan partes del cuerpo diferentes.
• Anastrozol (medicamento para el cáncer de mama) $\rightarrow$ Malabsorción: El anastrozol reduce el estrógeno. El modelo predijo que podría causar "síndrome de malabsorción" (dificultad para absorber nutrientes). ¿Por qué? Porque los efectos secundarios conocidos del medicamento (pérdida ósea, inflamación venosa) comparten un vínculo genético con cómo el intestino absorbe los nutrientes.

Qué significa esto (según el artículo)

Los autores enfatizan que este método es agnóstico a los genes. Esto significa que no necesitas saber exactamente qué gen causa una enfermedad para encontrar una cura. Solo necesitas saber que la Enfermedad A y la Enfermedad B comparten una "vibra" genética.

Limitaciones importantes mencionadas:

• El artículo admite que esto no funciona para todos los medicamentos. Algunos medicamentos solo tratan síntomas (como un analgésico para un dolor de cabeza) en lugar de corregir la causa genética subyacente, por lo que este método podría pasar por alto esos casos.
• Los datos no son perfectos; algunas enfermedades tienen más datos genéticos que otras, lo que puede hacer que las "reglas" sean menos precisas para ciertas condiciones.

En resumen:
Este artículo muestra que al observar los "árboles genealógicos" genéticos de las enfermedades, podemos predecir qué medicamentos funcionarán para nuevas enfermedades y cuáles causarán nuevos efectos secundarios. Es como darse cuenta de que dos casas parecen diferentes por fuera, pero como fueron construidas con los mismos planos, el mismo reparador (medicamento) puede arreglar ambas.

Resumen técnico

A continuación se presenta un resumen técnico detallado del preimpreso "La similitud genética entre 178 fenotipos de enfermedades predice efectos terapéuticos y secundarios para 1.711 fármacos".

1. Planteamiento del Problema

Si bien la genética humana (mediante GWAS) ha demostrado ser prometedora para identificar dianas terapéuticas, su traducción clínica se ve obstaculizada por la dificultad de vincular variantes genéticas con genes causales específicos. Los enfoques tradicionales a menudo descartan una fracción significativa de datos genéticos porque dependen de la identificación de loci con significancia a nivel de genoma y sus genes causales. Además, los métodos existentes a menudo no aprovechan el fenómeno de la pleiotropía (donde las variantes genéticas influyen en múltiples rasgos) en todo su potencial para la reutilización de fármacos, particularmente para enfermedades que parecen fenotípicamente no relacionadas. Existe la necesidad de un método agnóstico a los genes que utilice el amplio espectro de datos genéticos para predecir nuevos vínculos fármaco-enfermedad (tanto indicaciones terapéuticas como efectos secundarios adversos) sin requerir la identificación previa de genes causales específicos.

2. Metodología

Los autores desarrollaron un marco para cuantificar la similitud genética entre pares de enfermedades y utilizar esta métrica para predecir asociaciones fármaco-enfermedad.

A. Recopilación y Curación de Datos

• Enfermedades: 178 fenotipos de enfermedades distintos.
• Fármacos: 1.711 fármacos comunes.
• Control Fenotípico: Para aislar las señales genéticas de las similitudes clínicas, los autores utilizaron anotaciones de enfermedades (ICD10, UK HRCS) y ClinGraph (un grafo de conocimiento clínico) para calcular incrustaciones de similitud fenotípica. Los pares con alta similitud fenotípica fueron excluidos en análisis específicos para asegurar que el modelo dependiera del solapamiento genético, y no solo del clínico.

B. Cinco Métricas de Similitud Genética
El estudio construyó cinco métricas distintas para capturar diferentes capas de la arquitectura genética:

1. Basada en LDSC: Correlación genética a nivel de genoma utilizando la Regresión de Puntuación LD (desde GWAS Atlas).
2. Basada en MAGMA: Valores p de asociación a nivel de gen agregados a partir de señales GWAS (GWAS Atlas).
3. Basada en S-MultiXcan: Perfiles de regulación génica basados en la expresión génica predicha genéticamente en 44 tejidos (PhenomeXcan).
4. Basada en L2G: Probabilidades derivadas de aprendizaje automático de genes causales en loci GWAS (Open Targets).
5. Basada en COLOC: Colocalización de loci GWAS con QTLs moleculares (eQTLs, pQTLs, sQTLs) (Open Targets).

C. Modelado Predictivo

• Enfoque: Se desarrolló un modelo de regresión logística bayesiano para integrar las cinco métricas de similitud genética. Esto permite predicciones incluso cuando faltan datos para pares específicos de métrica-enfermedad.
• Entrada: Para un par fármaco-enfermedad dado, el modelo calcula la máxima similitud genética entre la enfermedad candidata y las indicaciones conocidas del fármaco (o efectos secundarios conocidos).
• Entrenamiento: Los modelos se entrenaron en pares fármaco-enfermedad conocidos. Crucialmente, los autores entrenaron modelos separados: uno utilizando todos los pares y otro restringido a pares fenotípicamente disímiles para demostrar la utilidad de la similitud genética independientemente de la co-ocurrencia clínica.
• Validación: Las predicciones se validaron frente a:
  • Datos de progresión de ensayos clínicos (Fase I hasta Aprobación).
  • Bases de datos independientes de efectos secundarios (SIDER, offSIDES).
  • Pruebas de permutación para evaluar la significancia frente al azar aleatorio.

3. Contribuciones Clave

• Marco Agnóstico a los Genes: El estudio propone un método que elude la necesidad de identificar genes causales específicos, aprovechando en su lugar la similitud genética agregada.
• Escala Pan-Fenómica: Evalúa 178 enfermedades y 1.711 fármacos, proporcionando un mapa comprehensivo de vínculos fármaco-enfermedad potenciales.
• Desacoplamiento de la Genética y el Fenotipo: Al estratificar rigurosamente la similitud fenotípica, los autores demuestran que la similitud genética proporciona poder predictivo incluso para enfermedades que no comparten características clínicas obvias.
• Predicción Bidireccional: El estudio demuestra que la similitud genética puede predecir tanto indicaciones terapéuticas (reutilización) como efectos secundarios adversos, y notablemente, que estos dos dominios comparten una base genética.

4. Resultados Clave

• La Similitud Genética Correlaciona con el Uso Compartido de Fármacos: Las enfermedades con puntuaciones de similitud genética más altas comparten significativamente más fármacos (tanto como indicaciones como efectos secundarios), incluso después de controlar la similitud fenotípica y el sistema corporal.
• Poder Predictivo para Indicaciones:
  • El modelo logró un AUROC de 0.747 en datos retenidos (todos los pares) y 0.559 cuando se restringió a pares fenotípicamente disímiles.
  • Éxito en Ensayos Clínicos: Los pares fármaco-enfermedad con una probabilidad predicha >0.1 fueron 2.03 veces más propensos a progresar desde ensayos clínicos de Fase I hasta la aprobación regulatoria en comparación con pares con baja probabilidad predicha.
• Poder Predictivo para Efectos Secundarios:
  • El modelo de efectos secundarios logró un AUROC de 0.548 en pares fenotípicamente disímiles.
  • Las predicciones con probabilidad >0.2 fueron 1.42 veces más propensas a corresponder a efectos adversos reales (validados contra SIDER).
• Base Genética Compartida (Predicción Cruzada):
  • El Modelo de Indicaciones pudo predecir efectos secundarios reales mejor que el azar (AUROC = 0.525, p < 0.001).
  • El Modelo de Efectos Secundarios pudo predecir indicaciones reales mejor que el azar (AUROC = 0.542, p < 0.001).
  • Esto implica que las vías biológicas que impulsan la eficacia de un fármaco a menudo se superponen con aquellas que causan su toxicidad.
• Estudios de Caso:
  • Naltrexona para el SII: Predicha (prob=0.283) basada en la similitud genética con el alcoholismo. Apoyada por una base biológica (receptores opioides en el tracto gastrointestinal) a pesar de carecer de hits GWAS directos para dianas del SII.
  • Anastrozol para Malabsorción: Predicho (prob=0.61) basado en la similitud con osteoporosis/flebitis, vinculado a través de vías de señalización de estrógenos que afectan al intestino.

5. Significado e Implicaciones

• Aceleración del Descubrimiento de Fármacos: Este método identifica candidatos a reutilización que serían pasados por alto por enfoques que dependen exclusivamente de hits GWAS con significancia a nivel de genoma o de la identificación de genes causales. Es particularmente valioso para enfermedades con señales GWAS débiles o ausentes en dianas farmacológicas específicas.
• Perfilado de Seguridad: La capacidad de predecir efectos secundarios a partir de la similitud genética con eventos adversos conocidos ofrece una herramienta proactiva para la evaluación de seguridad, potencialmente reduciendo el abandono en ensayos clínicos.
• Insight Mecanístico: El hallazgo de que las indicaciones y los efectos secundarios comparten una base genética sugiere que la eficacia y la toxicidad de un fármaco son dos caras de la misma moneda biológica, impulsadas por vías pleiotrópicas compartidas.
• Recurso para Validación: Los autores proporcionan un repositorio público de probabilidades predichas para miles de pares fármaco-enfermedad, sirviendo como un recurso de priorización para la validación experimental.

Limitaciones Notadas: El estudio reconoce que los tratamientos sintomáticos pueden no ser capturados por las asociaciones genéticas, la incompletitud de los datos en diferentes bases de datos genéticas y los tamaños de muestra variables de los estudios GWAS que afectan la confianza en las estimaciones de similitud. Sin embargo, el control riguroso de la similitud fenotípica fortalece la validez de la señal genética identificada.