Non-independence in network-structured Mendelian randomization: a permutation framework and six failure modes

Los científicos han buscado durante mucho tiempo una forma fiable de predecir si un fármaco funcionará antes de que llegue siquiera al paciente. Un método poderoso, conocido como aleatorización mendeliana, utiliza la propia aleatoriedad de la naturaleza para probar la causa y el efecto. Observa las variaciones genéticas que las personas heredan al nacer, las cuales actúan como experimentos naturales. Si una variante genética específica hace que una persona tenga niveles más altos de una determinada proteína en la sangre, y esa misma persona tiene también un mayor riesgo de padecer una enfermedad, los investigadores pueden inferir que la proteína en sí es probablemente la causa de la enfermedad. Este enfoque se ha convertido en una herramienta estándar para la nominación de nuevos objetivos terapéuticos, particularmente para las enfermedades cardíacas. Un supuesto común en este campo es que, si una proteína (un ligando) causa una enfermedad, entonces la proteína que recibe su señal (su receptor) debería contar la misma historia. Si el mensajero es peligroso, dicta la lógica, el receptor también debe ser parte del problema.

Sin embargo, un estudio reciente desafía este supuesto, revelando que tratar estas dos mediciones como evidencia intercambiable es un error. Los investigadores analizaron miles de pares de proteínas que interactúan entre sí para ver si sus señales genéticas coincidían en el riesgo de enfermedad coronaria. Descubrieron que las señales del mensajero y del receptor a menudo discrepaban, y cuando coincidían, no lo hacían con más frecuencia de la que lo harían si las proteínas se hubieran emparejado al azar. El estudio también puso al descubierto un fallo oculto en la forma en que los científicos cuentan sus descubrimientos: debido a que las proteínas están conectadas en una red compleja, la misma proteína aparece en muchos pares diferentes, lo que invalida las correcciones estadísticas estándar. El resultado es una visión más clara y cautelosa de cómo identificamos los objetivos de fármacos, mostrando que no podemos asumir simplemente que una vía funciona de la misma manera solo porque dos de sus partes estén vinculadas genéticamente.

Los investigadores comenzaron recopilando datos sobre 660 proteínas diferentes medidas en la sangre de casi 50.000 personas. Se centraron en proteínas que tenían un interruptor genético claro cerca, lo que les permitió utilizar el método de aleatorización mendeliana con confianza. Luego examinaron 1.129 pares de proteínas donde una actúa como señal y la otra como receptor, una relación mapeada en una base de datos de interacciones biológicas conocidas. Para cada par, calcularon el efecto de la proteína de señal sobre la enfermedad cardíaca y compararon ese efecto con el de la proteína receptora. Si el supuesto común fuera cierto, estos dos números deberían moverse en la misma dirección. En cambio, el equipo descubrió que el acuerdo entre la señal y el receptor era no mejor que el azar. En un conjunto de datos grande, las dos proteínas apuntaban en la misma dirección solo aproximadamente el 48,5% de las veces, un resultado indistinguible de emparejar proteínas de forma aleatoria. En un segundo conjunto de datos, aún más grande, el acuerdo fue incluso menor, situándose en el 47%.

Esta falta de acuerdo sugiere que medir la señal y medir el receptor están en realidad respondiendo a dos preguntas diferentes. El estudio mostró que cuando los investigadores buscaban pares donde las dos proteínas discrepaban significativamente, el número de "descubrimientos" se triplicaba al utilizar un conjunto de datos más grande con más casos de enfermedad cardíaca, pasando de 10 a 31. Crucialmente, la expectativa estadística para el ruido aleatorio también aumentó en la misma proporción, de 9 a 30, lo que significa que el aumento era consistente con el azar en lugar de una señal biológica. Los investigadores demostraron que los métodos estándar para corregir estos errores fallaban porque trataban cada par de proteínas como una prueba independiente. En realidad, las proteínas están conectadas en una red; una sola proteína puede formar parte de docenas de pares. Cuando la misma proteína aparece en múltiples pruebas, los datos no son independientes, y las correcciones estándar sobreestiman el número de descubrimientos reales.

Para solucionar esto, el equipo desarrolló una nueva forma de probar sus resultados que respetara la estructura de la red. Probaron dos enfoques: uno que barajaba las conexiones entre las proteínas manteniendo las proteínas mismas y su número de conexiones exactamente iguales, y otro que movía los valores estadísticos a diferentes proteínas. Descubrieron que mover los valores a diferentes proteínas no era adecuado porque ignoraba el hecho de que las proteínas altamente conectadas tienden a tener efectos mayores. Sin embargo, el método que mantuvo las proteínas y las conexiones fijas, barajando solo los emparejamientos, mostró que las aparentes discrepancias "significativas" encontradas por los métodos estándar eran probablemente artefactos de la forma de la red. Cuando aplicaron esta prueba más estricta, el número de discrepancias observadas no fue significetivamente diferente de lo que se esperaría por puro azar. El estudio también examinó si las proteínas que son conocidas por ser causales de la enfermedad cardíaca, como la PCSK9, mostraban un patrón especial de acuerdo. Aunque la PCSK9 fue identificada correctamente como un factor de riesgo, el patrón general de acuerdo entre señales y receptores no se sostuvo. Incluso cuando los investigadores contrastaron sus hallazgos con una tecnología de medición diferente para asegurar que los resultados no se debían a errores en el equipo de laboratorio, la falta de acuerdo entre señales y receptores persistió.

Las implicaciones de estos hallazgos son significativas para la forma en que se elegirán los futuros objetivos de fármacos. El estudio identificó seis formas específicas en las que las prácticas actuales pueden desviar a los investigadores, incluyendo la falta de consideración de las conexiones de la red y la dependencia de señales genéticas únicas en regiones complejas del genoma. Un problema importante es que muchas proteínas se encuentran en áreas del genoma donde múltiples señales genéticas se solapan, lo que dificulta distinguir cuál de ellas está impulsando realmente la enfermedad. Los investigadores descubrieron que cuando cambiaban el conjunto de datos utilizado para definir la enfermedad cardíaca, las conclusiones sobre si una proteína y una enfermedad compartían una causa genética a menudo se invertían. Esta inestabilidad sugiere que muchas afirmaciones previas sobre vías compartidas pueden no ser robustas. El estudio concluye que, si bien la aleatorización mendeliana sigue siendo una herramienta valiosa, el supuesto de que un ligando y su receptor proporcionan evidencia intercambiable sobre una vía biológica no está respaldado por los datos. Los científicos deben ahora tratar estas dos mediciones como piezas de evidencia distintas en lugar de como una única historia unificada.