Multilayered validation of graph attention autoencoder–derived drug repurposing candidates for COVID-19

Resumen Técnico: Validación Multicapa de Candidatos para el Reposicionamiento de Fármacos Derivados de un Autoencoder de Atención de Grafos para el COVID-19

Planteamiento del Problema
La rápida aparición del SARS-CoV-2 resaltó la necesidad crítica de acelerar el desarrollo terapéutico mediante el reposicionamiento de fármacos. Si bien los enfoques computacionales, particularmente los métodos basados en grafos, ofrecen una promesa para identificar nuevas asociaciones fármaco-enfermedad, el artículo sostiene que los métodos analíticos únicos a menudo no logran capturar los mecanismos patológicos complejos y multifacéticos del COVID-19. Estos mecanismos abarcan la replicación viral, las respuestas inmunitarias del huésped y los procesos metabólicos celulares. En consecuencia, las predicciones de modelos computacionales aislados pueden ser insuficientes para la traslación clínica sin una validación ortogonal. El estudio aborda el desafío de priorizar candidatos para el reposicionamiento que no solo sean predichos computacionalmente, sino que también estén respaldados por evidencia del mundo real y plausibilidad biológica.

Metodología
Los autores desarrollaron un marco analítico exhaustivo y multicapa que integra tres fases distintas para identificar y validar candidatos a fármacos:

1. Identificación Computacional mediante un Autoencoder de Atención de Grafos (GATE):

   • Construcción del Grafo de Conocimiento: Se construyó un grafo de conocimiento heterogéneo utilizando datos de Open Targets (versión 24.06), que comprende nodos para enfermedades, fármacos y genes (dianas). El grafo incluyó cuatro tipos de aristas: interacciones moleculares, asociaciones diana-enfermedad, mecanismos de acción diana-fármaco e indicaciones de fármacos.
   • Arquitectura del Modelo: Se implementó un Autoencoder de Atención de Grafos (GATE) utilizando la librería Spektral. El codificador utilizó una única capa de Red de Atención de Grafos (GAT) con 8 cabezales de atención para aprender las incrustaciones (embeddings) de los nodos. El decodificador reconstruyó las características de los nodos de entrada mediante capas totalmente conectadas. El modelo fue entrenado como un autoencoder de reconstrucción de características para minimizar el error cuadrático medio.
   • Selección de Candidatos: Los nodos de fármacos fueron clasificados por su similitud de coseno con el nodo "COVID-19" en el espacio latente. Se seleccionaron los fármacos con mayor clasificación, tratando las diferentes formas de sal como una sola entidad.

2. Validación mediante Evidencia del Mundo Real (Análisis de Desproporcionalidad):

   • Fuente de Datos: Se utilizaron los datos del Sistema de Reporte de Eventos Adversos de la FDA (FAERS) desde enero de 2020 hasta marzo de 2022 (aproximadamente 3.6 millones de reportes).
   • Análisis: Se realizó un Análisis de Desproporcionalidad (DPA) para evaluar la asociación entre los fármacos candidatos y los términos de eventos adversos (EA) relacionados con el COVID-19 (agrupados bajo el Término de Alto Nivel de MedDRA "Infecciones por coronavirus").
   • Métrica: Se calcularon la Razón de Probabilidades de Reporte (ROR) y los Intervalos de Confianza (IC) del 95%. Un ROR < 1 con un límite superior de IC del 95% < 1 indicó una asociación inversa significativa, lo que sugiere que el fármaco podría ser protector o estar asociado con menos EA relacionados con el COVID-19.

3. Plausibilidad Biológica a Nivel de Fenoma (Perfilado de Vías):

   • Fuente de Datos: Se utilizó la base de datos LINCS 2020 (Library of Integrated Network-Based Cellular Signatures) para comparar las firmas de vías inducidas por fármacos.
   • Análisis: Los perfiles de vías para los principales candidatos se correlacionaron con los de candidatos terapéuticos conocidos de COVID-19 y otros compuestos mediante la prueba exacta de Fisher.
   • Hipótesis Mecanística: Se realizó un Análisis de Enriquecimiento de Conjuntos de Genes (GSEA) en las vías reguladas a la baja tras el tratamiento con fármacos para generar hipótesis mecánicas sobre efectos antivirales o antiinflamatorios.

Resultados Clave

• Identificación de Candidatos: El modelo GATE identificó 17 candidatos a fármacos con alta similitud en el espacio latente con el COVID-19. Trece de estos ya eran reconocidos en el contexto del COVID-19, validando la capacidad del modelo para recuperar asociaciones conocidas.
• Candidatos Novedosos: Se identificaron cuatro candidatos con mínimas asociaciones previas con el COVID-19: cilastatina, megestrol, drotrecogin alfa y ácido etacránico. Estos fármacos no estaban directamente conectados con el COVID-19 en el grafo de conocimiento original, demostrando la capacidad del modelo para capturar asociaciones latentes.
• Validación FAERS: El análisis de desproporcionalidad reveló asociaciones inversas de reporte significativas para dos candidatos:
  • Cilastatina: ROR 0.19 (IC 95%: 0.09–0.43).
  • Megestrol: ROR 0.63 (IC 95%: 0.42–0.94).
  • Drotrecogin alfa y ácido etacránico no pudieron ser evaluados debido a tamaños de muestra insuficientes en la base de datos FAERS.
• Concordancia de Vías:
  • Cilastatina: Mostró fuertes correlaciones de perfiles de vías con fármacos establecidos en ensayos de COVID-19 como el artesunato y el sirolimus.
  • Megestrol: Correlacionó con compuestos como la tianeptina y el fedratinib, que han pasado por ensayos clínicos de COVID-19.
• Hipótesis Mecanística para la Cilastatina: El análisis de los datos de LINCS indicó que el tratamiento con cilastatina reguló a la baja las vías relacionadas con el empalme (splicing), la biogénesis de ribosomas y el metabolismo mitocondrial. Los autores hipotetizan que la cilastatina, mediante la inhibición de la Dipeptidil Peptidasa 1 (DPEP1), puede restringir los ribosomas del huésped utilizados por el SARS-CoV-2 (potencialmente a través de la vía PI3K/Akt/mTOR) e interferir con las interacciones de la proteína no estructural 16 (NSP16) del virus con la maquinaria de empalme del huésped, lo que conduce a efectos antivirales y antiinflamatorios.

Significancia y Reivindicaciones
El artículo afirma que su contribución principal es el desarrollo de una estrategia de validación multidimensional que integra la predicción computacional, la evidencia del mundo real y el perfilado de vías a nivel de fenoma. Los autores sostienen que este enfoque proporciona información accionable que los métodos analíticos únicos no pueden ofrecer.

• Validación del Marco: El estudio demuestra que la integración de fuentes de datos heterogéneas (grafos de conocimiento estáticos, reportes espontáneos de EA y datos dinámicos de expresión génica) permite la priorización confiable de fármacos aprobados clínicamente con perfiles de seguridad establecidos.
• Novedad de los Candidatos: La identificación de la cilastatina y el megestrol como candidatos con mínima atención previa sugiere que el marco GATE puede descubrir relaciones complejas y latentes entre fármacos y enfermedades que el análisis de redes convencional podría pasar por alto.
• Generación de Hipótesis: El estudio proporciona hipótesis mecánicas de trabajo específicas (por ejemplo, la inhibición de DPEP1 afectando el empalme y la biogénesis de ribosomas) para guiar la futura validación preclínica.
• Generalizabilidad: Los autores proponen este marco como una estrategia generalizable para la identificación rápida de candidatos durante pandemias y para enfermedades con necesidades terapéuticas no cubiertas, señalando que priorizar fármacos aprobados puede facilitar una evaluación clínica acelerada.

Los autores mantienen un tono modesto respecto a sus hallazgos, declarando explícitamente que, si bien el marco ofrece un sólido apoyo computacional y observacional, la confirmación experimental sigue siendo esencial. Reconocen limitaciones, incluyendo posibles sesgos de datos en los grafos de conocimiento, sesgos de reporte en FAERS y el uso de líneas celulares cancerosas en los datos de LINCS, que pueden no reflejar plenamente la patofisiología de la infección por SARS-CoV-2 en tejidos humanos. El estudio concluye que el trabajo futuro debe centrarse en la validación in vivo y en los ensayos clínicos.