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

Pour plus de trois cents millions de personnes à travers le monde, le diagnostic d'une maladie rare est souvent une condamnation à une vie avec très peu d'options médicales. Si la médecine moderne a fait des progrès incroyables dans le traitement des maladies courantes, la vaste majorité de ces conditions rares ne bénéficie d'aucun médicament approuvé. La raison est souvent économique : développer un nouveau médicament est un processus coûteux et long, et les entreprises pharmaceutiques trouvent difficile de justifier l'investissement lorsque le nombre de patients potentiels est si restreint. Cela laisse les chercheurs et les médecins en quête d'une voie différente, qui ne nécessite pas de repartir de zéro. Au lieu de cela, ils cherchent des moyens de trouver des médicaments existants qui pourraient fonctionner pour ces conditions négligées, une stratégie appelée repositionnement de médicaments. Pour y parvenir efficacement, les scientifiques s'appuient sur le réseau complexe de connexions entre les maladies, les gènes qui les causent et les médicaments qui affectent ces gènes. Si un médicament est connu pour interagir avec un gène spécifique, et qu'une maladie rare est causée par un problème dans ce même gène, il existe une forte possibilité que le médicament puisse aider à traiter la maladie.

Le défi, cependant, est que l'information nécessaire pour établir ces connexions est éparpillée dans différentes bases de données qui ne parlent pas la même langue. Une base de données majeure, Orphadata, répertorie les relations entre les maladies rares et les gènes qui les causent, tandis qu'une autre, DisGeNET, enregistre comment des milliers de médicaments interagissent avec les gènes. Le problème est que ces deux sources utilisent des systèmes de dénomination différents pour les mêmes gènes, ce qui rend impossible la simple combinaison de leurs données. Une nouvelle étude de Diya Ramani répond à cet obstacle en construisant un pont entre ces deux mondes. La chercheuse a créé un cadre informatique qui standardise d'abord les noms des gènes à travers les deux bases de données, les traduisant dans un langage unique et cohérent. Une fois les données harmonisées, elles sont tissées dans un vaste réseau tridimensionnel où les maladies, les gènes et les médicaments sont tous liés. Ce réseau contient plus de quinze mille points d'information distincts, représentant près de deux mille cinq cents maladies rares et plus de onze mille médicaments.

Pour donner un sens à ce réseau complexe, l'étude utilise un type d'intelligence artificielle appelé Réseau d'Attention de Graphe (Graph Attention Network). Au lieu d'essayer de prédire des découvertes entièrement nouvelles, ce qui est une entreprise hautement incertaine, le système est entraîné pour comprendre la structure du réseau existant. Il apprend à reconnaître les modèles dans la façon dont les maladies, les gènes et les médicaments sont connectés, créant ainsi une carte des relations biologiques. Une fois que le système a appris ces modèles, il peut prendre une maladie rare spécifique comme requête et classer tous les médicaments de sa base de données en fonction de leur proximité avec cette maladie via des gènes partagés. L'objectif n'est pas d'inventer un nouveau remède, mais de prioriser les candidats existants les plus prometteurs pour une investigation plus approfondie, transformant une liste chaotique de possibilités en une liste restreinte et ciblée pour les médecins et les chercheurs.

Les résultats de cette approche sont frappants par leur capacité à éliminer le bruit. Lorsque le système a été testé sur deux cents maladies rares différentes, il a réussi à placer un traitement efficace connu dans les dix premières suggestions pour quarante pour cent des cas. C'est une amélioration massive par rapport au hasard, qui ne trouverait presque jamais le bon médicament dans un groupe aussi large d'options. Pour illustrer la logique biologique derrière ce succès, l'étude a examiné un cas spécifique impliquant un trouble appelé Hawkinsinuria. Le système n'avait aucune connaissance préalable des voies métaboliques impliquées, pourtant il a classé un médicament appelé Nitisinone comme le quatrième candidat le plus probable. Ce médicament est déjà le traitement standard pour une autre affection qui partage la même voie génétique. Le fait que le système ait identifié cette connexion sans avoir été explicitement informé de la voie suggère que les modèles sous-jacents qu'il a appris sont biologiquement fondés et significatifs.

L'étude prend soin de présenter ses conclusions comme un outil d'aide à la décision plutôt que comme une réponse clinique finale. Le système est conçu pour générer des hypothèses et fournir un point de départ aux experts humains, qui doivent ensuite valider les suggestions par des recherches et des tests supplémentaires. Elle souligne une lacune importante dans les connaissances actuelles, notant que près de la moitié des maladies rares de la base de données Orphadata n'ont pas pu être incluses dans le réseau car il n'y avait pas de données médicamenteuses correspondantes pour leurs gènes associés. Cette limitation n'est pas un échec de la méthode, mais un reflet de l'état actuel de la littérature médicale, où de nombreuses conditions rares restent sous-étudiées. En rendant l'ensemble du processus reproductible et en le déployant comme un outil interactif gratuit en ligne, la chercheuse a fourni à la communauté scientifique un moyen pratique de naviguer dans le vaste paysage des traitements des maladies rares. Ce travail démontre qu'en connectant soigneusement les pièces de données existantes, nous pouvons commencer à voir des modèles qui étaient auparavant cachés, offrant une lueur d'espoir pour les millions de patients qui n'ont actuellement aucune option de traitement.