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

Cette étude démontre qu'une méthode agnostique des gènes quantifiant la similarité génétique parmi 178 maladies peut prédire avec succès de nouvelles utilisations thérapeutiques et des effets indésirables pour 1 711 médicaments, offrant ainsi une nouvelle voie pour la découverte de médicaments qui contourne la nécessité d'identifier des gènes ou des cibles causaux spécifiques.

L'essentiel

Imaginez que vous possédiez une immense bibliothèque d'informations sur la santé humaine. À l'intérieur de cette bibliothèque, chaque maladie possède une « empreinte génétique » composée de milliers de minuscules indices ADN. Pendant longtemps, les scientifiques ont tenté de découvrir de nouveaux médicaments en cherchant un seul et parfait appariement entre la cible d'un médicament et l'empreinte digitale spécifique d'une maladie. Mais c'est comme chercher une aiguille dans une botte de foin, et souvent, l'aiguille est cachée ou manquante.

Ce papier propose une façon différente d'observer la bibliothèque. Au lieu de chasser un seul appariement parfait, les auteurs demandent : « Quelles maladies se ressemblent génétiquement les unes aux autres, même si elles semblent totalement différentes en surface ? »

Voici la décomposition de leur travail utilisant des analogies simples :

1. L'idée centrale : La théorie du « cousin génétique »

Considérez les maladies comme des personnes. Certaines maladies sont des parents évidents (comme une crise cardiaque et l'hypertension artérielle — elles affectent toutes deux le cœur). Mais cette étude a recherché des « cousins génétiques » — des maladies qui pourraient vivre dans des quartiers différents (systèmes corporels différents) mais qui partagent le même ADN familial.

Les chercheurs ont émis l'hypothèse que si la maladie A et la maladie B sont des cousins génétiques, un médicament qui fonctionne pour la maladie A pourrait aussi fonctionner pour la maladie B, même si personne ne s'était rendu compte auparavant qu'elles étaient apparentées.

2. La méthode : Cinq « règles » différentes

Pour mesurer à quel point deux maladies sont similaires, l'équipe n'a pas utilisé une seule règle ; ils ont construit cinq outils de mesure différents.

• Outil 1 & 2 : Ils examinent le tableau d'ensemble du génome entier (comme comparer la taille globale et la corpulence de deux personnes).
• Outil 3 & 4 : Ils examinent des gènes spécifiques et la façon dont ils sont activés ou désactivés dans différents tissus (comme comparer leurs passe-temps ou compétences spécifiques).
• Outil 5 : Il examine comment les gènes et les maladies se chevauchent dans des quartiers moléculaires spécifiques.

Ils ont utilisé ces outils pour comparer 178 maladies différentes.

3. La découverte : La similarité prédit le succès

Ils ont testé leur théorie contre une liste de 1 711 médicaments courants. Ils ont demandé : « Les maladies qui sont génétiquement similaires partagent-elles réellement les mêmes médicaments ? »

La réponse était un oui retentissant.

• Le test de « l'indication » : Si un médicament traite la maladie A, et que la maladie B est génétiquement similaire à la maladie A, il est plus probable que le médicament traite également la maladie B.
• Le test des « effets secondaires » : Si un médicament provoque un effet secondaire dans la maladie A, et que la maladie B est génétiquement similaire, il est plus probable que le médicament provoque ce même effet secondaire dans la maladie B.

4. Le modèle de prédiction « magique »

Les auteurs ont construit un modèle informatique (un « prédicteur ») qui combine les cinq outils de mesure. Ils ont utilisé ce modèle pour deviner de nouvelles utilisations pour les médicaments.

• Pour les nouveaux traitements : Lorsque le modèle attribuait une prédiction avec un score élevé (probabilité > 0,1), ces paires médicament-maladie avaient deux fois plus de chances de réussir les essais cliniques et d'être approuvées par les régulateurs par rapport à des devinettes aléatoires.
• Pour les effets secondaires : Lorsque le modèle prédisait un effet secondaire avec un score élevé (probabilité > 0,2), il était 1,4 fois plus probable qu'il s'agisse d'un véritable effet secondaire.

5. La surprise de la « pièce à deux faces »

L'une des découvertes les plus intéressantes est que le modèle fonctionne dans les deux sens.

• Le modèle entraîné pour trouver de nouveaux remèdes était étonnamment bon pour prédire les effets secondaires.
• Le modèle entraîné pour trouver des effets secondaires était étonnamment bon pour prédire de nouveaux remèdes.

L'analogie : Imaginez qu'un médicament soit une clé. La « serrure » qu'il ouvre est la maladie qu'il guérit. Mais parfois, cette même clé bloque accidentellement une autre serrure dans la maison, provoquant un effet secondaire. L'étude a révélé que le plan génétique de la serrure « guérie » et de la serrure « bloquée » sont souvent si similaires que si vous connaissez l'une, vous pouvez deviner l'autre.

6. Exemples concrets tirés du papier

Le papier donne deux exemples concrets de la façon dont cela fonctionne :

• Naltrexone (médicament contre l'alcoolisme) $\rightarrow$ Syndrome de l'intestin irritable (SII) : La naltrexone traite l'alcoolisme. Le modèle a prédit qu'elle pourrait aider le syndrome de l'intestin irritable (SII). Pourquoi ? Parce que le SII est génétiquement similaire à l'alcoolisme dans ce contexte spécifique. La biologie de l'intestin et les récepteurs opioïdes du cerveau sont liés, même s'ils semblent être des parties du corps différentes.
• Anastrozole (médicament contre le cancer du sein) $\rightarrow$ Malabsorption : L'anastrozole réduit les œstrogènes. Le modèle a prédit qu'il pourrait provoquer un « syndrome de malabsorption » (difficulté à absorber les nutriments). Pourquoi ? Parce que les effets secondaires connus du médicament (perte osseuse, inflammation des veines) partagent un lien génétique avec la façon dont l'intestin absorbe les nutriments.

Ce que cela signifie (selon le papier)

Les auteurs soulignent que cette méthode est agnostique aux gènes. Cela signifie que vous n'avez pas besoin de savoir exactement quel gène cause une maladie pour trouver un remède. Vous avez juste besoin de savoir que la maladie A et la maladie B partagent une « ambiance » génétique.

Limitations importantes mentionnées :

• Le papier admet que cela ne fonctionne pas pour tous les médicaments. Certains médicaments ne traitent que les symptômes (comme un antidouleur pour un mal de tête) plutôt que de corriger la cause génétique sous-jacente, de sorte que cette méthode pourrait manquer ces cas.
• Les données ne sont pas parfaites ; certaines maladies disposent de plus de données génétiques que d'autres, ce qui peut rendre les « règles » moins précises pour certaines affections.

En résumé :
Ce papier montre qu'en examinant les « arbres généalogiques » génétiques des maladies, nous pouvons prédire quels médicaments fonctionneront pour de nouvelles maladies et lesquels provoqueront de nouveaux effets secondaires. C'est comme réaliser que deux maisons semblent différentes à l'extérieur, mais parce qu'elles ont été construites avec les mêmes plans, le même réparateur (médicament) peut réparer les deux.

Résumé technique

1. Énoncé du problème

Bien que la génétique humaine (via les GWAS) ait montré des promesses dans l'identification de cibles médicamenteuses, sa traduction clinique est entravée par la difficulté de relier les variants génétiques à des gènes causaux spécifiques. Les approches traditionnelles rejettent souvent une fraction significative des données génétiques car elles reposent sur l'identification de loci significatifs à l'échelle du génome et de leurs gènes causaux. De plus, les méthodes existantes échouent souvent à exploiter pleinement le phénomène de pléiotropie (où les variants génétiques influencent plusieurs traits) pour le repositionnement de médicaments, en particulier pour les maladies qui semblent phénotypiquement non apparentées. Il existe un besoin d'une méthode agnostique aux gènes qui utilise le large spectre des données génétiques pour prédire de nouveaux liens médicament-maladie (à la fois des indications thérapeutiques et des effets secondaires indésirables) sans nécessiter l'identification préalable de gènes causaux spécifiques.

2. Méthodologie

Les auteurs ont développé un cadre pour quantifier la similarité génétique entre des paires de maladies et utiliser cette métrique pour prédire les associations médicament-maladie.

A. Collecte et curation des données

• Maladies : 178 phénotypes de maladies distincts.
• Médicaments : 1 711 médicaments courants.
• Contrôle phénotypique : Pour isoler les signaux génétiques des similitudes cliniques, les auteurs ont utilisé des annotations de maladies (ICD10, UK HRCS) et ClinGraph (un graphe de connaissances cliniques) pour calculer des embeddings de similarité phénotypique. Les paires présentant une forte similarité phénotypique ont été exclues dans des analyses spécifiques afin de s'assurer que le modèle reposait sur le chevauchement génétique, et non uniquement clinique.

B. Cinq métriques de similarité génétique
L'étude a construit cinq métriques distinctes pour capturer différentes couches de l'architecture génétique :

1. Basée sur LDSC : Corrélation génétique à l'échelle du génome utilisant la régression du score LD (de GWAS Atlas).
2. Basée sur MAGMA : Valeurs p d'association au niveau des gènes agrégées à partir des signaux GWAS (GWAS Atlas).
3. Basée sur S-MultiXcan : Profils de régulation génique basés sur l'expression génique prédite génétiquement à travers 44 tissus (PhenomeXcan).
4. Basée sur L2G : Probabilités dérivées de l'apprentissage automatique de gènes causaux aux loci GWAS (Open Targets).
5. Basée sur COLOC : Colocalisation des loci GWAS avec des QTL moléculaires (eQTL, pQTL, sQTL) (Open Targets).

C. Modélisation prédictive

• Approche : Un modèle de régression logistique bayésienne a été développé pour intégrer les cinq métriques de similarité génétique. Cela permet des prédictions même lorsque des données manquent pour des paires métrique-maladie spécifiques.
• Entrée : Pour une paire médicament-maladie donnée, le modèle calcule la similarité génétique maximale entre la maladie candidate et les connues indications du médicament (ou effets secondaires connus).
• Entraînement : Les modèles ont été entraînés sur des paires médicament-maladie connues. Crucialement, les auteurs ont entraîné des modèles séparés : l'un utilisant toutes les paires et l'autre restreint aux paires phénotypiquement dissimilaires pour prouver l'utilité de la similarité génétique indépendamment de la co-occurrence clinique.
• Validation : Les prédictions ont été validées contre :
  • Les données de progression des essais cliniques (Phase I à Approbation).
  • Des bases de données indépendantes d'effets secondaires (SIDER, offSIDES).
  • Des tests de permutation pour évaluer la signification par rapport au hasard.

3. Contributions clés

• Cadre agnostique aux gènes : L'étude propose une méthode qui contourne la nécessité d'identifier des gènes causaux spécifiques, exploitant à la place la similarité génétique agrégée.
• Échelle pan-phénomique : Elle évalue 178 maladies et 1 711 médicaments, fournissant une carte complète des liens médicament-maladie potentiels.
• Découplage de la génétique et du phénotype : En stratifiant rigoureusement la similarité phénotypique, les auteurs démontrent que la similarité génétique offre un pouvoir prédictif même pour des maladies qui ne partagent pas de caractéristiques cliniques évidentes.
• Prédiction bidirectionnelle : L'étude démontre que la similarité génétique peut prédire à la fois les indications thérapeutiques (repositionnement) et les effets secondaires indésirables, et notoirement, que ces deux domaines partagent une base génétique.

4. Résultats clés

• La similarité génétique corrèle avec le partage de médicaments : Les maladies avec des scores de similarité génétique plus élevés partagent significativement plus de médicaments (à la fois comme indications et effets secondaires), même après contrôle de la similarité phénotypique et du système corporel.
• Pouvoir prédictif pour les indications :
  • Le modèle a atteint une AUROC de 0,747 sur des données retenues (toutes les paires) et 0,559 lorsqu'il était restreint aux paires phénotypiquement dissimilaires.
  • Succès des essais cliniques : Les paires médicament-maladie avec une probabilité prédite >0,1 avaient 2,03 fois plus de chances de progresser des essais cliniques de Phase I vers l'approbation réglementaire par rapport aux paires avec une faible probabilité prédite.
• Pouvoir prédictif pour les effets secondaires :
  • Le modèle d'effets secondaires a atteint une AUROC de 0,548 sur les paires phénotypiquement dissimilaires.
  • Les prédictions avec une probabilité >0,2 avaient 1,42 fois plus de chances de correspondre à de véritables effets indésirables (validées contre SIDER).
• Base génétique partagée (Prédiction croisée) :
  • Le Modèle d'Indication pouvait prédire de véritables effets secondaires mieux que le hasard (AUROC = 0,525, p < 0,001).
  • Le Modèle d'Effet Secondaire pouvait prédire de véritables indications mieux que le hasard (AUROC = 0,542, p < 0,001).
  • Cela implique que les voies biologiques conduisant à l'efficacité d'un médicament chevauchent souvent celles causant sa toxicité.
• Études de cas :
  • Naltrexone pour le SCI : Prédite (prob=0,283) basée sur la similarité génétique avec l'alcoolisme. Soutenue par une justification biologique (récepteurs opioïdes dans le tractus gastro-intestinal) malgré l'absence de hits GWAS directs pour des cibles du SCI.
  • Anastrozole pour la malabsorption : Prédite (prob=0,61) basée sur la similarité avec l'ostéoporose/phlébite, liée via des voies de signalisation œstrogénique affectant l'intestin.

5. Signification et implications

• Accélération de la découverte de médicaments : Cette méthode identifie des candidats au repositionnement qui seraient manqués par des approches reposant uniquement sur des hits GWAS significatifs à l'échelle du génome ou sur l'identification de gènes causaux. Elle est particulièrement précieuse pour les maladies avec des signaux GWAS faibles ou manquants à des cibles médicamenteuses spécifiques.
• Profilage de sécurité : La capacité à prédire les effets secondaires à partir de la similarité génétique avec des événements indésirables connus offre un outil proactif pour l'évaluation de la sécurité, réduisant potentiellement l'abandon des essais cliniques.
• Insight mécanistique : La découverte que les indications et les effets secondaires partagent une base génétique suggère que l'efficacité et la toxicité d'un médicament sont les deux faces d'une même pièce biologique, pilotées par des voies pléiotropes partagées.
• Ressource pour la validation : Les auteurs fournissent un dépôt public de probabilités prédites pour des milliers de paires médicament-maladie, servant de ressource de priorisation pour la validation expérimentale.

Limites notées : L'étude reconnaît que les traitements symptomatiques peuvent ne pas être capturés par les associations génétiques, l'incomplétude des données à travers différentes bases de données génétiques, et les tailles d'échantillon variables des études GWAS affectant la confiance dans les estimations de similarité. Cependant, le contrôle rigoureux de la similarité phénotypique renforce la validité du signal génétique identifié.