Résumé technique : ProToxNet

Problématique

Prédire quels médicaments provoquent des événements indésirables (EI) spécifiques et dans quels tissus demeure un défi non résolu en matière de sécurité des médicaments computationnelle. Les approches actuelles se divisent généralement en deux catégories : les méthodes basées sur la structure (utilisant des empreintes moléculaires ou des réseaux de neurones sur graphes) et l'exploration de la pharmacovigilance (extraction de signaux à partir de bases de données comme FAERS). Les deux partagent une limitation fondamentale : elles traitent le risque d'événement indésirable comme une propriété intrinsèque du médicament de manière isolée, ignorant le contexte d'expression spécifique au tissu. L'article soutient que la manifestation clinique d'un événement de liaison hors cible dépend non seulement de l'affinité de liaison, mais aussi de l'expression relative de la protéine cible à travers différents tissus (par exemple, la peau, le foie, le poumon).

Méthodologie

ProToxNet est un cadre de calcul qui intègre la liaison médicament-protéine prédite à l'échelle du protéome avec l'expression génique spécifique aux tissus pour générer des profils d'exposition tissulaire à 68 dimensions. Le pipeline se compose de trois étapes :

1. Score de liaison à l'échelle du protéome (Étape 1) :

   • Données : 4 310 médicaments et 1 507 protéines humaines centrales (l'intersection de DrugCentral, GTEx et STRING).
   • Modèle : Une variante de ConPLex utilisant le modèle de langage protéique ESM-1b.
   • Processus : Les empreintes Morgan des médicaments (2048 bits) et les plongements (embeddings) de moyenne de l'ESM-1b des protéines (1280 dimensions) sont projetés dans un espace de similitude cosinus partagé de 1024 dimensions.
   • Calibration : Les probabilités de liaison sont calibrées via le way de Platt (Platt scaling) en utilisant les paires de liaison connues de DrugCentral. Cela produit une matrice de scores de liaison $S \in \mathbb{R}^{4310 \times 1507}$.

2. Score d'exposition tissulaire (Étape 2) :

   • Données : Données d'expression génique du projet GTEx v10 à travers 68 tissus humains.
   • Calcul : Les vecteurs d'exposition tissulaire sont générés en pondérant les scores de liaison par les niveaux d'expression spécifiques aux tissus.
   • Formule : Pour un médicament $d$ et un tissu $t$, le score d'exposition est :
     $$e_{d,t} = \sum_{p \in P} s_{d,p} \cdot x_{p,t}$$
     où $s_{d,p}$ est le score de liaison et $x_{p,t}$ est l'expression normalisée de la protéine $p$ dans le tissu $t$.
   • Prétraitement : La matrice résultante $E$ est centrée-réduite (z-scored) par tissu pour corriger les différences d'amplitude d'expression globale, produisant la matrice de caractéristiques finale $\tilde{E} \in \mathbb{R}^{4310 \times 68}$.

3. Prédiction des événements indésirables (Étape 3) :

   • Données : 302 307 paires positives de signaux médicament-EI provenant du système de rapport des événements indésirables de la FDA (FAERS) avec un rapport de vraisemblance (LLR) > 0.
   • Modèle : Un modèle d'interaction bilinéaire diagonal.
     • Encodeur de médicament : Un réseau de neurones à deux couches (68 → 256 → 128) avec LayerNorm, ReLU et dropout.
     • Plongements d'EI (AE Embeddings) : 13 200 termes MedDRA mappés vers des plongements de 64 dimensions, projetés à 128 dimensions.
     • Scoring : Le score d'interaction est calculé comme $score(d, a) = \sum_{k=1}^{128} h_d^{(k)} \cdot W_k \cdot h_a^{(k)} + b_d + b_a$, où $W$ est une matrice de poids diagonale entraînable et $b$ représente les biais de fréquence de signalement.
   • Entraînement : Optimisé avec AdamW, lissage de labels (label smoothing) et recuit de cosinus (cosine annealing) sur 100 époques.

Contributions clés

1. Représentation pondérée par l'expression : Introduction d'un vecteur de potentiel d'engagement tissulaire à 68 dimensions qui combine la liaison à l'échelle du protéome avec l'expression tissulaire, servant de représentation pour le médicament lors de la prédiction des EI.
2. Performance sans propagation de graphe : Démonstration que cette représentation vectorielle, sans passage de messages explicite sur le graphe du réseau protéine-tissu, atteint des performances de pointe (state-of-the-art).
3. Validation biologique : Validation directe que les médicaments connus pour leur hépatotoxicité présentent des scores d'engagement tissulaire hépatique significativement plus élevés que les médicaments non hépatotoxiques.
4. Étude de cas : Récupération réussie des profils d'événements indésirables connus pour les inhibiteurs de kinase approuvés, les EI connus se classant dans le top 0,67 % de l'ensemble des termes MedDRA.

Résultats

Le modèle a été évalué selon plusieurs protocoles :

• Prédiction de paires au niveau FAERS : A atteint une AUC de 0,9576 (IC 95 % : 0,9565–0,9588) sur les paires exclues.
• Démarrage à froid (Leave-Drug-Out) : Dans un scénario où 244 médicaments ont été entièrement exclus (zéro paire d'entraînement), le modèle a atteint une AUC de 0,8544. Cela confirme que le modèle généralise aux nouveaux médicaments grâce aux caractéristiques d'engagement tissulaire plutôt qu'en mémorisant les identités des médicaments.
• Exclusion d'EI (Leave-AE-Out) : Lorsqu'on a exclu 1 980 termes MedDRA, le modèle a atteint une AUC de 0,8472, démontrant une généralisation aux événements indésirables inconnus.
• Validation externe (CT-ADE) : Sur le benchmark indépendant des essais cliniques CT-ADE, ProToxNet a atteint une AUC de 0,9157.
• Enrichissement biologique :
  • Hépatotoxicité : Les médicaments connus pour être hépatotoxiques présentaient des scores d'exposition tissulaire hépatique significativement plus élevés que les médicaments non hépatotoxiques (Mann-Whitney U, $p = 0,017$, Cliff's $\delta = 0,41$).
  • Validation DILIrank : Les médicaments hépatotoxiques de catégorie "most-concern" (préoccupation majeure) présentaient une exposition hépatique nettement plus élevée que les médicaments "no-concern" ($p = 0,0002$, Cliff's $\delta = 0,59$).
• Étude de cas sur les inhibiteurs de kinase : Les événements indésirables connus pour huit inhibiteurs de kinase approuvés se sont classés à une médiane de 88 sur 13 200 termes (top 0,67 %). Par exemple, l'hépatotoxicité était classée dans le top 1 % pour l'imatinib, l'erlotinib et le lapatinib.

Signification et affirmations

L'article affirme que ProToxNet fournit un cadre mécaniste fondé et conscient des tissus pour la prédiction des événements indésirables. En opérationnalisant le principe selon lequel le risque d'événement indésirable est une propriété conjointe du paysage de liaison d'un médicament et du contexte d'expression spécifique au tissu, le cadre comble le fossé entre l'interaction moléculaire et la toxicité au niveau de l'organe.

Les auteurs soulignent que le succès du modèle dans les scénarios de démarrage à froid (nouveaux médicaments et nouveaux EI) suggère que le potentiel d'engagement tissulaire capture des signaux pharmacologiques transférables au-delà de la simple fréquence des entités ou de la mémorisation de la structure chimique. Le cadre est présenté comme un outil applicable à la découverte de médicaments (criblage précoce de la toxicité spécifique aux tissus) et à la pharmacovigilance (priorisation des signaux de sécurité), offrant un complément aux méthodes existantes basées sur la structure ou l'exploration de données.

Limites reconnues par les auteurs :

• Les scores de liaison reposent sur un projecteur cible réinitialisé en raison de problèmes de compatibilité environnementale, ce qui signifie qu'ils reflètent davantage les caractéristiques structurelles que des estimations d'affinité pleinement pré-entraînées.
• Les données FAERS contiennent des biais de signalement (par exemple, les populations de patients plus larges génèrent plus de rapports).
• Le modèle ne prend pas en compte la dose du médicament, la voie d'administration, les caractéristiques démographiques des patients ou les interactions médicamenteuses.
• L'enrichissement tissulaire était statistiquement significatif pour l'hépatotoxicité, mais pas pour la cardiotoxicité ou la néphrotoxicité dans les ensembles testés, probablement en raison de la spécificité des mécanismes (par exemple, le blocage de hERG) ou de la taille réduite des échantillons.