CausalDiffChem: Causal Network Restoration for Therapeutic Prioritization and Repurposing Across Diseases

Trouver un nouvel usage pour un ancien médicament est souvent une question de recherche d'une correspondance. Pendant des décennies, les scientifiques ont tenté de repositionner des médicaments en comparant les empreintes moléculaires d'une maladie aux empreintes des médicaments. Si un médicament semble inverser les commutateurs génétiques de la maladie dans la direction opposée, les chercheurs supposent qu'il pourrait fonctionner comme un traitement. Cette approche a connu certains succès réels, mais elle présente un angle mort. Elle traite la maladie comme une liste statique de symptômes, ignorant le fait que les gènes communiquent entre eux par des chaînes complexes de causes et d'effets. Un gène peut être activé non pas parce qu'il est la racine du problème, mais parce qu'il réagit à quelque chose d'autre qui se passe en amont. Traiter la réaction sans corriger la cause revient à essayer d'arrêter un incendie en soufflant sur la fumée.

Pour dépasser cette limitation, une équipe de chercheurs a développé une nouvelle façon de cartographier la machinerie cachée de la maladie. Au lieu de simplement lister quels gènes sont actifs, ils ont construit un modèle qui montre comment ces gènes s'influencent mutuellement, créant ainsi un réseau causal. Ils ont ensuite testé comment différents médicaments se propageraient à travers ce réseau spécifique pour voir s'ils pouvaient restaurer le système vers un état sain. Leur travail, qu'ils appellent CausalDiffChem, suggère qu'en comprenant la structure spécifique de cause à effet d'une maladie, nous pouvons identifier de meilleurs candidats pour le traitement, même lorsque ces candidats ne sont pas évidents à partir d'une simple liste d'activité génique.

Les chercheurs ont appliqué cette méthode à quatre conditions humaines très différentes : la sclérose en plaques, une maladie du système immunitaire et des nerfs ; la sarcoïdose, une affection provoquant une inflammation dans les poumons et d'autres organes ; la leishmaniose, une infection parasitaire ; et la maladie d'Alzheimer, une forme de démence. Pour chaque maladie, ils ont recueilli des données auprès de centaines de patients et de personnes en bonne santé. Ils n'ont pas utilisé de cartes préexistantes de l'interaction entre les gènes. Au lieu de cela, ils ont laissé les données parler d'elles-mêmes, en utilisant un algorithme informatique pour reconstruire une carte de cause à effet unique pour chaque maladie, basée sur les vingt gènes les plus actifs des échantillons. Ces cartes ont révélé des architectures distinctes. Dans la maladie d'Alzheimer, le réseau était dominé par une connexion forte entre deux mesures d'une protéine appelée apolipoprotéine D. Dans la sarcoïdose, la carte a mis en évidence un axe de régulation impliquant des cellules immunitaires connues sous le nom de macrophages. Chaque maladie avait sa propre forme et son propre flux d'informations, prouvant qu'une approche unique et générique ne pouvait capturer la logique spécifique de chaque maladie.

Une fois ces cartes de maladies construites, l'équipe a simulé l'effet de milliers de médicaments. Ils n'ont pas testé les médicaments dans une boîte de Petri ou dans un corps vivant ; au lieu de cela, ils ont introduit une représentation mathématique de chaque médicament dans le modèle informatique du réseau de la maladie. Ils ont observé si la présence simulée du médicament pouvait repousser le réseau vers l'état observé chez les personnes en bonne santé. Ils ont mesuré cette « restauration » de trois manières : combien de parties du réseau se sont déplacées dans la bonne direction, quelle était la force de ce mouvement, et si le changement global correspondait au chemin allant de la maladie vers la santé.

Les résultats ont offert une perspective nouvelle sur les médicaments qui pourraient fonctionner. Pour la sarcoïdose, un médicament de chimiothérapie appelé cisplatine est apparu comme le candidat principal, se classant premier parmi les médicaments approuvés. Pour la leishmaniose, le chlorhydrate de mémantine, un médicament déjà utilisé pour la maladie d'Alzheimer, s'est classé premier à travers toutes les étapes du développement des médicaments, de la recherche initiale aux essais cliniques. Dans la maladie d'Alzheimer elle-même, un autre médicament, le chlorhydrate de mécamylamine, a pris la première place. Ce qui a rendu ces découvertes notables, c'est que les chercheurs avaient construit les cartes de maladies et testé les médicaments indépendamment pour chaque condition, sans paramètres partagés ni règles préétablies. Le fait que les mêmes médicaments apparaissent systématiquement comme des candidats de premier rang à travers différentes bibliothèques et différentes maladies suggère que la méthode identifie un véritable signal plutôt qu'une coïncidence aléatoire.

Cependant, l'étude a également révélé qu'un score élevé ne raconte pas toute l'histoire. Un médicament peut corriger un grand nombre de gènes mais échouer à corriger les connexions les plus importantes, ou il peut corriger les bons gènes mais pousser le reste du réseau dans la mauvaise direction. Dans la maladie d'Alzheimer, le médicament classé premier a corrigé de nombreux gènes mais a laissé la connexion la plus forte du réseau de la maladie — le lien entre les deux mesures de l'apolipoprotéine D — largement intacte. Dans la sarcoïdose, le cisplatine a fortement corrigé un groupe clé de gènes immunitaires mais a poussé d'autres gènes plus loin de l'état de santé. Cela montre qu'un médicament peut être un candidat solide même s'il ne corrige pas tout parfaitement, et que différents médicaments atteignent leurs effets par différents mécanismes.

Les chercheurs ont également vérifié si leur méthode pouvait trouver des médicaments qui fonctionnent déjà. Dans la maladie d'Alzheimer, deux traitements établis, le donépézil et le mémantine, sont apparus dans les dix pour cent de leurs classements, même s'ils n'étaient pas le choix numéro un. Dans d'autres maladies, des traitements connus ont également bien été classés, bien que certains, comme certains stéroïdes, aient été classés plus bas. Cela suggère que le modèle informatique capture des vérités biologiques réelles sur le fonctionnement de ces médicaments, mais cela souligne également que le modèle n'est pas un remplacement parfait de la connaissance clinique. Il se concentre sur un ensemble spécifique de gènes et peut manquer d'effets plus larges qui se produisent ailleurs dans le corps ou qui dépendent de la manière dont un médicament est administré.

L'équipe reconnaît que son travail est une simulation. Les effets des médicaments ont été estimés sur la base de structures chimiques plutôt que mesurés en laboratoire, et les cartes de maladies ont été construites à partir de groupes de patients relativement restreints. Ils n'ont pas prouvé que ces médicaments guériront ces maladies chez l'homme. Au lieu de cela, ils ont fourni un nouveau cadre interprétable pour générer des hypothèses. En montrant comment un médicament pourrait voyager à travers le réseau causal spécifique d'une maladie, ils offrent un moyen de prioriser quels candidats méritent d'être testés en laboratoire. La réapparition répétée des mêmes médicaments à travers différentes maladies et différentes étapes de développement suggère que cette approche peut identifier des pistes prometteuses qui pourraient être manquées en regardant seulement des listes de gènes, offrant ainsi une voie plus nuancée vers la découverte de nouveaux usages pour les anciens médicaments.