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

Per oltre trecento milioni di persone in tutto il mondo, la diagnosi di una malattia rara è spesso una condanna a una vita con pochissime opzioni mediche. Mentre la medicina moderna ha compiuto passi incredibili nel trattamento delle malattie comuni, la stragrande maggioranza di queste condizioni rare manca di qualsiasi farmaco approvato. La ragione è spesso economica: sviluppare un nuovo farmaco è un processo costoso e lungo, e le aziende farmaceutiche trovano difficile giustificare l'investimento quando il numero di potenziali pazienti è così esiguo. Ciò lascia ricercatori e medici alla ricerca di una strada diversa, una che non richieda di ricominciare da capo. Invece, cercano modi per trovare farmaci esistenti che potrebbero funzionare per queste condizioni trascurate, una strategia nota come riposizionamento dei farmaci (drug repurposing). Per farlo efficacemente, gli scienziati si affidano all'intricata rete di connessioni tra le malattie, i geni che le causano e i farmaci che influenzano quei geni. Se un farmaco è noto per interagire con un gene specifico, e una malattia rara è causata da un problema in quello stesso gene, esiste una forte possibilità che il farmaco possa aiutare a trattare la malattia.

La sfida, tuttavia, è che le informazioni necessarie per creare queste connessioni sono sparse in diversi database che non parlano la stessa lingua. Un importante database, Orphadata, cataloga le relazioni tra le malattie rare e i geni che le causano, mentre un altro, DisGeNET, registra come migliaia di farmaci interagiscono con i geni. Il problema è che queste due fonti utilizzano sistemi di denominazione diversi per gli stessi geni, rendendo impossibile combinare semplicemente i loro dati. Uno studio recente di Diya Ramani affronta questa barriera costruendo un ponte tra questi due mondi. La ricercatrice ha creato un framework informatico che prima standardizza i nomi dei geni in entrambi i database, traducendoli in un linguaggio unico e coerente. Una volta armonizzati, i dati vengono intrecciati in una massiccia rete tridimensionale, dove malattie, geni e farmaci sono tutti collegati tra loro. Questa rete contiene oltre quindici mila distinti punti di informazione, che rappresentano quasi duemilacinquecento malattie rare e più di undicimila farmaci.

Per dare un senso a questa complessa rete, lo studio utilizza un tipo di intelligenza artificiale chiamato Graph Attention Network. Invece di cercare di prevedere scoperte interamente nuove, che è un'impresa altamente incerta, il sistema viene addestrato per comprendere la struttura della rete esistente. Impara a riconoscere i modelli nel modo in cui malattie, geni e farmaci sono connessi, creando efficacementmente una mappa delle relazioni biologiche. Una volta che il sistema ha appreso questi modelli, può prendere una specifica malattia rara come query e classificare tutti i farmaci nel suo database in base a quanto siano strettamente correlati a quella malattia attraverso geni condivisi. L'obiettivo non è inventare una nuova cura, ma dare priorità ai candidati esistenti più promettenti per ulteriori indagini, trasformando una lista caotica di possibilità in una lista ristretta e mirata per medici e ricercatori.

I risultati di questo approccio sono sorprendenti nella loro capacità di filtrare il rumore. Quando il sistema è stato testato su duecento diverse malattie rare, è riuscito a collocare un trattamento noto ed efficace tra i primi dieci suggerimenti per il quaranta per cento dei casi. Questo è un enorme miglioramento rispetto al caso casuale, che quasi mai troverebbe il farmaco giusto in un pool così vasto di opzioni. Per illustrare la logica biologica dietro il successo, lo studio ha esaminato un caso specifico riguardante un disturbo chiamato Hawkinsinuria. Il sistema non aveva alcuna conoscenza pregressa dei percorsi metabolici specifici coinvolti, eppure ha classificato un farmaco chiamato Nitisinone come il quarto candidato più probabile. Questo farmaco è già lo standard di trattamento per una condizione diversa che condivide lo stesso percorso genetico. Il fatto che il sistema abbia identificato questa connessione senza essere stato esplicitamente informato del percorso suggerisce che i modelli sottostanti che ha appreso siano biologicamente solidi e significativi.

Lo studio è attento a inquadrare i propri risultati come uno strumento di supporto alle decisioni piuttosto che come una risposta clinica definitiva. Il sistema è progettato per generare ipotesi e fornire un punto di partenza per gli esperti umani, che devono poi validare i suggerimenti attraverso ulteriore ricerca e test. Esso evidenzia una lacuna significativa nella conoscenza attuale, notando che quasi la metà delle malattie rare nel database Orphadata non poteva essere inclusa nella rete perché non vi era un dato farmacologico corrispondente per i loro geni associati. Questa limitazione non è un fallimento del metodo, ma un riflesso dello stato attuale della letteratura medica, dove molte condizioni rare rimangono sotto studiata. Rendendo l'intero processo riproducibile e distribuendolo come uno strumento gratuito e interattivo online, la ricercatrice ha fornito alla comunità scientifica un modo pratico per navigare nel vasto panorama dei trattamenti per le malattie rare. Il lavoro dimostra che, collegando attentamente i pezzi di dati esistenti, possiamo iniziare a vedere modelli che prima erano nascosti, offrendo un barlume di speranza per i milioni di pazienti che attualmente non hanno opzioni di trattamento.