Evidence-constrained mechanistic synthesis for drug discovery

La scoperta di nuovi farmaci inizia spesso con una montagna di indizi biologici. Gli scienziati raccolgono migliaia di osservazioni da esperimenti di laboratorio, studi clinici e pubblicazioni scientifiche, ognuna delle quali offre un pezzo del puzzle su come una malattia funzioni e su come un medicinale possa fermarla. La sfida non è la mancanza di informazioni, ma l'eccesso di esse. I ricercatori possiedono frequentemente più prove biologiche di quante ne possano tradurre in modo sicuro in un singolo modello coerente della malattia. Quando cercano di forzare tutti questi fatti disparati in un'unica equazione rigida, rischiano di creare un falso senso di certezza, trasformando realtà biologiche complesse e mutevoli in numeri fissi che potrebbero non riflettere la verità. L'obiettivo è trovare un piano di trattamento che rispetti l'intero peso delle prove senza pretendere di sapere più di quanto i dati permettano.

Un nuovo quadro metodologico chiamato sintesi meccanicistica vincolata dall'evidenza affronta questo problema cambiando il modo in cui gli scienziati gestiscono le loro scoperte. Invece di cercare di convertire ogni pezzo di evidenza in una singola probabilità o in un coefficiente fisso, questo metodo tratta l'evidenza come un insieme di confini. Classifica ciò che ogni reperto contiene effettivamente e utilizza tale informazione per restringere una vasta famiglia di possibili modelli della malattia. Immaginate una grande collezione di migliaia di diverse ipotesi su come si comporta una malattia. L'evidenza non sceglie un vincitore; invece, sposta la frequenza di quali eventi siano considerati supportati all'interno di questo intero gruppo. Ciò mantiene l'incertezza visibile e distinta dalle decisioni che i ricercatori devono prendere.

I ricercatori hanno testato questo approccio utilizzando uno scenario specifico e reale riguardante l'orticaria cronica spontanea, una condizione caratterizzata da orticaria persistente. Hanno raccolto una collezione non esaustiva di 114 scoperte biologiche specifiche da 53 fonti diverse e 13 risorse di dati pubblici. Piuttosto che fondere queste in un unico modello, le hanno utilizzate per creare 18 vincoli che definiscono i limiti di un insieme congelato contenente 4.096 diverse ipotesi. Questo insieme rappresenta l'intera gamma di plausibili scenari biologici che rimangono coerenti con l'evidenza disponibile. Il team ha poi formulato la ricerca di un regime terapeutico come un processo di corrispondenza di cambiamenti desiderati nel modello della malattia. I ricercatori potevano specificare quali parti del sistema biologico volevano alterare e quanto fossero importanti tali cambiamenti, consentendo al contempo alle variabili di controllo di adattarsi continuamente per raggiungere tali obiettivi.

Per trovare il miglior piano di trattamento all'interno di questo massiccio insieme di possibilità, il team ha utilizzato un metodo di ricerca specifico che raffinava sistematicamente le opzioni. Hanno validato questa ricerca attraverso tutti i 4.096 ipotesi dell'insieme. I risultati hanno mostrato che questo metodo ha ridotto l'errore nel corrispondere ai target desiderati del 27,3% rispetto al miglior risultato trovato tra 44 punti di partenza standard. Fondamentalmente, quando i ricercatori cambiavano i loro obiettivi — decidendo di dare priorità a diversi esiti — il sistema selezionava un diverso set di variabili di controllo, pur rimanendo invariato l'insieme sottostante delle evidenze. Ciò ha dimostrato che il metodo mantiene l'evidenza grezza separata dagli obiettivi specifici del piano di trattamento. Un'analisi complementare ha inoltre evidenziato che l'incertezza sulla connessione tra i mastociti e la malattia era il fattore più critico per il processo decisionale, mostrando che quale parte della biologia sia più rilevante dipende interamente da ciò che il ricercatore intende raggiungere.

Questo quadro metodologico è progettato per le fasi iniziali dello sviluppo di farmaci, una fase in cui gli scienziati devono dare un senso alla letteratura frammentaria prima di impegnarsi in un percorso specifico. Rendendo i dati eterogenei computabili e mantenendo distinti l'evidenza, l'incertezza e le preferenze decisionali, il metodo permette ai ricercatori di navigare nella complessità dei sistemi biologici senza forzare una falsa precisione. Offre un modo per utilizzare l'intera profondità delle conoscenze esistenti per guidare le decisioni, garantendo che il percorso da seguire sia costruito su ciò che è noto, riconoscendo chiaramente al contempo ciò che rimane incerto.