Riepilogo Tecnico: ProToxNet

Definizione del Problema

Prevedere quali farmaci causino specifici eventi avversi (AE) e in quali tessuti rimane una sfida critica ancora irrisolta nella sicurezza computazionale dei farmaci. Gli approcci attuali rientrano generalmente in due categorie: metodi basati sulla struttura (utilizzando impronte molecolari o reti neurali a grafi) e mining della farmacovigilanza (estrazione di segnali da database come FAERS). Entrambi condividono un limite fondamentale: trattano il rischio di evento avverso come una proprietà intrinseca del farmaco in isolamento, ignorando il contesto di espressione specifica del tessuto. L'articolo sostiene che il fatto che un evento di legame off-target si manifesti come danno clinico dipenda non solo dall'affinità di legame, ma anche dall'espressione relativa della proteina target nei diversi tessuti (ad esempio, pelle, fegato, polmone).

Metodologia

ProToxNet è un framework computazionale che integra il legame farmaco-proteina predetto su scala proteomica con l'espressione genica specifica per tessuto per generare profili di esposizione tissutale a 68 dimensioni. La pipeline consiste in tre fasi:

1. Scoring del Legame su Scala Proteomica (Fase 1):

   • Dati: 4.310 farmaci e 1.507 proteine umane core (l'intersezione di DrugCentral, GTEx e STRING).
   • Modello: Una variante di ConPLex utilizzando il modello linguistico proteico ESM-1b.
   • Processo: Impronte molecolari Morgan dei farmaci (2048-bit) ed embedding delle proteine ESM-1b (mean-pool) a 1280 dimensioni vengono proiettati in uno spazio di similarità del coseno condiviso a 1024 dimensioni.
   • Calibrazione: Le probabilità di legame sono calibrate tramite Platt scaling utilizzando coppie di legame note di DrugCentral. Ciò produce una matrice di punteggio di legame $S \in \mathbb{R}^{4310 \times 1507}$.

2. Scoring dell'Esposizione Tissutale (Fase 2):

   • Dati: Dati di espressione genica dal progetto GTEx v10 attraverso 68 tessuti umani.
   • Computazione: I vettori di esposizione tissutale sono generati pesando i punteggi di legame con i livelli di espressione specifici per tessuto.
   • Formula: Per un farmaco $d$ e un tessuto $t$, il punteggio di esposizione è:
     $$e_{d,t} = \sum_{p \in P} s_{d,p} \cdot x_{p,t}$$
     dove $s_{d,p}$ è il punteggio di legame e $x_{p,t}$ è l'espressione normalizzata della proteina $p$ nel tessuto $t$.
   • Pre-processing: La matrice risultante $E$ viene z-scored per tessuto per correggere le differenze di magnitudo dell'espressione bulk, producendo la matrice di feature finale $\tilde{E} \in \mathbb{R}^{4310 \times 68}$.

3. Predizione degli Eventi Avversi (Fase 3):

   • Dati: 302.307 coppie di segnali positivi farmaco-AE dal sistema FDA Adverse Event Reporting System (FAERS) con log-likelihood ratio (LLR) > 0.
   • Modello: Un modello di interazione bilineare diagonale.
     • Encoder del Farmaco: Una rete neurale a due strati (68 → 256 → 128) con LayerNorm, ReLU e dropout.
     • Embedding degli AE: 13.200 termini MedDRA mappati in embedding a 64 dimensioni, proiettati a 128 dimensioni.
     • Scoring: Il punteggio di interazione è calcolato come $score(d, a) = \sum_{k=1}^{128} h_d^{(k)} \cdot W_k \cdot h_a^{(k)} + b_d + b_a$, dove $W$ è una matrice di peso diagonale addestrabile e $b$ rappresenta i termini di bias per la frequenza di segnalazione.
   • Addestramento: Ottimizzato con AdamW, label smoothing e cosine annealing su 100 epoche.

Contributi Chiave

1. Rappresentazione Pesata sull'Espressione: Introduzione di un vettore di potenziale di impegno tissutale a 68 dimensioni che combina il legame proteomico con l'espressione tissutale, fungendo da rappresentazione del farmaco per la predizione degli AE.
2. Performance senza Propagazione su Grafi: Dimostrazione che questa rappresentazione vettoriale, senza esplicita propagazione di messaggi su grafo sopra la rete proteina-tessuto, raggiunge prestazioni allo stato dell'arte.
3. Validazione Biologica: Validazione diretta del fatto che i farmaci noti per l'epatotossicità mostrano punteggi di impegno del tessuto epatico significativamente più alti rispetto ai farmaci non epatotossici.
4. Case Study: Recupero con successo dei profili di eventi avversi noti per gli inibitori delle chinasi approvati, con gli AE noti che si classificano tra il top 0,67% di tutti i termini MedDRA.

Risultati

Il modello è stato valutato attraverso molteplici protocolli:

• Predizione a livello di coppia FAERS: Ha raggiunto un AUC di 0,9576 (95% CI: 0,9565–0,9588) sulle coppie tenute fuori (held-out).
• Cold-Start (Leave-Drug-Out): In uno scenario in cui 244 farmaci sono stati interamente esclusi (zero coppie di addestramento), il modello ha raggiunto un AUC di 0,8544. Questo conferma che il modello generalizza a nuovi farmaci basandosi sulle caratteristiche di impegno tissutale piuttosto che memorizzare le identità dei farmaci.
• Leave-AE-Out: Quando sono stati esclusi 1.980 termini MedDRA, il modello ha raggiunto un AUC di 0,8472, dimostrando la generalizzazione a eventi avversi non visti.
• Validazione Esterna (CT-ADE): Sul benchmark indipendente dei trial clinici CT-ADE, ProToxNet ha raggiunto un AUC di 0,9157.
• Arricchimento Biologico:
  • Epatotossicità: I farmaci noti per l'epatotossicità avevano punteggi di esposizione del tessuto epatico significativamente più alti rispetto ai farmaci non epatotossici (Mann-Whitney U, $p = 0,017$, Cliff's $\delta = 0,41$).
  • Validazione DILIrank: I farmaci epatotossici con "massima preoccupazione" (most-concern) hanno mostrato un'esposizione epatica significativamente più alta rispetto a quelli con "nessuna preoccupazione" ($p = 0,0002$, Cliff's $\delta = 0,59$).
• Case Study Inibitori delle Chinasi: Gli eventi avversi noti per otto inibitori delle chinasi approvati si sono classificati con una mediana di 88 su 13.200 termini (top 0,67%). Ad esempio, l'epatotossicità è stata classificata tra il top 1% per imatinib, erlotinib e lapatinib.

Significato e Rivendicazioni

L'articolo afferma che ProToxNet fornisce un framework meccanicisticamente fondato e consapevole del tessuto. Operazionalizzando il principio secondo cui il rischio di evento avverso è una proprietà congiunta del panorama di legame di un farmaco e del contesto di espressione specifico del tessuto, il framework colma il divario tra interazione molecolare e tossicità a livello di organo.

Gli autori sottolineano che il successo del modello negli scenari cold-start (nuovi farmaci e nuovi AE) suggerisce che il potenziale di impegno tissutale catturi segnali farmacologici trasferibili che vanno oltre la semplice memorizzazione della frequenza dell'entità o della struttura chimica. Il framework è presentato come uno strumento applicabile alla scoperta di farmaci (screening precoce per la tossicità specifica del tessuto) e alla farmacovigilanza (prioritizzazione dei segnali di sicurezza), offrendo un complemento ai metodi esistenti basati sulla struttura o sul mining.

Limitazioni Riconosciute dagli Autori:

• Gli punteggi di legame si basano su un proiettore target riinizializzato a causa di problemi di compatibilità ambientale, il che significa che riflettono più le caratteristiche strutturali che stime di affinità completamente pre-addestrate.
• I dati FAERS contengono bias di segnalazione (ad esempio, popolazioni di pazienti più ampie generano più segnalazioni).
• Il modello non tiene conto del dosaggio del farmaco, della via di somministrazione, della demografia del paziente o delle interazioni farmaco-farmaco.
• L'arricchimento tissutale è stato statisticamente significativo per l'epatotossicità ma non per la cardiotossicità o la nefrotossicità nei set testati, probabilmente a causa della specificità del meccanismo (ad esempio, blocco di hERG) o di campioni limitati.