Integrative transcriptome-based drug repurposing in tuberculosis

Deze studie presenteert een geïntegreerde transcriptoomgebaseerde workflow die 64 bestaande FDA-goedgekeurde medicijnen identificeert als veelbelovende gastheergerichte therapieën voor tuberculose en 12 nieuwe dringbare doelwitten blootlegt, waarmee een robuust computermodel wordt geboden voor de systematische herontdekking van medicijnen bij infectieziekten.

De kern

🛡️ De Grote Geneeskrachtige Zoektocht: Hoe Computers Nieuwe Medicijnen voor Tuberculose Vinden

Stel je voor dat Tuberculose (TB) een zeer slimme, hardnekkige dief is die zich verstopt in je lichaam. Normaal gesproken proberen we deze dief te verslaan met antibiotica (de "politieagenten" die de bacterie direct aanvallen). Maar deze dief is slim geworden: hij heeft een ondoordringbare schildkleding (een dikke celwand) en is immuun geworden voor veel van onze oude politiemethoden. Bovendien doodt hij elk jaar meer dan een miljoen mensen.

De wetenschappers in dit artikel dachten: "Misschien moeten we niet alleen de dief aanvallen, maar ook de huishouding (je immuunsysteem) sterker maken zodat hij geen kans krijgt." Dit noemen ze Host-Directed Therapy (HDT): je eigen lichaam helpen om de ziekte te bestrijden.

Het probleem? Nieuwe medicijnen ontwikkelen duurt 10 tot 15 jaar en kost miljarden. De oplossing? Geneesmiddelenhergebruik (Drug Repurposing).
Stel je voor dat je een enorme kast vol medicijnen hebt die al veilig zijn goedgekeurd voor andere ziektes (zoals cholesterolverlagers of hormoonpillen). In plaats van een nieuw medicijn te bouwen, kijken we of één van deze bestaande medicijnen per ongeluk ook goed werkt tegen TB.

🧩 De Grote Uitdaging: Een Puzzel met 28 Verschillende Kaarten

Het vinden van zo'n medicijn is als het zoeken naar een naald in een hooiberg, maar dan met een twist: de hooiberg is gemaakt van 28 verschillende soorten hooi.

• Sommige data komen uit oude microscopen (microarrays).
• Sommige uit nieuwe, snelle scanners (RNA-sequencing).
• Sommige data zijn van bloed, andere van longweefsel, en weer andere van cellen in een laboratorium.

Als je alleen naar één stukje van deze puzzel kijkt, zie je misschien een verkeerd beeld. Het is alsof je probeert een olifant te beschrijven terwijl je alleen naar zijn staart kijkt. Vroeger keken wetenschappers vaak maar naar één stukje, wat leidde tot onbetrouwbare resultaten.

🚀 De Oplossing: De "Super-Computer" die Alles Samenvoegt

De auteurs van dit artikel hebben een slimme computerprogramma gemaakt dat als een meesterchef werkt.

1. Het verzamelen: Ze namen 28 verschillende onderzoeken (zoals 28 verschillende recepten voor een soep).
2. Het samenvoegen: In plaats van één recept te kiezen, maakte de chef een "super-soep" door alle recepten te combineren. Ze gaven meer gewicht aan de ingrediënten die in veel recepten terugkwamen (dat is de echte smaak van TB) en minder gewicht aan de rare, eenmalige ingrediënten.
3. Het testen: Vervolgens lieten ze deze "super-soep" (het samengevoegde ziektebeeld) proeven door een enorme lijst van bestaande medicijnen (de LINCS-database met 1,3 miljoen medicijneffecten).

Ze zochten naar medicijnen die de "smaak" van de ziekte precies omkeerden. Als de ziekte de cellen "rood" maakt, moet het medicijn ze weer "groen" (gezond) maken.

🏆 De Grote Winnaars: Wat Vonden Ze?

Na al dit rekenwerk kwamen ze uit op 64 veelbelovende kandidaten. Het mooie is: veel hiervan zijn medicijnen die we al kennen!

• De Bekende Held: Ze vonden Statines (zoals Rosuvastatin en Lovastatin). Dit zijn medicijnen die je cholesterol verlaagt. Het bleek dat TB-bacteriën dol zijn op cholesterol om zich te verstoppen. Door de cholesterol te blokkeren, verhongeren we de bacterie.
• De Nieuwe Ster: Ze vonden Tamoxifen (een borstkankermedicijn) en zelfs Clonidine (een medicijn voor hoge bloeddruk).
• De "Nieuwe" Kandidaten: Ze vonden ook medicijnen die nog nooit voor TB zijn getest, zoals Amiodarone (voor hartritmestoornissen) en Mitotane (voor kanker).

🔗 De Geheimzinnige Schakels: De "Brugbouwers"

Om te begrijpen waarom deze medicijnen werken, keken ze naar de binnenkant van de cellen. Ze zochten naar brugbouwers (genen) die de ziekte en het medicijn met elkaar verbinden.
Ze vonden 12 belangrijke brugbouwers, zoals IL-8 en CXCR2.

• Vergelijking: Stel je voor dat de ziekte en het medicijn twee eilanden zijn. Deze genen zijn de bruggen die de twee eilanden verbinden. Als je deze bruggen kunt repareren of blokkeren, kun je de ziekte verslaan.

🤝 Teamwork: Medicijnen die Samenwerken

De onderzoekers keken ook of deze nieuwe medicijnen goed werken in combinatie met de oude antibiotica.

• Goede Combinaties: Sommige medicijnen werken als een perfecte duo. Bijvoorbeeld: een medicijn dat de bacterie vertraagt, gecombineerd met een antibioticum dat de bacterie aanvalt terwijl hij trager is.
• Slechte Combinaties: Sommige medicijnen werken juist tegen elkaar op (zoals twee mensen die in een bootje tegelijkertijd in de andere richting roeien). De onderzoekers hebben een lijst gemaakt van welke combinaties je niet moet proberen.

💡 De Conclusie: Waarom is dit belangrijk?

Dit artikel is als een nieuwe schatkaart.

1. Snelheid: Omdat ze medicijnen gebruiken die al veilig zijn, kunnen ze deze veel sneller testen en misschien binnen een paar jaar aan patiënten geven.
2. Betrouwbaarheid: Door alle verschillende onderzoeken samen te voegen, zijn ze zekerder dat hun resultaten kloppen.
3. Toekomst: Deze methode werkt niet alleen voor TB, maar kan ook helpen om nieuwe medicijnen te vinden voor andere ziektes zoals malaria of virussen.

Kortom: Ze hebben een slimme manier gevonden om de bestaande medicijnkast te doorzoeken en de verborgen juwelen te vinden die ons kunnen helpen de gevaarlijke dief Tuberculose te verslaan.

Technische samenvatting

Probleemstelling

Tuberculose (TB) blijft een leidende oorzaak van infectie-gerelateerde sterfte wereldwijd. De opkomst van antibioticaresistentie vereist dringende nieuwe behandelingsstrategieën, zoals Host-Directed Therapies (HDT's). HDT's moduleren de immuunrespons van de gastheer in plaats van de pathogeen direct aan te vallen. Het hergebruiken van bestaande, door de FDA goedgekeurde geneesmiddelen is een veelbelovende aanpak vanwege het bekende veiligheidsprofiel en de lagere ontwikkelkosten.

Echter, bestaande transcriptoom-gebaseerde methoden voor drugshergebruik (zoals 'connectivity mapping') kampen met ernstige beperkingen:

1. Data-heterogeniteit: Beschikbare TB-gene-uitdrukkingsdata variëren sterk in platformen (microarray vs. RNA-seq), biologische contexten (weefsels, celtypen, infectieduur) en experimentele condities.
2. Methodologische beperkingen: Veel studies gebruiken slechts één type dataset en één scoring-methode, wat leidt tot onstabiele voorspellingen die niet representatief zijn voor de algemene TB-antwoord.
3. Gebrek aan robuustheid: Het is onduidelijk welke scoring-methode optimaal is voor specifieke ziekte-signaturen, en het analyseren van individuele, geïsoleerde signatures leidt vaak tot ruis in plaats van een robuust signaal.

Methodologie

De auteurs ontwikkelden een geïntegreerd computergestuurd workflow om deze uitdagingen aan te pakken door data-integratie en methodologische diversiteit.

1. Dataverzameling en Voorverwerking:

• Verzameling van 33 publieke TB-gene-uitdrukkingsdatasets (10 microarray en 23 RNA-seq studies) uit de Gene Expression Omnibus (GEO).
• Deze datasets omvatten diverse biologische bronnen (bloed, longweefsel, cellijnen) en tijdpunten.
• Er werden individuele ziekte-signaturen gegenereerd door differentieel expressie-analyse (infected vs. control) uit te voeren met limma (voor microarray) en DESeq2 (voor RNA-seq). Dit resulteerde in 28 individuele signatures.

2. Aggregatie van Ziekte-Signaturen (Consensus Building):

• Om een robuust, biologisch representatief "TB-signaal" te creëren, werden de 28 individuele signatures geaggregeerd.
• Gewogen Gemiddelde: Een gewogen gemiddelde-methode werd toegepast waarbij de weging van elke signature gebaseerd was op de Jaccard-similariteit met de andere signatures. Signatures die meer overeenkwamen met de rest kregen een hogere weging ("vertrouwen"), terwijl afwijkende signatures werden down-ge-weight.
• Dit resulteerde in één geaggregeerde consensus-signatuur voor zowel microarray- als RNA-seq-data, die de dominante, geconserveerde gastheer-responsen vastlegt.

3. Connectiviteitsmapping met Meerdere Scoring-methoden:

• De ziekte-signaturen (individueel en geaggregeerd) werden vergeleken met geneesmiddelsignaturen uit de LINCS L1000 database (GSE92742), beperkt tot 10 µM concentratie en 24 uur behandeling.
• Er werden zes verschillende connectiviteits-scoring-methoden gebruikt om de "reversie" (omkering) van het ziektepatroon door drugs te kwantificeren:
  • Verrijking-gebaseerd (Enrichment-based): CMAP 1.0 (KS-test), CMAP 2.0 (WCS, NCS, Tau-score). Deze meten hoe sterk ziekte-genen aan de uiteinden van een gedrukte genenlijst voorkomen.
  • Correlatie-gebaseerd: Extreme Pearson (XCor) en Extreme Spearman (XSpe). Deze meten de monotoon inverse correlatie tussen ziekte- en drug-gene-uitdrukkingen.

4. Prioritering en Rank Aggregatie:

• Drugs werden gefilterd op basis van hun vermogen om zowel individuele als geaggregeerde signatures om te keren.
• Een rank-aggregatie (met de 'BiG' methode) werd toegepast om drugs te selecteren die consistent hoog scoorden over verschillende methoden en data-platforms.
• De definitieve lijst van 64 hoog-vertrouwde kandidaten werd bepaald door de intersectie van resultaten uit microarray en RNA-seq pipelines, met een focus op drugs met positieve gecombineerde z-scores (indicatie van consistente reversie).

5. Netwerk- en Synergie-analyse:

• Netwerkanalyse: Gebruikmakend van STRING en DGIdb werden eiwit-eiwit interactie-netwerken geconstrueerd om "brug-genen" te identificeren die ziekte-genen verbinden met drug-doelen.
• Synergie: Potentiële synergistische en antagonistische combinaties tussen de voorspelde HDT's en bestaande TB-antibiotica werden geanalyseerd op basis van Mechanismen van Actie (MOA) en data uit DrugCombDB.

Belangrijkste Resultaten

1. Validatie van Bekende HDT's:
Het model slaagde erin om bekende, experimenteel gevalideerde TB-HDT's te herontdekken, waaronder:

• Statines (rosuvastatine, fluvastatine, lovastatine, atorvastatine): Bekend om hun effect op cholesterolmetabolisme en macrofaagfunctie.
• Tamoxifen: Een SERM (Selective Estrogen Receptor Modulator) die de lysosomale activiteit verhoogt en bacteriële overleving vermindert.
• Dit dient als bewijs van concept voor de robuustheid van de geïntegreerde aanpak.

2. Nieuwe Kandidaten:
De analyse identificeerde 64 kandidaten, waaronder nieuwe voorspellingen zonder eerdere TB-literatuur, zoals:

• Clonidine (voor hypertensie), Benzonatate, Amiodarone, en Mitotane.
• Deze drugs vertonen verrijking voor therapeutisch relevante mechanismen zoals cholesterolmetabolisme-inhibitie en immuunmodulatie.

3. Biologische Inzichten en Netwerkanalyse:

• Gemeenschappelijke Pathways: Netwerkanalyse onthulde dat voorspelde drugs convergeren op cholesterolmetabolisme en cytokine-signaling. Een cruciaal knooppunt is HMGCS1, een enzym in het mevalonaatpad.
• Nieuwe Druggable Targets: 12 "brug-genen" werden geïdentificeerd die de link vormen tussen ziekte-genen en drug-doelen. Belangrijke voorbeelden zijn:
  • IL-8 en CXCR2: Cruciaal voor neutrofiel-rekrutering en immunopathogenese.
  • MCL-1 en BAX: Gerelateerd aan apoptose in geïnfecteerde macrofagen.
  • ITGB1/ITGA5: Invloed op granuloomontwikkeling.

4. Synergie en Antagonisme:

• Synergie: Voorspelde synergistische combinaties, bijvoorbeeld tussen statines (HMGCR-remmers) en HDAC-remmers (zoals resveratrol), die gezamenlijk autophagie kunnen induceren. Ook synergisme tussen antineoplastische middelen en bacteriële celwand-synthese-remmers werd voorspeld.
• Antagonisme: Er werd voorspeld dat vetzuursynthese-remmers antagonistisch kunnen werken met celwand-synthese-remmers, omdat ze de bacteriële groei vertragen en zo de effectiviteit van celwand-actieve antibiotica verminderen.

Significantie en Impact

• Overcoming Heterogeneity: Dit werk bewijst dat het integreren van heterogene transcriptoomdata (verschillende platforms en biologische contexten) via gewogen aggregatie leidt tot stabielere en biologisch betekenisvollere voorspellingen dan het gebruik van individuele datasets.
• Robuust Framework: Het ontwikkelde framework is niet beperkt tot TB; het biedt een generaliseerbare aanpak voor het ontdekken van HDT's voor andere infectieziekten waarbij data-heterogeniteit een probleem is.
• Klinische Relevantie: De identificatie van 64 hoog-vertrouwde kandidaten, waaronder drugs die al veilig zijn voor menselijk gebruik, biedt directe kansen voor snelle experimentele validatie en klinische ontwikkeling.
• Mechanistisch Inzicht: Door netwerkanalyse te koppelen aan drugshergebruik, biedt de studie niet alleen een lijst met drugs, maar ook nieuwe moleculaire targets (zoals IL-8 en CXCR2) en inzicht in de onderliggende mechanismen van gastheer-georiënteerde therapieën.

Samenvattend stelt deze studie een geavanceerde, data-gedreven pipeline op die de complexiteit van TB-transcriptoomdata navigeert om nieuwe, veilige en effectieve behandelingsstrategieën te identificeren, waarbij zowel bestaande kennis wordt bevestigd als nieuwe therapeutische paden worden geopend.