STDrug enables spatially informed personalized drug repurposing from spatial transcriptomics

STDrug is een ruimtelijk geïnformeerd computermodel dat ruimtelijke transcriptomica, grafmodellen en multimodale leerintegratie combineert om gepersonaliseerde drughergebruik te mogelijk maken met een hogere voorspellende nauwkeurigheid dan bestaande methoden.

De kern

STDrug: De "Ruimtelijke GPS" voor het vinden van nieuwe medicijnen

Stel je voor dat je een stad probeert te begrijpen. Als je alleen een lijst met inwoners hebt (wie er woont), weet je nog niet hoe de stad werkt. Je moet ook weten waar ze wonen, met wie ze praten en hoe de buurten met elkaar verbonden zijn.

Tot nu toe hebben wetenschappers bij het zoeken naar nieuwe medicijnen vaak alleen naar de "lijst met inwoners" gekeken (celtype en genen). Ze wisten niet hoe de cellen zich in het weefsel verhouden tot elkaar. Dat is alsof je probeert een brand te blussen zonder te weten waar de brandhaard precies zit of hoe de wind waait.

STDrug is een nieuwe computerprogramma dat dit probleem oplost. Het kijkt niet alleen naar wie er in het weefsel zit, maar ook naar waar ze zitten. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Digitale Kaartmaker (Ruimtelijke Transcriptomics)

Stel je voor dat je een heel gedetailleerde 3D-kaart maakt van een ziekenhuis (het zieke weefsel) en een gezond ziekenhuis (het normale weefsel).

• Het oude probleem: Vroeger maakten wetenschappers een "smoothie" van alle cellen. Ze draaiden alles door elkaar en keken naar het gemiddelde. Hierdoor gingen belangrijke details verloren, zoals welke cellen tegen elkaar aan zaten.
• De STDrug-oplossing: STDrug houdt de cellen op hun plek. Het ziet precies welke cellen in de "tumor-buurt" zitten en welke in de "gezonde buurt". Het maakt een kaart van de ruimtelijke verbanden.

2. De Matchmaker (Het vinden van de juiste paren)

Het programma vergelijkt nu de zieke kaart met de gezonde kaart.

• De analogie: Stel je voor dat je twee grote puzzels hebt. De ene is een gezonde stad, de andere een stad met een brand. STDrug zoekt niet naar losse stukjes, maar naar gebieden die bij elkaar horen.
• Het zegt: "Oké, dit stukje van de tumor (bijvoorbeeld een groep agressieve cellen) komt overeen met dit specifieke stukje van de gezonde lever." Door deze paren te vinden, kan het precies zien wat er misgaat in dat specifieke gebied.

3. De "Omkeer-Machine" (Het vinden van medicijnen)

Nu het programma weet wat er mis is, gaat het op zoek naar een oplossing.

• De analogie: Stel je voor dat de ziekte een liedje is dat op de verkeerde toon wordt gezongen. STDrug zoekt in een gigantische bibliotheek met bestaande medicijnen (die al veilig zijn voor mensen) naar een "remix" die het liedje weer op de juiste toon brengt.
• Het gebruikt een slimme AI (een soort super-intelligente chatbot) om te voorspellen welk medicijn de "verkeerde toon" (ziekelijke genen) kan omkeren naar de "goede toon" (gezonde genen).

4. De Veiligheidscontrole (Toxiciteit en Bijwerkingen)

Het programma is niet alleen slim, het is ook voorzichtig.

• Het kijkt niet alleen of het medicijn werkt, maar ook of het veilig is. Het checkt of het medicijn andere delen van het lichaam niet per ongeluk beschadigt. Het is alsof je een test doet: "Werkt dit medicijn tegen de brand, maar blaast het ook per ongeluk de rest van het huis af?"

Wat hebben ze ontdekt? (De resultaten)

Het team heeft dit getest op twee soorten kanker: leverkanker en prostaatkanker.

• De verrassing: STDrug vond medicijnen die al bestaan, maar voor andere ziektes worden gebruikt.
  • Voor leverkanker suggereerde het bijvoorbeeld Atorvastatine (een bekend middel tegen hoge cholesterol) en Digoxine (voor hartproblemen).
  • Voor prostaatkanker vond het Bortezomib en Vorinostat.
• De test: Ze hebben deze medicijnen in het lab getest op kankercellen. Het resultaat? De medicijnen werkten echt! Ze doodden de kankercellen, zelfs degenen die resistent waren tegen andere behandelingen.

Waarom is dit belangrijk?

Normaal duurt het vinden van een nieuw medicijn 10 tot 15 jaar en kost het miljarden.

• STDrug is als een tijdbesparende tijdmachine. Omdat het medicijnen gebruikt die al bestaan en veilig zijn, kunnen ze veel sneller naar patiënten.
• Het maakt de behandeling persoonlijker. Net zoals een kapper die precies weet welke knipbeurt bij jouw gezichtsuitdrukking past, kan STDrug zeggen: "Voor deze specifieke patiënt met dit specifieke weefsel, werkt medicijn X het beste."

Kort samengevat:
STDrug is een slimme computer die een kaart maakt van het zieke weefsel, zoekt naar de perfecte match met gezond weefsel, en vervolgens in een grote kast met bestaande medicijnen kijkt om te zien welk middel de ziekte het snelst en veiligst kan "omkeren". Het is een nieuwe manier om oude medicijnen te laten werken voor nieuwe problemen, met een scherp oog op de details.

Technische samenvatting

Probleemstelling

Het hergebruiken van bestaande medicijnen (drug repurposing) is een veelbelovende strategie om de tijd en kosten van de geneesmiddelenontwikkeling te verlagen. Echter, bestaande computationele benaderingen voor drug repurposing hebben twee belangrijke beperkingen:

1. Gebrek aan ruimtelijke context: Veel methoden gebruiken bulk RNA-sequencing, wat de cellulaire heterogeniteit binnen weefsels negeert.
2. Verwaarlozing van micro-omgeving: Zelfs methoden die gebruikmaken van single-cell RNA-sequencing (scRNA-seq) missen vaak de ruimtelijke organisatie van cellen. Deze ruimtelijke context is echter cruciaal voor het begrijpen van cel-cel interacties en micro-omgeving-afhankelijke responsen op medicijnen.

Er is dus een dringende behoefte aan een framework dat ruimtelijke transcriptomics (ST) data integreert om patiëntspecifieke, ruimtelijk geïnformeerde therapeutische prioritering mogelijk te maken.

Methodologie: Het STDrug Framework

STDrug is een computationeel framework dat bestaat uit drie hoofdstappen om patiëntspecifieke medicijnen te identificeren die ziekte-geassocieerde genexpressie veranderen:

1. Data Preprocessing en Integratie:

   • STDrug neemt gepaarde ruimtelijke transcriptomics-data van ziekte- en gezond weefsel (bij voorkeur van dezelfde patiënt) als input.
   • Er wordt batch-effectcorrectie toegepast met het Harmony-algoritme in plaats van PCA om variabiliteit tussen patiënten te verminderen.
   • Er wordt een Graph Convolutional Network (GCN) gebouwd om ruimtelijk-bewuste laag-dimensionale embeddings te leren, geïnspireerd door SpaGCN maar aangepast voor gepaarde steekproeven.

2. Identificatie van Ruimtelijke Domeinen (Spatial Domain Identification):

   • Een uniek kenmerk is het gebruik van een disease-control balanced clustering-algoritme gecombineerd met Coherent Point Drift (CPD).
   • Dit algoritme identificeert en aligneert gepaarde ruimtelijke domeinen tussen het zieke en het gezonde weefsel van een patiënt. Dit zorgt ervoor dat vergelijkbare biologische regio's correct worden gekoppeld, wat essentieel is voor het berekenen van differentiatie.

3. Drug Repurposing en Scoreberekening:

   • Genen-Selectie: Het framework identificeert differentieel tot expressie gebrachte genen (DEGs) tussen de gepaarde ruimtelijke domeinen.
   • Gen-Weighting: Om de belangrijkste "reversibele" genen te identificeren, gebruikt STDrug een machine learning-model (XGBoost) dat is getraind met kennis verkregen van een Large Language Model (GPT-4o). Dit model leest literatuur om de relatie tussen genen en ziekte te kwantificeren en wijst gewichten toe aan de genen.
   • Integratie van Factoren: De uiteindelijke therapeutische score voor een patiënt wordt berekend door:
     • De omkering van ziekte-geassocieerde genexpressie (gebaseerd op perturbation data uit databases zoals L1000 en Tahoe-100M).
     • Interacties tussen ruimtelijke domeinen (berekend met CellChat v2).
     • Geneesmiddelenspecificiteit en toxiciteit (uit de GDSC en SIDER databases).
   • De top-geklasseerde medicijnen zijn die met de hoogste scores op patiëntniveau.

Belangrijkste Bijdragen

• Eerste ruimtelijk geïnformeerde framework: STDrug is een van de eerste methoden die specifiek ruimtelijke transcriptomics-data gebruikt voor drug repurposing, in plaats van alleen scRNA-seq of bulk data.
• Geavanceerde Alignering: De combinatie van GCN en Coherent Point Drift voor het aligneren van ziekte- en controledomeinen binnen dezelfde patiënt is een methodologische innovatie.
• LLM-gebaseerde Gen-Weighting: Het gebruik van GPT-4o om prioriteit te geven aan genen op basis van bestaande literatuur, wat de biologische relevantie van de voorspellingen verhoogt.
• Multimodale Validatie: Het framework wordt niet alleen geëvalueerd op basis van simulaties, maar ook via klinische data (EHR) en in vitro experimenten.

Resultaten

Het framework werd getest op datasets van Hepatocellulair Carcinoom (HCC) en Prostaatcarcinoom (PCa).

1. Benchmarking:

   • STDrug presteerde significant beter dan bestaande methoden (zoals ASGARD, Beyondcell, STAGATE, STAligner) in het identificeren van ruimtelijke domeinen (gemeten met NMI en ARI scores).
   • Bij drug repurposing bereikte STDrug een AUC van 0,81 voor HCC en 0,82 voor PCa, wat aanzienlijk hoger is dan de concurrenten (ASGARD en Beyondcell hadden AUC's rond de 0,57-0,61).

2. Identificatie van Kandidaten:

   • HCC: STDrug identificeerde Sorafenib (een eerste-lijns therapie, wat dient als interne validatie) en Bosutinib als top-kandidaten. Ook werden niet-oncologische middelen zoals Niacine, Cafeïne, Atorvastatine en Digoxine voorspeld, waarvan de effectiviteit in de literatuur wordt ondersteund.
   • PCa: Top-kandidaten waren Bortezomib en Vorinostat. Ook hier werden hartmedicijnen zoals Digoxine en Ouabain geïdentificeerd.

3. Validatie:

   • In-silico (Klinische Data): Gebruikmakend van de MarketScan-database (264 miljoen patiënten), toonde Kaplan-Meier-curves en Cox-proportionele hazard-modellen aan dat het gebruik van de voorspelde middelen (zoals Atorvastatine, Digoxine, Niacine voor HCC; Digoxine, Colchicine, Pitavastatine, Sirolimus voor PCa) geassocieerd was met een vertraagde ziekte-ontwikkeling en een lager risico op kanker.
   • In-vitro: Cytotoxiciteitstesten op vijf prostaatkanker-cellijnen (inclusief taxaan-resistente lijnen) bevestigden dat Bortezomib en Vorinostat effectief zijn bij klinisch haalbare concentraties.

4. Mechanistische Inzichten:

   • Ruimtelijke analyse toonde aan dat medicijnen specifieke domeinen beïnvloeden. Bijvoorbeeld, Bortezomib beïnvloedde apoptose- en PI3K-Akt-signaalwegen in specifieke tumor-domeinen, terwijl Bosutinib de Src-geassocieerde signaalwegen en cytoskelet-regulatie onderdrukte.

Significantie

STDrug vertegenwoordigt een doorbraak in de precisiegeneeskunde door de kloof tussen ruimtelijke transcriptomics en therapeutische ontdekking te overbruggen. Door rekening te houden met de ruimtelijke organisatie van het tumor-micro-omgeving, biedt het nauwkeurigere en meer personaliseerbare medicijnprioriteringen dan traditionele methoden. De succesvolle validatie via grote klinische databases en laboratoriumexperimenten onderstreept de translationele relevantie en het potentieel om nieuwe behandelingen voor kankerpatiënten te versnellen. Het framework legt de basis voor een nieuwe generatie "ruimtelijk-informeerde" drug repurposing.