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

Voor meer dan driehonderd miljoen mensen over de hele wereld is een diagnose van een zeldzame ziekte vaak een vonnis tot een leven met zeer weinig medische opties. Hoewel de moderne geneeskunde ongelooflijke vooruitgang heeft geboekt bij het behandelen van veelvoorkomende kwalen, ontbreken voor het overgrote deel van deze zeldzame aandoeningen enige goedgekeurde medicatie. De reden is vaak economisch: het ontwikkelen van een nieuw medicijn is een kostbaar en langdurig proces, en farmaceutische bedrijven vinden het moeilijk om de investering te rechtvaardigen wanneer het aantal potentiële patiënten zo klein is. Dit laat onderzoekers en artsen zoeken naar een ander pad, een pad dat niet vereist om vanaf nul te beginnen. In plaats daarvan zoeken ze naar manieren om bestaande medicijnen te vinden die mogelijk kunnen werken voor deze over het hoofd geziene aandoeningen, een strategie die bekend staat als drug repurposing (herbestemming van medicijnen). Om dit effectief te doen, vertrouwen wetenschappers op het ingewikkelde web van verbindingen tussen ziekten, de genen die ze veroorzaken en de medicijnen die die genen beïnvloeden. Als een medicijn bekend staat om zijn interactie met een specifiek gen, en een zeldzame ziekte wordt veroorzaakt door een probleem in datzelfde gen, is er een sterke mogelijkheid dat het medicijn kan helpen bij de behandeling van de ziekte.

De uitdaging is echter dat de informatie die nodig is om deze verbindingen te leggen, verspreid ligt over verschillende databases die niet dezelfde taal spreken. Eén belangrijke database, Orphadata, legt de relaties vast tussen zeldzame ziekten en de genen die ze veroorzaken, terwijl een andere, DisGeNET, registreert hoe duizenden medicijnen interageren met genen. Het probleem is dat deze twee bronnen verschillende naamgevingssystemen gebruiken voor dezelfde genen, wat het onmogelijk maakt om hun gegevens simpelweg te combineren. Een nieuwe studie door Diya Ramani pakt deze barrière aan door een brug te slaan tussen deze twee werelden. De onderzoeker creëerde een computermodel dat eerst de namen van genen over beide databases heen standaardiseert, door ze te vertalen naar een enkele, consistente taal. Zodra de gegevens zijn geharmoniseerd, worden ze geweven in een massief, driedimensionaal netwerk waar ziekten, genen en medicijnen allemaal met elkaar verbonden zijn. Dit netwerk bevat meer dan vijftien duizend afzonderlijke informatiepunten, die bijna tweeduizend vijfhonderd zeldzame ziekten en meer dan elf duizend medicijnen vertegenwoordigen.

Om de weg te vinden in dit complexe web, gebruikt de studie een type kunstmatige intelligentie genaamd een Graph Attention Network. In plaats van te proberen geheel nieuwe ontdekkingen te voorspellen, wat een zeer onzekere onderneming is, wordt het systeem getraind om de structuur van het bestaande netwerk te begrijpen. Het leert patronen te herkennen in hoe ziekten, genen en medicijnen met elkaar verbonden zijn, waardoor het effectief een kaart van biologische relaties creëert. Zodra het systeem deze patronen heeft geleerd, kan het een specifieke zeldzame ziekte als zoekopdracht nemen en alle medicijnen in zijn database rangschikken op basis van hoe nauw ze met die ziekte verwant zijn via gedeelde genen. Het doel is niet om een nieuw geneesmiddel uit te vinden, maar om de meest veelbelovende bestaande kandidaten te prioriteren voor verder onderzoek, waardoor een chaotische lijst van mogelijkheden wordt omgezet in een gerichte shortlist voor artsen en onderzoekers.

De resultaten van deze aanpak zijn opmerkelijk in hun vermogen om door de ruis heen te snijden. Wanneer het systeem werd getest op tweehonderd verschillende zeldzame ziekten, plaatste het succesvol een bekende, effectieve behandeling binnen de top tien suggesties voor veertig procent van de gevallen. Dit is een enorme verbetering ten opzichte van willekeurig gokken, wat in zo'n grote poel van opties bijna nooit de juiste drug zou vinden. Om de biologische logica achter het succes te illustreren, keek de studie naar een specifiek geval met betrekking tot een stoornis genaamd Hawkinsinuria. Het systeem had geen voorafgaande kennis van de specifieke metabole routes die betrokken waren, toch rangschikte het een medicijn genaamd Nitisone als de vierde meest waarschijnlijke kandidaat. Dit medicijn is al de standaardbehandeling voor een andere aandoening die dezelfde genetische route deelt. Het feit dat het systeem deze verbinding identificeerde zonder expliciet over de route te zijn geïnformeerd, suggereert dat de onderliggende patronen die het heeft geleerd, biologisch sound en betekenisvol zijn.

De studie is voorzichtig in het kaderen van haar bevindingen als een hulpmiddel voor besluitvormingsondersteuning in plaats van een definitief klinisch antwoord. Het systeem is ontworpen om hypothesen te generen en een startpunt te bieden voor menselijke experts, die de suggesties vervolgens moeten valideren door middel van verder onderzoek en testen. Het benadrukt een aanzienlijk gat in de huidige kennis, waarbij wordt opgemerkt dat bijna de helft van de zeldzame ziekten in de Orphadata-database niet kon worden opgenomen in het netwerk omdat er geen overeenkomende medicijngegevens beschikbaar waren voor hun geassocieerde genen. Deze beperking is geen falen van de methode, maar een reflectie van de huidige staat van de medische literatuur, waarin veel zeldzame condities nog steeds onderbelicht blijven. Door het gehele proces reproduceerbaar te maken en het als een gratis, interactieve online tool aan te bieden, heeft de onderzoeker de wetenschappelijke gemeenschap een praktische manier gegeven om door het uitgestrekte landschap van behandelingen voor zeldzame ziekten te navigeren. Het werk demonstreert dat we, door bestaande stukjes informatie zorgvuldig te verbinden, patronen kunnen zien die voorheen verborgen bleven, wat een sprankje hoop biedt voor de miljoenen patiënten die momenteel geen behandelopties hebben.