Homology-Based Variant-Effect Predictors Break Down on Cytochrome P450 Pharmacogenes
Deze studie toont aan dat op homologie gebaseerde voorspellers van de effecten van varianten systematisch falen voor Cytochroom P450-farmogenen omdat ze primair de eiwitabundantie volgen in plaats van de katalytische activiteit, wat een nieuwe modelleringsbenadering noodzakelijk maakt die substraatspecifieke context incorporeert om functionele gevolgen nauwkeurig te voorspellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je een wereld voor waarin dezelfde dosis medicijnen de ene persoon redt, maar de andere schade toebrengt. Dit is geen mysterie van pech, maar van biologie. In ons lichaam fungeert een familie van enzymen genaamd cytochroom P450 als een chemische verwerkingsinstallatie, die ongeveer drie kwart van de medicijnen die we innemen afbreekt. Omdat deze enzymen van persoon tot persoon verschillen, verwerken ze medicatie met verschillende snelheden. Voor sommigen is een standaarddosis te zwak om te werken; voor anderen bouwt het zich op tot gevaarlijke niveaus. Wetenschappers hopen al lang te kunnen voorspellen hoe iemands unieke genetische code deze enzymen zou veranderen, zodat artsen de perfecte dosis voor elk individu kunnen voorschrijven. Om dit te doen, hebben ze vertrouwd op computerprogramma's die het effect van een genetische verandering raden door te kijken naar hoe vergelijkbaar die verandering is met variaties die in andere soorten over miljoenen jaren zijn gevonden. De logica was simpel: als de natuur een deel van het enzym gedurende eonen hetzelfde heeft gehouden, dan moet het veranderen ervan slecht zijn.
Deze langgekoesterde logica breekt echter af wanneer deze wordt toegepast op deze medicijnverwerkende enzymen, zo onthult een nieuwe studie. Onderzoekers aan Stanford University, onder leiding van Helen Xu en Russ Altman, testten de meest geavanceerde beschikbare computermodellen tegen echte gegevens van het enzym CYP2C9. Ze ontdekten dat de standaardinstrumenten, die goed werken voor het voorspellen van ziekteveroorzakende mutaties, niet begrijpen hoe deze specifieke enzymen werken. De modellen zijn in fe сути blind voor het belangrijkste deel van het verhaal: het specifieke medicijn dat het enzym probeert af te breken. De studie suggereert dat we, om echt te voorspellen hoe iemand op medicatie zal reageren, niet alleen naar de vorm of de geschiedenis van het enzym moeten kijken; we moeten ook kijken naar de specifieke chemische stof waarmee het in contact komt.
De onderzoekers begonnen met het testen van een krachtig nieuw hulpmiddel genaamd AlphaMissense, dat kunstmatige intelligentie gebruikt om te voorspellen of een genetische verandering schadelijk is. Ze voedden het met gegevens van zes belangrijke medicijnverwerkende enzymen. Het hulpmiddel had aanzienlijke problemen en bestempelde bijna twee keer zoveel veranderingen als "onzeker" vergeleken met de prestaties op de rest van het menselijk lichaam. Toen het team dieper in de gegevens van CYP2C9 duikte, ontdekten ze waarom. Het computermodel mat eigenlijk niet hoe goed het enzym functioneerde; het mat voornamelijk hoeveel van het enzym aanwezig was in de cel. Als een genetische verandering het enzym instabiel maakte en ervoor zorgde dat het verdween, markeerde het model dit als een probleem. Maar als het enzym stabiel en aanwezig bleef, nam het model aan dat het prima werkte, zelfs als het volledig onbekwaam was om medicijnen te verwerken.
Om deze mislukking te begrijpen, bekeken het team de fysieke structuur van het enzym en de chemie van de veranderingen. Ze vroegen zich af of het model iets essentieels miste, zoals de locatie van de verandering of het type chemische uitwisseling. Ze ontdekten dat deze factoren bijna niets verklaarden. De fouten van het model waren niet te wijten aan een gebrek aan structurele gegevens of een onbegrip van de basischemie. Het probleem zat dieper. Het model was getraind op het idee dat evolutie enzymen hetzelfde houdt omdat ze essentieel zijn voor het overleven. Maar deze medicijnverwerkende enzymen zijn anders. Ze zijn geëvolueerd om een breed scala aan chemicaliën uit ons voedsel en milieu te verwerken, niet slechts één specifieke taak. Omdat ze ontworpen zijn om flexibel te zijn, straft de natuur hen niet voor verandering. Een genetische variatie die het vermogen van het enzym om een specifieke medicatie te verwerken ruïneert, kan het enzym perfect stabiel en talrijk laten, waardoor de computer wordt misleid in de veronderstelling dat alles normaal is.
De onderzoekers probeerden vervolgens een beter model te bouwen. Ze combineerden de standaardinstrumenten met een nieuwe aanpak die keek naar de specifieke patronen in de genetische code van het enzym, in plaats van alleen naar de evolutionaire geschiedenis ervan. Dit nieuwe, op maat gemaakte model was veel beter in het voorspellen van de werkelijke chemische activiteit van het enzym. Het kon het verschil zien tussen een stabiel enzym dat werkt en een stabiel enzym dat defect is. Echter, zelfs dit verbeterde model liep tegen een muur aan. Toen de onderzoekers hun voorspellingen vergeleken met echte medische dossiers en klinische labels, was de overeenstemming gering. Het model kon de activiteit van het enzym in een reageerbuis voorspellen, maar kon niet voorspellen hoe die activiteit zou vertalen naar een patiënt die een specifieke medicatie inneemt.
De reden voor deze discrepantie ligt in de aard van de enzymen zelf. Deze eiwitten zijn geen machines met één enkel doel; het zijn multitaskers die met veel verschillende medicijnen interageren. De studie toonde aan dat dezelfde genetische verandering totaal verschillende effecten kan hebben, afhankelijk van welk medicijn aanwezig is. Een mutatie kan ervoor zorgen dat het enzym slecht werkt op de ene medicatie, maar geen effect heeft op een andere. De huidige computermodellen behandelen het enzym alsof het één universele functie heeft, waarbij ze voorbijgaan aan het feit dat de taak verandert bij elk medicijn dat het tegenkomt. De onderzoekers ontdekten dat in de medische databases die zij onderzochten, meer dan zeventig procent van de genetische variaties die tegen meerdere medicijnen waren getest, verschillende resultaten lieten zien voor elk daarvan.
Deze bevinding suggereert dat de hele benadering van het voorspellen van medicijnreacties moet veranderen. Decennialang hebben wetenschappers geprobeerd om een enkele score aan een genetische variant toe te kennen, door te vragen of deze "goed" of "slecht" is. Deze studie betoogt dat voor medicijnverwerkende enzymen die vraag de verkeerde is. Een variant is niet inherent goed of slecht; hij is alleen goed of slecht in de context van een specif
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.