Evidence-constrained mechanistic synthesis for drug discovery

Medicijnontwikkeling begint vaak met een berg biologische aanwijzingen. Wetenschappers verzamelen duizenden observaties uit laboratoriumexperimenten, klinische studies en gepubliceerde onderzoeken, die elk een stukje van de puzzel bieden over hoe een ziekte werkt en hoe een medicijn deze zou kunnen stoppen. De uitdaging is niet een gebrek aan informatie, maar een overvloed eraan. Onderzoekers beschikken vaak over meer biologisch bewijs dan zij veilig kunnen vertalen naar één enkel, samenhangend model van de ziekte. Wanneer zij proberen al deze uiteenlopende feiten in één rigide vergelijking te dwingen, riskeren zij een vals gevoel van zekerheid te creëren, waarbij complexe, verschuivende biologische realiteiten worden omgezet in vaste getallen die mogelijk niet de waarheid reflecteren. Het doel is om een behandelplan te vinden dat het volledige gewicht van het bewijs respecteert zonder te pretenderen meer te weten dan de gegevens toelaten.

Een nieuw kader genaamd 'evidence-constrained mechanistic synthesis' pakt dit probleem aan door de manier waarop wetenschappers hun bevindingen hanteren te veranderen. In plaats van te proberen elk stukje bewijs om te zetten in een enkele waarschijnlijkheid of een vaste coëfficiënt, behandelt deze methode het bewijs als een reeks grenzen. Het classificeert welke informatie elke bevinding daadwerkelijk bevat en gebruikt die informatie om een enorme familie van mogelijke ziektemodellen in te perken. Stel je een grote collectie voor van duizenden verschillende hypothesen over hoe een ziekte zich gedraagt. Het bewijs wijst niet één winnaar aan; in plaats daarvan verschuift het de frequentie van welke gebeurtenissen als ondersteund worden beschouwd binnen deze gehele groep. Dit houdt de onzekerheid zichtbaar en onderscheidbaar van de beslissingen die onderzoekers moeten nemen.

De onderzoekers testten deze aanpak met behulp van een specifiek, reëel scenario met betrekking tot chronische spontane urticaria, een aandoening die wordt gekenmerkt door aanhoudende netelroos. Zij verzamelden een niet-uitputtende collectie van 114 specifieke biologische bevindingen uit 53 verschillende bronnen en 13 publieke databronnen. In plaats van deze samen te voegen tot één enkel model, gebruikten zij de bevindingen om 18 beperkingen te creëren die de grenzen definieerden van een bevroren ensemble bestaande uit 4.096 verschillende hypothesen. Dit ensemble vertegenwoordigt het volledige bereik van plausibele biologische scenario's die consistent blijven met het beschikbare bewijs. Het team formuleerde vervolgens de zoektocht naar een behandelregime als een proces van het matchen van gewenste veranderingen in het ziektemodel. Onderzoekers konden specificeren welke delen van het biologische systeem zij wilden veranderen en hoe belangrijk die veranderingen waren, terwijl zij de controle variabelen continu lieten aanpassen om deze doelen te bereiken.

Om het beste behandelplan te vinden binnen deze enorme verzameling mogelijkheden, gebruikte het team een specifieke zoekmethode die de opties systematisch verfijnde. Zij valideerden deze zoektocht over alle 4.096 hypothesen in het ensemble. De resultaten toonden aan dat deze methode de fout bij het matchen van de gewenste doelstellingen met 27,3 procent verminderde vergeleken met het beste resultaat gevonden onder 44 standaard startpunten. Cruciaal was dat wanneer de onderzoekers hun doelstellingen veranderden — door bijvoorbeeld andere uitkomsten prioriteit te geven — het systeem een andere set controlevariabelen selecteerde, terwijl het onderliggende ensemble van bewijs ongewijzigd bleef. Dit bewees dat de methode het ruwe bewijs gescheiden houdt van de specifieke doelen van het behandelplan. Een complementaire analyse benadrukte ook dat de onzekerheid over de verbinding tussen mestcellen en de ziekte de meest kritieke factor was voor de besluitvorming, wat aantoont dat welk deel van de biologie het meest relevant is, volledig afhangt van wat de onderzoeker probeert te bereiken.

Dit kader is ontworpen voor de vroege stadia van medicijnontwikkeling, een fase waarin wetenschappers betekenis moeten geven aan verspreide literatuur voordat zij zich aan een specifiek pad committeren. Door heterogene data berekenbaar te maken terwijl het bewijs, de onzekerheid en de voorkeuren voor besluitvorming strikt gescheiden blijven, stelt de methode onderzoekers in staat om door de complexiteit van biologische systemen te navigeren zonder een valse precisie op te leggen. Het biedt een manier om de volledere diepte van de bestaande kennis te gebruiken om beslissingen te sturen, waardoor wordt gewaarborgd dat de weg vooruit gebouwd is op wat bekend is, terwijl er tegelijkertijd duidelijk wordt erkend wat onzeker blijft.