Genetic similarity among 178 disease phenotypes predicts therapeutic and side effects for 1,711 drugs

Deze studie toont aan dat een gen-agnostische methode die genetische gelijkenis tussen 178 ziekten kwantificeert, succesvol nieuwe therapeutische toepassingen en bijwerkingen voor 1.711 geneesmiddelen kan voorspellen, waardoor een nieuwe weg voor geneesmiddelenontwikkeling wordt geboden die de noodzaak om specifieke causale genen of doelen te identificeren omzeilt.

De kern

Stel je een enorme bibliotheek voor met informatie over de menselijke gezondheid. In deze bibliotheek heeft elke ziekte een "genetische vingerafdruk" bestaande uit duizenden kleine DNA-aanwijzingen. Lange tijd probeerden wetenschappers nieuwe medicijnen te vinden door te zoeken naar één perfecte match tussen het doelwit van een medicijn en de vingerafdruk van een specifieke ziekte. Maar dit is als het zoeken naar een speld in een hooiberg, en vaak is de speld verborgen of ontbreekt hij.

Dit artikel stelt een andere manier voor om naar de bibliotheek te kijken. In plaats van te jagen op één perfecte match, vragen de auteurs: "Welke ziektes lijken genetisch op elkaar, zelfs als ze aan de oppervlakte totaal verschillend lijken?"

Hier is de uiteenzetting van hun werk met behulp van eenvoudige analogieën:

1. De Kernidee: De Theorie van de "Genetische Neef"

Stel je ziektes voor als mensen. Sommige ziektes zijn voor de hand liggende verwanten (zoals een hartaanval en hoge bloeddruk – beide beïnvloeden het hart). Maar deze studie zocht naar "genetische neven" – ziektes die misschien in verschillende buurten wonen (verschillende lichaamssystemen), maar hetzelfde familie-DNA delen.

De onderzoekers hypotheseren dat als Ziekte A en Ziekte B genetische neven zijn, een medicijn dat werkt voor Ziekte A, ook voor Ziekte B kan werken, zelfs als niemand eerder realiseerde dat ze verwant waren.

2. De Methode: Vijf Verschillende "Linialen"

Om te meten hoe vergelijkbaar twee ziektes zijn, gebruikte het team niet slechts één liniaal; ze bouwden vijf verschillende meetinstrumenten.

• Instrument 1 & 2: Kijken naar het grote geheel van het hele genoom (zoals het vergelijken van de algehele lengte en bouw van twee mensen).
• Instrument 3 & 4: Kijken naar specifieke genen en hoe ze in verschillende weefsels aan- of uitgezet worden (zoals het vergelijken van hun specifieke hobby's of vaardigheden).
• Instrument 5: Kijkt naar hoe genen en ziektes overlappen in specifieke moleculaire buurten.

Ze gebruikten deze instrumenten om 178 verschillende ziektes met elkaar te vergelijken.

3. De Ontdekking: Gelijkenis Voorspelt Succes

Ze testten hun theorie tegen een lijst van 1.711 veelvoorkomende medicijnen. Ze vroegen zich af: "Deelen ziektes die genetisch vergelijkbaar zijn, daadwerkelijk dezelfde medicijnen?"

Het antwoord was een volmondig ja.

• De "Indicatie"-test: Als een medicijn Ziekte A behandelt, en Ziekte B is genetisch vergelijkbaar met Ziekte A, is het medicijn waarschijnlijker om ook Ziekte B te behandelen.
• De "Bijwerking"-test: Als een medicijn een bijwerking veroorzaakt bij Ziekte A, en Ziekte B is genetisch vergelijkbaar, is het medicijn waarschijnlijker om diezelfde bijwerking te veroorzaken bij Ziekte B.

4. Het "Magische" Voorspellingsmodel

De auteurs bouwden een computermodel (een "voorspeller") dat alle vijf de meetinstrumenten combineert. Ze gebruikten dit model om nieuwe toepassingen voor medicijnen te raden.

• Voor Nieuwe Behandelingen: Wanneer het model een voorspelling gaf met een hoge score (kans > 0,1), waren die medicijn-ziekteparen twee keer zo waarschijnlijk om te slagen in klinische trials en door regelgevers te worden goedgekeurd, vergeleken met willekeurige gokken.
• Voor Bijwerkingen: Wanneer het model een bijwerking voorspelde met een hoge score (kans > 0,2), was het 1,4 keer waarschijnlijker dat het een echte bijwerking was.

5. De "Tweezijdige Munt"-Verrassing

Een van de meest interessante bevindingen is dat het model in beide richtingen werkt.

• Het model dat was getraind om nieuwe geneesmiddelen te vinden, was verrassend goed in het voorspellen van bijwerkingen.
• Het model dat was getraind om bijwerkingen te vinden, was verrassend goed in het voorspellen van nieuwe geneesmiddelen.

De Analogie: Stel je een medicijn voor als een sleutel. Het "slot" dat het opent, is de ziekte die het geneest. Maar soms blokkeert diezelfde sleutel per ongeluk een ander slot in het huis, waardoor een bijwerking ontstaat. De studie vond dat de genetische blauwdruk van het "genezen" slot en het "geblokkeerde" slot vaak zo vergelijkbaar zijn dat als je het ene kent, je het andere kunt raden.

6. Wereldwijde Voorbeelden uit het Artikel

Het artikel geeft twee concrete voorbeelden van hoe dit werkt:

• Naltrexon (Alcoholisme-medicijn) $\rightarrow$ IBS: Naltrexon behandelt alcoholisme. Het model voorspelde dat het misschien kan helpen bij het prikkelbare darm syndroom (PDS). Waarom? Omdat PDS in deze specifieke context genetisch vergelijkbaar is met alcoholisme. De biologie van de darm en de opioïdereceptoren van de hersenen zijn verbonden, zelfs al lijken het verschillende lichaamsdelen.
• Anastrozol (Borstkanker-medicijn) $\rightarrow$ Malabsorptie: Anastrozol verlaagt oestrogeen. Het model voorspelde dat het "malabsorptiesyndroom" (moeite met het opnemen van voedingsstoffen) kan veroorzaken. Waarom? Omdat de bekende bijwerkingen van het medicijn (botverlies, aderontsteking) een genetisch verband delen met hoe de darm voedingsstoffen opneemt.

Wat Dit Betekent (Volgens het Artikel)

De auteurs benadrukken dat deze methode gen-agnostisch is. Dit betekent dat je niet precies hoeft te weten welk gen een ziekte veroorzaakt om een geneesmiddel te vinden. Je hoeft alleen maar te weten dat Ziekte A en Ziekte B een genetische "vibe" delen.

Belangrijke Beperkingen die worden genoemd:

• Het artikel geeft toe dat dit niet werkt voor elk medicijn. Sommige medicijnen behandelen alleen symptomen (zoals een pijnstiller voor een hoofdpijn) in plaats van de onderliggende genetische oorzaak te verhelpen, dus deze methode kan die missen.
• De data is niet perfect; sommige ziektes hebben meer genetische data dan andere, wat de "linialen" minder nauwkeurig kan maken voor bepaalde aandoeningen.

Samenvattend:
Dit artikel laat zien dat we door te kijken naar de genetische "stambomen" van ziektes, kunnen voorspellen welke medicijnen zullen werken voor nieuwe ziektes en welke nieuwe bijwerkingen zullen veroorzaken. Het is als het beseffen dat twee huizen aan de buitenkant verschillend lijken, maar omdat ze met dezelfde blauwdrukken zijn gebouwd, dezelfde reparatiemonteur (medicijn) beide kan repareren.

Technische samenvatting

1. Probleemstelling

Hoewel menselijke genetiek (via GWAS) veelbelovend is gebleken voor het identificeren van drugtargets, wordt de klinische vertaling bemoeilijkt door de moeilijkheid om genetische varianten te koppelen aan specifieke causale genen. Traditionele benaderingen verwerpen vaak een aanzienlijk deel van de genetische data omdat ze vertrouwen op het identificeren van genoomwijd significante loci en hun causale genen. Bovendien slagen bestaande methoden er vaak niet in het fenomeen van pleiotropie (waarbij genetische varianten meerdere eigenschappen beïnvloeden) volledig te benutten voor drugherbestemming, met name voor ziekten die fenotypisch ongerelateerd lijken. Er is behoefte aan een gen-agnostische methode die het brede spectrum van genetische data gebruikt om nieuwe drug-ziekte-relaties te voorspellen (zowel therapeutische indicaties als nadelige bijwerkingen), zonder dat vooraf de identificatie van specifieke causale genen vereist is.

2. Methodologie

De auteurs ontwikkelden een raamwerk om genetische gelijkenis tussen ziekteparen te kwantificeren en deze maatstaf te gebruiken om drug-ziekte-associaties te voorspellen.

A. Datacollectie en -curatie

• Ziekten: 178 distincte ziektefenotypes.
• Geneesmiddelen: 1.711 veelvoorkomende geneesmiddelen.
• Fenotypische controle: Om genetische signalen te isoleren van klinische gelijkenissen, gebruikten de auteurs ziekteannotaties (ICD10, UK HRCS) en ClinGraph (een klinisch kennisgrafiek) om fenotypische gelijkenis-embeddings te berekenen. Paren met een hoge fenotypische gelijkenis werden in specifieke analyses uitgesloten om ervoor te zorgen dat het model niet alleen op klinische, maar op genetische overlap leunde.

B. Vijf Maatstaven voor Genetische Gelijkenis
De studie construeerde vijf distincte maatstaven om verschillende lagen van genetische architectuur te vangen:

1. LDSC-gebaseerd: Genoomwijd genetische correlatie met behulp van LD Score Regression (van GWAS Atlas).
2. MAGMA-gebaseerd: Gen-niveau associatie p-waarden geaggregeerd vanuit GWAS-signalen (GWAS Atlas).
3. S-MultiXcan-gebaseerd: Genregulatieprofielen gebaseerd op genetisch voorspelde genexpressie over 44 weefsels (PhenomeXcan).
4. L2G-gebaseerd: Machine learning-afgeleide kansen op causale genen bij GWAS-loci (Open Targets).
5. COLOC-gebaseerd: Colocalisatie van GWAS-loci met moleculaire QTL's (eQTL's, pQTL's, sQTL's) (Open Targets).

C. Predictieve Modellering

• Aanpak: Er werd een Bayesiaanse logistische regressiemodel ontwikkeld om alle vijf maatstaven voor genetische gelijkenis te integreren. Dit maakt voorspellingen mogelijk zelfs wanneer data ontbreekt voor specifieke maatstaf-ziekteparen.
• Invoer: Voor een gegeven drug-ziektepaar berekent het model de maximale genetische gelijkenis tussen de kandidaat-ziekte en de bekende indicaties (of bekende bijwerkingen) van het geneesmiddel.
• Training: Modellen werden getraind op bekende drug-ziekteparen. Cruciaal is dat de auteurs aparte modellen trainden: één met alle paren en een ander beperkt tot fenotypisch dissimiele paren om het nut van genetische gelijkenis onafhankelijk van klinische co-occurrence te bewijzen.
• Validatie: Voorspellingen werden gevalideerd tegen:
  • Data over de voortgang van klinische trials (Fase I tot Goedkeuring).
  • Onafhankelijke databases voor bijwerkingen (SIDER, offSIDES).
  • Permutatietests om significantie te beoordelen tegen willekeur.

3. Belangrijkste Bijdragen

• Gen-agnostisch Raamwerk: De studie stelt een methode voor die de noodzaak om specifieke causale genen te identificeren omzeilt, en in plaats daarvan gebruikmaakt van geaggregeerde genetische gelijkenis.
• Fenoomwijd Schaal: Het evalueert 178 ziekten en 1.711 geneesmiddelen, en biedt een uitgebreide kaart van potentiële drug-ziekte-relaties.
• Ontkoppeling van Genetica en Fenotype: Door strikt te stratificeren op fenotypische gelijkenis, tonen de auteurs aan dat genetische gelijkenis voorspellende kracht biedt, zelfs voor ziekten die geen duidelijke klinische kenmerken delen.
• Bidirectionele Voorspelling: De studie toont aan dat genetische gelijkenis zowel therapeutische indicaties (herbestemming) als nadelige bijwerkingen kan voorspellen, en opmerkelijk genoeg dat deze twee domeinen een genetische basis delen.

4. Belangrijkste Resultaten

• Genetische Gelijkenis Correleert met Deling van Geneesmiddelen: Ziekten met hogere scores voor genetische gelijkenis delen significant meer geneesmiddelen (zowel als indicaties als bijwerkingen), zelfs na controle voor fenotypische gelijkenis en lichaamssysteem.
• Voorspellende Kracht voor Indicaties:
  • Het model behaalde een AUROC van 0,747 op vastgehouden data (alle paren) en 0,559 wanneer beperkt tot fenotypisch dissimiele paren.
  • Succes van Klinische Trials: Drug-ziekteparen met een voorspelde waarschijnlijkheid >0,1 hadden 2,03 keer meer kans om door te gaan van klinische trials in Fase I naar reguliere goedkeuring, vergeleken met paren met een lage voorspelde waarschijnlijkheid.
• Voorspellende Kracht voor Bijwerkingen:
  • Het model voor bijwerkingen behaalde een AUROC van 0,548 op fenotypisch dissimiele paren.
  • Voorspellingen met een waarschijnlijkheid >0,2 hadden 1,42 keer meer kans om overeen te komen met echte nadelige effecten (gevalideerd tegen SIDER).
• Gedeelde Genetische Basis (Kruisvoorspelling):
  • Het Indicatiemodel kon echte bijwerkingen beter dan willekeur voorspellen (AUROC = 0,525, p < 0,001).
  • Het Bijwerkingenmodel kon echte indicaties beter dan willekeur voorspellen (AUROC = 0,542, p < 0,001).
  • Dit impliceert dat de biologische paden die de werkzaamheid van een geneesmiddel aandrijven, vaak overlappen met die welke de toxiciteit veroorzaken.
• Casestudies:
  • Naltrexon voor IBS: Voorspeld (prob=0,283) op basis van genetische gelijkenis met alcoholisme. Ondersteund door biologische rationaliteit (opioïdereceptoren in het maag-darmkanaal) ondanks het ontbreken van directe GWAS-hits voor IBS-doelen.
  • Anastrozol voor Malabsorptie: Voorspeld (prob=0,61) op basis van gelijkenis met osteoporose/flebitis, gekoppeld via oestrogeensignaleringspaden die het darmkanaal beïnvloeden.

5. Betekenis en Implicaties

• Versnelde Drugontdekking: Deze methode identificeert kandidaten voor herbestemming die gemist zouden worden door benaderingen die uitsluitend vertrouwen op genoomwijd significante GWAS-hits of identificatie van causale genen. Het is bijzonder waardevol voor ziekten met zwakke of ontbrekende GWAS-signalen bij specifieke drugtargets.
• Veiligheidsprofielering: Het vermogen om bijwerkingen te voorspellen op basis van genetische gelijkenis met bekende nadelige gebeurtenissen biedt een proactief hulpmiddel voor veiligheidsevaluatie, wat mogelijk het uitvalpercentage in klinische trials kan verminderen.
• Mechanistisch Inzicht: De bevinding dat indicaties en bijwerkingen een genetische basis delen, suggereert dat geneesmiddelwerkzaamheid en toxiciteit twee kanten van dezelfde medaille zijn, aangedreven door gedeelde pleiotrope paden.
• Hulpmiddel voor Validatie: De auteurs bieden een publieke repository met voorspelde waarschijnlijkheden voor duizenden drug-ziekteparen, die dient als prioriteringshulpmiddel voor experimentele validatie.

Opgemerkte Beperkingen: De studie erkent dat symptomatische behandelingen mogelijk niet worden vastgelegd door genetische associaties, dat er data-onvolledigheid bestaat tussen verschillende genetische databases, en dat de variërende steekproefomvang van GWAS-studies invloed heeft op de betrouwbaarheid van gelijkenis-schattingen. Echter, de strikte controle voor fenotypische gelijkenis versterkt de validiteit van het geïdentificeerde genetische signaal.