Impact of proteogenomic evidence on clinical success

De studie toont aan dat therapeutische hypotheses die worden ondersteund door plasma-eiwit kwantitatieve trait loci (pQTL) een 4,7 keer hogere kans hebben om van Fase I naar de markt te gaan vergeleken met hypotheses die uitsluitend op menselijke genetische bewijzen zijn gebaseerd.

De kern

De Kracht van het Bloed: Hoe een Nieuwe "DNA-Check" Geneesmiddelen Succesvoller Maakt

Stel je voor dat het ontwikkelen van een nieuw medicijn lijkt op het zoeken naar de juiste sleutel voor een zeer moeilijk slot. In het verleden hadden onderzoekers vaak maar één soort sleutel: menselijk genetisch bewijs. Dit is als kijken naar de vorm van het slot (de ziekte) en proberen een sleutel te maken die daarop lijkt. Dit werkte al redelijk goed; het verdubbelde de kans dat een medicijn het slot zou openen (van de klinische proef tot de apotheek).

Maar deze nieuwe studie, geschreven door een team van experts uit de VS en het VK, introduceert een tweede, nog krachtigere sleutel: eiwitten in het bloed.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Te Veel Sleutels, Te Moeilijk Slot

Wanneer wetenschappers een ziekte bestuderen, vinden ze vaak een heel groot stukje DNA dat er iets mee te maken heeft. Maar dat stukje DNA kan tientallen genen bevatten. Het is alsof je weet dat de sleutel ergens in een grote lade zit, maar je weet niet welke van de 50 sleutels de juiste is. Vaak kiezen ze de verkeerde, en het medicijn faalt.

2. De Oplossing: Kijk naar het "Tussenniveau" (Eiwitten)

In plaats van alleen naar het DNA te kijken, kijken deze onderzoekers nu ook naar de eiwitten die door dat DNA worden gemaakt. Eiwitten zijn de echte werkers in je lichaam; ze zijn de "boodschappers" die vertellen wat er misgaat.

De onderzoekers hebben een enorme database gemaakt van plasma-eiwitten (eiwitten in je bloed) en deze gekoppeld aan duizenden ziektes. Ze vroegen zich af: "Als we een medicijn maken dat dit specifieke eiwit in het bloed beïnvloedt, werkt dat dan ook tegen de ziekte?"

3. Het Resultaat: Een Enorme Boost

De resultaten zijn indrukwekkend:

• Alleen DNA: Als je alleen kijkt naar genetische bewijzen, verdubbelt de kans op succes (2,6 keer).
• DNA + Eiwitten: Als je ook kijkt naar de eiwitten in het bloed, stijgt de kans op succes tot 4,7 keer!

De Metafoor:
Stel je voor dat je een auto wilt repareren.

• Alleen DNA is als kijken naar de blauwdrukken van de fabriek. Je weet dat er een probleem is, maar je weet niet precies welk onderdeel kapot is.
• DNA + Eiwitten is alsof je ook naar de rook uit de uitlaat kijkt. De rook (het eiwit) vertelt je direct welk onderdeel faalt. Met die extra informatie kun je de juiste reparatie doen, en de auto rijdt veel sneller weer.

4. Waarom is dit zo belangrijk?

• Het werkt voor de "moeilijke" groepen: Sommige soorten medicijnen (zoals die voor bepaalde enzymen of kinases) werkten eerder slecht op basis van alleen DNA. Maar met de eiwit-data bleek dat ze juist heel veel kans van slagen hadden. Het is alsof je een oude kaart hebt die bepaalde gebieden leeg liet, maar nu met een nieuwe satellietkaart (de eiwitten) zie je dat er juist daar de meeste schatten liggen.
• Het vult gaten op: Soms is het DNA-complex (zoals bij het HLA-gebied) zo rommelig dat computers het niet kunnen lezen. Maar door naar de eiwitten te kijken, kunnen ze toch zien dat een bepaald medicijn werkt (zoals bij de ziekte ankyloserende spondylitis).

5. De Waarschuwingen (De "Maar...")

Natuurlijk is het niet perfect:

• Niet alle eiwitten zijn zichtbaar: De huidige technologie kan niet alle eiwitten in het bloed zien. Sommige belangrijke eiwitten (zoals die in de hersenen of bepaalde hormoonreceptoren) blijven onzichtbaar. Het is alsof je een visnet hebt, maar het gat in het net te groot is voor de kleinste vissen.
• Niet alle signalen zijn eerlijk: Soms geven de eiwitten in het bloed een verkeerd signaal af omdat het lichaam probeert iets te compenseren. Het is alsof de rook uit de uitlaat soms komt van een losse deksel en niet van de motor zelf. Onderzoekers moeten dus goed opletten om de juiste oorzaak te vinden.

Conclusie

Deze studie zegt eigenlijk: "Kijk niet alleen naar de blauwdruk (DNA), maar kijk ook naar de werkelijke werkers (eiwitten) in het bloed."

Door deze twee soorten informatie te combineren, kunnen farmaceutische bedrijven veel slimmer kiezen welke medicijnen ze gaan testen. Dit betekent dat er minder medicijnen zullen falen in de dure late fases van onderzoek, en dat patiënten sneller betere behandelingen zullen krijgen. Het is een enorme stap voorwaarts in het maken van geneesmiddelen die écht werken.

Technische samenvatting

Titel: Impact van proteogenomische evidentie op klinisch succes

1. Het Probleem

De ontwikkeling van nieuwe geneesmiddelen kampt met een hoge faalratio, waarbij suboptimale therapeutische werkzaamheid een belangrijke oorzaak is. Hoewel menselijke genetische evidentie (voornamelijk afkomstig van Genome-Wide Association Studies, GWAS) de kans op klinisch succes van een medicijn met ongeveer twee keer zo hoog maakt, blijft er een significant probleem bestaan: GWAS-signaalgebieden omvatten vaak meerdere genen. Dit maakt het moeilijk om met zekerheid het causale gen toe te wijzen aan een specifieke ziekte.

Bestaande methoden om causale genen te prioriteren, zoals het gebruik van cis-QTL's (kwantitatieve trait loci), hebben al waarde bewezen, maar het was onduidelijk of het toevoegen van specifieke plasma-eiwit QTL's (pQTL) bovenop standaard genetische evidentie een extra meerwaarde biedt in termen van het voorspellen van klinisch succes.

2. Methodologie

De auteurs hebben een uitgebreide analyse uitgevoerd door acht openbaar beschikbare proteogenomische datasets te integreren met een brede collectie van meer dan 8.000 complexe eigenschappen (traits) uit de GWAS Catalog, Pan-UK Biobank en FinnGen.

• Data-integratie: Ze gebruikten een dataset van 29.476 geneesmiddeldoelwit-indicatieparen (T-I) uit Citeline Pharmaprojects (gecurateerd door Minikel et al.).
• Genetische koppeling: Genen werden gekoppeld aan indicaties op basis van de Locus-to-Gene (L2G) score (een machine learning-model dat genomische afstand, chromatine-interacties en functionele annotaties combineert). Alleen paren met een L2G-share > 0,5 en een MeSH-lijkenheidsscore > 0,8 werden geselecteerd.
• Mendeliaanse Randomisatie (MR): Er werd een grootschalige MR-analyse uitgevoerd (47,2 miljoen tests) om associaties te vinden tussen genetische instrumenten die plasma-eiwitniveaus beïnvloeden en de GWAS-traits.
• Colocalisatie: Significantie werd versterkt door colocalisatietests (H4 ≥ 0,8) om te bevestigen dat dezelfde genetische variant zowel het eiwitniveau als het ziekterisico beïnvloedt.
• Vergelijkingsgroep: De prestaties van pQTL-ondersteunde doelwitparen werden vergeleken met paren die alleen op basis van L2G-score of andere genetische bronnen (zoals OMIM) waren geselecteerd.
• Succesmetriek: De "Relative Success" (RS) werd berekend als de verhouding tussen het aantal doelen dat van Fase I naar lancering ging, gedeeld door het aantal doelen dat in Fase I bleef, vergeleken tussen ondersteunde en niet-ondersteunde groepen.

3. Belangrijkste Bijdragen

• Quantificatie van pQTL-waarde: Het paper levert het eerste kwantitatieve bewijs dat pQTL-ondersteuning de voorspellende waarde van genetische hypotheses aanzienlijk verhoogt.
• Synergie met L2G: Het toont aan dat pQTL's niet alleen werken als een onafhankelijke filter, maar een sterke synergie vertonen met bestaande L2G-scores.
• Diversificatie van doelwitklassen: De studie identificeert dat pQTL's vooral waardevol zijn voor eiwitfamilies (zoals enzymen en kinasen) waar genetische evidentie alleen vaak geen verrijking toonde.
• Open Database: De auteurs hebben een browsable database gepubliceerd met doelwit-traitsparen ondersteund door pQTL-MR (FDR-correctie p < 0,05) om verdere prioritering mogelijk te maken.

4. Resultaten

• Verhoogde Kans op Succes: pQTL-ondersteunde doelwit-indicatieparen hadden 4,7 keer meer kans om van Fase I naar lancering te gaan, vergeleken met een 2,6-voudige toename voor doelwitten die alleen op basis van menselijke genetische evidentie (L2G) waren geselecteerd.
• Combinatie-effect: Wanneer pQTL-ondersteuning werd gecombineerd met een hoge L2G-share (≥ 0,75), steeg de Relative Success (RS) naar 5,65. Dit is meer dan het dubbele van de RS voor L2G ≥ 0,75 alleen (RS 2,60).
• Soorten MR-colocalisatie: De verrijking was consistent over verschillende MR-coloc-subtypes (cis, trans, gemengd). Veel succesvolle doelen hadden ondersteuning van meerdere typen, wat wijst op de waarde van het integreren van verschillende bewijsstromen.
• Eiwitfamilies: Voor veel "druggable" eiwitfamilies (zoals enzymen en kinasen) die weinig verrijking toonden bij alleen L2G, zorgde de toevoeging van pQTL voor de grootste stijging in succeskans.
• Uitzonderingen en Beperkingen:
  • Sommige belangrijke families (zoals GPCRs en ionkanalen) toonden geen verrijking, waarschijnlijk door onvoldoende dekking in huidige proteomische panels (Olink/SomaScan) in plaats van gebrek aan biologie.
  • Er werden voorbeelden gevonden waar pQTL-evidentie doelwitten identificeerde die door Open Targets Genetics (vanwege complexe HLA-regio's) werden gemist (bijv. TNF bij ankyloserende spondylitis).
  • Trans-associaties: De studie waarschuwt dat trans-associaties soms tot misleidende therapeutische richtingen kunnen leiden als ze niet in de context van cis-varianten worden bekeken (bijv. CSF3R en neutropenie).

5. Betekenis en Conclusie

Dit onderzoek onderstreept dat proteogenomische integratie een cruciale stap is in het verbeteren van de selectie van geneesmiddeldoelen. Het bewijst dat het meten van het effect van genetische varianten op plasma-eiwitniveaus (pQTL) een extra, onafhankelijke laag van causale validatie biedt die de kans op klinisch succes significant verhoogt.

De bevindingen suggereren dat de farmaceutische industrie moet investeren in:

1. Het uitbreiden en diversifiëren van proteomische panels om ondervertegenwoordigde eiwitklassen (zoals GPCRs) beter te kunnen meten.
2. Het combineren van meerdere bewijsstromen (L2G, cis- en trans-pQTL, colocalisatie) om de robuustheid van therapeutische hypotheses te maximaliseren.

Hoewel de studie beperkingen kent (zoals afhankelijkheid van Europese cohorten en plasma-eiwitten in plaats van weefselspecifieke data), biedt het een sterke rationele basis voor het gebruik van pQTL-data om de faalratio in de geneesmiddelenontwikkeling te verlagen.