Identification and Experimental Validation of Candidate Biomarkers for Parkinson’s Disease through Integrated Bioinformatics, Mendelian Randomization, and Machine Learning

Parkinson is een progressieve aandoening die langzaam het vermogen van de hersenen om beweging te controleren uitholt, wat leidt tot trillingen, stijfheid en problemen met lopen. Het begint wanneer specifieke zenuwcellen in de hersenen, die een chemische boodschapper genaamd dopamine produceren, beginnen af te sterven. Hoewel artsen de fysieke tekenen van de ziekte kunnen herkennen, ontbreekt het hen momenteel aan een eenvoudige bloedtest of scan om de ziekte vroegtijdig te detecteren, voordat er aanzienlijke schade optreedt. Zonder een vroegtijdig waarschuwingssysteem richt de behandeling zich vaak alleen op het beheersen van symptomen in plaats van het stoppen van de voortgang van de ziekte. Wetenschappers vermoeden al lang dat de onderliggende oorzaken een complexe mix zijn van cellulaire stress, ontsteking en het falen van de interne opruimsystemen van de hersenen, maar het vaststellen van precies welke genen deze defecten aansturen, is moeilijk gebleken. Het vinden van deze genetische boosdoeners is essentieel, niet alleen voor het eerder diagnosticeren van de ziekte, maar ook voor het ontdekken van nieuwe manieren om deze te behandelen.

Een team onderzoekers heeft onlangs deze uitdaging aangepakt door drie krachtige benaderingen te combineren: het analyseren van enorme hoeveelheden genetische data, het gebruik van computermodellen om te voorspellen welke genen het belangrijkst zijn, en het testen van die voorspellingen in levende dieren. Ze begonnen met het verzamelen van gegevens over genactiviteit uit de hersenen van mensen met Parkinson en vergeleken dit met gegevens van gezonde individuen. Deze initiële scan onthulde honderden genen die anders gedrag vertoonden in de zieke hersenen. Om de ruis van het signaal te scheiden, gebruikten de onderzoekers een methode genaamd Mendeliaanse randomisatie. Deze techniek werkt als een genetisch filter, waarbij natuurlijke variaties in DNA worden gebruikt om te bepalen welke van de veranderende genen waarschijnlijk de werkelijke oorzaak van de ziekte zijn, in plaats van slechts een bijeffect. Door deze causale data te kruisen met de initiële lijst, beperkten de onderzoekers het veld tot een kleine groep van zeven genen die centraal leken te staan in het probleem.

Om er zeker van te zijn dat deze zeven genen werkelijk betrouwbare markers waren, maakten de onderzoekers gebruik van machine learning, een vorm van kunstmatige intelligentie die uitblinkt in het vinden van patronen in complexe data. Ze trainden computeralgoritmen op de genetische data om te zien welke combinatie van genen het beste het onderscheid kon maken tussen een gezonde hersenstructuur en een brein met Parkinson. De computer identificeerde een specifieke set van zeven genen die met hoge nauwkeurigheid samenwerkten. Vier van deze genen, waaronder één genaamd ATG7 en een ander gen genaamd NIPSNAP1, bleken minder actief te zijn in de ziekte, terwijl drie andere, zoals CYP27A1 en MT1X, juist actiever waren. De computermodellen suggereerden dat het meten van de niveaus van deze specifieke genen als een krachtig instrument voor diagnose zou kunnen dienen.

De studie stopte niet bij computervoorspellingen. Om te verifiëren dat deze bevindingen standhielden in een levend systeem, creëerden de onderzoekers een model van de ziekte van Parkinson in muizen. Ze stelden de dieren bloot aan een chemische stof die hetzelfde type zenuwcellen beschadigt als bij menselijke patiënten, waardoor de ziekte effectief werd nagebootst. Zoals verwacht ontwikkelden de muizen bewegingsproblemen, waarbij ze langer nodig hadden om palen te beklimmen en minder bewogen in open ruimtes. Wanneer de onderzoekers de hersenweefsels van deze zieke muizen onderzochten, vonden ze dat de niveaus van vijf specifieke genen die zij hadden getest, exact zo gedroegen als de computermodellen hadden voorspeld. De genen die laag zouden moeten zijn — ATG7, NIPSNAP1 en TTC19 — waren inderdaad laag, terwijl de genen die hoog zouden moeten zijn — CYP27A1 en MT1X — verhoogd waren. Dit bevestigde dat deze genen geen statistische artefacten zijn, maar daadwerkelijk verbonden zijn met de biologische veranderingen die plaatsvinden in de hersenen tijdens Parkinson.

Met deze kerngenen geïdentificeerd en gevalideerd, stelden de onderzoekers een laatste vraag: kon een bestaand medicijn deze doelwitten aanpakken? Ze doorzochten een enorme database van bekende verbindingen om te zien of bepaalde moleculen met deze specifieke genen zouden kunnen interageren. De zoektocht leverde vijf veelbelovende kandidaten op, waaronder een medicijn genaamd epivincamine, dat de sterkste voorspelde binding met zijn doelwit vertoonde, evenals diltiazem en ambroxol. Om te zien of deze medicijnen daadwerkelijk aan hun doelwitten zouden hechten, gebruikten de onderzoekers supercomputers om te simuleren hoe de medicijnmoleculen zouden binden aan de eiwitten die door de genen worden geproduceerd. Ze observeerden deze interacties over een gesimuleerde periode om te verzekeren dat de verbinding stabiel was. De simulaties toonden aan dat de topkandidaten sterke, stabiele bindingen vormden met hun doelwitten, wat suggereert dat ze potentieel de biologische processen die misgaan bij Parkinson kunnen beïnvloeden.

De studie concludeert dat deze zeven genen een solide fundament vormen voor het begrijpen van de moleculaire mechanica van de ziekte van Parkinson. De onderzoekers hebben experimenteel bewijs geleverd dat vijf van deze genen veranderen in een levend model van de ziekte en hebben specifieke medicijnkandidaten geïdentificeerd die mogelijk met hen kunnen interageren. Hoewel dit werk nog geen genezing of een nieuw medicijn voor patiënten biedt, biedt het een duidelijke, gevalideerde lijst van doelwitten voor toekomstig onderzoek. Door te bevestigen dat deze genen centraal staan in de ziekte en dat medicijnen theoretisch aan hen kunnen binden, biedt de studie een concreet pad voorwaarts voor wetenschappers die streven naar de ontwikkeling van betere diagnostische instrumenten en therapieën die de worteloorzaken van Parkinson aanpakken in plaats van alleen de symptomen.