Machine Learning-Driven Identification of Therapeutic Checkpoints in Rheumatoid Arthritis: A Network-Based Approach to Discover Resolution- Promoting Agents

Decennialang was de medische aanpak van reumatoïde artritis grotendeels defensief. Artsen hebben zich gericht op het onderdrukken van het overactieve immuunsysteem van het lichaam, door medicijnen te gebruiken om de ontsteking die gewrichtspijn en zwelling veroorzaakt te temperen. Hoewel deze behandelingen veel mensen helpen, slagen ze er vaak niet in om een blijvend genezing te bieden, waardoor een aanzienlijk deel van de patiënten achterblijft met een ziekte die nooit echt verdwijnt. Wetenschappers beseffen nu dat het simpelweg verlagen van het volume van de ontsteking niet genoeg is. Het lichaam heeft een natuurlijk, ingebouwd mechanisme om ontstekingen te stoppen en zichzelf te genezen, een proces dat resolutie wordt genoemd. Bij een gezond persoon geeft, zodra een infectie of blessure is afgehandeld, een specifiek signaal het immuunsysteem de opdracht om stand-by te gaan en weefsels toe te staan terug te keren naar de normale staat. Bij reumatoïde artritis lijkt deze "uit-schakelaar" defect te zijn. Het nieuwe veld van de resolutie-farmacologie probeert dit op te lossen door manieren te vinden om het eigen genezingsproces van het lichaam actief te herstarten, in plaats van alleen de aanval te onderdrukken.

Een recente studie door Ahmad Fathinejad aan de Islamic Azad University werpt een frisse blik op dit probleem door informatica te combineren met biologie om de specifieke punten in het lichaam te vinden waar dit genezingsproces vastloopt. In plaats van de ziekte te beschouwen als een eenvoudige lijst met symptomen, behandelde de onderzoeker het ontstoken weefsel in de gewrichten als een complex netwerk van duizenden genen die samenwerken. Door de genetische activiteit in gewrichtsweefsel van patiënten met reumatoïde artritis te analyseren en te vergelijken met gezond weefsel, probeerde de studie precies in kaart te brengen welke delen van het genetische netwerk het lichaam verhinderen om zichzelf te genezen. Het doel was om de kritieke controlepunten, of checkpoints, te vinden die aangestipt konden worden om het resolutieproces te herstarten, en vervolgens computers te gebruiken om bestaande medicijnen te vinden die die schakelaars zouden kunnen omzetten.

Het onderzoek begon met het verzamelen van genetische gegevens uit menselijk gewrichtsweefsel, waarbij monsters van patiënten met reumatoïde artritis zorgvuldig werden gescheiden van die van gezonde individuen. Met behulp van krachtige computeralgoritmen analyseerde het team de activiteit van meer dan twintigduizend genen om te zien welke anders functioneerden in het aangetaste weefsel. Ze ontdekten dat meer dan tweeduizend genen ofwel te hard werkten of niet genoeg werkten bij de patiënten met artritis. Om zin te geven aan deze enorme hoeveelheid informatie, gebruikten de onderzoekers een methode genaamd machine learning, wat een vorm van kunstmatige intelligentie is die in staat is tot het vinden van verborgen patronen in complexe gegevens. Ze trainden een computermodel om de unieke genetische handtekening van reumatoïde artritis te herkennen. Om te garanderen dat het model niet alleen de gegevens uit het hoofd leerde maar ook daadwerkelijk de biologie van de ziekte begreep, testten ze het op een volledig aparte groep patiënten die de computer nog nooit eerder had gezien. Het model identificeerde de ziekte in deze nieuwe groep met hoge nauwkeurigheid, wat bewees dat de gevonden genetische patronen echt en consistent waren, en geen toevalstreffer van de eerste groep monsters.

Zodra de computer bevestigde dat hij de ziekte betrouwbaar van gezondheid kon onderscheiden, gebruikten de onderzoekers het model om de belangrijkste genen die het probleem aansturen aan te wijzen. Ze brachten de duizenden actieve genen terug tot slechts vijftien sleutelspelers die fungeerden als centrale knooppunten in het netwerk. Deze vijftien genen, waaronder drie prominente genen genaamd MYC, PTPRC en JUN, werden geïdentificeerd als de kritieke therapeutische checkpoints. Dit zijn de specifieke punten in het biologische netwerk waar het resolutieproces faalt. De studie suggereert dat als een behandeling invloed zou kunnen uitoefenen op deze specifieke genen, het mogelijk is om het lichaam te dwingen van een staat van chronische ontsteking terug te keren naar een staat van genezing. Deze aanpak gaat verder dan het simpelweg blokkeren van het immuunsysteem en streeft er in plaats van naar om het immuunsysteem naar een natuurlijke conclusie te leiden.

Met deze vijftien checkpoints geïdentificeerd, richtte het team zich op de volgende stap: een manier vinden om ze te repareren. Ze gebruikten een techniek genaamd reverse signature analysis, die werkt als een digitale zoekmachine voor medicijnen. De computer nam het genetische profiel van de defecte checkpoints en doorzocht een enorme database van bekende medicijnen om verbindingen te vinden die precies het tegenovergestelde effect zouden kunnen produceren. Het doel was om een substantie te vinden die de genetische activiteit terug zou duwen naar een gezonde staat. De zoektocht leverde twee veelbelovende kandidaten op: een verbinding genaamd Manumycin A en een andere genaamd Salermide. De computer identificeerde ook een natuurlijk voorkomend molecuul in het lichaam, 15-Deoxy-PGJ2, dat al bekend staat om het helpen starten van het genezingsproces. Het feit dat de computer dit natuurlijke genezingsmolecuul onafhankelijk vond, diende als een sterke bevestiging dat de methode correct werkte. Manumycin A staat erom bekend cellen te stoppen met te snel groeien, wat kan helpen bij het verminderen van de verdikking van het gewrichtsweefsel, terwijl Salermide werkt op de genetische schakelaars die ontstekingen controleren, waardoor de signalen die de pijn in stand houden potentieel verstomd kunnen worden.

De studie concludeert dat deze combinatie van machine learning en netwerkanalyse een krachtige nieuwe manier biedt om behandelingen te ontdekken. Door zich te richten op het vermogen van het lichaam om ontstekingen te resolveren in plaats van ze alleen maar te onderdrukken, hebben de onderzoekers een kleine set genen geïdentificeerd die als doelwitten voor nieuwe therapieën kunnen dienen. Ze hebben ook hun volledige proces, inclusief de code en de gegevens, beschikbaar gesteld aan andere wetenschappers via een open online dashboard, waardoor iedereen de bevindingen kan verkennen. Hoewel deze bevindingen momenteel computationeel zijn en verdere tests in het laboratorium en in klinische studies vereisen, bieden ze een duidelijk, op gegevens gebaseerd stappenplan voor de ontwikkeling van medicijnen die het lichaam kunnen helpen zichzelf te genezen. Het werk suggereert dat de sleutel tot de behandeling van reumatoïde artritis niet ligt in het vinden van een sterkere blokkade, maar in het vinden van de juiste sleutel om het eigen vermogen van het lichaam tot herstel te ontsluiten.