A heterogeneous biomedical knowledge network framework for rare disease drug candidate prioritization: integrating Orphadata and DisGeNET via gene-bridge harmonization

Para mais de trezentos milhões de pessoas ao redor do mundo, o diagnóstico de uma doença rara é frequentemente uma sentença para uma vida com pouquíssimas opções médicas. Embora a medicina moderna tenha feito progressos incríveis no tratamento de enfermidades comuns, a grande maioria dessas condições raras carece de qualquer medicamento aprovado. A razão é, muitasmente, econômica: desenvolver um novo fármaco é um processo caro e demorado, e as empresas farmacêuticas consideram difícil justificar o investimento quando o número de pacientes potenciais é tão pequeno. Isso deixa pesquisadores e médicos em busca de um caminho diferente, um que não exija começar do zero. Em vez disso, eles procuram maneiras de encontrar medicamentos existentes que possam funcionar para essas condições negligenciadas, uma estratégia conhecida como reposicionamento de fármacos. Para fazer isso de forma eficaz, os cientistas dependem da intrincada teia de conexões entre doenças, os genes que as causam e os fármacos que afetam esses genes. Se um fármaco é conhecido por interagir com um gene específico, e uma doença rara é causada por um problema nesse mesmo gene, há uma forte possibilidade de que o fármaco possa ajudar a tratar a doença.

O desafio, no entanto, é que a informação necessária para estabelecer essas conexões está espalhada por diferentes bancos de dados que não falam a mesma língua. Um grande banco de dados, o Orphadata, cataloga as relações entre doenças raras e os genes que as causam, enquanto outro, o DisGeNET, registra como milhares de fármacos interagem com genes. O problema é que essas duas fontes utilizam sistemas de nomenclatura diferentes para os mesmos genes, tornando impossível simplesmente combinar seus dados. Um novo estudo de Diya Ramani aborda essa barreira ao construir uma ponte entre esses dois mundos. A pesquisadora criou uma estrutura computacional que primeiro padroniza os nomes dos genes em ambos os bancos de dados, traduzindo-os para uma linguagem única e consistente. Uma vez que os dados são harmonizados, eles são tecidos em uma enorme rede tridimensional, onde doenças, genes e fármacos estão todos interligados. Esta rede contém mais de quinze mil pontos distintos de informação, representando quase dois mil e quinhentos tipos de doenças raras e mais de onze mil fármacos.

Para dar sentido a essa teia complexa, o estudo utiliza um tipo de inteligência artificial chamado Rede de Atenção de Grafos (Graph Attention Network). Em vez de tentar prever descobertas inteiramente novas, o que é um empreendimento altamente incerto, o sistema é treinado para compreender a estrutura da rede existente. Ele aprende a reconhecer padrões na forma como doenças, genes e fármacos se conectam, criando efetivamente um mapa de relações biológicas. Uma vez que o sistema aprendeu esses padrões, ele pode pegar uma doença rara específica como uma consulta e classificar todos os fármacos em seu banco de dados com base em quão proximamente eles estão relacionados a essa doença através de genes compartilhados. O objetivo não é inventar uma nova cura, mas sim priorizar os candidatos existentes mais promissores para investigação posterior, transformando uma lista caótica de possibilidades em uma lista curta e focada para médicos e pesquisadores.

Os resultados desta abordagem são impressionantes em sua capacidade de filtrar o ruído. Quando o sistema foi testado em duzentas doenças raras diferentes, ele conseguiu colocar um tratamento conhecido e eficaz entre as dez principais sugestões em quarenta por cento dos casos. Isso é uma melhoria massiva em relação ao acaso, que quase nunca encontraria o fármaco correto em um grupo tão grande de opções. Para ilustrar a lógica biológica por trás do sucesso, o estudo observou um caso específico envolvendo um transtorno chamado Hawkinsinuria. O sistema não possuía conhecimento prévio das vias metabólicas específicas envolvidas, mas classificou um fármaco chamado Nitisinona como o quarto candidato mais provável. Este fármaco já é o tratamento padrão para uma condição diferente que compartilha a mesma via genética. O fato de o sistema ter identificado essa conexão sem ser explicitamente informado sobre a via sugere que os padrões subjacentes que ele aprendeu são biologicamente sólidos e significativos.

O estudo é cuidadoso ao enquadrar suas descobertas como uma ferramenta de suporte à decisão, em vez de uma resposta clínica final. O sistema é projetado para gerar hipóteses e fornecer um ponto de partida para especialistas humanos, que devem então validar as sugestões por meio de mais pesquisas e testes. Ele destaca uma lacuna significativa no conhecimento atual, observando que quase metade das doenças raras no banco de dados Orphadata não pôde ser incluída na rede porque não havia dados de fármacos correspondentes disponíveis para seus genes associados. Esta limitação não é uma falha do método, mas um reflexo do estado atual da literatura médica, onde muitas condições raras permanecem subestudadas. Ao tornar todo o processo reproduzível e implantá-lo como uma ferramenta interativa gratuita online, a pesquisadora forneceu à comunidade científica uma maneira prática de navegar pelo vasto cenário dos tratamentos de doenças raras. O trabalho demonstra que, ao conectar cuidadosamente as peças de dados existentes, podemos começar a ver padrões que antes estavam ocultos, oferecendo um vislumbre de esperança para os milhões de pacientes que atualmente não possuem opções de tratamento.