Population-scale drug target and variant prioritization with Varformer
O Varformer é um novo modelo de transformer multimodal que aproveita o aprendizado positivo-não rotulado e a atenção cross-modal para integrar características de nível de variante e de gene, alcançando o estado da arte no desempenho ao priorizar tanto alvos de fármacos quanto variantes patogênicas através de diversos grupos de ancestralidade genética.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Encontrar o alvo certo para um novo medicamento é uma das partes mais difíceis da descoberta de fármacos. Os cientistas devem identificar uma proteína específica no corpo que, se bloqueada ou estimulada, tratará uma doença sem causar danos. Durante décadas, os pesquisadores têm dependido da genética humana para guiar essa busca, procurando por variações naturais em nosso DNA que protejam as pessoas de doenças ou as tornem suscetíveis a elas. No entanto, a maioria desses estudos genéticos tem se concentrado pesadamente em pessoas de ancestralidade europeia. Isso cria um ponto cego, pois a composição genética de uma pessoa do Sul da Ásia, da África ou das Américas pode diferir significamente, o que significa que um medicamento que funciona para um grupo pode falhar ou causar efeitos colaterais em outro. Além disso, os modelos computacionais existentes frequentemente têm dificuldade em lidar com a pura complexidade dessas diferenças genéticas, geralmente colapsando milhares de mudanças individuais no DNA em um resumo único e simplificado para cada gene. Essa abordagem corre o risco de perder os padrões sutis e variados que realmente determinam se um gene é um alvo seguro e eficaz para uma nova terapia.
Uma equipe de pesquisadores desenvolveu um novo sistema de inteligência artificial chamado Varformer para resolver esses problemas. Em vez de simplificar os dados, este sistema aprende diretamente com os padrões brutos e complexos da variação genética encontrados em diversas populações humanas. Os pesquisadores treinaram o modelo usando dados genéticos de quatro grandes grupos: pessoas de ancestralidade sul-asiática, africana, americana miscigenada e europeia não finlandesa. Ao alimentar o computador com milhões de mudanças específicas no DNA, conhecidas como variantes de sentido trocado (missense variants), juntamente com informações sobre como os genes funcionam e onde estão ativos no corpo, o Varformer aprendeu a reconhecer as assinaturas de alvos terapêuticos bem-sucedidos. O sistema trata o problema como uma busca pelos alvos "bons" entre um vasto conjunto de desconhecidos, usando uma estratégia de aprendizado que reconhece que o fato de um gene ainda não ter sido testado não significa que ele seja um mau candidato.
Os resultados mostram que o Varformer consegue distinguir entre genes que já foram validados como alvos de medicamentos e aqueles que não foram, com uma precisão notável. Quando testado em três conjuntos diferentes de desafios, variando de famílias de proteínas bem conhecidas a candidatos mais obscuros, o sistema consistentemente classificou os verdadeiros alvos de medicamentos próximos ao topo de sua lista. No teste mais difícil, que envolveu alvos que ainda não haviam sido aprovados por reguladores, o Varformer superou métodos anteriores por uma margem significativa, identificando quase dois alvos corretos adicionais para cada vinte genes revisados. Crucialmente, o sistema não apenas memorizou os dados; ele aprendeu a priorizar alvos que permaneceram candidatos fortes em todos os quatro grupos de ancestralidade. Isso sugere que o suporte genético para esses alvos é robusto e não depende do contexto genético específico de uma única população, oferecendo uma maneira de reduzir os riscos do desenvolvimento de medicamentos para um público global.
Além de identificar genes inteiros, o sistema também pontua mudanças individuais no DNA. Em um teste envolvendo uma coorte de participantes britânicos bengaleses e paquistaneses, o modelo classificou com sucesso variantes conhecidas causadoras de doenças entre os vinte principais candidatos para a maioria dos indivíduos que as carregavam. Essa capacidade de identificar mutações específicas prejudiciais é vital para entender como as diferenças genéticas contribuem para as doenças em indivíduos. Os pesquisadores descobriram que combinar as pontuações do modelo com métodos existentes melhorou a capacidade de identificar variantes prejudiciais, sugerindo que o novo sistema captura informações únicas que outras ferramentas perdem. Embora o modelo não seja uma bola de cristal que garanta que um medicamento terá sucesso em ensaios clínicos — já que os ensaios dependem de muitos fatores além da genética, como o desenho do estudo e a viabilidade comercial — ele fornece uma base poderosa e unificada para decidir quais genes e variantes valem a pena serem perseguidos primeiro.
O trabalho representa uma mudança em direção a uma abordagem mais inclusiva e precisa da descoberta de fármacos. Ao treinar em populações diversas e aprender diretamente com o panorama complexo da variação genética, o Varformer oferece uma maneira de encontrar alvos terapêuticos que provavelmente funcionarão para pessoas de todas as origens. Os pesquisadores disponibilizaram o sistema como uma ferramenta de código aberto, permitindo que outros cientistas o utilizem para priorizar alvos e variantes em todo o genoma humano. Essa abordagem não apenas melhora as chances de encontrar um novo medicamento, mas ajuda a garantir que os medicamentos encontrados sejam relevantes e seguros para toda a população humana, e não apenas para uma fração dela.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.