Separating drug main effects from molecular personalization in cancer drug-sensitivity prediction: a harmonized GDSC∪CTRP and CCLE benchmark with permutation-controlled biomarker discovery

Resumo Técnico: Separando os Efeitos Principais de Drogas da Personalização Molecular na Predição da Sensibilidade a Drogas de Câncer

Definição do Problema
Triagens farmacogenômicas em larga escala (GDSC e CTRP) pareadas com dados multiômicos (CCLE/DepMap) são o substrato padrão para prever a resposta de tumores a drogas a partir de perfis moleculares. No entanto, existe uma lacuna persistente entre a aspiração de "personalização molecular" (ranquear drogas com base no perfil único de um tumor específico) e a realidade da estrutura dos dados. O artigo identifica dois confundidores primários:

1. Efeitos Principais de Drogas (Drug Main Effects): Muitos compostos são amplamente potentes na maioria das linhagens celulares, e diferentes tecidos possuem inerentemente diferentes sensibilidades basais. Modelos frequentemente alcançam alta correlação simplesmente aprendendo essas tendências gerais, em vez de uma verdadeira personalização.
2. Inconsistência de Dados: A concordância entre estudos (cross-study concordance) entre GDSC e CTRP é apenas moderada, limitando a reprodutibilidade de biomarcadores aprendidos em uma triagem quando testados em outra.

A questão central é quanto do aparente poder preditivo nos modelos existentes reflete uma personalização molecular genuína versus estruturas de dados mais simples (potência da droga e efeitos de origem do tecido) e como distinguir biomarcadores verdadeiros de artefatos de uma avaliação excessivamente otimista.

Metodologia
O estudo constrói um recurso harmonizado e um framework de avaliação rigoroso para desmembrar esses sinais:

• Harmonização de Dados: O autor integra dados de resposta a drogas do GDSC2 e CTRP v2.2 com perfis multiômicos do CCLE (RNA-seq, mutações, metilação, etc.).
  • Resolução de Identidade: As linhagens celulares são mapeadas para identificadores DepMap. Crucialmente, as drogas são resolvidas por estrutura química (bloco de conectividade InChIKey), em vez de nome, evitando o agrupamento de isômeros distintos e aumentando o número de compostos compartilhados confiáveis de 71 para 86.
  • Padronização de Métricas: Uma métrica de sensibilidade comparável entre coortes (sens_z) é criada padronizando os valores brutos de AUC ou IC50 dentro de cada grupo (coorte, droga), removendo offsets de potência específicos da droga e diferenças de escala específicas da coorte.
• Disciplina de Avaliação:
  • Validação Cruzada Aninhada com Exclusão de Linhagem de Célula Agrupada (Grouped Leave-Cell-Line-Out): Os modelos são avaliados de modo que nenhuma linhagem celular apareça tanto no conjunto de treinamento quanto no de teste, prevenindo o vazamento (leakage) de níveis gerais de quimiossensibilidade.
  • Ancoragem de Baseline: Todos os modelos são pontuados contra um baseline de média da droga (predizendo a sensibilidade média de uma droga dentro de um tecido, ignorando características moleculares). Se um modelo molecular não consegue superar este baseline, ele está apenas reaprendendo efeitos principais da droga, não personalizando.
  • Decomposição: O problema de predição é dividido em:
    1. Componente de amplo espectro: Predizer quais drogas são genericamente potentes em um tecido (baseline de média da droga).
    2. Componente de mecanismo específico: Predizer a sensibilidade residual após a remoção das médias das drogas (e, em configurações pan-câncer, das médias de origem do tecido).
• Controle de Significância:
  • Protocolo de Dois Estágios: Em vez de confiar em intervalos de confiança de validação cruzada (que medem a estabilidade da divisão, não o ruído de amostragem), o estudo emprega um nulo de permutação (embaralhando os rótulos de sensibilidade dentro do painel) seguido de corroboração independente (verificação contra farmacologia estabelecida e recorrência entre tecidos).
  • Assinaturas por Droga: Para cada um dos 7.836 painéis (doença, droga) elegíveis, uma assinatura gênica supervisionada é ajustada e testada contra o nulo de permutação.
• Ferramentas: A análise utiliza regressão Elastic Net, ssGSEA para atividade de vias e um motor de correspondência semântica (Semblance) para recomendação robusta à transferência.

Principais Resultados

1. O Sinal de Amplo Espectro é Estrutura de Tecido-por-Droga:

   • Dentro de tecidos individuais, um modelo de média da droga (ignorando características moleculares) é fortemente preditivo (Spearman $\rho$ até 0,54 em linhagens hematológicas).
   • Quando os tecidos são agrupados (pooled), esse sinal desaparece ( $\rho \approx 0$), confirmando que o "poder preditivo" é simplesmente o fato conhecido de que certos tecidos são geralmente sensíveis a certas drogas, não a personalização individual do tumor.

2. A Personalização Molecular é Mínima e Majoritariamente Dependente de Linhagem:

   • Por Doença: Em painéis de tecidos individuais (20–70 linhagens), características moleculares (expressão, multiômica, vias) adicionam virtualmente nenhum poder preditivo além do baseline de média da droga. O braço de mecanismo específico agrupa em zero.
   • Pan-Câncer: Agrupar tecidos aumenta o tamanho efetivo da amostra, revelando uma correlação pequena mas não nula ($\rho \approx 0,10$). No entanto, quando o alvo é residualizado para remover a estrutura de origem do tecido, esse sinal cai para $\rho \approx 0,05$.
   • Dominância de Linhagem: Um baseline de tecido "sem características" (predizendo com base apenas na média doença-droga in-fold) supera o modelo baseado em expressão ($\rho = 0,214$ vs $0,087$). Isso indica que a identidade da linhagem sozinha prediz a sensibilidade residual melhor do que 50 componentes principais de expressão. O sinal restante ($\rho \approx 0,05$) é validado por permutação, mas provavelmente representa propriedades de linhagem intra-tecido não resolvidas (ex: taxa de proliferação) em vez de personalização molecular estabelecida.

3. A Descoberta por Droga Gera uma Minoria Concentrada de Biomarcadores Validados:

   • Aplicar o protocolo de significância de dois estágios (nulo de permutação + corroboração) em 7.836 painéis reduz o conjunto de achados "significativos" de 3.284 (CI padrão) para 971 painéis (12%).
   • Validação: O conjunto retido é enriquecido 4,3 vezes para farmacologia de alvo-droga estabelecida (ex: inibidores de BRAF em melanoma/colorretal, inibidores de MEK, inibidores de BCL2).
   • Novidade: Além de alvos canônicos, o estudo identifica vulnerabilidades recorrentes e validadas por permutação em agentes não canônicos. Notavelmente, três inibidores de GPX4 independentes (RSL3, ML162, ML210) todos mostram assinaturas fortes e validadas em melanoma, recuperando a conhecida vulnerabilidade à ferroptose do melanoma desdiferenciado.
   • Limiar de Recorrência: A recorrência da assinatura de uma droga entre tecidos só é informativa acima de um limiar de três tecidos; a recorrência em dois tecidos é totalmente explicada pelo acaso, dado o número de tecidos testados.

4. Representação de Vias (Pathway Re-representation):

   • Converter expressão em atividade de via Reactome não desbloqueou sinal de mecanismo adicional; os resultados permaneceram consistentes com a análise de nível gênico.

Significância e Alegações
O artigo alega que sua principal contribuição é um mapa honesto de onde o sinal preditivo realmente reside na farmacogenômica, em vez de um novo preditor de estado da arte.

• Reenquadramento da Personalização: O estudo argumenta que a "personalização" nos conjuntos de dados atuais não é uma propriedade distribuída por todas as drogas e tecidos, mas está concentrada em uma minoria bem fundamentada de pares droga-tecido. A maior parte do sinal aparente é, na verdade, efeitos principais de drogas ou estrutura de origem do tecido.
• Disciplina de Avaliação: Estabelece que intervalos de validação cruzada convencionais são insuficientes para descoberta neste domínio. Um nulo controlado por permutação é necessário para filtrar artefatos, reduzindo significativamente a taxa de falsos positivos.
• Output Acionável: O trabalho fornece um framework de recomendação em camadas:
  1. Camada de Alta Confiança: Rankings de amplo espectro baseados na sensibilidade média específica do tecido (baseline de média da droga).
  2. Camada Exploratória: Recomendações de mecanismo específico restritas aos ~12% dos pares droga-tecido com assinaturas validadas por permutação.
• Liberação de Recurso: O estudo libera um recurso harmonizado GDSC$\cup$CTRP–CCLE, um pipeline de análise distribuída e uma aplicação web aberta (Semblance 2.0) que operacionaliza esses níveis de confiança para busca de linhagem celular e correspondência de assinatura semântica.

O autor conclui que, embora exista um pequeno sinal de personalização validado por permutação, ele é frágil e eclipsado pela estrutura do tecido. O progresso futuro exige o foco na descoberta por droga, dentro de cada tecido, com controle de nulo rigoroso, em vez de buscar um preditor pan-câncer universal.