Non-independence in network-structured Mendelian randomization: a permutation framework and six failure modes

Cientistas buscam há muito tempo uma maneira confiável de prever se um medicamento funcionará antes mesmo de chegar ao paciente. Um método poderoso, conhecido como randomização mendeliana, utiliza a própria randomização da natureza para testar causa e efeito. Ele observa as variações genéticas que as pessoas herdam ao nascer, que atuam como experimentos naturais. Se uma variante genética específica faz com que uma pessoa tenha níveis mais altos de uma determinada proteína no sangue, e essa mesma pessoa também apresenta um risco maior de uma doença, os pesquisadores podem inferir que a própria proteína provavelmente causa a doença. Essa abordagem tornou-se uma ferramenta padrão para a indicação de novos alvos terapêuticos, particularmente para doenças cardíacas. Uma suposição comum neste campo é que, se uma proteína (um ligante) causa uma doença, então a proteína que recebe seu sinal (seu receptor) deve contar a mesma história. Se o mensageiro é perigoso, segue a lógica, o receptor deve ser parte do problema.

No entanto, um estudo recente desafia essa suposição, revelando que tratar essas duas medições como evidências intercambiáveis é um erro. Os pesquisadores analisaram milhares de pares de proteínas que interagem entre si para ver se seus sinais genéticos concordavam sobre o risco de doença arterial coronariana. Eles descobriram que os sinais do mensageiro e do receptor frequentemente discordavam e, quando concordavam, era não mais frequentemente do que se as proteínas tivessem sido emparelhadas ao acaso. O estudo também descobriu uma falha oculta na forma como os cientistas contabilizam suas descobertas: como as proteínas estão conectadas em uma rede complexa, a mesma proteína aparece em muitos pares diferentes, tornando as correções estatísticas padrão inválidas. O resultado é uma visão mais clara e cautelosa de como identificamos alvos de medicamentos, mostrando que não podemos simplesmente assumir que uma via funciona da mesma forma só porque duas de suas partes estão geneticamente ligadas.

Os pesquisadores começaram reunindo dados de 660 proteínas diferentes medidas no sangue de quase 50.000 pessoas. Eles se concentraram em proteínas que possuíam um interruptor genético claro por perto, o que permitiu o uso do método de randomização mendeliana com confiança. Em seguida, analisaram 1.129 pares de proteínas onde uma atua como sinal e a outra como receptor, uma relação mapeada em um banco de dados de interações biológicas conhecidas. Para cada par, eles calcularam o efeito da proteína de sinal sobre a doença cardíaca e compararam esse efeito com o da proteína receptora. Se a suposição comum fosse verdadeira, esses dois números deveriam se mover na mesma direção. Em vez disso, a equipe descobriu que o acordo entre o sinal e o receptor não foi melhor do que o acaso. Em um grande conjunto de dados, as duas proteínas apontaram na mesma direção apenas cerca de 48,5% das vezes, um resultado indistinguível de um emparelhamento aleatório de proteínas. Em um segundo conjunto de dados, ainda maior, a concordância foi ainda menor, em 47%.

Essa falta de concordância sugere que medir o sinal e medir o receptor são, na verdade, respostas para duas perguntas diferentes. O estudo mostrou que, quando os pesquisadores procuravam por pares onde as duas proteínas discordavam significativamente, o número de "descobertas" triplicava quando utilizavam um conjunto de dados maior, com mais casos de doença cardíaca, passando de 10 para 31. Crucialmente, a expectativa estatística para ruído aleatório também subiu em proporção direta, de 9 para 30, o que significa que o aumento era consistente com o acaso, e não com um sinal biológico. Os pesquisadores demonstraram que os métodos padrão para corrigir esses erros estavam falhando porque tratavam cada par de proteínas como um teste independente. Na realidade, as proteínas estão conectadas em uma rede; uma única proteína pode fazer parte de dezenas de pares. Quando a mesma proteína aparece em múltiplos testes, os dados não são independentes, e as correções padrão superestimam o número de descobertas reais.

Para corrigir isso, a equipe desenvolveu uma nova forma de testar seus resultados que respeitasse a estrutura da rede. Eles tentaram duas abordagens: uma que embaralhava as conexões entre as proteínas mantendo as próprias proteínas e o número de suas conexões exatamente iguais, e outra que movia os valores estatísticos para diferentes proteínas. Eles descobriram que mover os valores para diferentes proteínas era inadequado porque ignorava o fato de que proteínas altamente conectadas tendem a ter efeitos maiores. No entanto, o método que manteve as proteínas e suas conexões fixas, embaralhando apenas os emparelhamentos, mostrou que as aparentes discordâncias "significativas" encontradas pelos métodos padrão eram provavelmente apenas artefatos do formato da rede. Quando aplicaram esse teste mais rigoroso, o número de discordâncias observadas não foi significativamente diferente do que seria esperado pelo acaso. O estudo também examinou se proteínas conhecidas por serem causais para doenças cardíacas, como a PCSK9, apresentavam um padrão especial de concordância. Embora a PCSK9 tenha sido corretamente identificada como um fator de risco, o padrão geral de concordância entre sinais e receptores não se sustentou. Mesmo quando os pesquisadores verificaram seus achados contra uma tecnologia de medição diferente para garantir que os resultados não fossem devidos a erros nos equipamentos de laboratório, a falta de concordância entre sinais e receptores permaneceu.

As implicações desses achados são significativas para a forma como futuros alvos de medicamentos serão escolhidos. O estudo identificou seis maneiras específicas pelas quais as práticas atuais podem induzir os pesquisadores ao erro, incluindo a falha em considerar as conexões de rede e a dependência de sinais genéticos únicos em regiões complexas do genoma. Um problema importante é que muitas proteínas situam-se em áreas do genoma onde múltiplos sinais genéticos se sobrepõem, tornando difícil discernir qual deles está realmente impulsionando a doença. Os pesquisadores descobriram que, ao alterarem o conjunto de dados usado para definir a doença cardíaca, as conclusões sobre se uma proteína e uma doença compartilhavam uma causa genética frequentemente mudavam de direção. Essa instabilidade sugere que muitas afirmações anteriores sobre vias compartilhadas podem não ser robustas. O estudo conclui que, embora a randomização mendeliana continue sendo uma ferramenta valiosa, a suposição de que um ligante e seu receptor fornecem evidências intercambiáveis sobre uma via biológica não é sustentada pelos dados. Os cientistas devem agora tratar essas duas medições como peças de evidência distintas, em vez de uma história única e unificada.