CausalDiffChem: Causal Network Restoration for Therapeutic Prioritization and Repurposing Across Diseases

Encontrar um novo uso para um medicamento antigo é frequentemente uma questão de procurar por uma correspondência. Por décadas, cientistas têm tentado reaproveitar medicamentos comparando as impressões digitais moleculares de uma doença contra as impressões digitais de fármacos. Se um medicamento parece inverter as chaves genéticas da doença na direção oposta, os pesquisadores assumem que ele pode funcionar como um tratamento. Essa abordagem encontrou alguns sucessos reais, mas possui um ponto cego. Ela trata a doença como uma lista estática de sintomas, ignorando o fato de que os genes conversam entre si em cadeias complexas de causa e efeito. Um gene pode ser ativado não porque é a raiz do problema, mas porque está reagindo a algo outro que está acontecendo rio acima. Tratar a reação sem consertar a causa pode ser como tentar deter um incêndio soprando na fumaça.

Para ir além dessa limitação, uma equipe de pesquisadores desenvolveu uma nova maneira de mapear a maquinaria oculta das doenças. Em vez de apenas listar quais genes estão ativos, eles construíram um modelo que mostra como esses genes influenciam uns aos outros, criando uma rede causal. Eles então testaram como diferentes medicamentos repercutiriam através dessa rede específica para ver se poderiam restaurar o sistema a um estado saudável. O trabalho deles, que chamam de CausalDiffChem, sugere que, ao compreender a estrutura específica de causa e efeito de uma doença, podemos identificar melhores candidatos para tratamento, mesmo quando esses candidatos não são óbvios a partir de uma simples lista de atividade gênica.

Os pesquisadores aplicaram este método a quatro condições humanas muito diferentes: esclerose múltipla, uma doença do sistema imunológico e dos nervos; sarcoidose, uma condição que causa inflamação nos pulmões e outros órgãos; leishmaniose, uma infecção parasitária; e doença de Alzheimer, uma forma de demência. Para cada doença, eles coletaram dados de centenas de pacientes e pessoas saudáveis. Eles não utilizaram nenhum mapa pré-existente de como os genes interagem. Em vez disso, deixaram os dados falarem por si mesmos, usando um algoritmo de computador para reconstruir um mapa único de causa e efeito para cada doença baseado nos vinte genes mais ativos nas amostras. Esses mapas revelaram arquiteturas distintas. No Alzheimer, a rede era dominada por uma forte conexão entre duas medições de uma proteína chamada apolipoproteína D. Na sarcoidose, o mapa destacou um eixo regulatório envolvendo células imunes conhecidas como macrófagos. Cada doença tinha sua própria forma única e fluxo de informação, provando que uma abordagem única e genérica não poderia capturar a lógica específica de cada enfermidade.

Uma vez construídos esses mapas de doenças, a equipe simulou o efeito de milhares de medicamentos. Eles não testaram os medicamentos em uma placa de Petri ou em um corpo vivo; em vez disso, introduziram uma representação matemática de cada medicamento no modelo de computador da rede da doença. Eles observaram para ver se a presença simulada do medicamento poderia empurrar a rede de volta para o estado visto em pessoas saudáveis. Eles mediram essa "restauração" de três maneiras: quantos componentes da rede se moveram na direção correta, quão forte foi esse movimento e se a mudança geral coincidia com o caminho da doença para a saúde.

Os resultados ofereceram uma nova perspectiva sobre quais medicamentos poderiam funcionar. Para a sarcoidose, um medicamento quimioterápico chamado cisplatina emergiu como o principal candidato, ocupando o primeiro lugar entre os medicamentos aprovados. Na leishmaniose, o cloridrato de memantina, um fármaco já utilizado para o Alzheimer, ocupou o primeiro lugar em todos os estágios de desenvolvimento de drogas, desde a pesquisa inicial até os ensaios clínicos. No próprio Alzheimer, um medicamento diferente, o cloridrato de mecamilamina, ocupou o topo. O que tornou essas descobertas notáveis foi que os pesquisadores construíram os mapas de doenças e testaram os medicamentos de forma independente para cada condição, sem configurações compartilhadas ou regras pré-estabelecidas. O fato de os mesmos medicamentos continuarem aparecendo como principais candidatos através de diferentes bibliotecas e diferentes doenças sugere que o método está encontrando um sinal genuíno, em vez de uma coincidência aleatória.

No entanto, o estudo também revelou que uma pontuação alta não conta a história toda. Um medicamento pode consertar um grande número de genes, mas falhar em corrigir as conexões mais importantes, ou pode consertar os genes certos, mas empurrar o restante da rede na direção errada. No Alzheimer, o medicamento classificado em primeiro lugar corrigiu muitos genes, mas deixou a conexão mais forte na rede da doença — o elo entre as duas medições de apolipoproteína D — amplamente intocado. Na sarcoidose, a cisplatina corrigiu fortemente um grupo chave de genes imunológicos, mas empurrou outros genes para mais longe de um estado saudável. Isso mostra que um medicamento pode ser um forte candidato mesmo que não conserte tudo perfeitamente, e que diferentes medicamentos alcançam seus efeitos através de diferentes mecanismos.

Os pesquisadores também verificaram se o método deles poderia encontrar medicamentos que já são conhecidos por funcionar. No Alzheimer, dois tratamentos estabelecidos, donepezila e memantina, apareceram nos dez por cento superiores de suas classificações, embora não fossem a escolha número um. Em outras doenças, tratamentos conhecidos também classificaram bem, embora alguns, como certos esteroides, tenham classificado abaixo. Isso sugere que o modelo de computador captura verdades biológicas reais sobre como esses medicamentos funcionam, mas também destaca que o modelo não é um substituto perfeito para o conhecimento clínico. Ele foca em um conjunto específico de genes e pode perder efeitos mais amplos que acontecem em outras partes do corpo ou que dependem de como um medicamento é administrado.

A equipe reconhece que seu trabalho é uma simulação. Os efeitos dos medicamentos foram estimados com base em estruturas químicas, em vez de serem medidos em laboratório, e os mapas de doenças foram construídos a partir de grupos relativamente pequenos de pacientes. Eles não provaram que esses medicamentos curarão essas doenças em pessoas. Em vez disso, eles forneceram uma nova estrutura interpretável para gerar hipóteses. Ao mostrar como um medicamento pode viajar através de uma rede causal específica de uma doença, eles oferecem uma maneira de priorizar quais candidatos merecem ser testados no laboratório. A reiteração do mesmo aparecimento de medicamentos através de diferentes doenças e diferentes estágios de desenvolvimento sugere que esta abordagem pode identificar leads promissores que poderiam ser perdidos ao olhar apenas para listas de genes, oferecendo um caminho mais matizado para encontrar novos usos para medicamentos antigos.