Integrating disease and protein networks expands genetic support for therapeutic targets
本文介绍了 BRIDGE,这是一种通过耦合蛋白质-蛋白质相互作用网络与疾病相似性网络来传播遗传证据的方法,从而显著扩大了超越仅靠直接遗传支持所能实现的治疗靶点选择的覆盖范围和临床成功率。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
研发一种新药是一场规模惊人的赌博。将一种药物从实验室构思推向药房货架需要十多年的时间以及数十亿美元的投入,而且大多数尝试都会失败。几十年来,科学家们一直试图从人类遗传学中寻找方法,以扭转这种胜率。其逻辑非常直接:如果某个特定基因与人类的某种疾病存在天然联系,那么针对该基因蛋白质的药物可能就会成为有效的治疗手段。这种方法已成为一个值得信赖的指南针,引导研究人员寻找在临床试验中更有可能成功的靶点。然而,这个指南针存在一个盲点。它只指向那些具有直接且明显遗传联系的靶点。在广袤的人类生物学领域中,许多极具前景的靶点和疾病缺乏这种直接的遗传特征,从而完全被遗落在地图之外。
一项新研究介绍了一种名为 BRIDGE 的方法,旨在扩大这种遗传指南针的覆盖范围,同时又不损失其准确性。研究人员意识到,生物学并非孤立运作。基因之间通过复杂的网络相互作用,就像社区中的人们一样,且疾病通常共享底层的生物学相似性。通过将这些联系交织在一起,该团队创建了一个系统,可以追踪从已知靶点到未知靶点、以及从一种疾病到相关疾病的遗传证据。他们利用这个系统对一个包含数千次药物开发尝试的海量数据库进行了测试。结果表明,通过建立蛋白质与疾病之间的联系,科学家可以识别出许多以前无法看到的极具前景的药物靶点,同时仍能保持较高的临床成功率。这种方法并不取代对直接遗传证据的需求,但它提供了一种在直接证据缺失的阴影区域寻找价值线索的方法。
研究人员解决的核心挑战是直接遗传支持非常罕见。在对超过 13,000 次已进入至少第一阶段人体测试的药物开发努力进行的审查中,只有约 5% 的“靶点-疾病”对具有直接的遗传证据将其联系起来。对于绝大多数候选对象而言,遗传信号是沉默的。团队提出了一个问题:他们能否从周围的生物学背景中汲取力量?他们构建了一个结合两种类型网络的数字地图。第一种是蛋白质相互作用图谱,展示了细胞内的蛋白质如何物理接触或协同工作;第二种是疾病相似性图谱,将具有共同生物学特征或症状的疾病进行分组。这两张地图被链接在一起,创造了一个巨大的网络,其中基因、蛋白质和疾病全部相互关联。
利用这个网络,研究人员开发了一种类似于信号放大器的算法。它从对特定疾病具有强大直接遗传支持的基因开始。随后,算法通过网络向外发送“信号”。该信号沿着蛋白质连接传导至相邻基因,并跨越疾病连接跳转至相关病症。如果一个基因靠近一个已知的成功靶点,或者如果一种疾病与具有已知遗传原因的疾病相似,算法就会给予该“基因-疾病”对更高的评分。至关重要的一点是,该系统包含一个严格的校准步骤。它将实际候选对象的评分与通过随机洗牌生成的评分进行比较,以确保结果不仅仅是由于某个基因恰好连接广泛而产生的。这防止了系统仅仅偏向于那些与一切都相连的“热门”基因。
当团队将此方法应用于其 13,000 个药物开发对的数据库时,结果非常显著。通过结合直接遗传证据与新的网络衍生支持,受支持靶点的覆盖率几乎翻了一番,从 5.1% 上升到 9.5%。这意味着对于近 600 个额外的药物开发对,系统现在可以提供此前并不存在的遗传依据。更重要的是,这种扩张并没有以牺牲质量为代价。由网络识别出的新候选对象,其临床试验成功率与那些具有直接遗传支持的对象一样高。事实上,在那些缺乏直接遗传证据但得到网络支持的候选对中,有近 25% 已成功上市成为上市药物,而未受支持的候选对象中这一比例不到 9%。
研究还表明,即使对于那些完全没有直接遗传历史的基因,该方法依然有效。研究人员识别出 101 个从未通过直接遗传证据与任何疾病建立联系的基因,但由于它们与其他成功靶点的连接,它们仍得到了网络的支持。这些基因不仅是理论上的可能性;其中许多已被作为药物靶点进行开发,有些甚至已经上市。该系统成功地突出了这些候选对象,表明网络方法可以挖掘那些传统方法会忽略的基因中的隐藏潜力。
为了理解这种扩张是如何发生的,研究人员拆解了信号传递的路径。他们发现了两条主要路径。第一条路径将靶点连接到相关疾病。例如,如果已知某个基因有助于治疗某种类型的心脏病,系统可以建议它可能也适用于类似的另一种心脏状况,即使目前还没有针对第二种疾病的直接遗传证据。第二条路径将靶点连接到相邻蛋白质。如果一种药物作用于特定的蛋白质,系统可以建议与其物理接触的另一个蛋白质也可能是一个好的靶点。研究显示,结合使用这两条路径效果最为显著。当研究人员通过移除其中一种连接来测试系统时,成功的预测数量显著下降,这证明了结合疾病关系和蛋白质连接对于该方法成功至关重要。
研究人员还将这种复杂的网络方法与科学家可能使用的简单规则(例如仅观察直接邻居)进行了对比。虽然简单的规则可以找到一些好的候选对象,但 BRIDGE 系统能更好地从其余部分中分辨出真正具有前景的对象。当研究人员按网络评分对候选对象进行排名时,他们发现比使用简单规则能获得更多的成功上市药物。这表明,网络提供了一种比单纯的邻近性更深层、更细致的生物学关系理解。该系统能够优先考虑那些在网络中距离稍远但在生物学上仍然相关的候选对象,从而过滤掉可能误导简单方法的噪声。
研究还包括了一项前瞻性检查,以观察该方法是否能预测未来的成功。研究人员利用 2024 年之前的资料构建模型,然后观察了 2024 年至 2025 年间药物开发项目的进展情况。受网络支持的候选对象继续表现出比无支持对象更高的成功率。尽管在这段短时间内新上市药物的数量较少,但趋势依然成立,表明该方法是稳健的,而非仅仅反映了过去的数据。研究人员指出,虽然这些未来预测的样本量有限,但结果的方向与他们早期的发现是一致的。
两个具体的案例说明了这在实践中是如何运作的。在一个案例中,系统将一个涉及罕见代谢障碍的基因与更广泛的肝脏疾病类别联系起来。针对特定障碍的遗传证据指向一个与另一个蛋白质物理连接的蛋白质,而后者正是现有成功疗法的靶点。网络正确识别了这种联系,并且该疗法确实对更广泛的病症有效。在另一个案例中,系统将一个受体蛋白与一种病毒感染联系起来。该受体在蛋白质网络中距离已知参与该疾病的基因仅有两个步骤之遥。尽管存在这种距离,网络信号仍然足够强大,足以将该受体突显为可行的靶点。随后的临床试验证实,针对该受体的药物可以降低该感染导致的住院率,验证了网络的预测。
研究人员承认,这种方法并非万能灵药。它依赖于底层蛋白质相互作用图谱和疾病相似性图谱的质量,而这些图谱仍在不断完善中。此外,在处理差异极大的疾病或连接较少的蛋白质方面,该系统也存在局限性。然而,这项研究清晰地展示了整合不同类型的生物学数据可以显著扩大药物研发的工具箱。它表明,通过观察更广泛的生物学背景,科学家可以找到此前隐藏的有效治疗路径。
最终,这项工作为充分利用人类遗传数据提供了一种切实可行的方法。研究人员不再需要等待每种疾病都出现直接的遗传联系,而是可以利用生物连接的网络来寻找同样具有前景的线索。这种方法并不取代严谨测试的需求,但它为决定追求哪些药物提供了更坚实的基础。通过扩大具有遗传支持的靶点池,该方法增加了发现目前缺乏选择的疾病的新疗法的机会。研究表明,药物研发的未来不仅在于寻找单个正确的基因,更在于理解基因、蛋白质和疾病之间共享的复杂关系网络。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。