Se encuentra usted aquí

    • You are here:
    • Inicio > Investigación > A Detective Algorithm Predicts Best Drugs for Genetic Disorders and Cancer

A Detective Algorithm Predicts Best Drugs for Genetic Disorders and Cancer

A Detective Algorithm Predicts Best Drugs for Genetic Disorders and CancerA Detective Algorithm Predicts Best Drugs for Genetic Disorders and Cancer

22
Aug
Jue, 22/08/2024 - 09:05

A Detective Algorithm Predicts Best Drugs for Genetic Disorders and Cancer

Fran Supek and Ben Lehner, the co-corresponding authors of the research published today in Nature Genetics.

A computational model built by researchers at the Institute of Research in Biomedicine (IRB Barcelona) and the Centre for Genomic Regulation (CRG) can predict which drugs will be most effective in treating diseases caused by mutations that can bring protein synthesis to a halt, resulting in unfinished proteins.

The findings, published today in Nature Genetics, mark an important step in helping personalise treatment by matching patients with specific mutations with the most promising drug candidate. The predictive model, a publicly available resource called RTDetective, can accelerate the design, development, and efficacy of clinical trials for many different types of genetic disorders and cancers.

Truncated proteins are the result of protein synthesis coming to a sudden halt. In our bodies, this is caused by the appearance of ‘nonsense mutations’ which act like a stop sign or roadblock, causing cellular machinery to suddenly hit the brakes. In many cases, these unfinished proteins stop working and cause disease.

The presence of these stop signs underlies up to one in five single-gene disorders, including some types of cystic fibrosis and Duchenne muscular dystrophy. They also often appear in tumour suppressor genes, which normally help control cell growth. Stop signs inactivate these genes and are a major cause of cancer.

Diseases emerging from truncated proteins can be targeted with nonsense suppression therapies, drugs which help cells ignore or "read through" the stop signs that appear during protein production. Cells with higher readthrough rates will make more full-length, or near full-length, proteins.

The study demonstrates that, to date, clinical trials of nonsense suppression therapies are likely to have used ineffective patient-drug combinations. This is because the effectiveness of drugs in promoting readthrough depends not just on the nonsense mutation, but also on the genetic code immediately surrounding it.

The researchers made the discovery after studying 5,800 disease-causing premature stop signs and testing the efficacy of eight different drugs on each of them. The data is derived from patient reports submitted to freely accessible public archives like ClinVar, as well as from research projects like The Cancer Genome Atlas (TCGA), which collected and analysed genetic information from thousands of cancer and genetic disease patients, including premature stop codons.

They found that a drug that works well for one premature stop sign may not be effective for another, even within the same gene, because of the local sequence context around the premature stop sign.

“Think of DNA sequence as a road, with a stop mutation appearing as a roadblock. We show that navigating through this obstacle depends heavily on the immediate surroundings. Some mutations are surrounded by well-marked detour routes while others are full of potholes or dead ends. This is what marks a drug's ability to bypass obstacles and work effectively,” explains Ignasi Toledano, first author of the study and joint PhD student at IRB Barcelona and the Centre for Genomic Regulation.

The researchers generated a substantial amount of data by testing many different combinations of drugs on bypassing the stop signs, resulting in a total of over 140,000 individual measurements. The data was large enough to train accurate predictive models, which they used to create RTDetective.

The researchers used the algorithm to predict the effectiveness of different drugs for every one of the 32.7 million possible stop signs that can be generated in RNA transcripts in the human genome. At least one of the six drugs tested was predicted to achieve more than 1% readthrough in 87.3% of all possible stop signs, and 2% readthrough for nearly 40% of cases.

The results are promising because higher readthrough percentages generally correlate with better therapeutic outcomes. For example, Hurler syndrome is a severe genetic disorder caused by a nonsense mutation in the IDUA gene. Previous studies have shown that, with just 0.5% readthrough, individuals can partially mitigate the severity of the disease by creating very small amounts of functional protein. RTDetective predicted that readthrough above this threshold can be achieved by at least one of the drugs.

“Imagine a patient is diagnosed with a genetic disorder. The exact mutation is identified through genetic testing and then a computer model suggests which drug is the best to use. This informed decision-making is the promise of personalised medicine we hope to unlock in the future,” explains ICREA Research Professor Ben Lehner, one of the main authors of the study and Group Leader at the Centre for Genomic Regulation in Barcelona and the Wellcome Sanger Institute in the UK.

The study also suggests how new drugs can be quickly given to the correct patients. “When a new readthrough drug is discovered, we can use this approach to rapidly build a model for it and to identify all the patients that are most likely to benefit,” adds Professor Lehner.

The researchers next plan on confirming the functionality of proteins produced via readthrough drugs, a crucial step in validating their clinical applicability. The team also plans to explore other strategies that can be used in combination with nonsense suppression therapies to further the effectiveness of treatments, particularly in cancer.

"Our study not only opens new avenues for treatment of heritable genetic diseases, for which readthrough agents were trialled before, but also importantly for treatment of tumours, since the majority of cancers have mutations causing premature termination of proteins," concludes ICREA Research Professor Fran Supek at IRB Barcelona, one of the main authors of the study.

EN CASTELLANO

Un algoritmo “detective” predice los mejores fármacos para trastornos genéticos y cáncer

Un modelo computacional desarrollado por investigadores del Instituto de Investigación en Biomedicina (IRB Barcelona) y el Centro de Regulación Genómica (CRG) puede predecir qué fármacos serán más efectivos para tratar enfermedades causadas por mutaciones en el ADN que provocan la síntesis de proteínas truncadas, o incompletas.

Los hallazgos, publicados hoy en Nature Genetics, marcan un paso importante en la personalización del tratamiento al emparejar a los pacientes (según sus mutaciones específicas) con el fármaco más prometedor. El modelo predictivo, una herramienta de uso público llamada RTDetective, puede acelerar el diseño, desarrollo y eficacia de ensayos clínicos para una amplia variedad de trastornos genéticos y cánceres.

Las proteínas incompletas se originan cuando la síntesis de proteínas se detiene repentinamente. En nuestros cuerpos, esto es causado por la aparición de “mutaciones sin sentido” que actúan como una señal de stop o bloqueo, haciendo que la maquinaria celular frene de golpe. En muchos casos, estas proteínas incompletas no pueden llevar a cabo su función y esto da lugar a diferentes trastornos.

De hecho, una de cada cinco enfermedades causadas por mutaciones en un único gen se relaciona con estas proteínas incompletas o inacabadas, incluyendo algunos tipos de fibrosis quística y la distrofia muscular de Duchenne. Estas señales prematuras de stop también se dan en genes supresores de tumores, cuya función es ayudar a controlar el crecimiento celular. Las señales de stop inactivan estos genes y así favorecen el desarrollo del cáncer.

Las enfermedades causadas por proteínas incompletas pueden ser tratadas con terapias de supresión de mutaciones sin sentido, fármacos que ayudan a las células a ignorar o "leer a través" de las señales de stop que aparecen durante la producción de proteínas. Las células con tasas de lectura más altas producirán más proteínas completas o casi completas.

El estudio demuestra que, hasta la fecha, los ensayos clínicos de fármacos que funcionan leyendo a través de estas señales de stop, probablemente han utilizado combinaciones de fármaco-paciente ineficaces. Esto se debe a que la efectividad de los fármacos en promover la lectura depende no solo de la mutación en sí, sino también del código genético que la rodea.

Los investigadores desarrollaron un sistema experimental basado en líneas celulares humanas que les permitieron medir la eficacia de ocho fármacos diferentes en 5.800 señales de stop prematuras causantes de enfermedades. Los datos proceden de informes de pacientes en archivos públicos de acceso libre como ClinVar, así como de proyectos de investigación como The Cancer Genome Atlas (TCGA), que recopilaron y analizaron información genética de miles de pacientes con cáncer y enfermedades genéticas, incluidas las mutaciones de stop prematuro. Para entrenar la herramienta, utilizaron datos de efectividad de seis de los ocho fármacos, en todas las señales de stop posibles de estos 5.800 pacientes.

Así, descubrieron que un fármaco que funciona bien para superar una señal de stop prematura puede no ser efectivo para otra, incluso dentro del mismo gen, debido al la secuencia de ADN alrededor de la señal de stop. “Piensa en la secuencia de ADN como una carretera, con una mutación de stop apareciendo como un bloqueo en la carretera. Mostramos que navegar a través de este obstáculo depende en gran medida de los alrededores inmediatos. Algunas mutaciones están rodeadas de rutas de desvío bien señalizadas mientras que otras están llenas de baches o callejones sin salida. Esto es lo que marca la capacidad de un fármaco para sortear obstáculos y funcionar de manera efectiva”, explica Ignasi Toledano, primer autor del estudio y estudiante de doctorado conjunto en el IRB Barcelona y el CRG.

Los investigadores generaron un gran volumen de datos al probar muchas combinaciones diferentes de fármacos para leer a través de las señales de stop, resultando en un total de más de 140,000 mediciones individuales. La extensa cantidad de datos generados les permitió entrenar modelos predictivos precisos, que utilizaron para crear RTDetective.

Los investigadores usaron el algoritmo para predecir la efectividad de diferentes fármacos para cada una de los 32,7 millones de posibles señales de stop que pueden generarse en el genoma humano. Se predijo que al menos uno de los seis fármacos probados lograría un incremento del 1% de lectura en el 87.3% de todas las posibles señales de stop, y un incremento del 2% en casi el 40% de los casos

Los resultados son prometedores porque porcentajes más altos de lectura generalmente se correlacionan con mejores resultados terapéuticos. Por ejemplo, el síndrome de Hurler es un trastorno genético severo causado por una mutación sin sentido en el gen IDUA. Estudios previos han demostrado que, con solo un 0.5% de lectura “efectiva”, los individuos pueden mitigar parcialmente la severidad de la enfermedad al crear cantidades muy pequeñas de proteína funcional. RTDetective predijo que se puede lograr una lectura por encima de este umbral con al menos uno de los fármacos.

“Imagina que a un paciente se le diagnostica un trastorno genético. Se identifica la mutación exacta a través de pruebas genéticas y luego un modelo computacional sugiere cuál es el mejor fármaco para él. Esta toma de decisiones informada es la promesa de la medicina personalizada que esperamos desbloquear en el futuro,” explica el Profesor de Investigación ICREA Dr. Ben Lehner, uno de los autores principales del estudio y Líder de Grupo en el CRG y el Instituto Wellcome Sanger en el Reino Unido.

El estudio también sugiere cómo los nuevos fármacos pueden ser rápidamente asignados a los pacientes correctos. “Cuando se descubre un nuevo fármaco de este tipo, podemos usar este enfoque para construir rápidamente un nuevo modelo predictivo e identificar a todos los pacientes que tienen más probabilidades de beneficiarse,” añade el Dr. Lehner.

Los investigadores planean confirmar la funcionalidad de las proteínas producidas mediante fármacos que permiten leer a través de las señales de stop, un paso crucial para validar su aplicabilidad clínica. El equipo también planea explorar otras estrategias que puedan usarse en combinación con estas terapias para aumentar la efectividad de los tratamientos, particularmente en el cáncer.

“Nuestro estudio no solo abre nuevas vías para el tratamiento de enfermedades genéticas hereditarias, para las cuales ya se habían probado fármacos que permiten la lectura, sino también, y de manera importante, para el tratamiento de tumores, ya que la mayoría de los cánceres tienen mutaciones que causan la terminación prematura de proteínas,” concluye Dr. Fran Supek, jefe del laboratorio de Ciencia de Datos del Genoma en el IRB Barcelona y profesor en el Centro de Investigación e Innovación Biotecnológica de la Universidad de Copenhague, quien ha co-liderado el trabajo.

EN CATALÀ

Un algorisme "detectiu" prediu els millors fàrmacs per a trastorns genètics i càncer

Un model computacional desenvolupat per investigadors de l'Institut de Recerca Biomèdica (IRB Barcelona) i el Centre de Regulació Genòmica (CRG) pot predir quins fàrmacs seran més efectius per tractar malalties causades per mutacions en l'ADN que provoquen la síntesi de proteïnes truncades, o incompletes.

Els descobriments, publicats avui a Nature Genetics, marquen un pas important en la personalització del tractament, en emparellar els pacients (segons les seves mutacions específiques) amb el fàrmac més prometedor. El model predictiu, una eina d'ús públic anomenada RTDetective, pot accelerar el disseny, desenvolupament i eficàcia d'assaigs clínics per a una àmplia varietat de trastorns genètics i càncers.

Les proteïnes incompletes s'originen quan la síntesi de proteïnes s'atura sobtadament. En els nostres cossos, això és causat per l'aparició de "mutacions sense sentit" que actuen com un senyal de stop o bloqueig, fent que la maquinària cel·lular freni de cop. En molts casos, aquestes proteïnes incompletes no poden portar a terme la seva funció, i això dona lloc a diferents trastorns.

De fet, una de cada cinc malalties causades per mutacions en un únic gen es relaciona amb aquestes proteïnes incompletes o inacabades, incloent-hi alguns tipus de fibrosi quística i la distròfia muscular de Duchenne. Aquests senyals prematurs de stop també es donen en gens supressors de tumors, la funció dels quals és ajudar a controlar el creixement cel·lular. Els senyals de stop inactiven aquests gens i així afavoreixen el desenvolupament del càncer.

Les malalties causades per proteïnes incompletes poden ser tractades amb teràpies de supressió de mutacions sense sentit, fàrmacs que ajuden les cèl·lules a ignorar o "llegir a través" dels senyals de stop que apareixen durant la producció de proteïnes. Les cèl·lules amb taxes de lectura més altes produiran més proteïnes completes o gairebé completes.

L'estudi demostra que, fins a la data, els assaigs clínics de fàrmacs que funcionen llegint a través d'aquests senyals de stop probablement han utilitzat combinacions de fàrmac-pacient ineficaces. Això es deu al fet que l'efectivitat dels fàrmacs en promoure la lectura depèn no només de la mutació en si, sinó també del codi genètic que l'envolta.

Els investigadors van desenvolupar un sistema experimental basat en línies cel·lulars humanes que els van permetre mesurar l'eficàcia de vuit fàrmacs diferents en 5.800 senyals de stop prematures causants de malalties. Les dades provenen d'informes de pacients en arxius públics d'accés lliure com ClinVar, així com de projectes de recerca com The Cancer Genome Atlas (TCGA), que van recopilar i analitzar informació genètica de milers de pacients amb càncer i malalties genètiques, incloses les mutacions de stop prematur. Per entrenar l'eina, van utilitzar dades d'efectivitat de sis dels vuit fàrmacs, en totes els senyals de stop possibles d'aquests 5.800 pacients.

Així, van descobrir que un fàrmac que funciona bé per superar un senyal de stop prematura pot no ser efectiu per a una altra, fins i tot dins del mateix gen, a causa de la seqüència d'ADN al voltant del senyal de stop. "Pensa en la seqüència d'ADN com una carretera, amb una mutació de stop apareixent com un bloqueig a la carretera. Mostrem que navegar a través d'aquest obstacle depèn en gran mesura dels voltants immediats. Algunes mutacions estan envoltades de rutes de desviament ben senyalitzades mentre que altres estan plenes de clots o carrerons sense sortida. Això és el que marca la capacitat d'un fàrmac per superar obstacles i funcionar de manera efectiva", explica Ignasi Toledano, primer autor de l'estudi i estudiant de doctorat conjunt a l'IRB Barcelona i el CRG.

Els investigadors van generar un gran volum de dades en provar moltes combinacions diferents de fàrmacs per llegir a través dels senyals de stop, resultant en un total de més de 140.000 mesures individuals. La gran quantitat de dades generades els va permetre entrenar models predictius precisos, que van utilitzar per crear RTDetective.
Els investigadors van usar l'algorisme per predir l'efectivitat de diferents fàrmacs per a cadascuna dels 32,7 milions de possibles senyals de stop que poden generar-se en el genoma humà. Es va predir que almenys un dels sis fàrmacs provats aconseguiria un increment de l'1% de lectura en el 87.3% de tots els possibles senyals de stop, i un increment del 2% en gairebé el 40% dels casos.

Els resultats són prometedors perquè percentatges més alts de lectura generalment es correlacionen amb millors resultats terapèutics. Per exemple, la síndrome de Hurler és un trastorn genètic sever causat per una mutació sense sentit en el gen IDUA. Estudis previs han demostrat que, amb només un 0.5% de lectura "efectiva", els individus poden mitigar parcialment la gravetat de la malaltia en crear quantitats molt petites de proteïna funcional. RTDetective va predir que es pot aconseguir una lectura per sobre d'aquest llindar amb almenys un dels fàrmacs.

"Imagina que a un pacient se li diagnostica un trastorn genètic. S'identifica la mutació exacta a través de proves genètiques i després un model computacional suggereix quin és el millor fàrmac per a ell. Aquesta presa de decisions informada és la promesa de la medicina personalitzada que esperem desbloquejar en el futur," explica el Professor de Recerca ICREA Dr. Ben Lehner, un dels autors principals de l'estudi i Líder de Grup al CRG i l'Institut Wellcome Sanger al Regne Unit.

L'estudi també suggereix com els nous fàrmacs poden ser ràpidament assignats als pacients correctes. "Quan es descobreix un nou fàrmac d'aquest tipus, podem usar aquest enfocament per construir ràpidament un nou model predictiu i identificar tots els pacients que tenen més probabilitats de beneficiar-se," afegeix el Dr. Lehner.

Els investigadors planegen confirmar la funcionalitat de les proteïnes produïdes mitjançant fàrmacs que permeten llegir a través dels senyals de stop, un pas crucial per validar la seva aplicabilitat clínica. L'equip també planeja explorar altres estratègies que puguin usar-se en combinació amb aquestes teràpies per augmentar l'efectivitat dels tractaments, particularment en el càncer.

"El nostre estudi no només obre noves vies per al tractament de malalties genètiques hereditàries, per a les quals ja s'havien provat fàrmacs que permeten la lectura, sinó també, i de manera important, per al tractament de tumors, ja que la majoria dels càncers tenen mutacions que causen la terminació prematura de proteïnes", conclou el Dr. Fran Supek, cap del laboratori de Ciència de Dades del Genoma a l'IRB Barcelona i professor al Centre de Recerca i Innovació Biotecnològica de la Universitat de Copenhaguen, qui ha co-liderat el treball.