Un modelo computacional desenvolto por expertos do Instituto de Investigación en Biomedicina (IRB) e o Centro de Regulación Xenómica (CRG) de Barcelona pode predicir que fármacos serán máis efectivos para tratar enfermidades causadas por mutacións no ADN que provocan a síntese de proteínas incompletas.
Os achados, publicados en Nature Genetics, marcan un paso importante na personalización do tratamento ao emparellar os pacientes (segundo as súas mutacións específicas) co fármaco máis prometedor. O modelo preditivo, unha ferramenta de uso público chamada RTDetective, pode acelerar o deseño, desenvolvemento e eficacia de ensaios clínicos para unha ampla variedade de trastornos xenéticos e cancros.
As proteínas incompletas orixínanse cando a síntese de proteínas se detén repentinamente. Nos nosos corpos, isto é causado pola aparición de ‘mutacións sen sentido’ que actúan como un sinal de stop ou bloqueo, facendo que a maquinaria celular free de golpe. En moitos casos, estas proteínas incompletas non poden levar a cabo a súa función e isto dá lugar a diferentes trastornos.
De feito, unha de cada cinco enfermidades causadas por mutacións nun único xene relaciónase con estas proteínas incompletas ou inacabadas, incluíndo algúns tipos de fibrose quística e de distrofia muscular de Duchenne. Estes sinais prematuros de stop tamén se dan en xenes supresores de tumores, cuxa función é axudar a controlar o crecemento celular. Os sinais de stop inactivan estes xenes e así favorecen o desenvolvemento do cancro.
Unha análise exhaustiva de datos
As enfermidades causadas por proteínas incompletas poden ser tratadas con terapias de supresión de mutacións sen sentido, fármacos que axudan ás células para ignorar ou ‘ler a través’ dos sinais de stop que aparecen durante a produción de proteínas. As células con taxas de lectura máis altas producirán máis proteínas completas ou case completas.
O estudo demostra que, ata a data, os ensaios clínicos que funcionan lendo a través destes sinais de stop, probablemente utilizaron combinacións de fármaco-paciente ineficaces. Isto débese a que a efectividade dos fármacos depende non só da mutación en si, senón tamén do código xenético que a rodea.
Os investigadores desenvolveron un sistema experimental baseado en liñas celulares humanas que lles permitiron medir a eficacia de oito fármacos diferentes en 5.800 sinais de stop prematuras causantes de enfermidades. Os datos proceden de informes de pacientes en arquivos públicos de acceso libre como ClinVar, así como de proxectos de investigación como The Cancer Genome Atlas (TCGA), que recompilaron e analizaron información xenética de miles de pacientes con cancro e enfermidades xenéticas, incluídas as mutacións de stop prematuro.
Modelos preditivos precisos
Para adestrar a ferramenta, utilizaron datos de efectividade de seis dos oito fármacos, en todos os sinais de stop posibles destes 5.800 pacientes. Así, descubriron que un fármaco que funciona ben para superar un sinal de stop prematuro pode non ser efectivo para outro, mesmo dentro do mesmo xene, debido á secuencia de ADN ao redor do sinal de stop.
“Pensa na secuencia de ADN como unha estrada, cunha mutación de stop aparecendo como un bloqueo. Mostramos que navegar a través deste obstáculo depende en gran medida dos arredores inmediatos. Algunhas mutacións están rodeadas de roteiros de desvío ben sinalizados mentres que outras están cheas de fochancas ou canellóns sen saída. Isto é o que marca a capacidade dun fármaco para sortear obstáculos e funcionar de maneira efectiva”, explica Ignasi Toledano, primeiro autor do estudo.
Os investigadores xeraron un gran volume de datos ao probar moitas combinacións diferentes de fármacos para ler a través dos sinais de stop, resultando nun total de máis de 140.000 medicións individuais. A extensa cantidade de datos xerados permitiulles adestrar modelos preditivos precisos, que utilizaron para crear RTDetective.
O algoritmo predixo a efectividade de diferentes fármacos para cada un dos 32,7 millóns de posibles sinais de stop que poden xerarse no xenoma humano. Polo menos un dos seis fármacos probados logrou un incremento do 1% de lectura no 87.3% de todos os posibles sinais de stop, e un incremento do 2% en case o 40% dos casos.
Medicinas personalizadas
Os resultados son prometedores porque porcentaxes máis altas de lectura xeralmente se correlacionan con mellores resultados terapéuticos. Por exemplo, a síndrome de Hurler é un trastorno xenético severo causado por unha mutación sen sentido no xene IDUA.
Estudos previos demostraron que, con só un 0,5 % de lectura “efectiva”, os individuos poden mitigar parcialmente a severidade da enfermidade ao crear cantidades moi pequenas de proteína funcional. RTDetective predixo que se pode lograr unha lectura por encima deste limiar con polo menos un dos fármacos.
“Imaxina que a un paciente se lle diagnostica un trastorno xenético. Identifícase a mutación exacta a través de probas xenéticas e logo un modelo computacional suxire cal é o mellor fármaco para el. Esta toma de decisións informada é a promesa da medicina personalizada que esperamos desbloquear no futuro,” explica Ben Lehner, un dos autores principais do estudo.
Tratamento de tumores
O estudo tamén suxire como os novos fármacos poden ser rapidamente asignados aos pacientes correctos. “Cando se descobre un novo fármaco deste tipo, podemos usar este enfoque para construír rapidamente un novo modelo preditivo e identificar a todos os pacientes que teñen máis probabilidades de beneficiarse,” engade Lehner.
Os investigadores pensan confirmar a funcionalidade das proteínas producidas mediante fármacos que permiten ler a través dos sinais de stop, un paso crucial para validar a súa aplicabilidade clínica. O equipo tamén baralla explorar outras estratexias que poidan usarse en combinación con estas terapias para aumentar a efectividade dos tratamentos, particularmente no cancro.
“O noso estudo non só abre novas vías para o tratamento de enfermidades xenéticas hereditarias, para as cales xa se probaron fármacos que permiten a lectura, senón tamén, e de maneira importante, para o tratamento de tumores, xa que a maioría dos cancros teñen mutacións que causan a terminación prematura de proteínas”, conclúe Fran Supek, coautor principal do traballo.
Referencia: Genome-scale quantification and prediction of pathogenic stop codon readthrough by small molecules (Publicado en Nature Genetics)
