Yh. Taguchi, profesor na Wydziale Fizyki Uniwersytetu Chuo w Japonii, komentuje repozycjonowanie leków bez ekspresji genów w komórkach chorobowych leczonych różnymi lekami

Znalezienie nowych leków do leczenia chorób jest zawsze trudne. Na przykład, chociaż mamy skuteczną szczepionkę mRNA na COVID-19, nie zidentyfikowano jeszcze żadnych skutecznych leków do leczenia COVID-19. Ponieważ trudność wynika z oceny empirycznej, lepiej jest mieć metodę zorientowaną na komputer. Ale jak? Mamy na to jedną propozycję na Wydziale Fizyki Uniwersytetu Chuo w Japonii.

W naszym poprzednim artykule Open Access Government przedstawiamy sposób wykorzystania ekspresji genów ⁽¹⁾ za pomocą którego leczono kilka leków w celu zmiany położenia leku. Problem z badaniami opisanymi w ostatnim artykule polega na tym, że strategia może być stosowana tylko w przypadku chorób, w przypadku których odzyskuje się ekspresję genów. W badaniu opisanym w poprzednim artykule przeanalizowaliśmy profile ekspresji genów linii komórek nowotworowych. Tak więc repozycjonowanie leków, które mogliśmy zidentyfikować, dotyczyło tylko nowotworów.

Jest to trochę problematyczne. Jeśli chcielibyśmy wykonać repozycjonowanie leków na inne choroby, musimy przygotować linie komórkowe z komórek docelowych chorób. Ponieważ komórki rakowe są w pewnym sensie nienormalne, nie jest trudno dodać nieśmiertelność liniom komórek rakowych. W ten sposób możemy łatwo utrzymać linie komórek rakowych na szalce Petriego, ale nie jest tak w przypadku innych komórek. Oprócz tego często trudno jest zebrać komórki z docelowych chorób. Leczenie komórek docelowych chorób różnymi lekami jest czasochłonne.

Repozycjonowanie leków bez ekspresji genów komórek chorobowych

W tym artykule chcielibyśmy przedstawić inną metodę ⁽²⁾ dzięki któremu możemy przeprowadzić repozycjonowanie leków bez ekspresji genów w komórkach chorobowych leczonych różnymi lekami. Aby osiągnąć tę metodę, potrzebujemy dwóch rodzajów profili ekspresji genów: ekspresji genów w komórkach chorych i ekspresji genów w komórkach leczonych wieloma lekami. Chodzi o to, że komórki leczone różnymi lekami nie muszą być komórkami docelowych chorób, ale mogą to być komórki dowolnego rodzaju. Następnie te dwa rodzaje ekspresji genów można zintegrować z dekompozycją tensorową ^(3,4).

W prawdziwym badaniu ekspresję genów komórek leczonych różnymi lekami pobrano od modelowego zwierzęcia, szczura. Ta baza danych, DrugMatrix, przechowuje ogromną liczbę profili ekspresji genów wielu tkanek leczonych różnymi lekami. Pomiar wykonano nie tylko po zabiegu, ale także w różnych punktach czasowych po zabiegu. Z drugiej strony, ekspresję genów choroby typowo pobierano z komórek ludzkich. Jedyną kwestią, którą musimy wziąć pod uwagę, jest to, że te dwa profile ekspresji muszą pochodzić z tych samych tkanek. Jeśli chcielibyśmy przeprowadzić repozycjonowanie leków na choroby serca, tkankami, z których pobierana jest ekspresja genów, powinno być również serce. Następnie mnożymy te dwa wyrażenia, aby uzyskać tensory takie jak:

(zdrowa grupa kontrolna vs pacjenci) x (różne leki) x (punkty czasowe) x (geny)

Ponieważ tensor może mieć więcej niż dwa indeksy niż macierz, stosując dekompozycję tensora do powyższego tensora, możemy mieć wektory, które wyrażają „zdrową kontrolę vs pacjenci”, „różne leki”, „punkty czasowe” i „geny ”, Najpierw próbujemy znaleźć, które wektory pokrywają się z rozróżnieniem między zdrowymi kontrolami a pacjentami, a które wektory reprezentują zależność od czasu.

Następnie, po zidentyfikowaniu tych par wektorów, możemy stwierdzić, które wektory leków i wektory genów są powiązane z tymi wektorami „zdrowa kontrola vs pacjenci” i wektorami „punktów czasowych”. Wreszcie, w badaniu zidentyfikowano kombinację genów leków, które w największym stopniu przyczyniają się odpowiednio do tych wektorów leków i genów.

Stosowanie procedur matematycznych dla tych procesów

Chociaż ten proces wydaje się bardzo skomplikowany, można go łatwo przeprowadzić za pomocą czysto matematycznych procedur. Co więcej, nie potrzebujemy żadnego specjalnego ani skomplikowanego oprogramowania komputerowego, ponieważ dekompozycja tensorów jest standardową metodą wymyśloną dawno temu.

Zastosowaliśmy tę procedurę do sześciu chorób: niewydolności serca, zespołu stresu pourazowego (PTSD), ostrej białaczki limfatycznej (ALL), cukrzycy, raka nerki i marskości wątroby. Zidentyfikowane geny są porównywane z genami, o których wiadomo, że ich ekspresja ulega zmianie, gdy geny będące celem leku zostaną wyeliminowane.

Korzystając z testów statystycznych, odkryliśmy, że zidentyfikowane geny w znacznym stopniu pokrywają się z genami, o których wiadomo, że ekspresja jest zmieniona, gdy geny docelowe leku zostaną wyeliminowane w przypadku pięciu testowanych chorób innych niż ALL. Zatem nasza metoda jest korzystna do przeprowadzania repozycjonowania leku.

Skoncentrowanie się na marskości wątroby

Można się zastanawiać, czy nasza metoda jest pomocna tylko w przeprowadzaniu analiz statystycznych, a nie jest przydatna do identyfikacji pojedynczego leku, który ma być przetestowany pod kątem rzeczywistej choroby. Aby zaprzeczyć tej możliwości, skupiliśmy się na jednej konkretnej chorobie, marskości wątroby, ponieważ nie były znane żadne skuteczne leki na tę chorobę, a dzięki naszym analizom zidentyfikowaliśmy dwa geny, CYPOR i HNF4A oraz jeden lek, bezafibrat, jako najbardziej obiecujące geny i leki w kierunku marskości.

Energia wiązania między tymi dwoma białkami to bezafibrat i znaleźliśmy wystarczająco dużą energię wiązania między tymi dwoma białkami i lekami. W rzeczywistości bezafibrat był kiedyś testowany pod kątem marskości wątroby i odnotowano jego skuteczność w leczeniu marskości wątroby, chociaż nigdy nie został wydany jako skuteczny lek. W ten sposób mogliśmy zidentyfikować skuteczne leki potwierdzone eksperymentalnie, po prostu w ocenie in silico.

Nie mogliśmy eksperymentalnie przetestować leków zidentyfikowanych na pięć chorób, ale powinny one być bardzo obiecujące, ponieważ lek określony na marskość wątroby został zweryfikowany eksperymentalnie.

Podejście do repozycjonowania leków

Ponadto niedawno wydaliśmy pakiet obliczeniowy do wykonywania tej analizy, TDbasedUFEadv ⁽⁵⁾, w Bioconductor, który jest znany z przechowywania różnych aplikacji używanych w bioinformatyce. Zatem teraz każdy zainteresowany naszą metodą może ją przetestować. To powinien być punkt wyjścia dla zadania repozycjonowania leków za pomocą naszych metod i spodziewamy się, że wiele nowych leków okaże się skutecznych w leczeniu chorób dzięki repozycjonowaniu leków naszym podejściem.

Bibliografia

1. Yh. Taguchi, Związek między ekspresją genów a uczeniem maszynowym, Open Access Government 38(1) 296-297 kwiecień (2023)
2. Yh. Taguchi, Identyfikacja leków kandydujących przy użyciu nienadzorowanej ekstrakcji cech opartej na rozkładzie tensorowym w zintegrowanej analizie ekspresji genów między chorobami i zestawami danych DrugMatrix. Przedstawiciel nauki 7, 13733 (2017).
3. Yh. Taguchi, Ekstrakcja cech bez nadzoru stosowana w bioinformatyce, Research Outreach, No. 115, s. 154-157, (2020),
4. Yh. Taguchi, Unsupervised Feature Extraction Applied to Bioinformatics: A PCA Based and TD Based Approach, Springer International, (2020).
5. Yh. Taguchi, Turki Turki, TDbasedUFE i TDbasedUFEadv: pakiety bioprzewodników do przeprowadzania nienadzorowanej ekstrakcji cech opartej na dekompozycji tensorowej bioRxiv 2023.05.14.540687; doi: