PATH integra datos multimodales y propone posibles dianas terapéuticas para el carcinoma renal de células claras

Contexto: búsqueda de dianas más allá del análisis de un solo tipo de datos
PATH, un marco de aprendizaje automático basado en la medicina de redes, integró distintos conjuntos de datos moleculares para proponer posibles dianas terapéuticas para el carcinoma renal de células claras (ccRCC). En experimentos posteriores con líneas celulares, un inhibidor dirigido a ENO2 mostró el efecto antiproliferativo más marcado. La validación se limitó a respuestas celulares y no demostró eficacia en pacientes.
La búsqueda tradicional de dianas terapéuticas se ha basado en hipótesis sobre un solo gen o en análisis de mutaciones y expresión génica. Sin embargo, los cánceres presentan una gran heterogeneidad entre células y redes moleculares complejas de múltiples capas, lo que dificulta identificar las interacciones que mantienen la enfermedad a partir de cambios en genes individuales. Este fue el contexto de la búsqueda de vulnerabilidades en las células tumorales del ccRCC, en el que también aparece resistencia a los tratamientos existentes.
Hallazgos principales: integración de cuatro tipos de datos y pruebas en líneas celulares
El equipo integró transcriptómica unicelular, multiómica de muestras en conjunto (bulk), cribado de inactivación génica con CRISPR a escala genómica y redes de interacción proteína-proteína (PPI). Los datos de CRISPR procedían de conjuntos de datos existentes de DepMap; el equipo no realizó un nuevo cribado.
PATH no selecciona candidatos basándose únicamente en los niveles de expresión génica. A partir de 35 firmas génicas, el equipo calculó, entre otras medidas, la distancia en la red, la composición de los genes vecinos, la centralidad y el efecto de la inactivación génica sobre la viabilidad celular. Así definió 139 características para cada uno de los 17.880 genes. El modelo entrenado distingue las dianas farmacológicas conocidas de otros genes y ordena los candidatos por prioridad. Un modelo de conjunto obtuvo un área media bajo la curva característica operativa del receptor (AUROC) de 0,9254 en un conjunto de prueba equilibrado que no se había usado para el entrenamiento. Esta métrica mide el rendimiento de clasificación de dianas; no equivale a la tasa de éxito clínico de nuevos candidatos.
El equipo aplicó criterios como la especificidad por células tumorales y la disponibilidad de inhibidores a la clasificación predicha, y luego probó seis candidatos seleccionados en las líneas celulares A498, 769-P y 786-O. Se observó una reducción de la viabilidad celular con inhibidores dirigidos a ENO2, LRRK2, SCARB1, HMOX1 y TGM2, mientras que un inhibidor de LOX no mostró efecto. Las respuestas a la inhibición de HMOX1 y TGM2 variaron entre líneas celulares.
En los experimentos de proliferación, las células se trataron con cada inhibidor a 10 μM durante 72 horas. POMHEX, un inhibidor dirigido a ENO2, suprimió casi por completo la proliferación. La reducción media de la proliferación con los inhibidores de LRRK2 y SCARB1 fue de aproximadamente el 45% en cada caso. Como se probaron fármacos distintos, estas cifras por sí solas no permiten establecer qué diana es superior.
Implicaciones y perspectivas: potencial de reposicionamiento y límites de la validación
LRRK2 también despierta interés desde la perspectiva del reposicionamiento de fármacos. Sin embargo, el compuesto utilizado en estos experimentos con células de cáncer renal fue LRRK2-IN-1. Debe distinguirse de BIIB122, que el artículo menciona como fármaco en desarrollo clínico de fase 3 para la enfermedad de Parkinson. El estudio no demostró la eficacia de BIIB122 frente al cáncer renal ni una reducción del tiempo o del costo del desarrollo de fármacos.
El equipo también evaluó un modelo PATH construido por separado con datos específicos de adenocarcinoma pulmonar y obtuvo un AUROC de 0,923. El resultado respalda la posibilidad de distinguir dianas conocidas en otro tipo de cáncer. Determinar si PATH puede aplicarse de inmediato a diversas enfermedades difíciles de tratar requiere una validación adicional.
El modelo no explica directamente el mecanismo por el que la inhibición de una diana produce un efecto terapéutico. Los datos incompletos de PPI, los sesgos de investigación y la incertidumbre al clasificar genes como dianas conocidas o no dianas también son limitaciones. Experimentos posteriores deberán determinar el papel causal y el potencial terapéutico de los candidatos.
Los métodos y resultados pueden consultarse en el texto completo del artículo de Communications Chemistry.
The high cost and attrition rate of drug development underscore the need for more effective strategies for therapeutic target discovery. Here, we present a network medicine-based machine learning framework that integrates single-cell transcriptomics, bulk multi-omic profiles, genome-wide CRISPR perturbation screens, and protein-protein interaction networks to systematically prioritise disease-specific targets. Applied to clear cell renal cell carcinoma, the framework successfully recovered established targets and predicted five therapeutic candidates, with subsequent in vitro validation demonstrating that among these, ENO2 inhibition had the strongest anti-tumour effect, followed by LRRK2, a repurposing candidate with phase III Parkinson's disease inhibitors. The proposed approach advances target discovery by moving beyond single-feature, single-modality heuristics to a scalable, machine learning-driven strategy that is generalisable across diseases.
PATH ofrece un enfoque que los equipos de investigación del cáncer renal podrían utilizar para acotar los candidatos para experimentos posteriores. Por ejemplo, aplicar criterios como la especificidad por células tumorales, la expresión en tejidos normales y la disponibilidad de inhibidores a genes con posiciones altas en la clasificación computacional permite seleccionar candidatos para las pruebas. En este estudio, ese proceso permitió escoger seis candidatos para evaluarlos en líneas celulares. Es un ejemplo de cómo convertir datos existentes de CRISPR y de multiómica en características de redes y vincularlas con la priorización experimental. Sin embargo, el enfoque no se ha validado como guía universal para ponderar distintos tipos de datos ni como herramienta para elegir tratamientos para pacientes. Para desarrollar los candidatos como dianas terapéuticas será necesario evaluar más a fondo la especificidad de los fármacos por sus dianas, sus mecanismos de acción, su seguridad y sus efectos in vivo.