Un modelo computacional desarrollado por un equipo 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 este jueves 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 algoritmo, 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 patologías 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.
Datos de 5.800 pacientes para entrenar el algoritmo
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 medicamentos para 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 el algoritmo, utilizaron datos de efectividad de seis de los ocho fármacos en todas las señales de stop posibles de estos 5.800 pacientes.
Más de 140.000 mediciones
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. “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, generando más de 140.000 mediciones individuales. La extensa cantidad de información permitió entrenar modelos predictivos precisos, que utilizaron para crear RTDetective.
Los investigadores usaron el algoritmo para identificar 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. En este sentido, predijeron 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.
Resultados prometedores
Los hallazgos 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 afectados 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.
El estudio también sugiere cómo los nuevos medicamentos 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 Ben Lehner, autor principal del trabajo.
Los investigadores esperan 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 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 coliderado el trabajo.
Referencia:
Toledano et al. ‘Genome-scale quantification and prediction of pathogenic stop codon readthrough by small molecules‘. Nature Genetics, 2024.
Fuente: Centre for Genomic Regulation
Recordamos que SALUD A DIARIO es un medio de comunicación que difunde información de carácter general relacionada con distintos ámbitos sociosanitarios, por lo que NO RESPONDEMOS a consultas concretas sobre casos médicos o asistenciales particulares. Las noticias que publicamos no sustituyen a la información, el diagnóstico y/o tratamiento o a las recomendaciones QUE DEBE FACILITAR UN PROFESIONAL SANITARIO ante una situación asistencial determinada.
SALUD A DIARIO se reserva el derecho de no publicar o de suprimir todos aquellos comentarios contrarios a las leyes españolas o que resulten injuriantes, así como los que vulneren el respeto a la dignidad de la persona o sean discriminatorios. No se publicarán datos de contacto privados ni serán aprobados comentarios que contengan 'spam', mensajes publicitarios o enlaces incluidos por el autor con intención comercial.
En cualquier caso, SALUD A DIARIO no se hace responsable de las opiniones vertidas por los usuarios a través de los canales de participación establecidos, y se reserva el derecho de eliminar sin previo aviso cualquier contenido generado en los espacios de participación que considere fuera de tema o inapropiados para su publicación.
* Campos obligatorios