Onderzoekers van Clemson University hebben een deep learning tool ontwikkeld die meer inzicht geeft in de invloed van genregulerende netwerken (GRN’s) op de reactie op geneesmiddelen. De onderzoekers publiceerden de resultaten onlangs in het vakblad Nature Biotechnology.
GRN’s zijn complexe systemen van interacties tussen genen, regulerende elementen en eiwitten. Ze kunnen ons meer inzicht geven in de invloed die genetische verschillen hebben op kenmerken zoals de manier waarop mensen op geneesmiddelen reageren”, legt Zhana Duren, PhD, universitair docent aan de faculteit Genetica en Biochemie van Clemson University, uit in een persbericht. “Ieder persoon heeft een uniek GRN dat wordt gevormd door het specifieke genotype, oftewel het geheel van genetische kenmerken, van die persoon. Dat verklaart waarom mensen verschillend kunnen reageren op hetzelfde geneesmiddel.”
Het onderzoeksteam benoemt dat de meeste genetische varianten die zijn gekoppeld aan bepaalde ziekten, zich in delen van het DNA bevinden die niet rechtstreeks coderen voor eiwitten. Dat maakt het lastig te bepalen welke rol deze varianten spelen in iemands gezondheid.
Lifelong Neural Network for Gene Regulation
Om deze genetische varianten en hun GRN’s beter te begrijpen, hebben de onderzoekers een deep learning tool ontwikkeld met de naam Lifelong Neural Network for Gene Regulation (LINGER). “Met deze tool willen we belangrijke vragen beantwoorden, zoals hoe en waarom genetische varianten bepaalde kenmerken beïnvloeden via complexe GRN-interacties”, zegt Duren. “Als we deze mechanismen kunnen ontrafelen, kunnen we misschien op basis van iemands genen voorspellen hoe die persoon op een geneesmiddel zal reageren. Dit kan uiteindelijk leiden tot de ontwikkeling van gerichtere behandelingen.”
De onderzoekers vertellen dat er al modellen bestaan die voorspellen hoe GRN’s werken. De mogelijkheden van die modellen zijn echter beperkt omdat er te weinig gegevens beschikbaar zijn. “Omdat de gegevens betrekking hebben op één cel, is het aantal waarnemingen per cel heel beperkt”, zegt Duren. “Maar het genregulerende netwerk is zo complex dat er enorme hoeveelheden data nodig zijn om het te doorgronden. En er is gewoon niet genoeg onafhankelijke data beschikbaar. We hebben wel data van allerlei cellen, maar die data is niet onafhankelijk.”
LINGER combineert daarom externe bulkdata die betrekking heeft op verschillende cellulaire contexten met al bestaande kennis over transcriptiefactormotieven, zodat onderzoekers een inschatting kunnen maken van de transcriptiefactoractiviteit en inzicht krijgen in de factoren die een ziekte veroorzaken.
Nauwkeuriger voorspellen
“In de afgelopen twintig jaar zijn tal van methodes ontwikkeld voor het afleiden van genregulerende netwerken”, vertelt Duren. “Uit onze systematische benchmarks op basis van experimentele data blijkt echter dat deze bestaande modellen een nauwkeurigheid hebben die slechts zo’n 17% tot 29% hoger ligt dan de willekeurige voorspeller. De nieuwe methode is 125% nauwkeuriger dan de willekeurige voorspeller.”
Het onderzoeksteam benoemt dat LINGER op meerdere manieren zou kunnen worden ingezet, niet alleen ten behoeve van onderzoek naar precisiegeneeskunde, maar ook in de moleculaire en ontwikkelingsbiologie. In de toekomst willen de onderzoekers de tool inzetten om effectievere behandelingen te vinden voor geneesmiddelenverslaving.
Computermodellen en medicatie
Naast computermodellen om inzicht te krijgen in processen worden er ook steeds meer intelligente tools ontwikkeld om medicatie te optimaliseren of te innoveren. Neurologen van het Erasmus MC hebben bijvoorbeeld een computermodel ontwikkeld dat hen helpt bij het voorschrijven van de beste en goedkoopste MS-medicijnen aan patiënten.
En in Utrecht is een computermodel ontwikkeld waarmee de medicatie voor reuma kan worden afgebouwd en dat het risico op een opvlamming van de klachten kan voorspellen en voorkomen. Dit model maakt gebruik van gegevens zoals eerdere bloeduitslagen, medicatiegebruik en ziekteactiviteit om artsen te helpen de meest geschikte behandeling te kiezen.
