Cuando te llega una noticia de este estilo lo único sensato es buscar la fuente original. Si solo aparece en medios de comunicación o en páginas web, mala señal. En todo el mundo, la investigación se publica en revistas especializadas después de que ese artículo haya sido evaluado por expertos en ese mismo campo, lo que llamamos revisión por pares. Aquí la buena noticia es que sí existía un artículo científico, publicado por Elise Koch y Ditte Demontis en la revista Frontiers in Pharmacology. Esa es otra pista útil. Los artículos realmente importantes, una cura del autismo por ejemplo, se suelen publicar en tres revistas: Science, Nature y Cell.
Sacar un nuevo fármaco al mercado es un proceso que cuesta cientos o miles de millones de euros y 10-15 años de tiempo. Por eso fue un éxito espectacular de la ciencia, en particular de la europea, conseguir una vacuna eficaz contra el coronavirus en un año. ¿Se imaginan 10-15 años con la pandemia arrasando? Dudo de que nuestra civilización lo hubiera podido aguantar. Los estudios previos, antes de salir al mercado, cubren dos grandes aspectos: que el medicamento sea seguro y que sea eficaz. Aquí surge una derivada muy interesante.
Para buscar posibles interacciones, lo que hicieron las dos investigadoras escandinavas fue lo siguiente. Partieron de los genes que supuestamente incrementan el riesgo de tener autismo y estudiaron las redes de interacciones proteína-proteína de los productos de esos genes. A continuación, identificaron los fármacos aprobados que se sabe que interactúan con las proteínas dentro de esta red.
Lo más importante es entender lo que han hecho y no han hecho las investigadoras. Este ha sido el procedimiento:
1.- Elegir los genes TEA
Utilizaron dos fuentes diferentes para definir los genes del TEA: el último GWAS a gran escala sobre el TEA, que incluía 18.381 individuos con TEA y 27.969 controles (Grove et al., 2019), y el mayor estudio de secuenciación del exoma del TEA (N = 35.584 muestras totales, 11.986 individuos con TEA) (Satterstrom et al., 2020).
2.- Usar el interactoma de proteínas humanas
Este interactoma se construyó a partir de los datos de 15 bases de datos de uso común, centrándose en las interacciones proteína-proteína (IPP) de alta calidad. Este interactoma consta de 17.706 proteínas únicas (nodos) interconectadas por 351.444 IPP (aristas o enlaces), resultando en 346.330 IPP después de eliminar los bucles.
3.- Definir la red TEA
La mayoría de los fármacos aprobados no se dirigen a las proteínas alteradas por la enfermedad, sino que se unen a las proteínas vecinas en la red. Por ello, las investigadoras definieron una red de TEA que incluye no solo los genes de TEA descritos anteriormente, sino también los genes en su proximidad de red inmediata.
4.- Analizar la red de objetivos de fármacos
Utilizaron la base de datos de interacción fármaco-gen (DGIdb) para identificar estas interacciones entre los fármacos aprobados y los genes de la red TEA. Estudiaron 439 fármacos aprobados.
5.- Perfiles de perturbación de la expresión génica
Para los fármacos que interactúan con los genes de la red TEA, utilizaron datos de expresión génica (fármaco frente a no fármaco) para evaluar si estos fármacos modulan la actividad de los genes de la red. Para evaluar si los candidatos a la reutilización de fármacos podrían cambiar las perturbaciones de la expresión génica asociadas al TEA (si regulan a la baja un gen regulado al alza en el TEA o viceversa), se calculó para cada fármaco la correlación ρ de Spearman entre las perturbaciones inducidas por el fármaco y las perturbaciones asociadas al TEA, donde los coeficientes de correlación negativos indican que el fármaco podría revertir los cambios de expresión génica asociados al TEA.
Para leer más:
- Grove J, Ripke S, Als TD, Mattheisen M, Walters RK, Won H, Pallesen J, Agerbo E, Andreassen OA, Anney R, Awashti S, Belliveau R, Bettella F, Buxbaum JD, Bybjerg-Grauholm J, Bækvad-Hansen M, Cerrato F, Chambert K, Christensen JH, Churchhouse C, Dellenvall K, Demontis D, De Rubeis S, Devlin B, Djurovic S, Dumont AL, Goldstein JI, Hansen CS, Hauberg ME, Hollegaard MV, Hope S, Howrigan DP, Huang H, Hultman CM, Klei L, Maller J, Martin J, Martin AR, Moran JL, Nyegaard M, Nærland T, Palmer DS, Palotie A, Pedersen CB, Pedersen MG, dPoterba T, Poulsen JB, Pourcain BS, Qvist P, Rehnström K, Reichenberg A, Reichert J, Robinson EB, Roeder K, Roussos P, Saemundsen E, Sandin S, Satterstrom FK, Davey Smith G, Stefansson H, Steinberg S, Stevens CR, Sullivan PF, Turley P, Walters GB, Xu X; Autism Spectrum Disorder Working Group of the Psychiatric Genomics Consortium; BUPGEN; Major Depressive Disorder Working Group of the Psychiatric Genomics Consortium; 23andMe Research Team, Stefansson K, Geschwind DH, Nordentoft M, Hougaard DM, Werge T, Mors O, Mortensen PB, Neale BM, Daly MJ, Børglum AD (2019) Identification of common genetic risk variants for autism spectrum disorder. Nat Genet 51: 431–444.
- Koch E, Demontis D (2022) Drug repurposing candidates to treat core symptoms in autism spectrum disorder. Front Pharmacol 13: DOI=10.3389/fphar.2022.995439
- Satterstrom FK, Kosmicki JA, Wang J, Breen MS, De Rubeis S, An JY, Peng M, Collins R, Grove J, Klei L, Stevens C, Reichert J, Mulhern MS, Artomov M, Gerges S, Sheppard B, Xu X, Bhaduri A, Norman U, Brand H, Schwartz G, Nguyen R, Guerrero EE, Dias C Autism Sequencing Consortium; iPSYCH-Broad Consortium, Betancur C, Cook EH, Gallagher L, Gill M, Sutcliffe JS, Thurm A, Zwick ME, Børglum AD, State MW, Cicek AE, Talkowski ME, Cutler DJ, Devlin B, Sanders SJ, Roeder K, Daly MJ, Buxbaum JD (2020) Large-Scale Exome Sequencing Study Implicates Both Developmental and Functional Changes in the Neurobiology of Autism. Cell 180(3):568-584.