Algoritmos de computador encontram ‘pontos fracos moleculares’ dos tumores

A oncologista de Kapotes, Amy Tiersten, no Hospital Mount Sinai, ficou impressionada com a resposta de sua paciente ao novo medicamento. Ela quase não teve efeitos colaterais. “Fiquei impressionada”, diz Tiersten.

O estudo com ruxolitinibe foi o produto de uma busca por uma década de Andrea Califano, bióloga de sistemas da Universidade de Columbia. Usando computação sofisticada, ele modela as redes moleculares que sustentam as células cancerígenas e identifica proteínas chamadas fatores de transcrição que atuam como linchpins, controlando o comportamento de muitos genes dentro de uma célula. Califano colaborou com o biólogo celular José Silva, então também na Columbia, para analisar amostras de câncer de mama em um repositório de tecidos de outros pacientes que se tornaram resistentes ao Herceptin. Os achados da análise sugeriram que um fator de transcrição chamado STAT3 desempenha um papel crítico nesses cânceres. E o ruxolitinibe era conhecido por inibir o STAT3.

Outros pesquisadores se concentraram na identificação de mutações genéticas que causam a doença em um paciente individual. Fazer isso, segundo o pensamento, pode ajudar a identificar o melhor medicamento para cada paciente. Mas, devido à diversidade de mutações causadoras de câncer em toda a população, pode ser necessário dezenas de milhares de medicamentos para tratar a todos.

A abordagem de Califano, por outro lado, é uma reviravolta nessa ideia. Ele se concentrou na identificação de alguns fatores de transcrição que atuam como gargalos. Alveje esses reguladores principais, como Califano os chama, e você interromperá o câncer, independentemente da mutação inicialmente causada por ele. Os oncologistas ainda precisariam analisar as mutações de cada paciente para descobrir quais reguladores estão atuando em seu câncer em particular, mas, em vez de dezenas de milhares de medicamentos, diz Califano, eles podem precisar apenas de dezenas. É uma abordagem despersonalizada da medicina personalizada.

A estratégia baseia-se no treinamento computacional de Califano como físico. “Criamos algoritmos que podem reverter a lógica de cada tumor diferente para conhecermos os alvos” dos medicamentos, diz ele. Seus algoritmos são um excelente exemplo de biologia de sistemas – que usa matemática complicada para modelar sistemas biológicos complexos, como interações genéticas. É um campo que gerou um interesse tremendo, mas pouco sucesso clínico no mundo real.

Em 2015, Califano co-fundou uma empresa chamada DarwinHealth que usa seus algoritmos para orientar médicos, identificando os principais fatores de transcrição no tumor de um paciente e sugerindo medicamentos para atingi-los. Seu trabalho recebeu elogios de outros pesquisadores, embora alguns notem que a abordagem está apenas nos estágios iniciais dos testes em humanos e sua utilidade clínica permanece incerta. Ed Liu, presidente e CEO do Jackson Laboratory, um instituto biomédico sem fins lucrativos com o qual a Califano colaborou, está otimista de que o método acabará sendo recompensado. “À medida que desenvolvemos maneiras cada vez mais precisas de atacar esses nós, mais úteis serão seus algoritmos.”

A abordagem de Califano está prestes a fazer seu maior teste ainda. A Columbia alocou US $ 15 milhões para um teste de 3000 pacientes com câncer em seus hospitais nos próximos 3 anos, usando os algoritmos da DarwinHealth para analisar o câncer de cada paciente e recomendar tratamentos. “Esse é provavelmente um dos momentos mais empolgantes da minha pesquisa”, diz Califano, “porque finalmente conseguimos aplicar essa metodologia em uma escala grande o suficiente para realmente aprender algo em termos da resposta da pesquisa. paciente.”

No outono de 1958, um jovem cientista chamado François Jacob foi a seu colega Jacques Monod no Instituto Pasteur em Paris com uma hipótese sobre como os mecanismos genéticos poderiam controlar o comportamento celular. Os dois homens tinham tendências renegadas: Jacob lutara contra os nazistas – e fora ferido – em nome do governo francês exilado na Segunda Guerra Mundial, e Monod, um talentoso alpinista, participara das atividades de guerrilha da resistência francesa. Nos anos seguintes, os dois trabalharam juntos e foram os primeiros a demonstrar a ideia de circuitos genéticos. O trabalho acabou por ganhar uma parte do Prêmio Nobel de 1965 em Fisiologia ou Medicina.

Em experimentos com Escherichia coli, Jacob e Monod mostraram que as redes de genes dessas bactérias podem alterar a produção de certas enzimas, dependendo do tipo de alimento disponível. Quando a lactose do açúcar era abundante, as bactérias ativavam genes que codificam as enzimas para metabolizá-la. Mas com acesso apenas à glicose, um açúcar diferente, os micróbios desligam esses genes. Foi uma demonstração pioneira de que a atividade de genes individuais poderia ser aumentada ou reprimida.

Experimentos nas décadas posteriores ajudaram a explicar como a maquinaria celular exerce esse controle. Um ator importante são os fatores de transcrição, proteínas que aumentam ou inibem a atividade de outros genes. A rede de regulação de genes de uma única célula é muito mais elaborada do que Jacob e Monod tinham as ferramentas para descobrir. O genoma humano contém 20.000 genes e estima-se que 1.500 produzem fatores de transcrição. Esse sistema cria uma rede complexa de interruptores liga e desliga.

Califano achava que, se conseguisse identificar as principais chaves do câncer, poderia interromper as mudanças genéticas catastróficas que impulsionam seu crescimento. Mas depois que ele terminou seu treinamento como físico em 1986, a IBM o recrutou para liderar projetos em visão computacional e inteligência artificial. Os códigos de construção nas instalações da IBM impediram Califano de ter um laboratório experimental para buscar seus interesses em biologia. Ele saiu em 2000 e desembarcou em Columbia em 2003. Começou a escrever um código para resolver o enigma do câncer no dia em que chegou.

Atualmente, os dados subjacentes a seus algoritmos provêm de um método chamado sequenciamento de RNA (RNA-seq). O método mede a atividade gênica dentro das células sequenciando moléculas de RNA, que atuam como um proxy para os quais os genes são ativados e desativados. Os algoritmos analisam a enorme quantidade de dados de RNA-seq para revelar quais genes são hiperativos ou subativos no câncer em comparação com tecidos saudáveis. Os algoritmos usam então equações complexas para inferir padrões de interações genéticas e se concentrar nos fatores de transcrição com maior influência.

A busca dos principais fatores de câncer não é fácil. Considere uma análise de 2018 de mais de 9000 amostras que relataram quase 1,5 milhão de mutações. Os genes influenciam-se mutuamente em redes complexas e em ciclos de feedback, portanto o número de maneiras pelas quais essas perturbações genéticas podem interagir em um tumor é vasto. “Existem, digamos, 1000 genes que sofrem mutação recorrente em todos os tumores que podem causar câncer, então você tem mais combinações potenciais de mutações cancerígenas do que átomos no universo”, diz Califano.

A indústria farmacêutica não pode fabricar um novo medicamento para cada uma dessas combinações únicas. (Em comparação, 126 novos medicamentos contra o câncer receberam a aprovação da Food and Drug Administration [FDA] entre 1980 e 2018.) É por isso que é crucial identificar os principais reguladores que são os culpados pelos cânceres, diz Califano.

Na Columbia, ele trabalhou com seu ex-pesquisador de pós-doutorado Mariano Alvarez para desenvolver algoritmos mais eficientes para classificar através dessas redes. O atual, chamado VIPER – abreviação de inferência virtual da atividade de proteínas por meio de análises enriquecidas por regulons – foi usado em dezenas de estudos sobre como vastas redes genéticas interconectadas deram errado em câncer de bexiga, próstata e pulmão.

Califano e colegas usaram recentemente o algoritmo VIPER para examinar dados de RNA-seq de mais de 10.000 amostras de tumores individuais no Cancer Genome Atlas, um banco de dados patrocinado pelo governo dos EUA. A equipe descobriu que diferentes tipos de câncer têm mais em comum do que se pensava anteriormente. A análise, agora em revisão para publicação, identificou 407 genes de fatores de transcrição que agiam como suspeitas de linchpins em todas as amostras de câncer. Apenas 20 a 25 deles estavam envolvidos em um determinado câncer – e Califano diz que combater o câncer pode não exigir a eliminação de todos esses fatores de transcrição: derrubar apenas alguns nós pode ser suficiente.

Você tem mais combinações potenciais de mutações cancerígenas do que átomos no universo.

Califano “foi um dos primeiros a lançar algoritmos complexos e outros seguiram”, diz Liu. Um ponto forte dos algoritmos de Califano é que eles analisam toda uma rede de produtos gênicos, incluindo RNA e proteínas, acrescenta David Tuveson, diretor do Centro de Câncer do Cold Spring Harbor Laboratory. Tuveson usa o VIPER em sua própria busca por tratamentos para o câncer de pâncreas.

Califano também espera colocar seus algoritmos para trabalhar para os pacientes. A idéia de comercializar essa abordagem começou em 2013, em uma praia nas Ilhas Virgens Britânicas. Lá, ele conheceu um colega em férias, Gideon Bosker, um médico que havia iniciado sua medicina de emergência e mais tarde lançou uma empresa de educação médica de sucesso. Os dois se deram bem e, dois anos depois, eles decidiram formar a DarwinHealth. A Columbia licenciou a tecnologia VIPER para a DarwinHealth e Bosker investiu US $ 1,4 milhão em seu empreendimento para tirá-lo do papel. Desde então, os colaboradores do setor patrocinam mais de uma dúzia de projetos de pesquisa com os algoritmos da empresa.

A DarwinHealth combina os algoritmos do Califano com um banco de dados de informações de experimentos sobre como os medicamentos afetam vários genes, compilados através da revisão da literatura e de outras fontes pela empresa. Desde que sigam regras estabelecidas para a transferência de tecidos de pacientes, médicos de todo o mundo agora podem enviar uma amostra de tecido ao departamento de patologia da Columbia, onde o RNA é extraído das células. Por US $ 1600, a empresa gera uma leitura “OncoTarget” do regulador mestre individual que parece ter o maior impacto no câncer do paciente, bem como uma leitura mais sofisticada “OncoTreat” dos medicamentos existentes que reprimem as 25 transcrições mais ativadas do tumor fatores e aumentar os 25 que são mais recusados. Os produtos lançados em 2018.

Gordon Mills, que atua como diretor de oncologia de precisão do Knight Cancer Institute da Oregon Health & Science University e ajudou a ser pioneiro no campo da biologia de sistemas, observa que os algoritmos de combate ao câncer de Califano ainda precisam superar muitos obstáculos. “Há ceticismo de que estamos suficientemente longe para prever a complexidade da doença humana”, diz Mills, que aplicou os algoritmos de Califano aos dados de sua própria pesquisa. “Houve centenas de algoritmos que falharam em capturar verdadeiramente a complexidade e a heterogeneidade do câncer e não deram certo nas tentativas de transferi-los para a clínica”.

Mas Califano vê um sinal de que sua busca por linchpins do câncer será recompensada em uma improvável história de sucesso do câncer: a talidomida. Em meados da década de 1950, o medicamento chegou ao mercado como sedativo para ajudar no sono e na ansiedade. Os médicos também receitaram náuseas para mulheres grávidas – o que foi devastador porque causou defeitos congênitos maciços, incluindo a falta de membros e problemas cardíacos. Mas a talidomida voltou como remédio para doenças como a hanseníase. Em 1997, os médicos começaram a testar o medicamento contra o mieloma múltiplo, um câncer que afeta os glóbulos brancos.

Desde então, os cientistas aprenderam mais sobre como a talidomida funciona. Em 2018, eles descobriram que solicita que um complexo de proteínas chamado cereblon dentro das células marque certos fatores de transcrição para descarte. No mieloma múltiplo, esses fatores de transcrição, IKZF1 e IKZF3, atuam como pinos básicos na rede genética que permite ao câncer prosperar. Para Califano, o sucesso da talidomida mostra o valor de encontrar medicamentos existentes que podem atingir os principais reguladores do câncer.

Os candidatos são escassos. Enquanto muitos medicamentos buscam proteínas que atuam como enzimas e têm locais ativos fáceis de encontrar, os fatores de transcrição carecem de pontos facilmente visíveis e muitos pesquisadores os consideram indescritíveis.

Mas o laboratório da Califano em Columbia está tentando adicionar à lista de medicamentos em potencial. Máquinas pesadas com braços robóticos processam amostras de células tumorais para fazer uma triagem de alto rendimento que analisa como os medicamentos candidatos alteram o perfil de RNA-seq das células e se os medicamentos revertem a atividade dos reguladores principais. Um supercomputador de US $ 12 milhões no porão do edifício, um recurso compartilhado para pesquisadores universitários, analisa os dados.

A Bristol Myers Squibb, que fabrica a versão aprovada pela FDA da talidomida para o mieloma múltiplo, entrou na caçada. A empresa contratou a DarwinHealth para pesquisar sistematicamente a biblioteca de compostos da gigante farmacêutica em busca de outros compostos que possam atingir os principais reguladores.

O apoio adicional à abordagem DarwinHealth vem de um estudo recente de Samir Parekh, na Escola de Medicina de Icahn, no Monte Sinai, e de uma equipe de colaboradores internacionais, que recentemente completaram um ensaio clínico para testar uma combinação de dois medicamentos, dexametasona e selinexor, para múltiplos mieloma. A combinação funcionou apenas em cerca de um quarto dos pacientes, reduzindo os níveis de uma proteína do mieloma no sangue. Em uma análise retrospectiva, as ferramentas da DarwinHealth previram quais pacientes responderiam. Ao avaliar os dados de RNA-seq de 12 pacientes, as ferramentas identificaram quatro dos cinco pacientes que se beneficiaram com os medicamentos e seis dos sete que não o fizeram, relataram os pesquisadores no ano passado em O novo jornal inglês de medicina.

Morgan Craig, que usa abordagens computacionais para identificar novos medicamentos na Universidade de Montreal, diz que os esforços para entender as redes moleculares no câncer têm o potencial de melhorar a medicina personalizada. Algoritmos como os usados ​​pelo DarwinHealth “podem não assumir abordagens clínicas imediatamente”, explica Craig. “Mas é definitivamente um passo para tentar fazer essa identificação de alvo de uma maneira mais sistemática”.

O DarwinHealth não roda ensaios clínicos, mas nos últimos 3 anos, o laboratório da Califano testou os algoritmos da empresa em experimentos na Columbia. Os pesquisadores analisaram dados de RNA-seq de amostras de biópsia de mais de 100 pacientes com câncer para identificar reguladores principais e sugerir medicamentos que normalmente não podem ser considerados (como faz o serviço comercial da DarwinHealth). Em algumas dezenas de casos, os pesquisadores mais tarde testaram a droga em camundongos com uma versão enxertada do tumor de um paciente para confirmar que a droga afetava os reguladores principais, como previsto. Para cinco desses pacientes, os médicos se sentiram ousados ​​o suficiente para experimentar o medicamento sugerido pelo algoritmo. Cada paciente tinha câncer em estágio avançado que já havia parado de responder aos tratamentos disponíveis.

Quatro desses cinco pacientes responderam aos medicamentos administrados, pelo menos por um tempo. Para um paciente com meningioma, um tumor que pode exercer pressão fatal no cérebro, o algoritmo apontou para o etoposídeo – um medicamento originalmente projetado para tratar o câncer de pulmão e ovário. Seu tumor parou de crescer por mais de um ano; Ele então começou a se recuperar levemente e ele foi colocado em um ensaio clínico diferente. Depois disso, seu tumor começou a crescer rapidamente novamente.

Califano espera aproveitar esses resultados anedóticos com o ensaio clínico formal, agora em andamento na Columbia. Os testes Oncotarget e Oncotreat da DarwinHealth serão usados ​​com 3000 pacientes no sistema Columbia. Por fim, os medicamentos que recebem serão escolhidos por um conselho médico com base em leituras de mutações detectadas pelo seqüenciamento tradicional ou do algoritmo baseado no VIPER. A DarwinHealth não receberá dinheiro pelos testes para evitar conflitos de interesse, já que o Califano faz parte da liderança da empresa enquanto trabalha na universidade.

Califano e Bosker também estão licenciando as ferramentas da DarwinHealth para outros pesquisadores em todo o mundo para testar contra o câncer. Em janeiro, o Hospital do Câncer de Pequim confirmou que usaria as ferramentas da DarwinHealth para orientar o tratamento de pacientes em ensaios clínicos no local. Xiaotian Zhang, oncologista que lidera o novo estudo, diz que, se os resultados iniciais parecerem promissores, a pesquisa será expandida para outros hospitais. “Todos esses estudos clínicos se concentrarão em tumores gastrointestinais, principalmente no câncer gástrico e esofágico”, diz Zhang.

À medida que a abordagem da DarwinHealth entra em mais locais de testes clínicos, mais pacientes como Kapotes receberão medicamentos nunca destinados a combater seus cânceres específicos. Para algumas pessoas, como ela, pode ganhar um tempo precioso. Por mais de dois anos depois que ela se inscreveu no estudo com ruxolitinibe, o câncer de Kapotes permaneceu estável. Quando as varreduras finalmente mostraram que o tumor havia começado a crescer novamente, Tiersten a trocou por outro medicamento, que acabara de receber a aprovação do FDA. Hoje em dia, Kapotes está tendo tempo para aproveitar sua aposentadoria e sua família. O medicamento recentemente aprovado que ela toma agora funciona através de um mecanismo diferente, mas Kapotes nunca teria tido a chance de tomá-lo se não fosse o ruxolitinibe. “Ela aguentou o tempo suficiente porque estava no julgamento”, diz Tiersten.