Desarrollo de Fármacos

Área de la Ciencia:

• Farmacogenómica y Biología Computacional; Neurociencia e Investigación sobre el Envejecimiento; Inteligencia Artificial en la Atención Sanitaria

Sus antecedentes:

• Estudio piloto de asociación de medicamentos (MWAS) para identificar fármacos para la prevención de la enfermedad de Alzheimer y trastornos relacionados (ADRD).
• Se utilizó el conjunto de datos Million Veteran Project (MVP), que abarca genotipos, exposición a fármacos e incidencia de ADRD.
• Exploración agnóstica y sin hipótesis de datos del mundo real.

Objetivo del estudio:

• Identificar fármacos candidatos para la reposición de ADRD utilizando un conjunto de datos del mundo real a gran escala.
• Explorar el impacto de los medicamentos, los datos genómicos y los determinantes sociales de la salud (SDOH) en el riesgo de ADRD.
• Aprovechar la IA explicable para el descubrimiento de interacciones novedosas entre fármacos y factores de riesgo.

Principales métodos:

• Se entrenó un modelo de Gradient Boosting basado en histogramas (HGB) en una cohorte emparejada (n=263,256) del MVP.
• Se incorporaron el estado de PTSD, los SDOH (puntuaciones ADI) y el estado de APOE ε4 y las puntuaciones de riesgo poligénico (PRS) para ADRD.
• Se aplicaron métodos novedosos de IA explicable para calcular las puntuaciones de impacto e interacción de medicamentos como la atorvastatina.

Principales resultados:

• Se confirmaron hallazgos existentes y se identificaron asociaciones novedosas entre medicamentos y el riesgo de ADRD. La atorvastatina demostró una puntuación de impacto negativa, lo que sugiere una reducción del riesgo de ADRD. Se observó una interacción novedosa y negativa entre la atorvastatina y el escitalopram, que podría reducir el riesgo de ADRD.

Conclusiones:

• El enfoque MWAS, que integra datos genómicos y de SDOH, es robusto para identificar estrategias de prevención de ADRD.
• La IA explicable revela eficazmente interacciones complejas entre fármacos y entre fármacos y factores de riesgo.
• Destaca el potencial de los datos del mundo real y la IA en el descubrimiento de nuevos candidatos terapéuticos para la prevención de ADRD.