Repositioning based on side effects on mithril

1. Repositioning based on Side-effects on Mithril
Introduzione - "la stampa (12/04/12)"
L’idea non sembra delle più originali, eppure, osservando la crescita del
fenomeno, appare come una delle nuove modalità di ricerca in campo
farmacologico. Lo chiamano in gergo il «drug repositioning» ed è l’utilizzo
di farmaci già in commercio per curare malattie diverse da quelle per cui
sono stati progettati.
Le ragioni di questa strategia sono strettamente legate al loro processo
produttivo. «Secondo una recente analisi - spiega Marco Foiani, direttore
scientifico dell'Istituto Ifom-Firc di Oncologia Molecolare di Milano - per
produrre un nuovo medicinale sono necessari, in media, investimenti da
800 milioni di dollari. Non solo, da un punto di vista temporale passano
all’incirca 15-20 anni prima che la molecola in questione sia
effettivamente disponibile sul mercato». Numeri impressionanti che
lasciano poco spazio alle interpretazioni.
Ogni anno la Food and Drug Administration, l’ente governativo
statunitense che si occupa della regolamentazione dei prodotti alimentari
e farmaceutici, approva la commercializzazione di non più di 20-30
farmaci all’anno. Ma si calcola che a questo ritmo servirebbero 300 anni
per arrivare al numero di farmaci necessari oggi. Ed è proprio per questa
ragione che la ricerca si sta concentrando sempre di più sul «drug
repositioning». «Questa strategia, volta all’identificazione di nuove
proprietà terapeutiche dei farmaci in commercio, permette di accorciare
notevolmente i tempi e tagliare gli alti costi di sviluppo. La ragione risiede
nel fatto che questi medicinali hanno già superato i lunghi test tossicologi
e sono facilmente prodotti su scala industriale», spiega Foiani.
Avvenuti in maniera più o meno fortuita, come nel caso del Viagra, che

2. veniva inizialmente somministrato a chi soffriva di angina pectoris, gli
esempi di farmaci che hanno subito o subiranno presto un
riposizionamento terapeutico son numerosi. E, prevedibilmente, sono
destinati a crescere.
Aspirina. Uno dei farmaci che meglio riassume il concetto di «drug
repositioning» è l’acido acetil-salicilico. Un classico. Attualmente viene
utilizzato come anti-infiammatorio e anti-dolorifico, perché è in grado di
inibire la sintesi di alcuni mediatori chimici coinvolti nel processo di
infiammazione. Uno dei suoi principali effetti collaterali, la capacità di
favorire il sanguinamento, ostacolando l’aggregazione delle piastrine,
viene sfruttato a scopo preventivo per mantenere «fluido» il sangue ed
evitare la formazione di trombi che possono causare infarti ed ictus.
Ma non è solo il sistema cardiovascolare a giovarne. Diversi studi
sembrerebbero indicare che la sua assunzione (75 mg al giorno per
almeno cinque anni) sia associata ad una riduzione del rischio cancro. In
particolare del 60% per quello all’esofago, del 40% al colon e del 30% ai
polmoni.
Acido valproico-rapamicina. Che cosa hanno in comune l’uno e l’altra? Ad
un’analisi superficiale assolutamente nulla. Mentre il primo viene
utilizzato correntemente come anti-epilettico, il secondo ha capacità
immunodepressive che vengono sfruttate nei pazienti trapiantati per
evitare il fenomeno del rigetto. Due farmaci completamente diversi tra
loro, ma che potrebbero essere sfruttati nel prevenire lo sviluppo dei
tumori. In uno studio pubblicato lo scorso anno su «Nature», opera del
professor Foiani, è stata dimostrata la capacità di queste molecole di
agire sui meccanismi di riparazione dei danni al Dna.
Metformina. Chi è affetto da diabete di tipo 2, quello non insulino-
dipendente, avrà sicuramente avuto a che fare con un farmaco
economico e generico: la metformina. L’interesse per questa molecola si

3. riaccese nel 2005, quando un gruppo di scienziati scozzesi notò una
diminuzione dei casi di tumori nei malati di diabete che assumevano la
molecola. A distanza di sette anni è da poco stato pubblicato uno studio
che ne chiarisce le proprietà anti-tumorali. Il farmaco, infatti, è in grado di
prevenire i danni al Dna, una delle cause alla base dello sviluppo delle
neoplasie, neutralizzando i radicali liberi proprio come fanno i classici
anti-ossidanti.
Idrossiclorochina. Un altro farmaco particolarmente noto per essere
utilizzato nel trattamento di malattie differenti è l’idrossiclorochina.
Questa molecola, sintetizzata a partire già dagli Anni 40, fu concepita per
la profilassi anti-malarica. Poi, pochi anni dopo dalla commercializzazione,
il suo utilizzo venne esteso al trattamento di malattie auto-immuni, come
l’artrite reumatoide e il lupus eritematoso. Ora, secondo recenti studi,
sembrerebbe essere utile anche nel trattamento del virus dell’Hiv.
E l’elenco è destinato sicuramente ad allungarsi. Infatti, oltre ai farmaci
già in commercio, sono ancora molti quelli non entrati nella pratica clinica
a causa degli scarsi risultati, nonostante i test tossicologici superati. Ed è
proprio su questi che la ricerca si sta concentrando. «Ciò non toglie -
conclude Foiani - che il fenomeno del “drug repositioning” non
rappresenta un’alternativa, ma una strategia in più al classico iter di
progettazione di un farmaco».
http://www.lastampa.it/2012/04/12/scienza/guariti-da-pillole-sbagliate-
d89l75YhP3s6Dh4gPz3D2I/pagina.html

4. Il progetto
Per studiare il fenomeno sopra descritto, in questo lavoro userò
Mithril.java
(http://www.impactjournals.com/oncotarget/index.php?journal=oncotar
get&page=article&op=view&path%5B%5D=9788&path%5B%5D=30710).
L'obiettivo è quello di creare un'interfaccia R per passare i dati al
Software che calcolerà quindi gli endpoints dei pazienti e delle drugs; di
questi verrà quindi studiata la correlazione che ci fornirà i dati di:
• "estimate": positivo nel caso di concordanza e negativo nel caso di
complementarietà
• "p - value": per un basso valore indica che probabilità che l'ipotesi
nulla sia vera con alta probabilità. Tipicamente un p-value è ritenuto
significativo se minore di 0.05 o 0.01, per le correlazioni si scende
anche a 0.001 o 0.0001.

5. I DataSet
Il problema è stato studiato su due dataSet:
• "coad.lfcs": dataSet dei pazienti dove ogni colonna della matrice
corrisponde ad un paziente mentre ogni riga corrisponde ad un
gene.
• "cmap.lfcs": dataSet contenente i Log-Fold-Change delle drugs dove
ogni colonna della matrice corrisponde ad una drugs mentre ogni
riga corrisponde ad un gene.
Ogni colonna dei dataSet è quindi un dato completo che può essere
passato a Mithril.
La prima difficoltà incontrata è stata proprio qui: gestire grosse quantità
di dati ha richiesto molto tempo e alcuni stratagemmi per poter caricare
tutti i dati che sono stati quindi salvati nella workspace "reduced" del
progetto.

6. Le classi del progetto
UI
#carico la workspace
load("C:/Users/andrea/Desktop/sortedBioinfProject/reduced.RData")
#setto il path che contiene l'eseguibile Mithril.java
mithril.path <- "C:/Users/andrea/Desktop/sortedBioinfProject/mithril"
#includo i metodi che verranno eseguiti dopo il setting
source("patient_drug.cor.R")
source("run.mithril.R")
#setto paziente e farmaco dell'esperimento
namePatient <- "TCGA-A6-2671-01A-01R-1410-07"
nameDrug <- "4"
#cerco quindi i campioni nei dataSet
i <- which(colnames(patient.data)==namePatient)
j <- which(colnames(drugs.data)==nameDrug)
#richiamo quindi il metodo patient_drug.cor
patient_drug.cor.out <- patient_drug.cor(patient.data[,i], drugs.data[,j],
rownames(patient.data), rownames(drugs.data), mithril.path)

7. riaccese nel 2005, quando un gruppo di scienziati scozzesi notò una
diminuzione dei casi di tumori nei malati di diabete che assumevano la
molecola. A distanza di sette anni è da poco stato pubblicato uno studio
che ne chiarisce le proprietà anti-tumorali. Il farmaco, infatti, è in grado di
prevenire i danni al Dna, una delle cause alla base dello sviluppo delle
neoplasie, neutralizzando i radicali liberi proprio come fanno i classici
anti-ossidanti.
Idrossiclorochina. Un altro farmaco particolarmente noto per essere
utilizzato nel trattamento di malattie differenti è l’idrossiclorochina.
Questa molecola, sintetizzata a partire già dagli Anni 40, fu concepita per
la profilassi anti-malarica. Poi, pochi anni dopo dalla commercializzazione,
il suo utilizzo venne esteso al trattamento di malattie auto-immuni, come
l’artrite reumatoide e il lupus eritematoso. Ora, secondo recenti studi,
sembrerebbe essere utile anche nel trattamento del virus dell’Hiv.
E l’elenco è destinato sicuramente ad allungarsi. Infatti, oltre ai farmaci
già in commercio, sono ancora molti quelli non entrati nella pratica clinica
a causa degli scarsi risultati, nonostante i test tossicologici superati. Ed è
proprio su questi che la ricerca si sta concentrando. «Ciò non toglie -
conclude Foiani - che il fenomeno del “drug repositioning” non
rappresenta un’alternativa, ma una strategia in più al classico iter di
progettazione di un farmaco».
http://www.lastampa.it/2012/04/12/scienza/guariti-da-pillole-sbagliate-
d89l75YhP3s6Dh4gPz3D2I/pagina.html

8. tester
#per lanciare il codice su un numero arbitrario di pazienti e farmaci
#carico la workspace
load("C:/Users/andrea/Desktop/sortedBioinfProject/reduced.RData")
#setto il path che contiene l'eseguibile Mithril.java
mithril.path <- "C:/Users/andrea/Desktop/sortedBioinfProject/mithril"
#includo i metodi che verranno eseguiti dopo il setting
source("patient_drug.cor.R")
source("run.mithril.R")
#vettori in cui verranno salvati i risultati del tester
pValue = c()
estimate = c()
#indice dei vettori
cnt=1
#chiamo run.mithril aggiornando gli indici dei dati da elaborare per passarli quindi al
metodo
for(i in 1:length(pazient.data[1,])){
for(j in 1: length(drugs.data[1,])){
tmp <- patient_drug.cor(patient.data[,i], drugs.data[,j],
rownames(patient.data), rownames(drugs.data), mithril.path)
pValue[cnt] <- tmp[1]
estimate[cnt] <- tmp[2]
}
}

9. Risultati
Disease/drugs TCGA-A6-2670-
01A-02R-0821-07
TCGA-A6-2671-
01A-01R-1410-07
TCGA-A6-2672-
01A-01R-0826-07
TCGA-A6-2674-
01A-02R-0821-07
1 estimate =
-0.0874573
pValue =
3.216067e-10
estimate =
-0.111436
pValue =
1.043372e-15
estimate =
-0.04639345
pValue =
0.0008653835
estimate =
-0.004634683
pValue =
0.739446288
2 estimate =
-0.07323235
pValue =
1.423254e-07
estimate =
-0.07221295
pValue =
2.116791e-07
estimate =
-0.019150346
pValue =
0.169331439
estimate =
0.044043382
pValue =
0.001566421
3 estimate =
-0.1033504
pValue =
1.035102e-13
estimate =
-0.1092501
pValue =
3.740316e-15
estimate =
-0.026304675
pValue =
0.059032584
estimate =
0.010048519
pValue =
0.470847938
4 estimate =
-0.0666951
pValue =
1.65641e-06
estimate =
-0.101798
pValue =
2.405798e-13
estimate =
-0.028487556
pValue =
0.040886178
estimate =
0.006516295
pValue =
0.640060387
Disease/drugs TCGA-AA-3684-0
1A-02R-0905-07
TCGA-AA-3692-0
1A-01R-0905-07
TCGA-AA-3693-0
1A-01R-0905-07
TCGA-AA-3695-0
1A-01R-0905-07
375 estimate =
-0.11766954
pValue =
2.382933e-17
estimate =
-0.08442051
pValue =
1.288269e-09
estimate =
-0.15421223
pValue =
8.673891e-29
estimate =
-0.1809379
pValue =
3.643591e-39
376 estimate =
-0.20195364
pValue =
1.486232e-48
estimate =
-0.08056106
pValue =
7.018726e-09
estimate =
-0.10439637
pValue =
5.822239e-14
estimate =
-0.1124109
pValue =
5.856425e-16
377 estimate =
0.03014279
pValue =
3.049976e-02
estimate =
0.11298038
pValue =
4.169773e-16
estimate =
0.01867113
pValue =
1.802592e-01

10. Conclusioni:
I risultati riportati mostrano come somministrare un farmaco ad un
paziente possa avere effetti positivi o negativi secondari (appunti side-
effects) sulle sue altre patologie.
Particolarmente interessante è ad esempio il risultato del farmaco 376,
dove il valore di estimate suggerisce come la drug in questione ha un
effetto complementare sulla patologia del paziente e il basso valore di p-
value indica un'alta attendibilità del test.
Appare quindi chiaro come è possibile scrivere "nuove indicazioni per i
vecchi farmaci" e quindi curare patologie non solo attraverso nuovi
farmaci ma "riscoprendo quelli vecchi".
Vedi: http://www.socialfarma.it/informazione/socialfarma-news/7141-il-
riposizionamento-dei-farmaci-per-la-cura-di-altre-
malattie?highlight=YToxOntpOjA7czo4OiJtYWxhdHRpZSI7fQ%3D%3D

11. Contatto sviluppatore interfaccia R
ciccottandrea@gmail.com