El campo del descubrimiento de fármacos ha experimentado una transformación radical en las últimas décadas. Tradicionalmente enfocado en la identificación de compuestos que actúan sobre un único objetivo molecular, la farmacología moderna se beneficia enormemente de enfoques de sistemas biológicos que analizan el impacto de los fármacos a nivel de redes y vías moleculares. En este contexto, bases de datos a gran escala como Connectivity Map (CMap) y LINCS (Library of Integrated Network-based Cellular Signatures) se han convertido en recursos invaluables para la farmacogenómica computacional y el diseño de nuevos tratamientos.
¿Qué es la Base de Datos CMap (Connectivity Map)?
En esencia, Connectivity Map, o CMap, es una extensa base de datos que almacena perfiles de expresión transcriptómicos generados a partir de líneas celulares cultivadas que han sido tratadas con una gran variedad de compuestos químicos y fármacos. Su objetivo principal en los estudios de descubrimiento de fármacos genómicos es identificar firmas génicas asociadas a enfermedades o fármacos que se correlacionen con los cambios observados a nivel transcriptómico como respuesta a la administración de pequeñas moléculas o medicamentos.
Este enfoque es comúnmente utilizado para identificar relaciones inversas entre fármacos y enfermedades, comparando las características moleculares de la enfermedad (como la expresión génica) con las características moleculares de los fármacos. La técnica comienza generando una firma de expresión génica de la enfermedad, típicamente comparando muestras de tejido enfermo con muestras de tejido normal. Posteriormente, esta firma es utilizada para consultar bases de datos de referencia de expresión génica inducida por fármacos, como CMap o LINCS.
La principal ventaja de la técnica CMap, que la hace efectiva y popular en el descubrimiento de fármacos, es que no requiere un conocimiento detallado del mecanismo de acción (MoA) del fármaco ni conocimiento previo de sus objetivos moleculares para funcionar.
Orígenes y Evolución de CMap
El concepto y la metodología de Connectivity Map fueron introducidos por Lamb et al. en 2006. La base de datos de referencia inicial (Build 1) consistía en 564 perfiles de expresión génica generados al exponer cinco líneas celulares humanas diferentes (MCF7, PC3, SKMEL5, HL60 y ssMCF7) a 164 pequeñas moléculas. Esta base de datos se expandió significativamente en Build 2, incluyendo 1309 pequeñas moléculas aprobadas aplicadas a las mismas cinco líneas celulares, resultando en más de 7000 perfiles de expresión génica. Tanto Build 1 como Build 2 utilizaron una plataforma Affymetrix para generar los datos de expresión génica.
Más recientemente, iniciativas como LINCS, apoyada por el NIH, han ampliado enormemente este tipo de datos. LINCS incluye perfiles de expresión génica de aproximadamente 5000 perturbaciones genéticas y 15000 perturbaciones inducidas por compuestos químicos. Hasta la fecha, se han perfilado y recolectado más de un millón de perfiles de expresión génica para este proyecto utilizando la tecnología L1000.
La plataforma L1000, desarrollada en el Broad Institute por el equipo de CMap, permite un perfilado de expresión génica rápido, flexible y de alto rendimiento a menor costo. Específicamente, la tecnología L1000 mide la expresión de solo 978 genes 'landmark' y estima los valores de expresión para el resto de los genes utilizando un modelo computacional y datos adicionales.
Cómo Funciona la Metodología CMap
El flujo de trabajo principal de CMap implica describir un fenotipo de interés, como una enfermedad o condición biológica, mediante una firma de expresión génica. Esta firma es típicamente una lista de genes diferencialmente expresados (DEG) que representa el fenotipo subyacente, indicando genes cuya expresión está aumentada (upregulated) o disminuida (downregulated).
Esta firma génica se utiliza para consultar el catálogo de perfiles de expresión génica de CMap. La base de datos CMap es una colección de perfiles de expresión génica emparejados (tratamiento versus control). Cada 'instancia' en la base de datos representa un par tratamiento-control. Los datos brutos son preprocesados y escalados, y el cambio de expresión (fold change) para cada 'probeset' (representación de un gen en el microarray) se calcula, ordena y convierte en un vector de rangos. Así, el probeset más upregulated recibe el rango más alto y el más downregulated el más bajo.
La firma génica de consulta se compara con los perfiles de referencia utilizando un método similar a una prueba no paramétrica de Kolmogorov-Smirnov (KS) basada en rangos. La firma se divide en listas de genes upregulated y downregulated. Se calcula una puntuación de conectividad que, en la versión original, se normaliza para tomar valores entre -1 y +1.
Una puntuación de conectividad positiva indica una correlación directa entre la firma de la enfermedad y el perfil del fármaco (el fármaco imita el estado de la enfermedad), mientras que una puntuación negativa indica una correlación inversa (el fármaco revierte el estado de la enfermedad), sugiriendo un potencial efecto terapéutico. Una puntuación cercana a cero indica una distribución aleatoria y falta de conexión significativa.
El resultado de una consulta CMap es una lista de puntuaciones de conectividad para todos los compuestos en la base de datos de referencia. Los fármacos con las puntuaciones más altas (positivas o negativas, dependiendo del objetivo) son seleccionados como candidatos potenciales.
Mejoras Metodológicas en CMap
Desde su introducción, se han desarrollado numerosos métodos para mejorar la fiabilidad y el rendimiento de la técnica CMap. Algunos de los avances clave incluyen:
- ssCMap (Statistically Significant Connectivity Map): Introducido por Zhang et al., este método utiliza pruebas de permutación a nivel de instancia y conjunto de tratamiento para ofrecer un medio estadístico para controlar posibles conexiones falsas. También introduce un nuevo esquema de puntuación que pondera más los genes diferencialmente expresados y trata por igual los genes up- y downregulated basándose en la magnitud del cambio.
- CMapBatch: Propuesto por Fortney et al., este enfoque aplica CMap a múltiples firmas génicas para la misma enfermedad y combina los resultados, similar a un meta-análisis. Esto ayuda a obtener listas de fármacos más estables y robustas, especialmente útil para enfermedades complejas con múltiples firmas disponibles.
- Optimización Computacional: Dada la creciente escala de las bases de datos (millones de perfiles en LINCS/L1000), se han desarrollado métodos de computación de alto rendimiento (HPC) como cudaMap (que utiliza GPUs) y QUADrATiC (que utiliza múltiples núcleos de procesador) para acelerar los cálculos de conectividad.
- Métricas de Similitud Mejoradas: Se han explorado y evaluado diferentes métricas para medir la similitud entre perfiles. Métodos como eXtreme cosine (XCos) han demostrado ser robustos y superar la métrica original basada en la prueba KS en ciertas evaluaciones.
Estos desarrollos buscan abordar limitaciones del método original, como la falta de una medida formal de significación estadística y la necesidad de procesar grandes volúmenes de datos de manera eficiente.
Aplicaciones Clave de CMap en Farmacogenómica
La base de datos y la metodología CMap han sido aplicadas en una amplia gama de estudios de farmacogenómica, principalmente en el descubrimiento y desarrollo de fármacos. Sus aplicaciones pueden categorizarse en varios propósitos:
Descubrimiento de Relaciones Fenotípicas Novedosas (Lead Discovery)
Una de las tareas fundamentales y más desafiantes es identificar nuevos tratamientos terapéuticos para enfermedades. CMap se utiliza para establecer conexiones ventajosas entre la administración de un fármaco y la respuesta fenotípica del paciente. Diversos estudios han utilizado análisis CMap para mejorar la comprensión de las asociaciones enfermedad/fenotipo, especialmente en cáncer, identificando agentes terapéuticos potenciales y objetivos moleculares. Ejemplos incluyen la identificación de candidatos para lesiones del SNC, glioblastoma multiforme (GBM), enfermedad de Gaucher, cáncer de ovario, leucemia de células madre (SCL), leucemia linfoblástica aguda de células T (T-ALL), cáncer de próstata, cáncer gástrico, mielomatosis y leucemia mieloide aguda (AML). Se han identificado fármacos como tioridazina, albendazol, oxamniquina, celastrol, gedunin, vorinostat, tricostatina A y pristimerina como candidatos potenciales para diversas indicaciones.
Elucidación del Mecanismo de Acción (MoA) de Fármacos
CMap es una herramienta poderosa para generar hipótesis sobre cómo actúan los compuestos. Dada la firma fenotípica de un compuesto, CMap puede identificar otros compuestos con firmas similares, sugiriendo mecanismos de acción compartidos. Esto ayuda a conectar estados biológicos con el descubrimiento de conexiones enfermedad-gen-fármaco. Se han desarrollado métodos que integran redes de interacción proteica y utilizan enfoques de sistemas biológicos y aprendizaje automático para profundizar la comprensión del MoA. Ejemplos notables incluyen la identificación de inhibidores de mTOR para ALL resistente a dexametasona, el MoA de tamoxifeno (mediante regulación a la baja de la señalización TGF-β), y la predicción de que el fasudil (un inhibidor de Rho-cinasa) induce autofagia, lo cual fue validado experimentalmente. También se ha utilizado para estudiar la relación entre fármacos y microRNAs (miRNAs).
Reposicionamiento de Fármacos (Drug Repurposing)
El reposicionamiento de fármacos, o repurposing, consiste en encontrar nuevas indicaciones terapéuticas para medicamentos ya existentes y aprobados. Dado que estos fármacos ya han pasado por pruebas de seguridad, su reposicionamiento puede acelerar el proceso de desarrollo y reducir costos. CMap es ideal para esto, ya que busca fármacos que reviertan firmas génicas de enfermedad. Ejemplos exitosos incluyen la identificación de ácido ursólico (presente en manzanas) como candidato para reducir la atrofia muscular, entinostat para AML, piperazina fenotiazina (un antipsicótico) para promover el crecimiento de neuritas en el SNC, una combinación de Trolox C y Citizina para la diabetes tipo 2, cimetidina (antiulceroso) como candidato para adenocarcinoma de pulmón, e ikarugamicina y quercetina para modular la respuesta inflamatoria en fibrosis quística.
Combinaciones de Fármacos
El uso de combinaciones de fármacos gana interés por su potencial para mejorar la eficacia, reducir efectos secundarios y superar mecanismos de resistencia, especialmente en enfermedades complejas como el cáncer. Se han desarrollado métodos computacionales basados en CMap para identificar pares o combinaciones de fármacos sinérgicos. Estos métodos buscan combinaciones que, por ejemplo, apunten a múltiples vías de señalización o reviertan la firma de enfermedad de manera más efectiva que los fármacos individuales. Ejemplos incluyen el Combinatorial Drug Assembler y DrugComboRanker, que han identificado combinaciones prometedoras para cáncer de pulmón no microcítico (NSCLC), cáncer de mama triple negativo (TNBC) y cáncer gástrico. La metodología de mapeo de conectividad probabilística también se ha adaptado para identificar combinaciones de fármacos.
Limitaciones y Desafíos de CMap
A pesar de su potencial, CMap presenta varias limitaciones y desafíos:
- Datos Limitados: La base de datos, aunque grande, tiene una cobertura limitada en cuanto a la diversidad de fármacos, concentraciones, tiempos de exposición y líneas celulares utilizadas en la generación de perfiles.
- Dependencia de la Dosis: Los perfiles de expresión génica pueden variar significativamente según la dosis del compuesto, y no siempre se dispone de datos exhaustivos para todas las condiciones relevantes.
- Aplicabilidad a Humanos: Existe incertidumbre al extrapolar los patrones de expresión obtenidos en líneas celulares o modelos animales a sistemas humanos complejos y pacientes.
- Costo y Tiempo: Generar datos de perturbación a gran escala es costoso y requiere mucho tiempo.
- Evaluación Cuantitativa: Evaluar cuantitativamente el rendimiento de los métodos basados en CMap sigue siendo un desafío. Esto se debe, en parte, a la falta de firmas de enfermedad de alta calidad que representen con precisión diversas patologías, la ausencia de conjuntos de referencia de asociaciones fármaco-enfermedad lo suficientemente completos, y la limitación de los perfiles celulares de fármacos a pocas líneas celulares, lo que puede afectar la generalización de los resultados.
Evaluación del Rendimiento de los Métodos CMap
La evaluación del rendimiento de los métodos CMap es crucial para determinar su fiabilidad. Hay dos enfoques principales para evaluar computacionalmente CMap utilizando datos de referencia:
- Evaluación de Relaciones Fármaco-Fármaco: Se utiliza la firma de un fármaco para consultar CMap y recuperar fármacos relacionados que tienen los mismos códigos ATC (Clasificación Química, Terapéutica y Anatómica) o estructuras químicas similares.
- Evaluación de Relaciones Enfermedad-Fármaco: Se utiliza una firma de enfermedad para consultar CMap y recuperar fármacos conocidos que se espera que tengan un efecto terapéutico.
Como se mencionó, la falta de datos de referencia completos y de alta calidad dificulta estas evaluaciones, lo que lleva a que los resultados puedan variar y no siempre reflejar el rendimiento real en aplicaciones clínicas.
Aclaración: Diferentes Significados de 'CMAP'
Es importante notar que el término 'CMAP' o grafías similares se utilizan en diferentes contextos, lo que puede generar confusión. Basándonos en la información proporcionada, podemos distinguir al menos tres usos:
| Término | Área Principal | Propósito Principal | Tipo de Contenido |
|---|---|---|---|
| Connectivity Map (CMap) | Farmacogenómica, Descubrimiento de Fármacos | Identificar relaciones entre fármacos, genes y enfermedades; reposicionamiento de fármacos. | Base de datos de perfiles de expresión génica de células tratadas con fármacos. |
| CmapTools | Educación, Representación del Conocimiento | Software para crear mapas conceptuales; herramienta didáctica para aprendizaje significativo. | Software para crear diagramas jerárquicos de conceptos y relaciones. |
| C-MAP App | Navegación Marítima | Aplicación móvil/PC para navegación recreativa; cartas náuticas, rutas, previsión meteorológica. | Aplicación con datos geográficos marinos, cartas náuticas digitales. |
Este artículo se ha centrado en la base de datos Connectivity Map utilizada en farmacogenómica. Los otros usos del término, aunque válidos en sus respectivos campos (educación y navegación marítima), se refieren a conceptos y herramientas completamente distintos.
Preguntas Frecuentes sobre la Base de Datos CMap
¿Qué tipo de datos contiene la base de datos CMap (Connectivity Map)?
Contiene perfiles de expresión génica a nivel transcriptómico de líneas celulares humanas que han sido tratadas con una amplia variedad de pequeñas moléculas y fármacos. Estos perfiles registran cómo cambia la expresión de miles de genes en respuesta a la perturbación química.
¿Cómo se utiliza CMap para descubrir nuevos tratamientos?
Se compara la firma de expresión génica de una enfermedad con los perfiles de expresión génica inducidos por fármacos en la base de datos. Los fármacos cuyos perfiles revierten o contrarrestan la firma de la enfermedad son considerados candidatos potenciales para el tratamiento.
¿Cuáles son las principales limitaciones de la base de datos CMap?
Las limitaciones incluyen la cobertura limitada de fármacos y líneas celulares, la dependencia de la dosis en los perfiles, la dificultad de extrapolar resultados de líneas celulares a sistemas humanos complejos, y el alto costo y tiempo para generar datos a gran escala. Además, la evaluación cuantitativa de los métodos es un desafío.
¿Es lo mismo la base de datos CMap que el software CmapTools?
No, son completamente diferentes. La base de datos CMap (Connectivity Map) es un recurso de datos biológicos para investigación de fármacos. CmapTools es un software utilizado en educación para crear mapas conceptuales, diagramas que representan relaciones entre conceptos.
¿Cómo se evalúa el rendimiento de los métodos basados en CMap?
Se evalúa comparando los resultados de la consulta (fármacos predichos) con conjuntos de referencia conocidos de relaciones fármaco-fármaco o enfermedad-fármaco, a menudo utilizando métricas como la recuperación temprana o la precisión de las predicciones.
Conclusión
Connectivity Map (CMap) representa un avance significativo en el uso de datos a gran escala para el descubrimiento y reposicionamiento de fármacos. Al pasar de enfoques basados en un solo objetivo a análisis de sistemas completos mediante perfiles transcriptómicos, CMap y recursos relacionados como LINCS permiten identificar conexiones inesperadas entre fármacos, genes y enfermedades, y dilucidar el mecanismo de acción de compuestos. A pesar de las limitaciones inherentes a los datos a gran escala y los desafíos metodológicos, las continuas mejoras en los algoritmos y la capacidad computacional están ampliando su utilidad y potencial para acelerar el desarrollo de nuevas terapias y mejorar nuestra comprensión de la farmacología a nivel molecular.
Si quieres conocer otros artículos parecidos a CMap: Base de Datos Clave en Farmacogenómica puedes visitar la categoría Bases de datos.
Aprende mas sobre MySQL