Biologia de redes e oncologia de sistemas
Nota educacional: modelos de rede ajudam a raciocinar sobre mecanismos e alvos candidatos. Eles geram hipóteses até que sejam validados experimental e clinicamente.
TL;DR
Câncer não é só uma lista de genes mutados. É um sistema perturbado de circuitos regulatórios, vias de sinalização, interações proteína-proteína, comunicação celular e ecologia tecidual. A biologia de redes torna essas relações explícitas.
O perigo é tratar métricas de grafo como verdade clínica. Um nó de alto grau, uma via central ou um ponto de controle previsto por modelo não é automaticamente um alvo farmacológico seguro.
Tipos centrais de rede
| Rede | Nós | Arestas | Pergunta típica |
|---|---|---|---|
| Interação proteica | Proteínas | Interações físicas ou funcionais | Quais proteínas ficam perto de uma dependência tumoral? |
| Via de sinalização | Receptores, quinases, fatores de transcrição | Relações bioquímicas direcionais | Que via transmite sinal de crescimento ou sobrevivência? |
| Regulação gênica | Fatores de transcrição e genes | Ativação, repressão, regulação inferida | Quais reguladores mantêm um estado maligno? |
| Metabólica | Metabólitos, enzimas, reações | Fluxo ou relações de reação | Que dependências de nutriente ou via importam? |
| Comunicação celular | Tipos celulares, ligantes, receptores | Interações parácrinas ou por contato | Como o microambiente molda resposta terapêutica? |
Análises comuns
- Centralidade: identifica nós conectados ou influentes, mas sofre viés de densidade da literatura.
- Detecção de comunidades: encontra módulos; módulos precisam de anotação biológica.
- Enriquecimento de vias: resume listas de genes; sensível à qualidade da entrada e ao conjunto de fundo.
- Propagação em rede: espalha sinal em um grafo para priorizar genes ou fármacos próximos.
- Modelagem causal: tenta inferir direção, mas exige perturbação ou premissas fortes.
- Controlabilidade: prediz nós que poderiam deslocar estado do sistema; ainda é principalmente translacional em oncologia.
Padrões de evidência
Antes de transformar um claim de rede em linguagem clínica, exija:
- Sistema biológico e fonte de dados claramente definidos.
- Proveniência das arestas: curadas, experimentais, inferidas ou mineradas da literatura.
- Análise de sensibilidade para escolha de grafo e parâmetros.
- Validação independente com perturbação, dados ortogonais ou coorte clínica.
- Separação entre plausibilidade de alvo e druggability.
- Rótulo explícito de maturidade: pré-clínico, translacional, clínico ou aprovado.
Usos práticos
- Priorizar alvos candidatos para experimentos.
- Explicar vias de resistência e sinalização de escape.
- Desenhar hipóteses racionais de combinação.
- Mapear painéis de biomarcadores para vias.
- Conectar resultados ômicos à biologia conhecida.
O que não faz
- Não prova causalidade a partir de coexpressão isolada.
- Não garante que um alvo seja farmacologicamente tratável.
- Não substitui dose, toxicidade, farmacologia ou ensaios clínicos.
- Não torna uma combinação segura só porque dois nós parecem complementares.
Recursos úteis
- Reactome para vias curadas.
- STRING para redes de associação proteica.
- Open Targets Platform para evidência alvo-doença.
- cBioPortal para contexto de genômica tumoral.
Referências
- Gillespie M, Jassal B, Stephan R, et al. The Reactome pathway knowledgebase 2022. Nucleic Acids Research. 2022;50(D1):D687-D692. PMID: 34788843. https://doi.org/10.1093/nar/gkab1028
- Szklarczyk D, Kirsch R, Koutrouli M, et al. The STRING database in 2023. Nucleic Acids Research. 2023;51(D1):D638-D646. PMID: 36370105. https://doi.org/10.1093/nar/gkac1000
- Ochoa D, Hercules A, Carmona M, et al. Open Targets Platform: supporting systematic drug-target identification and prioritisation. Nucleic Acids Research. 2023;51(D1):D1302-D1310. PMID: 36350656. https://doi.org/10.1093/nar/gkac1046