Prédiction de l'efficacité clinique des médicaments par classification des profils d'expression génomique induits par les médicaments in vitro

Les tests d'action des médicaments évaluent généralement l'activité biochimique. Cependant, associer avec précision l'efficacité thérapeutique à l'activité biochimique est un défi. Les tests cellulaires à haut contenu cherchent à combler cette lacune en capturant des informations larges sur la physiologie cellulaire de l'action des médicaments. Ici, nous présentons une méthode de prédiction des classes thérapeutiques générales dans lesquelles divers médicaments psychoactifs se situent, basée sur la catégorisation statistique à haut contenu des profils d'expression génique induits par ces médicaments. Lorsque nous avons utilisé les algorithmes de classification supervisée par arbre de classification et forêt aléatoire pour analyser les données de microarray, nous avons dérivé des « profils d'efficacité » généraux de l'expression des gènes biomarqueurs qui corrélent avec l'action des médicaments antidépresseurs, antipsychotiques et opioïdes sur des neurones humains primaires in vitro. Ces profils ont été utilisés comme modèles prédictifs pour classer des traitements médicamenteux naïfs in vitro avec une précision de 83,3 % (forêt aléatoire) et 88,9 % (arbre de classification). Ainsi, les informations détaillées contenues dans les données d'expression génomique sont suffisantes pour associer l'effet physiologique d'un nouveau médicament au niveau cellulaire à sa pertinence clinique. Cette capacité à identifier l'efficacité thérapeutique sur la base des signatures d'expression génique in vitro a un potentiel d'utilité dans la découverte de médicaments et la validation des cibles médicamenteuses.