Farmakogenomik är en självklarhet – så varför använder läkemedelsbranschen den inte i praktiken?

Farmakogenomik (PGx) har hamnat i en märklig paradox. Den vetenskapliga evidensen är väl etablerad, de kliniska (och ekonomiska) fördelarna är obestridliga, och ändå går införandet långsamt, är fragmenterat och ojämlikt.
 

Särskilt i kliniska prövningar används farmakogenomisk profilering nästan aldrig. En genomgång av ClinicalTrials.gov identifierade endast 619 PGx-relaterade interventionsstudier av totalt 350 728 (~0,18 %), och färre än hälften specificerade tydligt vilka gener som studerades, trots att PGx i prövningar kan göra flera mycket praktiska saker:
 

Tydligare signal om effekt: mindre variation -> tydligare bild av vilka som svarar/inte svarar
Färre säkerhetshändelser: identifiera högriskgenotyper tidigt -> färre undvikbara biverkningar
Minskad friktion i studien: färre avbrott, färre räddningsmediciner, färre ”brandövningar”
Bättre doseringsstrategi i tidiga faser: PGx hjälper till att förklara PK/PD-avvikelser innan de blir överraskningar i form av
dosbegränsande toxicitet Starkare argument vid mållinjen: prospektivt definierade subgrupper -> mer försvarbar märkningsstrategi för betalare
 

För de flesta utvecklingsteam känns PGx fortfarande som något som ökar komplexiteten utan att tydligt minska risken: fler analyser, mer samordning, fler regulatoriska frågor, fler saker som kan gå fel. När tidsramarna är snäva och misslyckanden är kostsamma är instinkten att förenkla, inte att införa ytterligare en rörlig del, även om den delen är medicinskt relevant. Det är precis därför PGx har haft svårt att gå från att vara en ”bra idé” till att bli ”standardinfrastruktur” i kliniska prövningar.
Erfarenhetsrapporter från kliniker visar också att kommersiella PGx-paneler kan missa viktiga, åtgärdsbara gener som definieras av CPIC/FDA/DPWG-riktlinjerna, samtidigt som de inkluderar varianter med låg evidens, vilket gör det svårare att veta vilka resultat som faktiskt är användbara i praktiken. Även när den relevanta genen ingår, kanske panelerna inte konsekvent fångar upp alla kliniskt åtgärdsbara alleler (såsom kopiantalsvarianter eller hybridstrukturer), vilket kan leda till felklassificering av metaboliserare bland deltagarna.
 

Även när PGx-testning används måste den passa in i snäva tidsramar för studierna: program som PREPARE krävde att resultaten skulle återlämnas inom cirka 7 dagar för att förbli kliniskt relevanta, och i verkliga miljöer innebär implementering av PGx allt från genval och fenotypöversättning till rapportering, CDS-logik och EHR-integration mellan flera team. I praktiken beror omvandlingen av sekvenseringsdata till riktlinjeanpassade fenotyper ofta på specialiserade bioinformatikpipelines och lokal infrastruktur, vilket medför förseningar, tolkningsutmaningar och variation mellan olika platser, där kliniker konsekvent nämner tidsbrist och komplex resultattolkning som stora hinder.
 

Det ironiska är att det starkaste argumentet för farmakogenomik redan har framförts. PREPARE-studien visade att förebyggande PGx minskar kliniskt relevanta biverkningar med cirka 30 %. Det är inte marginellt. Det är den typ av effektstorlek som läkemedelsbranschen vanligtvis hyllar.
 

Men PREPARE visade också diskret varför PGx fortfarande inte har skalats upp: centraliserad genotypning, flera dagars handläggningstider, tung samordning, overheadkostnader för databehandling och paneler som aldrig utformades för globala, snabbrörliga prövningar.
Med andra ord fungerade biologin. Logistiken gjorde det inte.
Det är här DNA ME kommer in.
På DNA ME närmar vi oss farmakogenomik kring nanoporssekvensering med en effektiv, förenklad mjukvarulösning, eftersom den kombinationen äntligen gör PGx kompatibelt med hur prövningar faktiskt fungerar.
 

Nanoporssekvensering gör det möjligt att generera genetiska data nära prövningsplatsen istället för att skicka prover till ett centraliserat laboratorium. Ännu viktigare är att sekvensering med långa läslängder identifierar de farmakogener som är viktigast (som CYP2D6) utan de gissningar och felklassificeringar som plågar traditionell sekvensering med korta läslängder

paneler. Men sekvensering är bara halva sanningen. Det verkliga genombrottet ligger i vad som händer efter att data har genererats.
 

DNA ME omvandlar rådata till standardiserade farmakogenomiska resultat som är maskinläsbara och klara för kliniska prövningar, utan att bioinformatiksexperter behöver ta del av sekvenseringsresultaten. Data kan flöda direkt in i säkerhetsövervakning, regler för dosökning eller adaptiv prövningslogik. Analyser kan också köras lokalt på en vanlig bärbar dator; det behövs inga GPU:er eller dyr databehandlingsutrustning, och känsliga genetiska data om deltagarna behöver inte laddas upp eller skickas.
 

DNA ME:s nanopore-baserade arbetsflöde kan också detektera CpG-metylering och allelspecifik metylering direkt från samma sekvenseringskörning, vilket lägger till ett funktionellt lager till farmakogenomisk profilering utan ytterligare analyser eller nedströmsbearbetning. Detta möjliggör identifiering av deltagare vars verkliga metabolism kan skilja sig från deras förutsagda genotyp på grund av epigenetisk reglering av farmakogener, vilket hjälper till att minska exponeringsavvikelser och förbättra klassificeringen av metaboliserare inom samma strömlinjeformade pipeline.
 

I det ögonblick som PGx blir snabbt, prisvärt och operativt osynligt (integrerat på samma sätt som PK-provtagning eller säkerhetslaboratorier är integrerade) slutar läkemedelsbranschen att fråga sig om det är värt att göra. Frågan blir istället varför de skulle acceptera risken att inte göra det.

Om du har försökt integrera PGx i en studie, vad var det största hindret: kostnad, handläggningstid, drift eller internt stöd?

Vi är nyfikna på vad teamen ser i praktiken.

(Och om du vill ha en studieklar panel + plug-and-play-nanopore-arbetsflöde anpassat till din tillgång, skicka ett meddelande till oss på DNA ME så bygger vi det tillsammans med dig.)