Farmakogenomikk gir mening – så hvorfor tar ikke legemiddelindustrien det i bruk?

Farmakogenomikk (PGx) står overfor et uvanlig paradoks. Den vitenskapelige dokumentasjonen er velutviklet, de kliniske (og økonomiske) fordelene er ubestridelige, og likevel er innføringen fortsatt langsom, fragmentert og ujevn.
 

Spesielt i kliniske studier blir farmakogenomisk profilering nesten aldri brukt. En gjennomgang av ClinicalTrials.gov identifiserte bare 619 PGx-relaterte intervensjonsstudier av totalt 350 728 (~0,18 %), og færre enn halvparten spesifiserte tydelig hvilke gener som ble studert, selv om PGx i studier kan bidra til flere svært praktiske fordeler:
 

Tydeligere signal om effekt: mindre variasjon -> klarere bilde av hvem som responderer og
hvem som ikke responderer Færre sikkerhetshendelser: identifisere høyrisikogenotyper tidlig -> færre unngåelige bivirkninger
Mindre friksjon i studien: færre avbrudd, færre redningsmedisiner, færre «brannøvelser»
Bedre doseringsstrategi i tidlig fase: PGx bidrar til å forklare PK/PD-avvikere før de blir overraskelser i form av
doseringsbegrensende toksisitet Sterkere historie ved målstreken: prospektivt definerte undergrupper -> mer forsvarlig merkestrategi for betalere
 

For de fleste utviklingsteam føles PGx fortsatt som noe som øker kompleksiteten uten å redusere risikoen tydelig: flere analyser, mer koordinering, flere regulatoriske spørsmål, flere ting som kan gå galt. Når tidsfristene er stramme og feil er kostbare, er instinktet å forenkle, ikke å innføre enda en variabel, selv om den er medisinsk relevant. Det er nettopp derfor PGx har slitt med å gå fra å være en «fin idé» til å bli «standardinfrastruktur» i kliniske studier.
Erfaringer fra klinikere viser også at kommersielle PGx-paneler kan utelate viktige, handlingsrelevante gener definert av CPIC/FDA/DPWG-retningslinjer, samtidig som de inkluderer varianter med lav evidens, noe som gjør det vanskeligere å vite hvilke resultater som faktisk er nyttige i praksis. Selv når det relevante genet er inkludert, fanger panelene ikke alltid opp alle klinisk handlingsrelevante alleler (som kopitallvarianter eller hybridstrukturer), noe som kan føre til feilklassifisering av metaboliserere blant deltakerne.
 

Selv når PGx-testing brukes, må den passe inn i stramme tidsfrister for studiene: programmer som PREPARE krevde at resultatene ble levert innen ca. 7 dager for å forbli klinisk relevante, og i virkelige omgivelser innebærer implementering av PGx alt fra genvalg og fenotypetranslasjon til rapportering, CDS-logikk og EHR-integrasjon på tvers av flere team. I praksis avhenger omdanningen av sekvenseringsdata til retningslinje-tilpassede fenotyper ofte av spesialiserte bioinformatikk-pipelines og lokal infrastruktur, noe som medfører forsinkelser, tolkningsutfordringer og variasjon mellom ulike steder, der klinikere konsekvent nevner tidsbegrensninger og kompleks tolkning av resultater som store hindringer.
 

Det ironiske er at det sterkeste argumentet for farmakogenomikk allerede er fremført. PREPARE-studien viste at forebyggende PGx reduserer klinisk relevante bivirkninger med omtrent 30 %. Det er ikke marginalt. Det er den type effektstørrelse legemiddelindustrien vanligvis feirer.
 

Men PREPARE viste også diskret hvorfor PGx fortsatt ikke har nådd stor skala: sentralisert genotyping, behandlingstider på flere dager, tung koordinering, overhead for databehandling og paneler som aldri ble designet for globale, raskt utviklende studier.
Med andre ord: biologien fungerte. Logistikken gjorde ikke det.
Det er her DNA ME kommer inn.
Hos DNA ME tilnærmer vi oss farmakogenomikk rundt nanoporesekvensering med en effektiv, forenklet programvareløsning, fordi den kombinasjonen endelig gjør PGx kompatibel med hvordan studier faktisk gjennomføres.
 

Nanoporesekvensering lar deg generere genetiske data nær forsøksstedet i stedet for å sende prøver til et sentralisert laboratorium. Enda viktigere er at sekvensering med lange leser løser de farmakogenene som betyr mest (som CYP2D6) uten gjetning og feilklassifisering som plager tradisjonell sekvensering med korte leser

paneler. Men sekvensering er bare halvparten av historien. Det virkelige gjennombruddet er det som skjer etter at dataene er generert.
 

DNA ME omdanner rå data til standardiserte farmakogenomiske resultater som er maskinlesbare og klare for kliniske studier, uten at det er behov for bioinformatikkeksperter for å tolke sekvenseringsresultatene. Dataene kan føres direkte inn i sikkerhetsovervåking, regler for doseøkning eller adaptiv forsøkslogikk. Analyser kan også kjøres lokalt på en vanlig bærbar PC; det er ikke behov for GPU-er eller kostbart databehandlingsutstyr, og uten å laste opp eller sende sensitive genetiske data om deltakerne.
 

DNA ME-s nanopore-baserte arbeidsflyt kan også oppdage CpG-metylering og allelspesifikk metylering direkte fra samme sekvenseringskjøring, noe som legger til et funksjonelt lag til farmakogenomisk profilering uten ytterligere analyser eller nedstrømsbehandling. Dette muliggjør identifisering av deltakere hvis virkelige metabolisme kan avvike fra deres predikerte genotype på grunn av epigenetisk regulering av farmakogener, noe som bidrar til å redusere eksponeringsavvik og forbedre klassifiseringen av metaboliserere innenfor den samme strømlinjeformede prosessen.
 

I det øyeblikket PGx blir raskt, rimelig og operasjonelt usynlig (integrert på samme måte som PK-prøvetaking eller sikkerhetslaboratorier er integrert), slutter legemiddelindustrien å spørre om det er verdt å gjøre det. Spørsmålet blir hvorfor de skulle akseptere risikoen ved å ikke gjøre det.

Hvis du har prøvd å integrere PGx i en studie, hva var den største hindringen: kostnad, behandlingstid, drift eller intern oppslutning?

Vi er nysgjerrige på hva teamene opplever i praksis.

(Og hvis du ønsker et studieklar panel + plug-and-play nanopore-arbeidsflyt tilpasset dine ressurser, send oss en melding på DNA ME, så bygger vi det sammen med deg.)