Actualización de los servicios de ANSEP (Astrocyte-neuron simulation environment platform) bajo el estudio integrativo de enfermedades neurodegenerativas.

Las enfermedades neurodegenerativas (EN) son consideradas enfermedades multifactoriales de naturaleza crónica o progresiva, caracterizándose por pérdida neuronal progresiva en áreas concretas cerebrales o sistemas anatomofuncionales. A pesar de que existen amplias investigaciones en neurodegeneración y en el desarrollo de algunas estrategias neuroprotectoras, a la fecha no se tienen suficientes aproximaciones que evalúen desde una perspectiva holística (biología de sistemas, redes o integrativa) los cambios a nivel de productos funcionales que tengan lugar durante el progreso y desarrollo de estas enfermedades; investigaciones en este campo permitirían la generación de biomarcadores de utilidad en el diagnóstico y tratamiento, identificación de rutas metabólicas blanco de terapias, entendimiento del tipo de respuesta mediado por compuestos que potencialmente tienen actividad neuroprotectora, entre otros. Es por ello, que la plataforma ANSEP (Astrocyte-neuron simulation environment platform) es creada bajo la necesidad de generar hipótesis biológicas, basadas en predicciones computacionales que son contextualizadas con datos experimentales. Estas predicciones operan sobre reconstrucciones metabólicas con datos ómicos de manera fácil e intuitiva, permitiendo a los usuarios el análisis, almacenamiento y visualización de datos en un contexto neurodegenerativo. En este sentido, los datos ómicos para astrocitos (transcriptoma, proteoma, metaboloma) obtenidos a lo largo de los últimos años en el laboratorio “Bioquímica experimental, computacional y bioinformática” de la PUJ y el desarrollo por los grupos proponentes de los modelos computacionales a escala genómica de neurona-astrocito, son recursos que hacen parte de la plataforma, estructurando herramientas de análisis como FVA, FBA y Robustez, tanto de terceros como desarrolladas por nuestro equipo de investigación. Las operaciones relacionadas con química computacional que se llevan a cabo en ANSEP se realizan mediante el paquete de análisis Sybil de R. Mientras que las operaciones que conectan la base de datos, la interfaz gráfica y R están hechas en Django, escritas en python. Los componentes de interacción con el usuario se da por medio de componentes visuales diseñados en Javascript (librería Reactjs). ANSEP busca disminuir la curva de aprendizaje de la comunidad científica que desea aproximarse en el estudio de EN por medio de un análisis integrado, que no implique conocimientos avanzados en programación, para poder crear, simular y hacer funcionar los modelos metabólicos de astrocito y neurona, creados por nuestro grupo de trabajo. ANSEP surge como una necesidad sentida en la comunidad científica y de acuerdo a las características propias de nuestro país: 1) un contexto Colombiano con una creciente incidencia y prevalencia de EN; 2) la innegable participación astrocitaría en EN; 4) las aproximaciones ómicas están en su mayor auge, habilitando el uso de los GEMs multi-ómicos; 5) la sinergia entre áreas aparentemente disimiles, como la ingeniería y la biología, trae nuevas ideas para evidenciar nuevo conocimiento de las enfermedades y diseñar mejores intervenciones terapéuticas. De manera que se espera escalar los servicios de ANSEP hacia la investigación clínica de enfermedades neurodegenerativas, inicialmente, y a medida que se obtengan resultados positivos ir escalando la plataforma a otras áreas de investigación, reconociendo el potencial innovador que tiene la plataforma. Cabe mencionar que el acceso a la plataforma por el momento es de manera libre y gratuita a los servicios como originalmente ha venido funcionando en el link www.ansep.javeriana.edu.co, a excepción de algunas actualizaciones en los módulos de análisis para una mayor robustez analítica. PLANTEAMIENTO DEL PROBLEMA DE INVESTIGACIÓN Y JUSTIFICACIÓN La neurodegeneración es una fisiopatología que sin duda es considerada como una de las mayores causas de mortalidad y discapacidad a nivel mundial (1). Las EN son enfermedades crónicas que van en aumento en el mundo ocasionando el desgaste progresivo o pérdida de células nerviosas cerebrales, como los astrocitos y las neuronas (1). Según la OMS, se estima que hay alrededor de 30 millones de pacientes en el mundo con Alzheimer, cifra que tiende a duplicarse cada 5 años. Por otro lado, existen más de 100 tipos de EN, entre las que se destacan Alzheimer, Parkinson, de Huntington, demencia senil y esclerosis lateral amiotrófica, siendo la edad el factor de riesgo más consistente para desarrollarlas en razón al cambio de la pirámide poblacional (2). Los agentes causantes de neurodegeneración aún tienen que ser identificados, incluso muchas de las EN menos comunes, aunque no menos devastadores, se han mantenido ignoradas. Este tipo de lesiones desencadenan diferentes procesos que involucran, entre otros, neuroinflamación, baja respuesta vascular y respuesta neuronal disminuida, resultando en alteraciones cognitivas, psicosociales, económicas, físicas y emocionales (1). Colombia no es ajena a esta situación y se ubica en los primeros lugares de prevalencia entre muchos países en cuanto EN (3). Un estudio de la Universidad ICESI, estima que para el 2020 alrededor de 342.956 colombianos mayores de 60 años sufrirán algún tipo de demencia, de los cuales, 258.498 personas se les olvidará quienes son, consecuencia del Alzheimer, convirtiéndose en una de las mayores problemáticas de salud pública. Seguida de Parkinson, con mayor prevalencia a nivel mundial, donde alrededor de 220.000 personas en Colombia la padecen (3). En el caso de la enfermedad de Huntington, en Colombia se ha calculado que cerca de 1000 personas la padecen, entre ellas 600 residentes en la Costa Atlántica. En los departamentos del Magdalena, Atlántico, Córdoba, Sucre y Cesar hay focos de esta patología neurológica, con cerca de 600 casos por 100 mil habitantes (3). Por otro lado, la investigación de terapias promisorias a nivel global para el tratamiento de EN demanda 649 USD millones al año (4). Sin embargo, los ensayos clínicos de EN tienen la segunda tasa más baja de aprobación (9.8%, seguida por cáncer 7%) (5) y una probabilidad de fallo de 99.6% (6). Si bien se apunta a que la falta de eficacia de las terapias es la causante de la baja aceptación (5), es probable que la causa también resida en otros factores, a saber 1) el paradigma: tradicionalmente ha utilizado el reduccionismo que, si bien útil, puede omitir elementos importantes en la fisiopatología de las EN sólo apreciables a nivel sistémico, y 2) el blanco: derivado de nuestro conocimiento fragmentario, se diseñan terapias que pueden no estar atacando los factores causales de EN sino, meramente relacionados. Es por ello que tener una visión neuro-céntrica más amplia y robusta sobre los mecanismos involucrados en los procesos neurodegenerativos, al igual que la participación de varios tipos celulares resulta indispensable para profundizar en la investigación de dichas enfermedades (7). Tal es el caso del valioso rol de la neuroglia, y en especial la astroglia, en contrarrestar procesos neurodegenerativos (7). Estudios previos han demostrado que los astrocitos degradan cúmulos malignos de proteínas beta-amiloide y alfa-sinucleína (8), típicos de Alzheimer (EA) y Parkinson (EP), respectivamente. En Huntington (EH), se ha comprobado que ellos regulan los niveles de K+ (8) y previenen la excitotoxicidad (9). Adicionalmente, retardan el inicio (10) y ralentizan la neurodegeneración en Esclerosis Lateral Amiotrófica (ALS) (10), por mencionar algunos. Sin embargo, ante ciertos estímulos, los astrocitos también pueden potenciar la neurodegeneración mediante la secreción excesiva de citocinas proinflamatorias, inhibiendo la recuperación neuronal (11); la inhibición enzimática, alterando el suministro energético (12); causando excitotoxicidad (13) y el aumento del estrés oxidativo (14). Es allí, por ejemplo, donde la comprensión de los mecanismos que controlan esa transición de la astroglia pasando de ser beneficiosa a deletérea, aún es limitada. De ahí resulta la importancia del abordaje computacional, el cual permite explorar de manera amplia e integrada esta problemática desde la aplicación de los datos experimentales con las herramientas computacionales, manejando un enfoque y una comprensión integrada del funcionamiento de modelos metabólicos de diversos sistemas biológicos, simulando así el comportamiento celular a nivel global de distintos escenarios implicados en el desarrollo de EN; escenarios que resultarían más complicados e inviables de analizar con sólo datos extraídos in húmedo. Es así como durante la última década, los modelos metabólicos de diferentes sistemas biológicos cerebrales han jugado un papel muy importante en la comprensión de los datos ómicos, los cuales permiten obtener la información celular de diferentes niveles de organización (i.e. transcriptoma, proteoma, metaboloma) a gran escala (15). Los modelos metabólicos (GEMs) son representaciones matemáticas del metabolismo celular, capaces de integrar datos ómicos, facilitando la interpretación y operatividad de dichos datos al mismo tiempo en que permiten darles sentido biológico debido a su complejidad y gran tamaño (16). Dichos modelos han demostrado su eficacia, así como evidenció Basler et al. (16) quienes emplearon la teoría de control aplicada a GEMs para identificar reacciones metabólicas que causan el inicio de enfermedades complejas. Tal aproximación se vale del tipo de interacción entre las reacciones metabólicas (e.g. inhibitoria, promotora, etc.) para crear una red de control, en donde yacen las reacciones que controlan a las demás, las reacciones que producen cambios en las demás reacciones (17). Al manipular dichas reacciones controladoras, se puede guiar el metabolismo celular hacia un estado deseado (18). Por ejemplo, guiar el metabolismo neuronal, representado en su GEM, de un estado fisiológico normal a un estado patológico como lo puede ser la enfermedad de Huntington (EH). Para ello, se contextualizarían los datos del modelo con datos detallados sobre el metabolismo característico de la neurona en dicho escenario, así como: en la EH se reduce entre el 60% al 92% la actividad de la acotinasa, disminuyendo el metabolismo energético y la actividad antioxidante neuronal, así como la disminución de los sustratos dependientes de FADH2 como el succinato o los dependientes de NADH como el malato, el aumento en la concentración de lactato y del hierro, disminuye el N-acetil-aspartato y la creatina, ésta última se ve correlacionada con la expansión del CAG y con los déficit motores y cognitivos(19). También se puede observar un aumento de la enzima hemoxigenasa en presencia de metales de transición y en situaciones de estrés oxidativo, excitotoxicidad por glutamato, disminución del ácido quinurénico e incluso un bloqueo ineficaz de los receptores NMDA por Mg2+, de manera que incluso bajas concentraciones de glutamato se vuelven capaces de activar a sus receptores lo que conlleva a un aumento en la concentración intracelular de Ca2 (19). Una vez se direccione las condiciones metabólicas del modelo de neurona con dichas características metabólicas de la EH, se pueden hacer uso de herramientas de análisis computacionales como FBA, FVA, robustez, MOMA, entre otras, las cuales permitirán observar efectos deletéreos o neurodegenerativos del modelo, identificación de biomarcadores, blancos terapéuticos, rutas metabólicas y su respuesta frente a dichas condiciones patológicas e incluso compuestos potenciales con actividad neuroprotectora, entre otros. Así como se ha demostrado su utilidad, dichos análisis se realizan en programas como Rstudio o MATLAB que suponen un limitante para la comunidad científica, al requerir conocimientos previos en programación. Es por ello que ANSEP (Astrocyte neuron simulation environment platform) es creada bajo la necesidad de generar hipótesis biológicas, basadas en predicciones computacionales que son contextualizadas con datos experimentales. Estas predicciones operan sobre reconstrucciones metabólicas con datos ómicos de manera fácil e intuitiva, permitiendo a los usuarios el análisis, almacenamiento y visualización de datos en un contexto neurodegenerativo de manera sencilla y con una interfaz gráfica amigable. Los dos modelos disponibles en ANSEP, astrocito y neurona, han sido modelos desarrollados por nuestro laboratorio. Por ende ANSEP le ofrece al usuario poder realizar y visualizar simulaciones metabólicas de estos dos modelos, inicialmente, guiando la investigación bajo el interés propio de cada uno de ellos al igual que las aplicaciones que le den a los resultados que de allí se obtengan, bien sea para blancos terapéuticos, biomarcadores, entre otros. La plataforma se encuentra actualmente disponible en www.ansep.javeriana.edu.co. Hasta la fecha, ANSEP cuenta con: 1. Sistema de registro: Creación de usuario (confirmación con el correo electrónico diligenciado) o acceder a la plataforma como invitado (con algunos módulos 2. Home: El usuario, accediendo con su ID, encontrará a lo largo de esta sección la capacidad de almacenamiento con la que cuenta, los análisis guardados, los modelos disponibles en la plataforma (neurona y astrocito), y artículos relacionados a reconstrucciones metabólicas. 3. Módulo de análisis: El usuario, con el modelo de interés, podrá realizar los análisis que necesite, bien sea un FBA, FVA o de robustez bajo condiciones normales o simular distintos escenarios biológicos (patológicos), además de poder visualizarlos en el mapa de Reconmap el cual está conectado a Minerva, plataforma que fue anclada a ANSEP. Este módulo trabaja a partir de la librería Sybil de Rstudio, un software libre dedicado a la computación estadística y de gráficos, y cuenta con los siguientes análisis: a. FBA: El análisis del balance de flujos es un recurso matemático para analizar los flujos de los metabolitos a lo largo del modelo metabólico de interés, bien sea neurona o astrocito, que son los 2 modelos actualmente disponibles en ANSEP. Por ejemplo, en el caso del modelo de neurona que tiene como función objetivo la producción de ATP y glutamato, se tendrá el FBA para cada una de las 4533 reacciones que componen el modelo, en unidades de µM peso seco/segundo. Este análisis cuantitativo indica que tanto contribuye cada reacción a la función objetivo. b. FVA: El análisis de variabilidad de flujos es usado para encontrar el flujo mínimo y máximo de cada reacción del modelo, representando su flexibilidad frente a los distintos escenarios que quiera recrear el usuario. c. Robustez: Este análisis se representa mediante una gráfica, donde el eje X es una reacción cualquiera de las que compone el modelo y el eje Y es la función objetivo. Allí se ve representado el cambio de la función objetivo frente a diferentes concentraciones de una cierta reacción. Las unidades se manejan en de µM peso seco/segundo. Actualmente, ANSEP solo cuenta con 3 tipos de herramientas básicas de análisis (descritas anteriormente) que permiten una contextualización ligera del modelo de interés (neurona o astrocito). Es por ello que fortalecer y ampliar el número de métodos matemáticos que contribuyan a una mayor robustez analítica para cubrir distintos escenarios de simulación permitirán una mejoría sobre el nivel de predictibilidad e inferencia de hipótesis biológicas , brindándole al usuario una mayor aproximación en las simulaciones que ejecute en el modelo disponible de ANSEP. Por otro lado, actualizar el motor de análisis distinto al del software Rstudio, se hace con el fin de mejorar y flexibilizar la integración futura de paquetes que surja con posibles mejoras (Ejemplo: COBRAPY basado en Python). Así mismo, la visualización con Minerva de los modelos neurona y astrocito que se viene trabajando, son muy restringidos ante la lectura de otros modelos distintos debido al tipo de ID’s que maneja, por eso es importante estructurar y acomodar este servicio para que los usuarios no se vean limitados en el momento de visualizar cualquier modelo que deseen cargar a la plataforma, una vez el módulo sea adecuado para este servicio. Por todo lo anterior, es importante la constante actualización de los servicios y herramientas de ANSEP, los cuales serán siempre estructurados y definidos con el fin de cumplir el objetivo de la plataforma el cual es disminuir la curva de aprendizaje que supone manejar y analizar los modelos metabólicos en otros softwares (Rstudio o MATLAB) que requieren un alto conocimiento en programación. 4. Módulo de análisis de expresión: Si el usuario cuenta con datos de expresión para neurona o astrocito, podrá subirlos en formato .csv y llevar a cabo los mismos análisis que se encuentran disponibles en el módulo de análisis, obteniendo unos resultados más estructurados y direccionados a lo que desea simular. 5. Módulo de almacenamiento: Le permite al usuario guardar su procesamiento de datos, para retomar en otro momento. Además de poder crear un ambiente colaborativo con otros usuarios de ANSEP, con el fin de trabajar simultáneamente sobre las mismas condiciones del modelo. El usuario puede ajustar esta sección a sus preferencias. 6. Módulo de guías de usuario: Con videos creados y subidos a YouTube, le enseñamos al usuario como hacer uso de las herramientas con las que cuenta la plataforma. 7. Módulo “acerca de nosotros” que contextualiza el cómo, dónde, por quiénes y por qué surgió ANSEP. Bibliografía 1. Kovacs GG. Molecular Pathological Classification of Neurodegenerative Diseases: Turning towards Precision Medicine. Int J Mol Sci. 2016;17. doi:10.3390/ijms17020189 2. OMS (2019) Demencia. Organización mundial de la salud; https://www.who.int/es/news-room/fact-sheets/detail/dementia 3. Minsalud (2017) Boletín salud mental. Demencia. Ministerio de salud. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PP/ENT/Boletin-demencia-salud-mental.pdf 4. Joint Programme for Neurodegenerative Diseases [JPND]. JPND Mapping Exercise Report [Internet]. 07/2020. Available: http://www.neurodegenerationresearch.eu/wp-content/uploads/2020/07/JPND- Mapping-Exercise-Report-28Final2912072018.pdf 5. Hay M, Thomas DW, Craighead JL, Economides C, Rosenthal J. Clinical development success rates for investigational drugs. Nat Biotechnol. 2014;32: 40–51. 6. Cummings JL, Morstorf T, Zhong K. Alzheimer’s disease drug-development pipeline: few candidates, frequent failures. Alzheimers Res Ther. BioMed Central; 2014;6: 37. 7. Martín-Jiménez CA, Salazar-Barreto D, Barreto GE, González J.Genome-Scale Reconstruction of the Human Astrocyte Metabolic Network. Frontiers Neur.2017:9:23 8. Xiao Q, Yan P, Ma X, Liu H, Perez R, Zhu A, et al. Enhancing astrocytic lysosome biogenesis facilitates Aβ clearance and attenuates amyloid plaque pathogenesis. J Neurosci. 2014;34: 9607–9620. 9. Lee W, Reyes RC, Gottipati MK, Lewis K, Lesort M, Parpura V, et al. Enhanced Ca(2+)-dependent glutamate release from astrocytes of the BACHD Huntington’s disease mouse model. Neurobiol Dis. 2013;58: 192–199. 10. Yamanaka K, Chun SJ, Boillee S, Fujimori-Tonou N, Yamashita H, Gutmann DH, et al. Astrocytes as determinants of disease progression in inherited amyotrophic lateral sclerosis. Nat Neurosci. 2008;11: 251– 253. 11. Overman JJ, Clarkson AN, Wanner IB, Overman WT, Eckstein I, Maguire JL, et al. A role for ephrin- A5 in axonal sprouting, recovery, and activity-dependent plasticity after stroke. Proc Natl Acad Sci U S A. 2012;109: E2230–9. 12. Steele ML, Robinson SR. Reactive astrocytes give neurons less support: implications for Alzheimer’s disease. Neurobiol Aging. 2012;33: 423.e1–13. 13. Eid T, Tu N, Lee T-SW, Lai JCK. Regulation of astrocyte glutamine synthetase in epilepsy. Neurochem Int. 2013;63: 670–681. 14. Sheng WS, Hu S, Feng A, Rock RB. Reactive oxygen species from human astrocytes induced functional impairment and oxidative damage. Neurochem Res. 2013;38: 2148–2159. 15. Ortiz-Rodriguez A, Acaz-Fonseca E, Boya P, Arevalo MA, Garcia-Segura LM. Lipotoxic Effects of Palmitic Acid on Astrocytes Are Associated with Autophagy Impairment. Mol Neurobiol. 2018,18,1183-9 16. Basler G, Nikoloski Z, Larhlimi A, Barabási A-L, Liu Y-Y. Control of fluxes in metabolic networks. Genome Res. 2016;26: 956–968. 17. Yugi K, Kubota H, Hatano A, Kuroda S. Trans-Omics: How To Reconstruct Biochemical Networks Across Multiple “Omic” Layers. Trends Biotechnol. 2016;34: 276–290. 18. Liu Y-Y, Slotine J-J, Barabási A-L. Controllability of complex networks. Nature. 2011;473: 167–173. 19. Leite JF. Huntignton's disease: A Bimolecular Vision. Rev Neurol. 2014;32-762-7.