Amici cari,
visto che nessuno commenta, un commento lo faccio io. I dati dell’articolo riportato sono puramente osservazionali. La pandemia è finita ed è tempo di riflettere. La mia riflessione è strettamente scientifica ma ve la porgerò con molta grazia per rendervela chiara (almeno spero). Ho fatto uso del calcolo interattomico. L’interattomica è la disciplina omica che valuta le relazioni funzionali esistenti nell’ambito dell’intero genoma umano (e proteoma) tra gruppi di geni (o proteine). Ovviamente bisogna possedere dei dati sperimentali. Faccio notare che molti di questi dati sperimentali sono recenti, non esistevano prima.
Nel nostro caso i dati sperimentali ci sono. Sono su BioGrid e derivano dal lavoro scientifico di moltissimi gruppi internazionali che hanno misurato le interazioni uno-a-uno delle proteine virali e l’intero proteoma umano. L’indiziata è la proteina S (Spike). È stato trovato che questa proteina virale interagisce sperimentalmente con 1109 proteine umane generando 2074 interazioni fisiche/funzionali (da BioGrid). Ovviamente, alcune di queste interazioni, benché fisiche, possono essere del tutto casuali, cioè derivanti dalla tecnologia usata che costringe ad interagire due partners che non l’avrebbero mai fatto nella realtà. Quindi cautela nel selezionare gli attori.
Cosa ho fatto.
Ho isolato da BioGrid le 83 proteine statisticamente più significative (livelli 1-3) nel generare interazioni fisico/funzionali. Le ho analizzate con STRING e Cytoscape, due sistemi di analisi molto potenti, di cui STRING è una piattaforma on line scientificamente curata. Ho poi operato quello che tecnicamente si chiama un “pruning”, cioè ho ulteriormente ripulito i dati dalle proteine meno note e poco studiate, quindi poco affidabili funzionalmente (l’analisi fatta si basa su oltre 10.000 articoli selezionati dai curatori di STRING che riportano l’esistenza e l’attendibilità delle relazioni sotto studio). Le proteine si sono così ridotte a 72 (cioè il 6,4% del totale). Ho usato queste 72 proteine per operare un “fishing” seguito da “enrichment”, cioè una “pesca” relazionale nell’intero proteoma umano, estraendo il gruppo significativamente più abbondante (= arricchito) di proteine che sulla base dei 10.000 articoli scientifici (cioè sulla base dell’intera conoscenza umana del settore) hanno sperimentalmente mostrato di avere significative relazioni funzionali tra di loro.
Il risultato finale è un network formato da 571 nodi (= proteine) che si scambiano 6524 relazioni funzionali (= edges) con una attendibilità statistica
Questa rete controlla 5418 funzioni metaboliche diverse divise in 15 categorie. Ve ne riporto solo 3: 1963 Processi biologici (GO Ontology), 188 Funzioni molecolari diverse, in 266 componenti cellulari.
Non potendo farvi vedere il network, di seguito vi riporto alcune delle 5418 funzioni controllate, con la relativa attendibilità statistica. Le funzioni sono state selezionate tra quelle specifiche per gli aspetti metabolici connessi con la emostasi e la trombofilia, cioè funzioni metaboliche che la proteina virale S controlla o altera nel nostro metabolismo. Ripeto, sono dati derivanti certamente da fatti sperimentali che ci permettono di valutare statisticamente, sulla base della umana conoscenza del settore, con cosa questa proteina virale va a interagire. Per valutare il livello patologico reale di queste interazioni occorrono altri esperimenti, mirati specificamente ad accertare gli aspetti patologici e clinici.
La voce in blu indica la classificazione internazionale (GO Ontology) della voce che segue (l’aspetto metabolico/funzionale) su cui S va ad incidere e poi c'è la significatività statistica (= quanto è attendibile questo evento). Notate i valori estremamente piccoli delle statistiche (= una attendibilità al di fuori di ogni discussione).
HSA-168256 Immune System 1.71e-61
HSA-9006934 Signaling by Receptor Tyrosine Kinases 8.01e-55
HSA-1280215 Cytokine Signaling in Immune system 2.61e-47
HSA-1643685 Disease 9.65e-46
HSA-109582 Hemostasis 4.71e-44
HSA-162582 Signal Transduction 1.41e-41
GO:0007599 Hemostasis 9.55e-23
CL:19735 COVID-19, thrombosis and anticoagulation 2.16e-05
CL:19715 COVID-19, thrombosis and anticoagulation, and regulation of fibrinolysis 1.9e-4
HSA-9672383 Defective factor IX causes thrombophilia 3.41e-2
HSA-9672391 Defective F8 cleavage by thrombin 3.41e-2
WP4927 COVID-19, thrombosis and anticoagulation 3.82e-06
DOID:0060903 Thrombosis 4.6e-4
DOID:2452 Thrombophilia 1.44e-2
DOID:0111902 Thrombophilia due to activated protein C resistance 3.39e-2
DOID:4193 Intracranial thrombosis 3.39e-2
HP:0001873 Thrombocytopenia 3.04e-08
HP:0001872 Abnormality of thrombocytes 4.14e-08
HP:0004936 Venous thrombosis 1.12e-07
HP:0001977 Abnormal thrombosis 3.04e-07
HP:0001973 Autoimmune thrombocytopenia 1.2e-3
KW-0792 Thrombophilia 4.9e-3
Tutti i precedenti sono dati non pubblicati, ma calcolati con grande correttezza scientifica dal sottoscritto che ne ha competenza, internazionalmente riconosciuta. Quella che vi ho mostrato è una delle basi fondamentali su cui si fonda la medicina molecolare o, se volete, la medicina personalizzata. Niente scienze omiche, niente medicina personalizzata.
Altro non dico, ma da buon intenditor poche parole.
Un saluto