COVID-19 in kaart gebracht met WikiPathways
Tijdens de coronapandemie verschenen wereldwijd enorme hoeveelheden onderzoeksdata over het virus. Maar hoe verbind je al die losse puzzelstukjes met elkaar? Dr. Martina Summer-Kutmon (Maastricht University) bracht samen met internationale partners de biologische processen achter COVID-19 in kaart binnen het open platform WikiPathways.
Hoe ontstond dit project?
Aan het begin van de pandemie kwam er ineens een enorme stroom aan nieuwe informatie beschikbaar. Over het virus, over de afweerreactie, over wat er in verschillende organen gebeurde. Maar het overzicht ontbrak vaak. Onderzoekers wereldwijd publiceerden razendsnel nieuwe inzichten, die elkaar soms ook tegenspraken. Wij wilden al die kennis structureren en samenbrengen in 1 systeem. Dat deden we via WikiPathways, een wereldwijd kennisplatform dat wordt beheerd door Maastricht University. Onderzoekers kunnen daar sinds 2008 biologische processen – zogenoemde pathways – opbouwen en delen. Het werkt net als Wikipedia: onderzoekers kunnen zelf informatie toevoegen, aanpassen en verbeteren.
Wat zijn pathways precies?
Pathways beschrijven stap voor stap wat er in een cel gebeurt. Bijvoorbeeld hoe een virus een cel binnendringt, hoe het de cel gebruikt om zich te vermenigvuldigen en hoe het immuunsysteem daarop reageert. Die processen brengen we niet alleen visueel in kaart, maar ook op een manier die computers kunnen lezen en analyseren. Daardoor kun je onderzoeksdata koppelen aan die modellen en patronen herkennen die anders moeilijk zichtbaar zijn.
Wat leverde het project concreet op?
Het belangrijkste resultaat is de COVID-19 Disease Map: een grote verzameling biologische modellen die onderzoekers wereldwijd kunnen gebruiken. Daarin staat bijvoorbeeld beschreven hoe SARS-CoV-2 cellen binnendringt, hoe het virus de afweer beïnvloedt en welke processen in het lichaam veranderen tijdens infectie. Dat platform bestaat nog steeds en wordt ook nu nog bijgewerkt met nieuwe inzichten. De infrastructuur die we tijdens de pandemie hebben ontwikkeld, kunnen we bovendien opnieuw gebruiken bij toekomstige infectieziekten.
Hebben jullie met die modellen ook nieuwe inzichten gevonden?
Ja. We hebben veel datasets geanalyseerd om te kijken welke organen en processen het sterkst worden beïnvloed door COVID-19. Daarbij zagen we dat het veel meer was dan alleen een longinfectie. We onderzochten onder andere longen, hart, lever, nieren, milt, schildklier en zaadballen. Sommige weefsels lieten opvallend sterke veranderingen zien. Bij de schildklier zagen we bijvoorbeeld duidelijke veranderingen in afweerreacties en stofwisseling. In de zaadballen zagen we juist een afname van bepaalde stofwisselingsprocessen, die later ook in andere studies werden onderzocht. Veel van onze analyses waren verkennend. We wilden vooral aanwijzingen vinden: waar zien we opvallende veranderingen en waar is vervolgonderzoek nodig?
Het is waardevol dat we complexe biologie beter zichtbaar hebben gemaakt. Mensen begrijpen dingen nu eenmaal beter als ze ze kunnen zien.
Jullie werkten hiervoor samen met internationale partners.
Ja, onderzoekers die normaal gesproken aan verschillende databronnen en biologische modellen werkten, besloten tijdens de pandemie om kennis en modellen te delen. Daardoor konden we veel sneller werken dan normaal. Deze nauwe samenwerking heeft zich bovendien voortgezet tot op de dag van vandaag. Ook bijzonder was hoe snel data beschikbaar kwam. Normaal gesproken worden datasets vaak pas gedeeld nadat een wetenschappelijk artikel is gepubliceerd. Tijdens de pandemie gebeurde dat veel sneller, omdat iedereen voelde hoe urgent de situatie was.
Heeft het project ook invloed gehad op jullie eigen onderzoekslijn?
Absoluut. Voor mij persoonlijk veranderde het onderzoek ook de richting van mijn werk. Vóór COVID-19 werkte ik vooral aan methodologie en data-analyse achter de schermen. Tijdens de pandemie werd veel duidelijker hoe direct zulke computermodellen kunnen bijdragen aan actuele medische vragen. Sindsdien werk ik veel meer aan onderzoek dat dicht op de praktijk zit, bijvoorbeeld rond ontstekingsziekten en post-COVID. We gebruiken dezelfde infrastructuur nu ook om post-COVID beter te begrijpen. Daarbij kijken we bijvoorbeeld naar vermoeidheid, ontstekingsreacties en veranderingen in de hersenen. We proberen verschillende soorten data met elkaar te combineren: bloedwaarden, hersenscans, genetische informatie en gegevens over afweerreacties. Computermodellen en machine learning helpen ons om verbanden zichtbaar te maken.
Kan dit onderzoeksproject ook helpen bij een volgende pandemie?
Zeker. De infrastructuur staat er nu al: de software, de workflows en de manier waarop we modellen en data delen. Daardoor kunnen we veel sneller reageren als er een nieuw virus opduikt. Natuurlijk moet je nieuwe mechanismen opnieuw onderzoeken. Maar we hebben nu een veel betere basis dan vóór COVID-19. Bovendien hebben we veel meer kennis opgebouwd over infectieziekten en afweerreacties in het algemeen.
Wat is volgens jou de belangrijkste opbrengst van dit project?
Naast de wetenschappelijke inzichten denk ik dat het ook waardevol is dat we complexe biologische processen beter zichtbaar en uitlegbaar hebben gemaakt. Mensen begrijpen dingen nu eenmaal beter als ze ze kunnen zien. Dat kan niet alleen onderzoekers helpen, maar ook artsen en mogelijk uiteindelijk patiënten.