← Volver al inicio

Más allá de la expresión media: un estudio identifica 27 pares de genes y tipos celulares del alzhéimer que habían pasado inadvertidos

Al analizar núcleos de células cerebrales de 627 donantes, TriSCOPE combina aprendizaje automático y evidencia genética para identificar señales de la enfermedad que los métodos tradicionales no habían detectado. Esta lista de candidatos puede orientar la investigación de mecanismos, aunque sigue claramente alejada del diagnóstico individual.

By SURL BioNews

Para buscar pistas moleculares sobre la enfermedad de Alzheimer, los investigadores suelen comparar la expresión génica de pacientes y controles, observando qué genes se vuelven más activos y cuáles reducen su actividad. Sin embargo, que la expresión media de un gen no cambie de forma evidente no significa que no esté relacionado con la enfermedad. Un estudio publicado el 9 de noviembre en *Nature Communications* contrastó varios tipos de análisis e identificó 27 pares «gen–tipo celular» respaldados por evidencia genética que no habían sido detectados mediante el análisis tradicional de expresión diferencial.

El estudio utilizó un marco denominado TriSCOPE, que abarca seis conjuntos de datos de secuenciación de ARN de núcleos individuales, con un total aproximado de 4,2 millones de núcleos de 627 donantes, y analiza seis grandes tipos de células cerebrales y 41 subpoblaciones celulares. Todos estos datos proceden de la corteza prefrontal dorsolateral; la gran cantidad de células permite examinar en detalle distintos estados celulares, aunque su cobertura sigue limitada a una sola región cerebral.

TriSCOPE reúne tres vías de análisis: modelos de aprendizaje automático que consideran múltiples genes simultáneamente, comparaciones de expresión génica que incorporan las diferencias entre donantes y un análisis de «pseudotiempo» que infiere estados celulares a partir de los patrones de expresión. El objetivo es identificar señales que no destacan cuando se examinan por separado, pero que siguen aportando información relacionada con la enfermedad al considerarlas junto con otros genes y factores como la edad, el sexo y el genotipo de APOE.

A continuación, el equipo comparó las señales genéticas del riesgo de alzhéimer y de la regulación de la expresión génica para comprobar si ambas podrían compartir una misma variante genética. Así, 27 pares obtuvieron respaldo adicional, entre ellos JAZF1 y SYK en la microglía; aportaban información al modelo, pero no alcanzaban el umbral de significación de la expresión diferencial. Esto hace que los mecanismos candidatos merezcan una investigación más profunda, aunque compartir una señal genética no demuestra por sí solo que un gen cause directamente la enfermedad.

En cuanto a la validación, señales candidatas clave como ARL17B, LINGO1 y APOE se reprodujeron en cohortes independientes, por lo que no aparecían únicamente en los datos iniciales; esto tampoco significa que los 27 pares hayan recibido individualmente el mismo grado de confirmación. El estudio también encontró que los patrones de expresión relacionados con el deterioro cognitivo no coincidían por completo con los asociados a los cambios patológicos cerebrales, lo que recuerda a los investigadores que explicar la función cognitiva y explicar la acumulación de alteraciones patológicas podría requerir pistas moleculares distintas.

El equipo también hizo público el código de análisis, que incluye los procedimientos de modelado predictivo, expresión diferencial, estimación del pseudotiempo y colocalización genética. El repositorio documenta que el modelo predictivo utiliza cinco particiones aleatorias de los datos y que el análisis de trayectorias emplea siete semillas aleatorias. También incluye datos sintéticos de expresión de microglía y los resultados esperados, para que otros investigadores puedan probar el procedimiento de predicción incluso antes de obtener acceso a los datos humanos sujetos a restricciones. Estas demostraciones ayudan a comprobar los métodos, pero no pueden sustituir la validación biológica en cohortes reales.

La utilidad práctica de este trabajo es acotar los candidatos que deberán investigarse en experimentos posteriores. Como el análisis se basa en datos transversales de tejido cerebral obtenido tras la muerte, aunque el pseudotiempo muestre una ordenación de estados, no puede interpretarse como un registro real de la evolución de la enfermedad en una misma persona. Por ahora, sigue sin poder determinarse si estas señales aparecen antes del inicio de la enfermedad o si son respuestas posteriores causadas por ella, y mucho menos predecir a partir de ellas la evolución futura de una persona. Para convertir la lista de candidatos en dianas terapéuticas, todavía se necesitan experimentos funcionales y estudios que permitan distinguir mejor la secuencia temporal.

References

  1. Nature Communications
  2. AdiVM / GitHub
  3. Genome News