Medicina genética · canada
Llevar las pistas epigenéticas de la sangre a otros tejidos: el aprendizaje automático abre camino para interpretar variantes prenatales
Utilizando el síndrome de Down como prueba de concepto, un equipo de investigación convirtió características de metilación del ADN de la sangre posnatal en un clasificador aplicable a distintos tejidos, con la esperanza de aportar una capa adicional de evidencia para interpretar variantes de significado incierto detectadas mediante secuenciación prenatal; sin embargo, aún quedan obstáculos, como ampliar el método a otras enfermedades y realizar validaciones prospectivas, antes de que pueda convertirse en una prueba clínica rutinaria.
La secuenciación genética prenatal puede detectar una variante, pero no siempre permite determinar si realmente causa una enfermedad. Estas «variantes de significado incierto» pueden enfrentar a las familias y a los equipos médicos a decisiones difíciles con información insuficiente. Un equipo de investigación del Hospital para Niños Enfermos de Toronto, Canadá (SickKids), propuso un método de aprendizaje automático que busca convertir los datos epigenéticos acumulados en sangre posnatal en una herramienta de interpretación aplicable a muestras prenatales, como la placenta y la sangre del cordón umbilical.
El estudio se centra en las «firmas epigenéticas» (episignatures) de metilación del ADN: ciertas enfermedades genéticas dejan en el genoma patrones de metilación relativamente estables y distintivos de la enfermedad, que pueden ayudar a determinar si una variante genética es patógena. Sin embargo, la mayoría de las firmas existentes proceden de sangre total posnatal, y la metilación cambia según el tipo celular y la etapa del desarrollo, por lo que su aplicación directa a tejidos prenatales suele ser inviable.
Este estudio de prueba de concepto, publicado en el «American Journal of Human Genetics», eligió como modelo la trisomía 21, es decir, el síndrome de Down. Los investigadores establecieron primero una firma epigenética de la trisomía 21 derivada de sangre a partir de 266 muestras. Después integraron datos públicos y entrenaron un modelo de aprendizaje automático con 850 muestras de trisomía 21 y de control, correspondientes a seis tipos de tejidos prenatales y posnatales. Según el resumen del artículo, el modelo pudo predecir con precisión el estado de trisomía 21 en todos los tejidos evaluados, lo que indica que las señales relacionadas con la enfermedad podrían contener un componente común no limitado por el tipo celular.
Un paso más cercano a la aplicación práctica consistió en combinar las firmas epigenéticas posnatales ya establecidas con un pequeño número de muestras prenatales para entrenar el modelo. Los resultados mostraron que este enfoque puede generar un clasificador capaz de identificar muestras prenatales, lo que implica que los investigadores podrían comenzar a desarrollar modelos epigenéticos de interpretación prenatal sin tener que volver a recopilar para cada enfermedad grandes cantidades de tejidos fetales difíciles de obtener.
No obstante, este resultado no constituye una nueva prueba de cribado del síndrome de Down ni se ha demostrado todavía que mejore la precisión clínica del diagnóstico prenatal actual. La trisomía 21 produce efectos genómicos claros y generalizados, por lo que genera señales identificables con mayor facilidad que las enfermedades monogénicas. Aún debe verificarse caso por caso si el modelo puede extenderse a enfermedades del neurodesarrollo más raras y con mayor variabilidad fenotípica, y si puede interpretar de forma fiable variantes específicas de significado incierto.
Para incorporarse al flujo clínico, las investigaciones posteriores también deberán realizar validaciones ciegas y prospectivas con casos prenatales independientes y representativos, y aclarar cómo afectan a los resultados las distintas etapas del embarazo, los tejidos de muestreo, la contaminación con células maternas y las diferencias entre plataformas experimentales. Por ahora, este método resulta más apropiado como punto de partida técnico para superar las barreras entre tejidos que como una prueba madura capaz de determinar por sí sola las decisiones médicas durante el embarazo.