← Volver al inicio

Del ADN a las pistas sobre el procesamiento del ARN: Illumina presenta SpliceAI2 para ayudar a identificar variantes relacionadas con enfermedades raras

Las pistas genéticas de las enfermedades raras a veces se esconden en los detalles de cómo se procesa el ARN de un gen. SpliceAI2 identifica más variantes candidatas en datos de investigaciones existentes, pero todavía se necesita validación clínica para determinar si este avance puede traducirse en más diagnósticos confirmados.

By SURL BioNews

Para las familias que buscan la causa de una enfermedad rara, leer la secuencia de ADN es solo el punto de partida; la dificultad suele estar en determinar qué variante altera realmente el funcionamiento de un gen. Illumina presentó SpliceAI2 el 8 de octubre para intentar cubrir una de estas lagunas: predecir cómo los cambios en el ADN afectan al procesamiento del ARN, de modo que los investigadores cuenten con más fundamentos para seleccionar las pistas genéticas que merecen estudiarse.

Cuando las células producen ARN maduro, eliminan los segmentos llamados intrones y unen los exones que se conservan. Si cambian los sitios de corte y empalme, el producto también puede cambiar. Según la descripción técnica de Illumina, SpliceAI2 puede predecir directamente a partir de la secuencia de ADN la frecuencia de uso de los sitios de corte y empalme, cómo se conectan entre sí y los transcritos completos de ARN. Esto amplía la interpretación de variantes desde «dónde podría producirse un corte y empalme incorrecto» hasta «qué podría producirse finalmente».

La afirmación de la empresa de que permite «identificar aproximadamente un 17% más de variantes relacionadas con enfermedades» tiene un contexto estadístico específico. El manuscrito de investigación analizó a 7.504 probandos de Genomics England, centrándose en enfermedades en las que un solo alelo puede causar la enfermedad, y aleatorizó las correspondencias con los fenotipos de los pacientes para estimar el nivel de coincidencias fortuitas. Con una misma razón de momios de 2 para la coincidencia con la lista de genes asociados a la enfermedad, SpliceAI2 identificó 133 variantes por encima de lo esperado por azar, frente a las 114 del segundo mejor modelo; de ahí procede la diferencia de aproximadamente el 17%, que no equivale a un aumento del 17% en la tasa de diagnósticos confirmados.

Los datos de ARN aportaron otro nivel de comprobación: en un subconjunto seleccionado según el fenotipo y las puntuaciones del modelo, 17 de las 23 variantes raras priorizadas para su estudio mostraron los cambios de corte y empalme previstos. El manuscrito también señala que aproximadamente la mitad de las variantes identificadas relacionadas con el corte y empalme críptico se encuentran dentro de intrones, a más de 50 bases del límite, y habitualmente podrían pasar inadvertidas en la secuenciación del exoma. Esto también pone de relieve que la utilidad de las herramientas de predicción depende de que la prueba original cubra esas posiciones.

Los datos de entrenamiento del modelo incluyen 314.745 muestras de secuenciación de ARN de diez especies y más de 46 millones de uniones de corte y empalme tras el filtrado. Illumina afirma que, tras incorporar 330 muestras de lecturas largas de ENCODE, la precisión de la reconstrucción completa del transcrito principal en genes que no participaron en el entrenamiento aumentó del 78% al 82%. Esta prueba mide la capacidad de reconstrucción de transcritos y responde a una pregunta distinta de la comparación de variantes candidatas para enfermedades raras.

La herramienta también está disponible. Los registros de PyPI muestran que SpliceAI2 2.0 se publicó el 8 de octubre; la documentación ofrece pesos preentrenados y resultados precalculados para 4.000 millones de posibles variantes de un solo nucleótido en las regiones de genes que codifican proteínas y 150 millones de variantes de inserción o deleción observadas en poblaciones. Los pesos y los datos de predicción están disponibles para investigación académica y no comercial; para usos comerciales es necesario contactar con Illumina, y la ejecución local requiere una GPU compatible con CUDA.

Para la investigación de enfermedades raras, estas predicciones pueden ayudar a planificar experimentos funcionales posteriores; para el descubrimiento de fármacos, pueden aportar pistas de investigación sobre cómo las variantes modifican los productos de ARN. Sin embargo, la evidencia principal procede actualmente de un preprint y de análisis de datos existentes, y todavía no se ha demostrado un beneficio diagnóstico prospectivo. Observar un cambio en el corte y empalme tampoco equivale a confirmar que este cause la enfermedad del paciente; para incorporarlo realmente al proceso diagnóstico, aún es necesario combinar evidencia fenotípica, genética y funcional, y comprobar si la herramienta puede aumentar los diagnósticos confirmados fiables y mejorar la eficiencia de la interpretación.

References

  1. Illumina
  2. Illumina BioInsight AI Lab
  3. Illumina
  4. PyPI — Illumina's SpliceAI2 package