Encontrando nuestro camino alrededor del ADN

Encontrando nuestro camino alrededor del ADN

El equipo de Salk desarrolla una herramienta que mapea áreas funcionales del genoma para comprender mejor la enfermedad

LA JOLLA—La mayoría de nosotros estaríamos perdidos sin los mapas de Google o tecnologías similares de guía de rutas. Y cuando esas herramientas de mapeo incluyen datos adicionales sobre el tráfico o el clima, podemos navegar de manera aún más efectiva. Para los científicos que navegan por el genoma de los mamíferos para comprender mejor las causas genéticas de las enfermedades, la combinación de varios tipos de conjuntos de datos también facilita encontrar el camino.

Un equipo del Instituto Salk ha desarrollado un algoritmo computacional que integra dos tipos de datos diferentes para hacer que la localización de regiones clave dentro del genoma sea más precisa y precisa que otras herramientas. El método, detallado durante la semana del 13 de febrero de 2017, en Actas de la Academia Nacional de Ciencias, podría ayudar a los investigadores a realizar búsquedas mucho más específicas de variantes genéticas que causan enfermedades en el genoma humano, como las que promueven el cáncer o causan trastornos metabólicos.

"La mayor parte de la variación entre individuos está en regiones no codificantes del genoma", dice el autor principal. José Ecker, investigador del Instituto Médico Howard Hughes y director del Laboratorio de Análisis Genómico de Salk. “Estas regiones no codifican proteínas, pero aun así contienen variantes genéticas que causan enfermedades. Simplemente no hemos tenido herramientas muy efectivas para ubicar estas áreas en una variedad de tejidos y tipos de células, hasta ahora”.

Solo alrededor del dos por ciento de nuestro ADN está compuesto por genes, que codifican proteínas que nos mantienen saludables y funcionales. Durante muchos años, se pensó que el otro 98 por ciento era "basura" extraña. Pero, a medida que la ciencia ha desarrollado herramientas cada vez más sofisticadas para investigar el genoma, ha quedado claro que gran parte de esa llamada basura tiene funciones reguladoras vitales. Por ejemplo, las secciones de ADN llamadas "potenciadores" dictan dónde y cuándo se lee la información del gen.

Cada vez más, las mutaciones o alteraciones en los potenciadores se han relacionado con las principales causas de enfermedades humanas, pero los potenciadores han sido difíciles de localizar dentro del genoma. Se pueden encontrar pistas sobre ellos en ciertos tipos de datos experimentales, como en la unión de proteínas que regulan la actividad de los genes, modificaciones químicas de proteínas (llamadas histonas) que envuelven el ADN, o en la presencia de compuestos químicos llamados grupos metilo en el ADN. que activan o desactivan los genes (un factor epigenético llamado metilación del ADN). Por lo general, los métodos computacionales para encontrar potenciadores se han basado en datos de modificación de histonas. Pero el nuevo sistema de Ecker, llamado REPTILE (por "predicción de elementos reguladores basada en firmas epigenómicas locales específicas de tejido"), combina datos de metilación y modificación de histonas para predecir qué regiones del genoma contienen potenciadores. En los experimentos del equipo, REPTILE demostró ser más preciso para encontrar potenciadores que los algoritmos que se basan solo en la modificación de histonas.

"La novedad de este método es que utiliza la metilación del ADN para reducir realmente las secuencias reguladoras candidatas sugeridas por los datos de modificación de histonas", dice Yupeng He, estudiante graduado de Salk y primer autor del artículo. "Luego pudimos probar las predicciones de REPTILE en el laboratorio y validarlas con datos experimentales, lo que nos dio un alto grado de confianza en la capacidad del algoritmo para encontrar potenciadores".

El algoritmo REPTILE opera en dos pasos generales: entrenamiento y predicción. Para el entrenamiento, el equipo de Salk le enseñó a REPTILE a reconocer los potenciadores de mamíferos introduciendo en el algoritmo tanto las ubicaciones de los potenciadores conocidos como las áreas genómicas distintas de los potenciadores en el ADN. En el paso de predicción, el algoritmo se ejecutó en nueve líneas celulares y tejidos de ratón y cinco humanos cuyas regiones potenciadoras eran desconocidas e identificó las ubicaciones de los potenciadores potenciales. Finalmente, el equipo utilizó datos de experimentos de laboratorio para probar si las predicciones realizadas por REPTILE en el paso de predicción correspondían a regiones reguladoras reales. Debido a que los potenciadores aumentan la actividad de los genes diana, los investigadores pueden probar la actividad de las secuencias de ADN conectándolas a un gen informador y observando si el supuesto gen diana aumenta. Usando herramientas moleculares, el equipo diseñó embriones de ratón para que la activación del potenciador desencadenara la expresión de los reporteros vinculados, que pueden monitorearse mediante tinción. Entonces, si REPTILE predijo que un potenciador específico estaba relacionado con el desarrollo del cerebro anterior del ratón, el equipo pudo buscar un patrón de tinción en la región del cerebro anterior del embrión. Si lo vieron, la predicción de REPTILE se consideró válida. El equipo de Salk también probó las predicciones de REPTILE contra otros cuatro algoritmos de búsqueda de potenciadores de uso común. En general, REPTILE superó a cada uno, encontrando regiones potenciadoras con mayor precisión (acercándose a ellas a lo largo de la cadena de ADN) y menos errores (identificaciones erróneas). En particular, REPTILE tuvo más éxito que los otros sistemas en la invaluable tarea de encontrar potenciadores en diferentes tipos de tejidos en los que se entrenó.

“La cantidad de variantes genéticas en el genoma es enorme”, dice Ecker. “Entonces, en términos de encontrar los que causan enfermedades, realmente desea destacar las regiones que cree que son más importantes e identificar los potenciadores es un paso crítico en el proceso”.

Otros autores incluyeron a Joseph R. Nery y Rosa G. Castanon del Instituto Salk; David U. Gorkin, Ah Young Lee y Bing Ren de la Universidad de California, San Diego; Diane E. Dickel, Axel Visel y Len A. Pennacchio de Laboratorio Nacional Lawrence Berkeley; y Yin Shen de la Universidad de California, San Francisco.

El trabajo fue financiado por la Fideicomiso benéfico HA y Mary K. Chapman, la Fundación AP Giannini, la Los Institutos Nacionales de Salud, la Fundación Gordon y Betty Moore y Instituto de California para la medicina regenerativa.