Antecedentes

El análisis de loci de rasgos cuantitativos de expresión (eQTL), que identifica el impacto de las variantes genómicas en la expresión génica, se ha consolidado como un enfoque estándar para interpretar la función de variantes asociadas a enfermedades. Con el avance de la tecnología de secuenciación de ARN de célula única (scRNA-seq), han proliferado los estudios de eQTL específicos de tipo celular que actúan solo en subpoblaciones celulares determinadas. Esto se debe a que el análisis de transcriptómica «bulk» tradicional, que procesa la muestra completa del tejido, tiene dificultades para captar las señales de regulación de la expresión en células inmunitarias raras o en poblaciones celulares específicas dentro del microambiente.

Sin embargo, existían altas barreras estadísticas para calcular con precisión la correlación entre variantes genéticas y expresión génica a nivel unicelular. La profundidad de lectura (read depth) del genoma varía entre células y la proporción de conteos cero (zero counts), donde no se detecta expresión, es muy elevada. Los investigadores han adoptado principalmente el método 'pseudobulk', que suma los valores de expresión de las células por individuo para aplicar modelos de regresión lineal. Este método atenúa significativamente la heterogeneidad y la variación de expresión intracelular, dificultando la corrección precisa de la estructura genética en cohortes multiétnicas o de las correlaciones entre individuos. Asimismo, existían limitaciones claras para evaluar el efecto combinado de variantes raras de baja frecuencia debido a los problemas de complejidad computacional.

Hallazgos clave

Investigadores de Estados Unidos han publicado en la revista Nature Genetics el marco de trabajo SAIGE-QTL, una herramienta de genómica estadística que maneja directamente los conteos de lecturas (read counts) de células individuales sin procesamiento posterior. Esta metodología se basa en un modelo mixto de Poisson (Poisson Mixed Model), reflejando sin distorsión la distribución de datos de recuento propia de los datos de una sola célula.

Al agrupar como efectos aleatorios las correlaciones entre miles de células derivadas de donantes individuales y los parentescos genéticos entre muestras, se reduce el error de tipo I (falsos positivos). Esta estructura permite controlar directamente covariables dentro del modelo, como la carga transcripcional total por célula o los efectos de lote.

En comparación con el enfoque pseudobulk, la potencia estadística mejoró drásticamente en subpoblaciones raras con un número reducido de células o en genes con niveles bajos de expresión. El equipo aplicó técnicas de estimación aproximada validadas en análisis conectados con biobancos a gran escala, garantizando una eficiencia computacional viable incluso en conjuntos de datos de millones de células individuales y genomas de decenas de miles de personas.

El logro más destacado fue la implementación de un análisis de asociación basado en conjuntos de variantes raras (rare variant set-based test) en el entorno de células individuales. Las variantes raras individuales tienen una frecuencia tan baja que resulta prácticamente imposible demostrar significancia a nivel de variante única. SAIGE-QTL agrupó variantes raras a nivel de genes o regiones reguladoras para realizar pruebas de carga (burden test) y pruebas de componentes de varianza, vinculándolas directamente con la expresión génica a nivel de célula única.

Significado y perspectivas

SAIGE-QTL abre el camino para el descubrimiento genómico que abarca desde variantes comunes hasta variantes raras a resolución de célula única. Si bien las investigaciones anteriores se limitaban al análisis de variantes comunes entre los polimorfismos de nucleótido único (SNP), ahora es posible distinguir el impacto específico que tienen las variantes raras no codificantes en las regiones promotoras o las variantes de pérdida de función de la proteína en ciertos tipos celulares.

Se prevé que se consolide como una herramienta fundamental en la investigación de genómica funcional para rastrear en qué vías celulares deja de actuar la susceptibilidad a enfermedades mediada por genes. En particular, es probable que tenga un amplio uso en el análisis de enfermedades complejas con células patogénicas muy limitadas, como las enfermedades neurodegenerativas o autoinmunes.

No obstante, sigue siendo un desafío el requerimiento de una gran cantidad de memoria y recursos de computación de alto rendimiento. Para modelar de forma integral la información de la posición celular y las señales físicas de las células vecinas, como en los datos de transcriptómica espacial (spatial transcriptomics), será necesario complementar con una expansión adicional de los algoritmos.