Antecedentes

Tras la finalización del Proyecto Genoma Humano, el obstáculo más grande al que se enfrentó la comunidad de biología molecular fue la interpretación funcional de las regiones no codificantes, que representan el 98% del genoma. Las regiones exónicas, que codifican proteínas, permiten predecir con relativa facilidad la patogenicidad de las variantes mediante la comparación directa de los cambios en la secuencia de aminoácidos. Por otro lado, aunque el cambio de una sola base en los promotores, potenciadores, sitios de unión de corte y regiones de ARN no traducidos, responsables de la regulación transcripcional, provoca un cambio drástico en el riesgo de desarrollar enfermedades, su sistema de interpretación era extremadamente opaco.

Más del 90% de los polimorfismos de un solo nucleótido (SNP) asociados a enfermedades mediante estudios de asociación del genoma completo (GWAS) se concentran en estas regiones no codificantes. Sin embargo, las herramientas bioinformáticas tradicionales han mostrado limitaciones al depender excesivamente de puntuaciones de conservación de secuencias entre especies, fallando en inferir variantes reguladoras específicas de humanos o cambios epigenéticos por línea celular. Aunque se han desarrollado experimentos de cribado masivo de alto rendimiento como el análisis de reporteros paralelos masivos (MPRA), el coste astronómico y las limitaciones técnicas impiden la verificación exhaustiva de cientos de millones de combinaciones de variantes humanas. Esto ha generado una necesidad urgente de modelos computacionales capaces de cuantificar el impacto de las variantes no codificantes en la expresión génica y la estructura de la cromatina basándose únicamente en la información de la secuencia.

Hallazgos clave

En los últimos años, la tecnología de deep learning genómico ha evolucionado más allá de los modelos basados en redes neuronales convolucionales (CNN) locales hacia arquitecturas capaces de capturar interacciones de largo alcance que abarcan decenas o cientos de miles de pares de bases. Si las primeras versiones de DeepSEA o Basset se limitaban a determinar la unión de factores de transcripción o la sensibilidad a enzimas de restricción en secuencias de unos pocos miles de pares de bases, los modelos más recientes como Enformer y Borzoi combinan una arquitectura Transformer para calcular incluso el contacto físico tridimensional entre promotores e intensificadores que ocurre a distancias de decenas de miles de pares de bases. Se incluyó en el ámbito de aplicación.

Estos modelos avanzados pueden predecir señales de expresión génica mediante análisis CAGE (Captura de Extremos de Transcripción), niveles de ARN y patrones de modificación de histonas (ChIP-seq) en líneas celulares humanas con precisión a nivel de nucleótido único. Se ha alcanzado una etapa en la que es posible realizar experimentos virtuales (mutagénesis in silico) para simular cuánto aumenta o disminuye la expresión de genes diana aguas abajo al introducir variantes artificiales en posiciones no codificantes específicas. También se han logrado avances como el modelo Sei, que clasifica las variantes no codificantes en decenas de familias de secuencias según el estado de la cromatina para priorizar variantes patogénicas específicas de enfermedades.

No obstante, el aumento de la complejidad de la estructura del modelo no se traduce directamente en una mayor precisión predictiva. Al evaluar variantes raras, persisten limitaciones como el sobreajuste a la secuencia del genoma de referencia, lo que lleva a subestimar las diferencias de expresión entre alelos, o la dificultad para aislar los efectos reguladores sutiles que solo ocurren en tejidos específicos. La propia sesgación en los conjuntos de datos de genómica funcional utilizados para el entrenamiento es también un factor clave que provoca disparidades en el rendimiento entre diferentes tejidos.

Significado y perspectivas

El deep learning genómico está marcando un punto de inflexión crucial al elevar las variantes no codificantes hacia las áreas de medicina de precisión y descubrimiento de dianas terapéuticas. Esto sienta las bases para mejorar drásticamente la tasa de diagnóstico de enfermedades genéticas raras y refractarias, que anteriormente se dejaban como 'variantes de significado incierto (VUS)' debido a la incapacidad de esclarecer su significado funcional a pesar de la acumulación de datos de secuenciación del genoma de decenas de miles de pacientes. En la genómica del cáncer, también está empezando a consolidarse como una herramienta clave para revelar los mecanismos de sobreexpresión anormal de oncogenes causados por mutaciones somáticas no codificantes.

El desafío futuro consiste en cerrar la brecha entre los resultados de las simulaciones computacionales y la dinámica molecular real in vivo. Se requiere la construcción de modelos fundacionales genómicos que reflejen el polimorfismo genético de diversas poblaciones étnicas, así como técnicas de entrenamiento que integren directamente datos empíricos de transcriptómica de célula única y multiómica en la función de pérdida. Para garantizar la confianza en el entorno clínico, es necesario aumentar la interpretabilidad de los modelos, permitiendo rastrear con claridad cómo las variantes destruyen motivos específicos de factores de transcripción que causan enfermedades.