Antecedentes

Los estudios de asociación de genoma completo (GWAS) han ampliado los horizontes de la medicina moderna al identificar numerosas variantes genéticas asociadas con enfermedades. Sin embargo, existe el desafío de que la mayoría de las variantes de enfermedades se encuentran en regiones no codificantes que no codifican proteínas directamente, lo que dificulta el esclarecimiento de los mecanismos biológicos específicos.

Para llenar este vacío, la comunidad científica ha introducido el análisis de loci de rasgos cuantitativos de expresión (eQTL). Este enfoque identifica estadísticamente el impacto de las variantes genéticas en los niveles de expresión génica por tejido. Además, el análisis de asociación de todo el transcriptoma (TWAS) y el análisis de colocalización, que combinan paneles de referencia de eQTL con estadísticas resumidas de GWAS, se han consolidado como herramientas clave para seleccionar genes causales que impulsan el desarrollo de enfermedades.

El problema reside en la base que garantiza la fiabilidad del análisis. Aunque la comunidad académica ha aplicado criterios estrictos a los modelos de modelado estadístico post-hoc complejos y a la corrección por pruebas múltiples, ha sido relativamente negligente con las etapas superiores de preprocesamiento que constituyen el punto de partida del análisis en la secuenciación de ARN (RNA-seq). Se ha pasado por alto el hecho de que los resultados de los estudios posteriores pueden variar dependiendo de la base de datos de anotación del transcriptoma utilizada para convertir las lecturas de secuencias originales en niveles de expresión génica, así como de si se opta por la cuantificación basada en alineamiento o en pseudoalineamiento.

Hallazgos clave

Un equipo de investigación internacional demostró en un artículo publicado el 26 de octubre en la revista Nature Genetics que la elección de las etapas de procesamiento previas en el análisis de RNA-seq puede alterar significativamente todo el análisis genómico. El equipo comparó sistemáticamente las combinaciones de sistemas de anotación del transcriptoma y canales de cuantificación de la expresión utilizando los mismos datos originales genómicos y transcriptómicos.

Las claras disparidades se hacen evidentes desde la definición de la línea base en la anotación del transcriptoma. Al aplicar versiones de anotación con diferentes rangos de definición de exones, como GENCODE o Ensembl, la asignación de expresión por gen varió significativamente incluso con las mismas lecturas de secuenciación. Particularmente, la distorsión en la cuantificación fue pronunciada en regiones genómicas donde coexisten múltiples isoformas de transcriptos o donde los límites de los genes se superponen.

Estas desviaciones del preprocesamiento se transfieren íntegramente a la etapa de mapeo de eQTL. La composición de los pares variante-gen que cumplen con la significancia estadística fluctuó considerablemente debido únicamente a las diferencias en los algoritmos de cuantificación. La tasa de concordancia en el descubrimiento de eQTL fue inferior a lo esperado entre las herramientas tradicionales de cuantificación basadas en alineamiento y los algoritmos que aplican estimaciones de descomposición del transcriptoma.

Los resultados de los análisis downstream, como TWAS y colocalización, también se ven afectados directamente. Se observó que, al cambiar simplemente el método de preprocesamiento superior, se invirtió el ranking de los candidatos identificados como genes causales clave que median el riesgo de enfermedad. Incluso la probabilidad posterior de colocalización, que evalúa si las señales de GWAS y las señales de expresión tisular provienen de la misma variante, arrojó conclusiones opuestas según la elección del preprocesamiento. La elección inicial en el procesamiento de datos determinó prácticamente el resultado final de la identificación de los genes de la enfermedad.

Significado y perspectivas

Este estudio lanza una advertencia seria al ecosistema de la investigación en genómica funcional. Demuestra que, incluso aplicando modelos estadísticos avanzados, los sesgos sutiles generados en la etapa de preprocesamiento de los datos originales pueden distorsionar las conclusiones de toda la investigación.

Los investigadores instaron a establecer estándares de reporte de metodología específicos para asegurar la reproducibilidad de los datos en futuras investigaciones genómicas. Se señala que, al redactar artículos, se debe abandonar la práctica de simplemente enumerar los nombres de las canalizaciones de análisis y especificar detalladamente la versión del ensamblaje de la anotación del transcriptoma utilizada y los parámetros de cuantificación. El procedimiento de validación de sensibilidad, que compare múltiples combinaciones de preprocesamiento sin depender de un único pipeline, también se considera un elemento esencial.

A largo plazo, la comunidad científica prevé que la difusión de la tecnología de secuenciación de lectura larga (long-read sequencing) será un punto de inflexión para mitigar la anotación incompleta. Esto se debe a que permite descodificar directamente el transcriptoma completo sin fragmentarlo, reduciendo fundamentalmente los errores de cuantificación de isoformas proteicas. Se presta atención a si se intensificarán las discusiones sobre la estandarización de algoritmos y bases de datos de referencia.