Ensayos funcionales e interpretación de variantes
Por qué es necesario saberlo
La secuenciación identifica innumerables variantes que difieren entre las personas, pero existe una gran brecha entre el hecho de haberlas descubierto y la conclusión de que son la causa de una enfermedad. Especialmente en el caso de las variantes raras, con pocos casos observados, es difícil determinar su significado basándose únicamente en la frecuencia poblacional o en los datos familiares. En este punto, los ensayos funcionales se convierten en una evidencia crucial que pregunta directamente qué cambios provoca la variante en las proteínas o en los procesos celulares.
Sin embargo, "la función ha cambiado" y "causa la enfermedad del paciente" no son la misma frase. Los ensayos funcionales miden el efecto de una variante dentro de un sistema experimental y un readout específicos. Para poder utilizar esto en la interpretación clínica, también se debe examinar qué tan bien representa ese readout el mecanismo real de la enfermedad.
Conceptos clave
La interpretación de variantes recopila la frecuencia poblacional (population frequency), la predicción computacional, el fenotipo del paciente (phenotype), la segregación familiar, la presencia de mutaciones de novo, los ensayos funcionales y otras observaciones clínicas como elementos de evidencia independientes. El sistema ACMG/AMP clasifica y combina estas evidencias en direcciones patogénicas o benignas. Los ensayos funcionales son uno de estos elementos y, cuanto más validado esté el ensayo, mayor peso puede recibir.
Los tipos de ensayos funcionales son diversos. Se pueden utilizar diferentes readouts, como la actividad enzimática, la estabilidad proteica, la localización intracelular, el splicing, la actividad transcripcional (transcriptional activity) y la supervivencia celular. Dado que incluso para la misma variante los resultados pueden variar si los niveles biológicos que mide el ensayo son distintos, se debe leer qué se midió y cómo, más allá del nombre del ensayo.
La escala que cambió MAVE
MAVE (Multiplexed Assays of Variant Effect) genera cientos o miles de variantes en paralelo para medir puntuaciones funcionales. Su ventaja es que permite preparar un mapa de efectos de muchas variantes posibles antes de que sean descubiertas en pacientes. Permite una comparación amplia en condiciones consistentes en comparación con los experimentos de variante única, pero el hecho de ser a gran escala no completa automáticamente la validación clínica.
La puntuación MAVE representa el efecto funcional relativo observado en este ensayo. Debe evaluarse hasta qué punto distingue los controles patogénicos y benignos conocidos, si las réplicas biológicas son reproducibles, si el intervalo de puntuación no está saturado y cómo se interpreta su mediana. El umbral que se utilizará para la clasificación clínica requiere una validación independiente, en lugar de elegirse a posteriori para ajustarse a los datos.
Un pequeño ejemplo
Supongamos que el mecanismo de enfermedad de un gen es la pérdida de función. Si la actividad enzimática de la proteína variante casi desaparece en ensayos repetidos y los controles normales y patogénicos se separan bien, el resultado puede aportar evidencia funcional en dirección patogénica. Sin embargo, su significado se debilita si la enfermedad surge por ganancia de función o si las células utilizadas no reproducen las condiciones del tejido relevante.
Por el contrario, un resultado dentro del intervalo normal no excluye una alteración en una función que el ensayo no mida. Por eso, un único resultado normal no basta para declarar benigna una variante.
Preguntas para evaluar una buena evidencia funcional
- ¿El resultado del ensayo está relacionado con un mecanismo gen–enfermedad conocido?
- ¿Se incluyeron controles normales, positivos y patogénicos, además de réplicas?
- ¿La evaluación se realizó sin que el experimentador conociera la clase de la variante?
- ¿Se comunicaron adecuadamente el intervalo dinámico y la variación técnica?
- ¿El resultado se reproduce en otro sistema experimental o en observaciones clínicas?
- ¿Se especificaron el transcrito, la línea celular, el constructo y el umbral de análisis utilizados?
Relación con las predicciones computacionales
Las predicciones in silico priorizan candidatos mediante la conservación y características de secuencia o estructura, pero no miden la función real. El voto mayoritario de varias herramientas correlacionadas no debe contarse como varias evidencias independientes. Compruebe las versiones, el solapamiento de los datos de entrenamiento, la calibración y los tipos de variantes aplicables, y registre estas predicciones por separado de los ensayos funcionales y los datos clínicos.
Limitaciones
Las líneas celulares y los sistemas de expresión artificial simplifican la etapa de desarrollo, el nivel de expresión y las interacciones presentes en el tejido del paciente. Los ensayos a gran escala pueden contener datos ausentes y efectos de lote, y un punto de corte no definido de antemano puede sobreajustarse. Sobre todo, una función alterada no es condición suficiente de patogenicidad, y un resultado normal tampoco es condición suficiente de benignidad.
La clasificación final debe volver a situar el resultado funcional junto con el fenotipo del paciente, el patrón de herencia y otras evidencias independientes. Este artículo no sustituye la clasificación clínica ni el diagnóstico de una variante concreta.
Para leer más
El concepto Heterocigosis compuesta continúa con la forma de distinguir la fase y la patogenicidad individual cuando se observan dos variantes juntas. El concepto Confianza y limitaciones de AlphaFold explica por qué la predicción de estructuras proteicas no puede sustituir un ensayo funcional.