Predicción de variantes de enfermedades con modelos generativos profundos de datos evolutivos

Área de la Ciencia:

• La genómica
• Biología computacional
• La genética humana

Sus antecedentes:

• Más del 98% de las variantes de proteínas en los genes de enfermedades humanas tienen consecuencias clínicas desconocidas, lo que dificulta el diagnóstico y el tratamiento precisos.
• Los métodos computacionales actuales para la interpretación de variantes se basan en etiquetas de enfermedades limitadas, sesgadas y de calidad variable, lo que lleva a predicciones no confiables.
• Los métodos experimentales de alto rendimiento se utilizan cada vez más, pero consumen muchos recursos.

Objetivo del estudio:

• Desarrollar un nuevo enfoque computacional para predecir la patogenicidad de la variante de proteínas que no requiera datos de enfermedades etiquetadas.
• Aprovechar modelos generativos profundos y información evolutiva para evaluar con precisión los efectos de las variantes.
• Proporcionar una herramienta escalable y confiable para clasificar millones de variantes genéticas de significado desconocido.

Principales métodos:

• Desarrolló EVE (modelo evolutivo de efecto variante), un modelo generativo profundo entrenado en la variación de la secuencia evolutiva en los organismos.
• Modelado la distribución de las variaciones de la secuencia para capturar implícitamente las restricciones de la secuencia de proteínas esenciales para la aptitud.
• Se evaluó el rendimiento de EVE en comparación con los métodos computacionales existentes que dependen de la etiqueta y las predicciones experimentales de alto rendimiento.

Principales resultados:

• EVE supera a los métodos computacionales de última generación que se basan en datos etiquetados.
• El rendimiento predictivo de EVE es comparable o mejor que las predicciones experimentales de alto rendimiento.
• Se predijo la patogenicidad de más de 36 millones de variantes en 3.219 genes de enfermedades, clasificando más de 256.000 variantes de importancia desconocida.

Conclusiones:

• Los modelos generativos profundos que aprovechan la información evolutiva ofrecen un enfoque poderoso y libre de etiquetas para la predicción de la patogenicidad de las variantes.
• EVE proporciona evidencia valiosa e independiente para la interpretación de variantes tanto en la investigación como en el entorno clínico.
• Este método mejora significativamente la capacidad de interpretar las variantes genéticas y su impacto en la salud humana.