Descubrimiento de variantes a escala impulsado por la comunidad: resultados de un Hackathon de genómica de...

Área de la Ciencia:

• La genómica
• Enfermedades raras
• La bioinformática

Sus antecedentes:

• Las variantes de número de copias (CNV) son contribuyentes significativos a las enfermedades genéticas raras.
• La detección e interpretación de las CNV a partir de datos de secuenciación del genoma de lectura corta (srGS) es un desafío, especialmente a escala.
• Una gran cantidad de datos srGS existentes siguen siendo subutilizados para la identificación de CNV clínicamente relevantes.

Objetivo del estudio:

• Desarrollar y aplicar flujos de trabajo de análisis de CNV escalables para los datos del srGS.
• Acelerar el diagnóstico y el descubrimiento genético en cohortes de enfermedades raras.
• Abordar el desafío de la detección e interpretación de las CNV en conjuntos de datos a gran escala.

Principales métodos:

• Utilizó Parliament2 para la llamada de variante estructural (SV) y Mosdepth/SLMSuite para el control de calidad basado en la profundidad de lectura y la detección de CNV.
• Aplicó R Shiny para la visualización y desarrolló una base de datos de variantes SV / CNV con anotación.
• Utilizó el agrupamiento DBSCAN para la estimación de la frecuencia alélica y una estrategia de anotación de tres vías para la interpretación.

Principales resultados:

• Desarrolló y aplicó canalizaciones de análisis de CNV escalables a los datos srGS de tres cohortes de enfermedades raras.
• Se identificaron CNV de alta confianza y se simplificó la interpretación, dando como resultado 39 SV patógenos candidatos en un plazo de 2 días.
• Se ha demostrado un rápido filtrado, priorización y visualización de las variantes clínicamente relevantes.

Conclusiones:

• Un Hackathon impulsado por la comunidad demostró con éxito la viabilidad del análisis escalable de CNV.
• Las herramientas y los flujos de trabajo desarrollados aceleran significativamente el diagnóstico y el descubrimiento en la investigación de enfermedades raras.
• Este enfoque mejora la utilidad de los datos srGS existentes para identificar las causas genéticas de las enfermedades raras.