Evaluación de herramientas in silico para una predicción precisa de la patogenicidad en remodeladores de nucleosomas...

Área de la Ciencia:

• La genética
• La genómica
• La bioinformática

Sus antecedentes:

• Las proteínas de unión al ADN de la cromosoma helicasa (CHD) son remodeladores vitales de la cromatina involucrados en la reparación del ADN, la expresión génica y el desarrollo neuronal.
• Las variantes genéticas en los genes de CHD están vinculadas a trastornos del desarrollo neurológico, incluido el trastorno del espectro autista y la discapacidad intelectual.
• La determinación precisa de la patogenicidad de la variante es esencial para las pruebas genéticas clínicas.

Objetivo del estudio:

• Evaluar y comparar el rendimiento de varias herramientas de predicción de la patogenicidad in silico para las variantes de unión al ADN de la cromosoma helicasa (CHD).
• Identificar la herramienta computacional más precisa para distinguir las variantes de ECC patógenas de las benignas.
• Informar sobre el desarrollo de estrategias de diagnóstico mejoradas para los trastornos del desarrollo neurológico asociados con mutaciones genéticas de ECH.

Principales métodos:

• Evaluación sistemática de múltiples herramientas de predicción de la patogenicidad in silico.
• Comparación de las predicciones de herramientas con la literatura establecida y las clasificaciones de la base de datos genómica.
• Centrarse en los genes de ECC con alta similitud estructural y funcional y mutaciones patógenas conocidas.

Principales resultados:

• BayesDel, ClinPred, AlphaMissense, ESM-1b y SIFT surgieron como las herramientas de predicción de mayor rendimiento.
• BayesDel, particularmente con su componente addAF, demostró la mayor precisión general en la predicción de la patogenicidad de la variante de ECH.
• El estudio identificó el potencial de una herramienta híbrida mediante la integración de la identificación de variantes de alto impacto de SnpEff.

Conclusiones:

• La evaluación continua y la integración de herramientas de predicción actualizadas, incluidos los enfoques basados en la IA, son necesarios para una clasificación precisa de las variantes.
• Los datos clínicos y mecanicistas mejorados sobre la nocividad de las variantes son cruciales para mejorar la precisión del diagnóstico.
• Los hallazgos proporcionan información valiosa para las pruebas genéticas clínicas de individuos con sospechas de trastornos del desarrollo neurológico relacionados con la enfermedad coronaria.