Los avances recientes en la genómica han ampliado profundamente nuestra comprensión de cómo la variación genética impulsa la salud, la enfermedad y la respuesta a las drogas. El genoma humano alberga millones de variantes, pero la gran mayoría sigue sin ser calificada en términos de sus consecuencias funcionales.Los métodos tradicionales para estudiar las variantes individuales, como la mutagénesis dirigida por el sitio, seguido de ensayos de baja velocidad, son demasiado lentos y costosos para satisfacer las exigencias de la genputación moderna.

Introducción a la detección funcional de alto rendimiento

La detección funcional de alto rendimiento se refiere a un conjunto de métodos experimentales que prueban sistemáticamente el impacto de numerosas alteraciones genéticas en un lectura biológica mensurable.El principio principal es crear grandes bibliotecas de secuencias variantes, introducirlas en un modelo celular relevante, y luego clasificar o medir células basadas en un fenotipo de interés (por ejemplo, expresión génica, aptitud celular, actividad de proteínas).

Tecnologías básicas que conducen la detección de alta capacidad

Varias tecnologías poderosas sustentan el HTFS moderno, cada uno con sus propias fortalezas y aplicaciones.

Pantallas basadas en CRISPR

La tecnología CRISPR-Cas9 ha revolucionado la genómica funcional permitiendo la edición precisa del genoma de una manera escalable. En una pantalla típica de CRISPR, una biblioteca de ARNs guía único (sgRNAs) dirigida a miles de sitios genómicos se entrega en células que expresan con fuerza Cas9. Las mutaciones resultantes, las deleciones o las mutaciones de puntos permiten a los investigadores evaluar sistemáticamente el efecto de la resistencia

Ensayos de reportero de gran tamaño (MPRA)

MPRA es el método de elección para el ensayo del impacto de miles de variantes regulatorias en la expresión de genes. En un MPRA típico, una biblioteca de secuencias de ADN (cada una que contiene una variante de interés) se clona río arriba de un promotor mínimo y un gen reportero (por ejemplo, GFP, luciferasa o un código de barras). La biblioteca se introduce en las células de salida, y la abundancia de reporteros RNA o proteína secual

Otros enfoques de alto rendimiento

La mutagenesis de la saturación junto con secuenciación profunda (por ejemplo, el escaneo mutacional profundo) permite la caracterización funcional de cada posible sustitución de aminoácidos en un dominio de proteínas. Herramientas de biología sintética, como bibliotecas combinatorias de secuencias regulatorias, ayudan a descubrir los determinantes de secuencia de espoltificación, traducción y estabilidad de proteínas.

Innovaciones recientes y avances metodológicos

El campo está evolucionando rápidamente, con nuevos métodos que aumentan la resolución, reducen el costo e integran tipos de datos complementarios.

Integración con secuenciación de un solo cilindro

Uno de los acontecimientos más emocionantes recientes es el acoplamiento de las pantallas mancomunadas con lecturas de células individuales (por ejemplo, Perturb-seq, CROP-seq). En lugar de medir un promedio de población de gran tamaño, estos enfoques capturan perfiles transcripcionómicos, proteómicos o epigemosómicos de células individuales después de la perturbación.Esto revela efectos específicos de estado celular, heterogeneidad en el impacto de la variante, y las consecuencias genéticas de la solución plispotetropópica.

Aprendizaje de Máquinas para Priorización Variante

Los algoritmos de aprendizaje automático son ahora integrales al flujo de trabajo de HTFS. Ayudan a diseñar bibliotecas variantes predeciendo cuáles mutaciones son más probables que sean funcionales (por ejemplo, basadas en la conservación evolutiva, estructura de proteínas o estado de cromatina). Después de la detección, los modelos ML pueden integrar conjuntos de datos funcionales de gran escala para clasificar las variantes como patógenos o benignos, priorizar los candidatos para validación, y los mecanismos de aprendizaje experimentales.

Integración multiomics

Combinar HTS con otras capas de omics, como proteomics, metabolomics o epigenomics, ofrece una imagen más completa de la función variante. Por ejemplo, acoplar MPRA con ensayos de accesibilidad de la cromatina (por ejemplo, ATAC-seq) puede revelar si las variantes reguladoras afectan el factor de transcripción vinculante de una manera dependiente del contexto.

Aplicaciones en Investigación y Medicina

HTFS ya está transformando nuestra capacidad de interpretar la variación genómica y traducirla en práctica clínica.

Anotación funcional de las variables de importancia incierto

Un importante obstáculo en la genómica clínica es la alta proporción de VUS reportada en pruebas genéticas. HTFS puede evaluar sistemáticamente el impacto funcional de miles de VUS en genes relevantes para los trastornos hereditarios, tales como BRCA1, ]]]TP53] y

Farmacogenomics and Drug Development

Las pantallas de alto rendimiento pueden identificar variantes genéticas que alteran la respuesta a los fármacos, permitiendo la predicción de reacciones adversas o falta de eficacia. En el descubrimiento de fármacos, el HTS se utiliza para mapear mutaciones de resistencia en genes de destino de cáncer, ayudando a diseñar inhibidores de próxima generación. Además, al perfilar el paisaje mutacional completo de los objetivos de drogas, los investigadores pueden anticipar cómo los tumores pueden evolucionar la resistencia y desarrollar terapias combinadas en consecuencia.

Comprender los mecanismos de enfermedades

Proteger bibliotecas de grandes variantes en tipos de células relevantes para la enfermedad (por ejemplo, neuronas, cardiomiocitos, células inmunes) descubre las variantes causales y las vías que afectan. Por ejemplo, los estudios han utilizado pantallas CRISPR para identificar genes esenciales en células cancerosas, revelando nuevas vulnerabilidades terapéuticas. En los trastornos neurodesarrollados, las MPRA han marcado mutaciones de potenciadores que interrumpen la regulación del gen durante el desarrollo cortical, como la intro

Limitaciones actuales y futuras direcciones

A pesar de su poder, HTFS enfrenta varios desafíos que deben abordarse para cumplir su potencial.

Escalabilidad y costos

Si bien el costo de la síntesis y secuenciación de ADN ha disminuido dramáticamente, las pantallas a gran escala, especialmente las que requieren líneas de celda personalizadas, secuenciación de células individuales o ensayos fenotípicos complejos, siguen siendo costosos. Las mejoras futuras en el diseño de bibliotecas (por ejemplo, síntesis combinatoria), automatización y miniaturización (por ejemplo, plataformas basadas en gotas) reducirán los costos y democratizarán el acceso a estas tecnologías.

Complejidad Biológica y Especificación de Contexto

Los efectos vacivos pueden depender mucho del tipo celular, el fondo genético, el medio ambiente y el estado epigenético. Una variante benigno en un contexto puede ser patógeno en otro. Arquitectura del genoma 3D, regulación de la espoltificación y modificaciones post-translacional añaden capas de complejidad que son difíciles de capturar en sistemas de modelos simplificados.

Análisis de datos e interpretación

Los resultados de la serie VLT2 son cuidadosamente gestionados por HTFS, a menudo miles de millones de lecturas de secuenciación, y requieren una sólida gestión de los conductos computacionales para el control de calidad, la normalización y la llamada estadística. Los falsos positivos debido a los efectos no deseados, los prejuicios de biblioteca o el ruido estocástico deben ser cuidadosamente gestionados.

Conclusión

El análisis funcional de alto rendimiento ha pasado de una técnica especializada a una piedra angular de la genómica moderna. Al permitir la evaluación sistemática de la variación genética, estos métodos están acelerando el descubrimiento de elementos funcionales, mejorando la interpretación de la variante para la genómica clínica y proporcionando nuevas ideas sobre la biología de la enfermedad. Tecnologías emergentes como la resolución de una célula, la integración del aprendizaje automático y enfoques multiómicos prometen refinar nuestro conocimiento de cómo las variaciones genéticas forman la salud humana.

Para una visión general de las tecnologías de la genómica funcional, vea la revisión por Canver et al. (2017) en Nature Reviews Genética. Los recursos adicionales sobre interpretación variante pueden encontrarse a través de la base de datos ClinVar y el ]NH Programa de secuenciación de genomas.