L'approccio di genomica ha profondamente ampliato la nostra comprensione di come la variazione genetica guida la salute, la malattia e la risposta alla droga. Il genoma umano ospita milioni di varianti, ma la stragrande maggioranza rimane inesplorata in termini di conseguenze funzionali.

Introduzione alla Screening funzionale ad alto rendimento

Lo screening funzionale ad alto rendimento si riferisce ad una serie di metodi sperimentali che testano sistematicamente l'impatto di numerose alterazioni genetiche su una lettura biologica misurabile. Il principio fondamentale è quello di creare grandi librerie di sequenze di varianti, introdurle in un modello cellulare rilevante, e poi ordinare o misurare le cellule basate su un fenomeno di interesse (ad esempio, espressione genica, idoneità cellulare, attività proteica).

Tecnologie di base Guidare la proiezione ad alto rendimento

Molte tecnologie potenti sostengono i moderni HTFS, ognuno con i propri punti di forza e applicazioni.

Schermi basati su CRISPR

La tecnologia CRISPR-Cas9 ha rivoluzionato la genomica funzionale consentendo un'accurata modifica del genoma in modo scalabile. In una tipica schermata CRISPR in comune, una libreria di RNAs guida singola (sgRNAs) che mira a migliaia di siti genomici vengono consegnati in celle che esprimono stabilmente Cas9.

Analisi di Reporter Massively Parallel (MPRA)

I MPRA sono il metodo di scelta per valutare l'impatto di migliaia di varianti di regolazione sull'espressione genica. In una tipica MPRA, una biblioteca di sequenze di DNA (ognuno contenente una variante di interesse) è clonato a monte di un promotore minimo e di un gene reporter (ad esempio, GFP, luciferase, o un codice a barre). La biblioteca è introdotta in celle, e l'abbondanza di reporter RNA o proteina è quantificata confrontando i ricercatori di seque

Altri approcci ad alto rendimento

La mutagenesi di saturazione, unita a una profonda sequenziamento (ad esempio, una profonda scansione mutazionale) consente la caratterizzazione funzionale di ogni possibile sostituzione di amminoacidi singolo in un dominio proteico.

Recenti innovazioni e progressi metodologici

Il campo si sta evolvendo rapidamente, con nuovi metodi che aumentano la risoluzione, riducono i costi e integrano i tipi di dati complementari.

Integrazione con Sequenziamento a singolo cellulare

Uno dei più eccitanti sviluppi recenti è l'accoppiamento di schermi con letti singoli (ad esempio, Perturb-seq, CROP-seq), invece di misurare una media di popolazione in massa, questi approcci catturano i profili transcriptomici, proteomici o epigenomici delle singole cellule dopo la perturbazione.

Imparare la macchina per la Prioritizzazione Variante

Gli algoritmi di apprendimento automatico sono ora parte integrante del flusso di lavoro HTFS. Aiutano a progettare librerie di varianti predindo quali mutazioni sono più probabili essere funzionali (ad esempio, sulla base della conservazione evolutiva, della struttura proteica o dello stato cromatico).

Integrazione multi-Omica

Combinando HTS con altri strati omici, come proteomics, metabolomics o epigenomica, si fornisce un quadro più completo della funzione variante, ad esempio, l'accoppiamento di MPRA con test di accessibilità della cromatina (ad esempio, ATAC-seq) può rivelare se le varianti complesse di regolazione influiscono sulla trascrizione del fattore vincolante in modo indipendente dal contesto.

Applicazioni in Ricerca e Medicina

HTFS sta già trasformando la nostra capacità di interpretare la variazione genomica e di tradurla in pratica clinica.

Annotazione funzionale delle variabili di uncertain Significance

HTFS può valutare sistematicamente l'impatto funzionale di migliaia di VUS nei geni rilevanti per i disturbi ereditati, come BRCA1], ]TP53, e

Farmacogenomica e sviluppo della droga

Gli schermi ad alto rendimento possono identificare le varianti genetiche che alterano la risposta alla droga, consentendo la predizione di reazioni avverse o la mancanza di efficacia. Nella scoperta della droga, HTS viene utilizzato per mappare le mutazioni di resistenza nei geni di destinazione del cancro, aiutando a progettare gli inibitori di prossima generazione. Inoltre, profilando il paesaggio mutazionale completo di obiettivi di droga, i ricercatori possono anticipare come i tumori potrebbero evolvere la resistenza e sviluppare terapie combinate di conseguenza.

Comprendere i meccanismi delle malattie

La proiezione di grandi librerie di varianti nei tipi di cellule rilevanti per le malattie (ad esempio, neuroni, cardiomiociti, cellule immunitarie) scopre le varianti causali e le vie che influenzano. Ad esempio, gli studi hanno usato gli schermi CRISPR per identificare i geni essenziali nelle cellule tumorali, rivelando nuove vulnerabilità terapeutiche.

Limitazioni attuali e direzioni future

Nonostante il suo potere, HTFS affronta diverse sfide che devono essere affrontate per soddisfare il suo potenziale.

Scalabilità e costi

Mentre il costo della sintesi e della sequenziazione del DNA è sceso drammaticamente, schermi su larga scala — in particolare quelli che richiedono linee cellulari personalizzate, sequenziamento di singole cellule, o saggi fenotipi complessi — rimangono costosi.

Complessità biologica e specificità del contesto

Gli effetti variabili possono essere fortemente dipendenti dal tipo di cellula, dallo sfondo genetico, dall'ambiente e dallo stato epigenetico. Una variante benigna in un contesto può essere patogenica in un altro. L'architettura del genoma 3D, la regolazione dello splicing e le modifiche post-traduzionali aggiungono strati di complessità che sono difficili da catturare in sistemi di modello semplificati.

Analisi dei dati e Interpretazione

Il volume di dati generato da HTFS – spesso miliardi di letture di sequenziamento – richiede robusti condotti computazionali per il controllo della qualità, la normalizzazione e la chiamata statistica.

Conclusioni

Grazie alla valutazione sistematica della variazione genetica, questi metodi stanno accelerando la scoperta di elementi funzionali, migliorando l'interpretazione variante per la genomica clinica, e fornendo nuove conoscenze nella biologia delle malattie. Le tecnologie emergenti come la risoluzione di singole cellule, l'integrazione di machine learning e gli approcci multi-omici promettono di perfezionare ulteriormente la nostra comprensione di come le varianti genetiche diminuiranno i metodi di salute umana.

Per una panoramica completa delle tecnologie genomiche funzionali, vedere la recensione di [Canver et al. (2017) in Nature Reviews Genetics[]. Ulteriori risorse sull'interpretazione variante possono essere trovate attraverso il ClinVar database[] e il NI Genome Sequencing Program[F[5]