Investigadores de la Universidad de Brown han desarrollado un nuevo método para examinar datos genómicos en busca de variantes genéticas que hayan ayudado a las poblaciones a adaptarse a su entorno. La técnica, denominada SWIF(r), podría ser útil para reconstruir la historia evolutiva de los pueblos de todo el mundo y arrojar luz sobre las raíces evolutivas de ciertas enfermedades y afecciones médicas.
SWIF(r) reúne varias pruebas estadísticas diferentes en un único marco de aprendizaje automático. Este marco puede utilizarse para escanear datos genómicos de múltiples individuos y calcular las probabilidades de que determinadas mutaciones o regiones de un genoma sean adaptativas.
"Estas técnicas estadísticas individuales son útiles, pero ninguna de ellas es especialmente potente por sí sola", afirma Lauren Alpert Sugden, investigadora postdoctoral de Brown que dirigió el desarrollo de la técnica. "El método que hemos desarrollado combina esas técnicas de una forma cuidadosa y que produce un resultado fácil de interpretar".
Alpert Sugden trabaja en el laboratorio de Sohini Ramachandran, profesora asociada y directora del Centro de Biología Molecular Computacional de Brown. Los investigadores describen su trabajo en la revista Nature Communications.
La inmensa mayoría de las mutaciones que suelen producirse en los genomas de los seres humanos y otros animales son neutras, es decir, ni ayudan ni perjudican a la supervivencia de un individuo. Pero de vez en cuando la naturaleza da con una mutación beneficiosa, que ayuda a la supervivencia o al éxito reproductivo de un organismo. Estas mutaciones adaptativas pueden propagarse rápidamente (evolutivamente hablando) por una población en generaciones posteriores, un proceso conocido como barrido selectivo, que es un aspecto importante del análisis de datos genómicos.
SWIF(r) busca las firmas estadísticas de barridos selectivos en conjuntos de datos genómicos. Para ello utiliza el aprendizaje automático y una combinación de cuatro pruebas estadísticas establecidas que miden distintas firmas de adaptación. Una de ellas comprueba si una mutación concreta aparece en una población con más frecuencia que en otras. Otras miden la variación genética en una región del genoma, con la idea de que una fuerte selección tendería a reducir la variabilidad.
No es la primera técnica que reúne varias pruebas en un marco compuesto. Pero parte de la novedad de SWIF(r) es que controla las correlaciones que surgen entre esas pruebas, que pueden desvirtuar los resultados. El acrónimo SWIF(r) significa "SWeep Inference Framework (controlling for correlation)", siendo la "r" minúscula la notación matemática de correlación.
Según los investigadores, SWIF(r) tiene varias ventajas sobre otras técnicas de composición. Mientras que la mayoría de las técnicas sólo identifican las regiones del genoma susceptibles de contener mutaciones adaptativas, SWIF(r) también puede identificar las mutaciones concretas. Y mientras que otras técnicas arrojan resultados que pueden ser difíciles de interpretar, SWIF(r) da una probabilidad simple de que una mutación individual o una región del genoma sea adaptativa.
Para demostrar que la técnica funciona, los investigadores la validaron en un conjunto de datos simulado en el que se incluyeron mutaciones adaptativas conocidas, así como en mutaciones adaptativas canónicas que se han identificado en genomas humanos mediante múltiples experimentos moleculares. SWIF(r) superó tanto a las técnicas estadísticas individuales como a otras técnicas compuestas a la hora de detectar esas mutaciones adaptativas, con una tasa más baja de falsos positivos.
Una vez demostrado que SWIF(r) funciona, los investigadores lo utilizaron con datos genómicos reales de los ‡Khomani San, un grupo de cazadores-recolectores que vive en el sur de África.
"Los ‡Khomani San tienen la mayor diversidad genética de cualquier población viva", dijo Alpert Sugden, "lo que es interesante desde nuestra perspectiva porque hay muchas oportunidades para que surjan mutaciones adaptativas."
Entre otros hallazgos, SWIF(r) identificó varias mutaciones adaptativas en un conjunto de genes responsables del almacenamiento de energía y grasa. Según los investigadores, esto es interesante desde el punto de vista de lo que se conoce como la hipótesis del "gen ahorrador".
La hipótesis sugiere que, dado que los cazadores-recolectores suelen tener un suministro de alimentos irregular, es probable que tengan una predisposición genética a almacenar energía en forma de grasa. Sin embargo, esos genes podrían ser un lastre en las sociedades agrícolas, donde el suministro de alimentos tiende a ser más constante, contribuyendo potencialmente a la obesidad y a complicaciones como la diabetes tipo 2. Profundizar en las funciones de los genes adaptativos identificados por SWIF(r) puede ser útil para seguir explorando la idea de los genes ahorradores y avanzar en el análisis de los datos genómicos.
Ramachandran afirma que la forma en que utilizaron SWIF(r) en los datos de ‡Khomani San es instructiva para saber cómo podría utilizarse la técnica en el futuro. Los investigadores dicen que no empezaron con la idea de que encontrarían adaptaciones en los genes del metabolismo, sino que simplemente surgieron de los datos a medida que se analizaban. Según Ramachandran, esto contrasta con la forma en que se realiza este tipo de investigación en la actualidad.
"La forma en que estudiamos ahora la adaptación genética consiste en empezar por un rasgo o fenotipo concreto y luego ir hacia atrás para identificar los genes y mutaciones asociados", explica. "Este nuevo enfoque utiliza el aprendizaje automático basado en datos para empezar en el genoma, buscando firmas adaptativas que luego podemos seguir con más estudios. Así que creemos que es una forma de generar nuevas e interesantes hipótesis que poner a prueba."
Los investigadores han hecho que el código SWIF(r) sea de código abierto, y esperan que otros grupos de investigación lo utilicen para explorar datos genómicos de poblaciones de todo el mundo.
Otros autores del artículo son Elizabeth G. Atkinson, Annie P. Fischer, Stephen Rong y Brenna M. Henn. La investigación contó con el apoyo de subvenciones de los Institutos Nacionales de Salud (R01GM118652, P20GM109035, K12-GM-102778), la Fundación Nacional de Ciencias (DBI-1452622, DBI-1452622), el Pew Charitable Trusts y la Fundación de Investigación Alfred P. Sloan, que contribuyen a los avances en el análisis de datos genómicos.
Fuente:https://news.brown.edu/articles/2018/02/adaptive
Añadir un comentario