Advancing Disease Gene Identification with cTWAS: A Fresh Approach

Avanzando en la identificación de genes de enfermedades con cTWAS: un enfoque nuevo

Científicos de la Universidad de Chicago han logrado avances significativos en el campo de la identificación de genes de enfermedades con el desarrollo de una nueva herramienta estadística llamada estudios de asociación causal en todo el transcriptoma (cTWAS, por sus siglas en inglés). Publicada en Nature Genetics, su investigación muestra la efectividad de esta herramienta para localizar con precisión los genes y variantes causantes de enfermedades al combinar datos de estudios de asociación a nivel del genoma completo (GWAS, por sus siglas en inglés) y predicciones de expresión génica.

A diferencia de los métodos tradicionales que se centran en genes individuales, cTWAS adopta un enfoque holístico al considerar los genes y variantes circundantes. Este enfoque reduce de manera efectiva los falsos positivos y elimina las variables de confusión, lo que resulta en una identificación más confiable de los genes causantes reales. Esto es crucial, ya que muchas enfermedades humanas están influenciadas por interacciones complejas entre múltiples genes y factores ambientales.

El desafío radica en distinguir entre relaciones de asociación y relaciones causales en los estudios de GWAS. Si bien estos estudios pueden identificar variantes relacionadas con enfermedades en todo el genoma, no establecen conexiones causales directas. Xin He, PhD, autor principal del estudio, destaca la dificultad para identificar la variante causal específica entre varias variantes altamente correlacionadas dentro de una región genómica. Además, la presencia de muchas variantes genéticas en genomas no codificantes complica aún más la interpretación de sus efectos.

Para superar estos desafíos, cTWAS utiliza datos de loci de rasgos cuantitativos de expresión (eQTL, por sus siglas en inglés). Sin embargo, los métodos existentes que utilizan datos de eQTL a menudo producen falsos positivos debido a factores de confusión. Aquí es donde cTWAS brilla, reduciendo en más del 50% las nominaciones falsas positivas. Su implementación tiene el potencial de revolucionar el campo al facilitar análisis que conectan variaciones genéticas con fenotipos.

En una demostración de las capacidades de cTWAS, los investigadores examinaron la genética de los niveles de colesterol LDL. Los métodos tradicionales de eQTL nominaron un gen relacionado con la reparación del ADN, mientras que cTWAS identificó una variante diferente en el gen dirigido por las estatinas. Con cTWAS, los investigadores identificaron con éxito 35 genes causales putativos de LDL, y más de la mitad de ellos no habían sido informados previamente.

Emocionantemente, los investigadores han puesto a disposición el software cTWAS para su descarga. Los esfuerzos futuros implican expandir sus capacidades para incorporar otros tipos de datos omics, como el empalme del ARN y la epigenética, así como utilizar eQTL de múltiples tipos de tejido. Con esta herramienta innovadora, la comunidad científica cuenta con un recurso valioso para desentrañar las conexiones intrincadas entre las variaciones genéticas y los fenotipos de enfermedades.

Preguntas frecuentes sobre la identificación de genes de enfermedades utilizando cTWAS

P: ¿Qué es cTWAS?
R: cTWAS significa estudios de asociación causal en todo el transcriptoma. Es una nueva herramienta estadística desarrollada por científicos de la Universidad de Chicago para identificar genes y variantes causantes de enfermedades.

P: ¿En qué se diferencia cTWAS de los métodos tradicionales?
R: A diferencia de los métodos tradicionales que se centran en genes individuales, cTWAS adopta un enfoque holístico al considerar los genes y variantes circundantes. Este enfoque reduce los falsos positivos y elimina las variables de confusión, lo que conduce a una identificación más precisa de los genes causales.

P: ¿Por qué es difícil establecer conexiones causales en los estudios de asociación a nivel del genoma completo (GWAS)?
R: Los estudios de GWAS pueden identificar variantes relacionadas con enfermedades en todo el genoma, pero no establecen conexiones causales directas. Identificar la variante causal específica entre variantes altamente correlacionadas en una región genómica es un desafío. Además, la interpretación de los efectos de las variantes genéticas en genomas no codificantes añade complejidad.

P: ¿Cómo supera cTWAS estos desafíos?
R: cTWAS utiliza datos de loci de rasgos cuantitativos de expresión (eQTL) para distinguir entre relaciones de asociación y relaciones causales. Los métodos existentes que utilizan datos de eQTL a menudo producen falsos positivos, pero cTWAS reduce en más del 50% las nominaciones falsas positivas.

P: ¿Cómo se demostró la efectividad de cTWAS?
R: Los investigadores examinaron la genética de los niveles de colesterol LDL y compararon cTWAS con los métodos tradicionales de eQTL. Mientras que los métodos tradicionales identificaron un gen relacionado con la reparación del ADN, cTWAS identificó una variante diferente en el gen dirigido por las estatinas. cTWAS identificó con éxito 35 genes causales putativos de LDL, y más de la mitad de ellos no habían sido informados previamente.

P: ¿Está disponible para descargar el software cTWAS?
R: Sí, los investigadores han puesto a disposición el software cTWAS para su descarga.

P: ¿Cuáles son los esfuerzos futuros relacionados con cTWAS?
R: Los investigadores tienen como objetivo expandir las capacidades de cTWAS para incluir otros tipos de datos omics, como el empalme del ARN y la epigenética. También planean utilizar eQTL de múltiples tipos de tejido para mejorar la efectividad de la herramienta.

Términos clave:
– cTWAS: estudios de asociación causal en todo el transcriptoma, una herramienta estadística para identificar genes y variantes causantes de enfermedades.
– GWAS: estudios de asociación a nivel del genoma completo, estudios que analizan variaciones genéticas en todo el genoma para identificar asociaciones con enfermedades.
– eQTL: loci de rasgos cuantitativos de expresión, loci genéticos que influyen en los niveles de expresión de los genes.
– Falsos Positivos: identificaciones incorrectas de genes o variantes causales.
– Datos omics: se refiere a conjuntos de datos a gran escala que contienen información sobre varias moléculas, como genes, proteínas y metabolitos.

Enlaces relacionados sugeridos:
– Nature Genetics: La página web de la revista donde se publicó la investigación sobre cTWAS.
– Universidad de Chicago: La página web oficial de la Universidad de Chicago, donde los científicos que realizan la investigación están afiliados.

All Rights Reserved 2021
| .
Privacy policy
Contact