Un grupo de investigadores del Hospital for Sick Children en Toronto, Canadá, ha creado un sistema de aprendizaje automático diseñado para aumentar la confiabilidad del diagnóstico genético prenatal. Este avance busca resolver una interrogante clave: si las alteraciones en el ADN del feto están asociadas a trastornos del neurodesarrollo cuando los exámenes actuales no logran determinar si una variante es peligrosa o simplemente parte del desarrollo normal.
Para entrenar el modelo, los científicos utilizaron información de 850 personas, tanto con síndrome de Down como sin él, abarcando seis tipos de tejidos prenatales y posnatales. Los resultados demostraron que una firma epigenética obtenida a partir de sangre puede ser adaptada para funcionar en diferentes tejidos, incluyendo aquellos empleados en estudios prenatales.
Este desafío es recurrente en la medicina fetal. El progreso en la secuenciación del genoma ha facilitado el acceso a pruebas prenatales, pero también incrementó la detección de variantes de significado incierto, es decir, alteraciones genéticas que los médicos aún no pueden clasificar con claridad como benignas o patológicas.
La genetista clínica Rosanna Weksberg, científica sénior asociada de Genética y Biología del Genoma en SickKids (nombre popular del hospital), señaló que cuando los médicos encuentran un cambio genético nuevo, en aproximadamente un tercio de los casos no saben si es realmente anómalo o si está dentro del rango normal del desarrollo.
Además, advirtió que la cantidad de variantes supera la capacidad de los genetistas para determinar siempre si una alteración específica puede desencadenar trastornos del neurodesarrollo u otras enfermedades genéticas.
Modelo convierte firmas epigenéticas en herramientas prenatales
El estudio se basa en las episignaturas, marcas químicas únicas en el ADN que indican la presencia de condiciones genéticas particulares.
En 2020, el equipo de Weksberg lanzó la plataforma EpigenCentral, que utiliza episignaturas obtenidas de sangre para ayudar a los médicos a determinar si una variante es causante de enfermedad o benigna.
Hasta la fecha, el laboratorio ha contribuido a definir más de 60 episignaturas, la mayoría ya validadas clínicamente. La limitación era que estos patrones dependían del tejido de origen: una firma obtenida en sangre no podía aplicarse a líquido amniótico ni a tejido placentario, dos muestras comunes en el ámbito prenatal.
La investigadora sénior Sanaa Choufani afirmó que si estas firmas sanguíneas pudieran volverse independientes del tejido, se superaría una de las barreras más importantes del diagnóstico prenatal. Esta idea dio origen a un método de aprendizaje automático capaz de transformar episignaturas de sangre en firmas “agnósticas al tejido”, es decir, estables sin importar de qué parte del cuerpo provenga la muestra.
En la práctica, esto significa que una misma señal epigenética podría proporcionar información sobre varios tipos de tejido, incluyendo muestras prenatales. El estudio, publicado en The American Journal of Human Genetics y liderado por Weksberg y Choufani, demostró que este enfoque es viable y abre la puerta a su aplicación futura en la medicina prenatal.
Prueba resultó exitosa en todos los tejidos analizados
Para validar el concepto, el equipo creó una episignatura derivada de sangre a partir de muestras de 266 individuos con síndrome de Down, condición elegida por ser una de las enfermedades genéticas raras más frecuentes. Posteriormente, entrenaron el modelo con datos públicos de metilación del ADN —las marcas químicas del ADN— de 850 personas con y sin esa condición, abarcando seis tipos de tejido.
El resultado fue que el sistema identificó con exactitud el patrón del síndrome de Down en todos los tejidos examinados. Este rendimiento demostró que una episignatura de sangre puede transformarse en una herramienta capaz de detectar una señal de enfermedad específica en distintos tejidos.
Weksberg indicó que el modelo ofrece un nuevo nivel de precisión a las pruebas prenatales, un área donde aún existen muchas interrogantes. Agregó que este método de aprendizaje automático también podría servir como base para investigar múltiples trastornos cuyos tejidos relevantes son difíciles de obtener, lo que aceleraría su traslado a la práctica clínica.
Los investigadores también señalaron que, con el tiempo, esta estrategia podría apoyar pruebas diagnósticas con una variedad más amplia de muestras, como saliva o hisopados bucales. Esto reduciría la necesidad de extraer sangre u otros tejidos.
Choufani comentó que, cuando una familia se entera de un posible trastorno del neurodesarrollo, el propósito de este método es brindar la mayor cantidad de información detallada posible para ayudar en la toma de decisiones. También mencionó que la meta es reducir el camino diagnóstico que muchos pacientes con enfermedades raras recorren antes de recibir una respuesta.
Fuente: Infobae