ISOWN: un algoritmo para predecir mutaciones somáticas en cáncer cuando no se dispone de tejido normal sano

Amparo Tolosa, Genética Médica News

 

Investigadores de la Universidad de Ontario han desarrollado una herramienta bioinformática que permite predecir la presencia de mutaciones somáticas en el cáncer cuando no se dispone de tejido normal sano.

Las mutaciones somáticas son cambios en el ADN, no heredados de los padres, que se producen en las células no germinales a lo largo de la vida. Estas mutaciones pueden no tener consecuencias sobre la persona, o por el contrario, marcar el inicio de un proceso canceroso. Así, la mayor parte de los tumores se producen por la aparición de mutaciones somáticas en genes que regulan el crecimiento, proliferación y mecanismos de reparación del ADN  en las células en las que se inicia el tumor.

Caracterizar las mutaciones que llevan al cáncer es un paso crítico para hacerle frente. En la actualidad, la aproximación más utilizada es la comparación del ADN obtenido a partir del tejido tumoral del paciente con ADN extraído de muestras de tejido sano. De este modo, los investigadores pueden determinar si un cambio observado en el ADN tumoral se ha producido durante la formación del cáncer, o por ejemplo, se trata de un polimorfismo ya presente en el tejido sano. Sin embargo, ¿qué ocurre cuando no hay una muestra de tejido sano con la que comparar?

 

ISOWN

ISOWN permite predecir mutaciones somáticas en cáncer cuando no se dispone de tejido normal sano.

 

Existen casos en los que no se dispone de tejido sano, ya sea porque el paciente no dio su consentimiento informado, no se obtuvo muestra, se trata de una línea celular derivada de la que no hay información del donante o por cuestiones económicas. En estos casos, diferenciar en el ADN tumoral qué es un cambio asociado al cáncer y qué es un cambio presente en las células sanas es mucho más complicado y hasta el momento no había una herramienta informática para ello.

El equipo de investigadores de la Universidad de Ontario utilizó información de bases de datos de variantes genéticas y mutaciones somáticas en cáncer, así como diversas herramientas que analizan el contexto de los cambios genéticos encontrados o su impacto funcional y diseñó  un algoritmo basado en machine learning que permite identificar variantes de un único nucleótido somáticas en datos obtenidos por secuenciación masiva del ADN de muestras de cáncer.

La eficiencia del algoritmo fue evaluada mediante diferentes estrategias de secuenciación y en diferentes tipos de tejido y líneas celulares. En total, se utilizaron aproximadamente 1.600 muestras, que incluyen tanto tejido fresco y cultivo celular como muestras fijadas con formalina e incluidas en parafina. El algoritmo, denominado ISOWN por las siglas en inglés de “Identificación de mutaciones somáticas sin tejido normal asociado”,  permite clasificar entre un 95% y un 98% de las mutaciones somáticas y su rendimiento varía según el tipo de tejido tumoral.

Los investigadores reconocen que ISOWN tiene todavía ciertas limitaciones y será necesario más trabajo para mejorar su eficacia en tipos de cáncer con poca carga mutacional o bases de datos de ciertas características.

“ISOWN puede ayudar a los investigadores a acelerar el proceso de secuenciación, reducir la inversión financiera en la secuenciación de muestras y necesidades de almacenamiento o aumentar el poder del análisis incrementando el número de muestras de tumor secuenciadas con los mismos recursos,” concluyen los autores. “Además, ISOWN es útil en casos en los que el consentimiento del paciente previene la adquisición de tejido normal o cuando un estudio está basado en biopsias retrospectivas en las que no se tomaron tejidos normales.”

ISOWN está disponible de forma gratuita para la comunidad científica y es posible descargarlo, junto con un manual de instrucciones, desde el enlace https://github.com/ikalatskaya/ISOWN

Investigación original: Kalatskaya I, et al. ISOWN: accurate somatic mutation identification in the absence of normal tissue controls. Genome Med. 2017. Doi: http://dx.doi.org/10.1186/s13073-017-0446-9

 

Si te ha gustado el artículo, suscríbete ahora de forma gratuita a la Revista Genética Médica y recíbela cada 2 semanas.


Acepto el Aviso Legal

You may also like...

Deja un comentario