Crédito de la imagen: Pixabay

23 de Noviembre de 2018 | Historia original de Michigan Medicine

En la era de la medicina personalizada, los científicos están utilizando nuevas ideas genéticas y genómicas que ayuden a determinar el mejor tratamiento para cada paciente. En el caso del cáncer, el primer paso hacia estos tratamientos es una investigación sobre cómo se comportan individualmente las células tumorales en un esfuerzo por determinar los mejores fármacos para atacarlas.

Los investigadores utilizan la secuenciación de ADN y ARN para observar las poblaciones de células, examinando qué genes se expresan dentro de una muestra de tejido canceroso. Sin embargo, los métodos de secuenciación tradicionales pueden ocultar el hecho que no todas las células tumorales necesariamente se comportan de la misma manera. No reconocer esto significa que si se dirige a un tumor con un tipo específico de fármaco, algunas células pueden ser tan diferentes como para sobrevivir y prosperar.

En un avance importante para la genómica, ahora es posible ver lo que una sola célula está haciendo en un momento dado con una técnica llamada single-cell RNA sequencing (scRNA-seq). Este método examina la cantidad de ARN mensajero (ARNm) en una célula y compara con las otras células para buscar diferencias en su expresión génica.

Sin embargo, la información que se encuentre puede depender de cómo se ejecuta el experimento y cómo se analizan los datos. Lana Garmire, Profesora Adjunta del Departamento de Medicina Computacional y Bioinformática de la Michigan Medicine y su equipo están estudiando cómo eliminar algunos de los sesgos que pueden dificultar la interpretación de los datos de scRNA-seq.

“Muchos de los ruidos de este tipo de secuencias provienen del hecho de que hay que medir muestras en cantidades muy bajas y en diferentes lotes”, explica. Por ejemplo, la muestra de tejido que un investigador está analizando puede no caber en una placa, la pieza del equipo usado para albergar muestras de células, y por lo tanto tiene que ser dividido en dos placas. Las diferencias que surgen debido a esta división se denominan efectos causados por lotes. Los investigadores de genómica deben corregir estos efectos causados por lotes, pero este proceso puede plantear un enigma: ¿Cómo saber si una diferencia es un efecto causado por lotes o una verdadera diferencia entre las células?

Nuevos usos para los datos

La bioinformática es el término que permite definir la disciplina que empleada para recolectar y analizar datos biológicos complejos mediante programas informáticos. Es un campo relativamente nuevo, nacido de la capacidad de reunir enormes cantidades de datos biológicos, tales como las secuencias de ADN y proteínas.

Los investigadores confían en las técnicas bioinformáticas para determinar qué genes se expresan en células individuales. Pero han tenido que trabajar en torno al ruido introducido a través de diferentes protocolos de investigación y efectos causados por lotes. Garmire PhD., de la Universidad de Hawai que recientemente se unió y es la nueva Directora del Centro de Bioinformática de la Facultad de Medicina de la Universidad de Michigan, ha descubierto una manera más eficiente de identificar las diferencias entre las células utilizando el mismo conjunto de datos producidos durante los experimentos de secuenciación. En lugar de depender de la expresión génica, descubrió que mirar lo que se conoce como variantes de nucleótido individuales (SNVs) puede eliminar parte de esta incertidumbre. "Como los SNVs, son números binarios, 0 y 1, la mutación está allí o no.

Recordemos que los genes están constituidos por nucleótidos representados por las letras A, T, G y C que conforman un código que se traduce en una proteína. El método de Garmire busca diferencias en los nucleótidos individuales, sabiendo que una A sólo puede ser reemplazada por una T y una G por una C. Este nuevo trabajo, descripto en Nature Communications, desarrolló un nuevo conjunto de procedimientos para procesar los datos de scRNA-SEQ y recuperar esta información variante. Además, utilizando un programa de computadora llamado SSrGE, pueden vincular esta información variante a la información de expresión génica más tradicional.

"Esto nos da información sobre diferentes subpoblaciones de células tumorales y se convierte en algo así como una huella dactilar que puede ser marcada para identificar las diferencias entre célula y célula", dijo Garmire.

Qué significado tiene esto

En última instancia, los fabricantes de drogas y los médicos utilizan estos objetivos para guiar los tratamientos farmacéuticos. "Cuando se quiere atacar un problema, se van atacando sus características fundamentales: las mutaciones. Más adelante, los médicos pueden utilizar esta información para guiar sus terapias." Garmire espera con ansias sacar la bioinformática del laboratorio, ayudando a los investigadores que acumulan grandes cantidades de datos para utilizarlos y desarrollar aplicaciones clínicas concretas. “Dividimos las disciplinas y nos especializamos, pero al final del día, usted necesita mirar holísticamente y preguntar, ¿qué estoy haciendo y a quién está ayudando esto?” Estamos desarrollando herramientas computacionales para llevar a los investigadores bioinformáticos, a los científicos y clínicos de campo a conectar los puntos y finalmente hacer cambios.

Nota:

Este artículo ha sido republicado a partir de materiales proporcionados por Medicine Michigan. El material puede haber sido editado por su longitud y contenido. Para más información, póngase en contacto con la fuente citada.

Referencia:

Poirion, O., Zhu, X., Ching, T., & Garmire, L. X. (2018). Using single nucleotide variations in single-cell RNA-seq to identify subpopulations and genotype-phenotype linkage. Nature Communications, 9 (1). Acceso a nota