El modelo de aprendizaje automático que mejora la certeza del diagnóstico genético prenatal

Un equipo del Hospital for Sick Children en Toronto, Canadá, desarrolló un modelo de aprendizaje automático para mejorar la certeza del diagnóstico genético prenatal, un avance que busca aclarar si cambios en el ADN del feto están vinculados con trastornos del neurodesarrollo cuando las pruebas actuales no logran definir si una variante es dañina o forma parte del desarrollo normal, informó el portal especializado en ciencia y salud Medical Xpress.

El grupo entrenó el sistema con datos de 850 individuos con y sin síndrome de Down, distribuidos en seis tipos de tejidos prenatales y posnatales. La estrategia mostró que una firma epigenética obtenida en sangre puede adaptarse para funcionar en distintos tipos de tejido, incluidos los usados en estudios prenatales.

El problema que intenta resolver es frecuente en medicina fetal. Los avances en secuenciación del genoma ampliaron el acceso a las pruebas prenatales, pero también multiplicaron la detección de variantes de significado incierto, cambios genéticos que los médicos todavía no pueden clasificar con facilidad como benignos o patológicos.

La genetista clínica Rosanna Weksberg, científica sénior asociada de Genética y Biología del Genoma en SickKids (como se lo conoce popularmente al hospital), explicó que cuando los médicos detectan un cambio genético nuevo, en cerca de un tercio de los casos no saben si realmente es anormal o si se encuentra dentro del rango habitual del desarrollo.

También advirtió que la cantidad de variantes supera la capacidad de los genetistas para conocer siempre si una alteración de interés puede derivar en trastornos del neurodesarrollo u otras enfermedades genéticas.

Modelo transforma firmas epigenéticas en herramientas prenatales

El trabajo parte de las llamadas episignaturas, marcas químicas distintivas en el ADN que revelan la presencia de condiciones genéticas específicas.

En 2020, el laboratorio de Weksberg presentó la plataforma EpigenCentral, basada en datos de episignaturas derivadas de sangre para ayudar a los médicos a decidir si una variante causa enfermedad o es benigna.

Hasta ahora, el laboratorio ayudó a establecer más de 60 episignaturas, la mayoría ya validadas clínicamente para diagnóstico. El límite era que esos patrones dependían del tejido de origen: una firma detectada en sangre no podía aplicarse a líquido amniótico o tejido placentario, dos materiales habituales en el contexto prenatal.

La investigadora sénior Sanaa Choufani sostuvo que, si esas firmas derivadas de sangre pudieran volverse independientes del tejido, se superaría una de las mayores restricciones del diagnóstico prenatal. Esa idea dio origen a un método de aprendizaje automático capaz de transformar episignaturas sanguíneas en firmas “agnósticas al tejido”, es decir, estables sin importar de qué parte del cuerpo proceda la muestra.

En términos prácticos, eso significa que una misma señal epigenética podría informar sobre varios tipos de tejido, incluidas las muestras prenatales. El trabajo, publicado en The American Journal of Human Genetics y dirigido por Weksberg y Choufani, demostró que ese enfoque funciona y abre la puerta a su uso diagnóstico futuro en medicina prenatal.

La prueba fue exitosa en todos los tejidos

Para probar el concepto, el equipo generó una episignatura derivada de sangre a partir de muestras de 266 individuos con síndrome de Down, elegida por ser una de las enfermedades genéticas raras más comunes. Luego entrenó el modelo con datos públicos de metilación del ADN —las etiquetas químicas del ADN— correspondientes a 850 personas con y sin esa condición, distribuidas en seis tipos de tejido.

El resultado fue que el sistema reconoció con precisión el patrón del síndrome de Down en todos los tipos de tejido analizados. Ese desempeño mostró que una episignatura obtenida en sangre puede convertirse en una herramienta capaz de identificar una señal de enfermedad específica en tejidos diferentes.

Weksberg afirmó que el modelo aporta un nuevo nivel de precisión a las pruebas prenatales, un campo en el que todavía quedan muchas preguntas abiertas. Añadió que este enfoque de aprendizaje automático también puede servir como base para estudiar múltiples trastornos en los que los tejidos relevantes son inaccesibles, lo que favorecería una transferencia más rápida a la práctica clínica.

Los investigadores señalaron además que, con el tiempo, la estrategia podría respaldar pruebas diagnósticas realizadas con una gama más amplia de muestras, como saliva e hisopados bucales. Eso reduciría la necesidad de obtener sangre u otros tejidos.

Choufani indicó que, cuando una familia recibe la noticia de un posible trastorno del neurodesarrollo, el objetivo de este método es ofrecer la mayor cantidad de información detallada posible para acompañar la toma de decisiones. También planteó que la meta es acortar el recorrido diagnóstico que muchos pacientes con enfermedades raras atraviesan antes de obtener una respuesta.