AlphaGenome-enabled analysis of non-coding regulatory variants underlying RHD expression with wet-lab validation

Resumen Técnico: Análisis de variantes reguladoras no codificantes subyacentes a la expresión de RHD mediante el uso de AlphaGenome

Planteamiento del Problema
La identificación sistemática de variantes reguladoras no codificantes funcionales sigue siendo un cuello de botella significativo en la genética humana. Aunque los métodos convencionales, como el cribado CRISPR a gran escala y los estudios de asociación de genoma completo (GWAS), son potentes, a menudo resultan prohibitivamente costosos, lentos y experimentalmente intensivos, lo que limita su escalabilidad para investigaciones mecánicas específicas de un locus. Este desafío es particularmente agudo en el contexto del gen RHD, donde las variantes codificantes por sí solas no logran explicar completamente las variaciones en la expresión de antígenos, un factor crítico en la alo inmunización de glóbulos rojos, las reacciones hemolíticas por transfusión y la enfermedad hemolítica del feto y el recién nacido.

Metodología
Los autores proponen un marco integrado que combina la inteligencia artificial (IA) con la validación experimental dirigida para decodificar variantes no codificantes funcionales.

1. Priorización impulsada por IA: El estudio utilizó AlphaGenome (AG), un modelo de aprendizaje profundo lanzado en 2025 y diseñado para predecir el impacto de variantes no codificantes. Se aplicó AG al locus RHD, integrando conjuntos de datos multiómicos para priorizar regiones reguladoras dentro del promotor, la región 5' no traducida (5'UTR) y áreas intragénicas.
2. Perturbación In Silico: El equipo realizó análisis de perturbación basados en deleciones y en polimorfismos de nucleótido único (SNP) utilizando AG para predecir las consecuencias funcionales de variantes específicas en la expresión de RHD.
3. Validación en Laboratorio (Wet-Lab): Para verificar las predicciones computacionales, los investigadores emplearon la edición de bases mediada por CRISPR en células K562. Se dirigieron a sitios específicos de SNP priorizados por AG, incluyendo una variante de puntuación alta (chr1:25272434 G>A) y un sitio de puntuación baja (chr1:25272422 C>T).
4. Evaluación Fenotípica: Los resultados funcionales se evaluaron mediante la reacción en cadena de la polimerasa cuantitativa (qPCR) para medir los transcritos de longitud completa de RHD y citometría de flujo para cuantificar la expresión de la proteína RHD.

Resultados Clave

• Predicciones Computacionales: AG predijo consistentemente que las variantes dentro del promotor, sus regiones proximales y regiones intragénicas específicas ejercen efectos supresores fuertes sobre la expresión de RHD.
• Concordancia Experimental: La edición de bases de la variante de puntuación alta (chr1:25272434 G>A) resultó en una conversión eficiente y, notablemente, en ediciones adicionales cercanas. Todas estas ediciones fueron predichas por AG como reguladoras de la disminución de la expresión, y los datos experimentales confirmaron una fuerte reducción tanto en los niveles de transcritos como en la expresión proteica.
• Impacto Diferencial: Por el contrario, la edición del sitio de puntuación baja predicho (chr1:25272422 C>T) produjo efectos funcionales significativamente menores, alineándose con la menor confianza del modelo en su impacto regulador.
• Validación: Hubo una fuerte concordancia entre las predicciones basadas en IA y los resultados transcripcionales y fenotípicos observados, validando la capacidad del modelo para distinguir variantes reguladoras funcionales.

Significancia y Reivindicaciones
El artículo afirma demostrar que la combinación de la priorización de variantes reguladoras guiada por IA con la edición de bases dirigida ofrece una alternativa escalable y rentable a los cribados CRISPR tradicionales de gran escala para decodificar variantes no codificantes funcionales en genes de grupos sanguíneos. Los autores posicionan este enfoque como poseedor de implicaciones directas para la tipificación de RHD basada en genómica y la medicina de transfusión. Además, el estudio sostiene que representa la primera validación de las predicciones de AlphaGenome al nivel fenotípico mediante experimentos de laboratorio, estableciendo una prueba de concepto para el uso del aprendizaje profundo para acelerar la comprensión mecánica de la variación genética no codificante.