Correlations of 276 missense variants of PSEN1, PSEN2, and APP on the production of Aβ peptides against variant effect predictors and biophysical structures

Este estudio analiza la correlación entre 276 variantes de aminoácidos en los genes *PSEN1*, *PSEN2* y *APP* con predictores de efectos de variantes y estructuras biofísicas, demostrando que estas herramientas pueden predecir la patogenicidad y el inicio de la enfermedad de Alzheimer de inicio temprano.

Lo esencial

El Misterio de las "Fábricas de Basura" en el Cerebro

Imagina que tu cerebro es una ciudad enorme y súper organizada. Para que la ciudad funcione, necesita que las calles estén limpias. En esta ciudad, hay unas pequeñas "fábricas" (que son las proteínas llamadas PSEN1, PSEN2 y APP) encargadas de producir materiales de limpieza.

Sin embargo, en algunas personas, estas fábricas tienen un error de diseño (lo que los científicos llaman "mutaciones"). En lugar de producir materiales de limpieza útiles, estas fábricas defectuosas empiezan a producir un tipo de "basura pegajosa" (llamada Aβ o amiloide). Esta basura se acumula en las calles, bloquea el tráfico y, con el tiempo, hace que la ciudad colapse. Esto es lo que conocemos como el Alzheimer de inicio temprano.

¿Qué hizo este estudio?

Los científicos se dieron cuenta de que hay cientos de tipos de "errores de diseño" diferentes, y no sabían cuáles eran los más peligrosos. Así que hicieron tres cosas:

1. El Juego de las Predicciones (Los "Detectives Digitales"):
   Imagina que tienes 37 detectives (llamados VEPs) que intentan adivinar qué tan mala es una fábrica solo con mirar su plano. Los investigadores compararon lo que los detectives decían con lo que realmente pasaba en la vida real. ¡Y funcionó! Los detectives fueron bastante buenos prediciendo qué tan pronto empezaría la "ciudad" a fallar (la edad de inicio de la enfermedad).

2. El Misterio de la Basura (¿Por qué se acumula?):
   Aquí hubo un debate interesante. Imagina que la basura se acumula en la calle. Unos científicos dijeron: "La calle está llena porque se está fabricando demasiada basura nueva". Otros dijeron: "No, la calle está llena porque la basura vieja no se está recogiendo". Este estudio ayudó a entender que el problema es una mezcla de ambas: las fábricas defectuosas dejan de producir el "limpiador" normal y empiezan a soltar un tipo de basura mucho más problemática.

3. El Examen de la Estructura (¿Cómo se rompe la máquina?):
   Los científicos miraron las máquinas (las proteínas) con un microscopio virtual muy potente. Descubrieron que los errores ocurren de dos formas:

   • El "Saboteador" (Dominant Negative): Una máquina defectuosa se mete en la línea de producción y estropea a todas las máquinas buenas que están a su alrededor.
   • El "Trabajador Ausente" (Loss of Function): La máquina simplemente deja de funcionar, y como no hay nadie trabajando, la basura se acumula.

¿Por qué es esto importante para ti?

Hasta ahora, no teníamos una forma fácil de saber qué tan grave sería una mutación en una persona sin hacer pruebas muy costosas y complicadas.

Este estudio nos da una "brújula". Nos dice que podemos usar herramientas digitales (esos "detectives") para predecir qué tan rápido podría avanzar la enfermedad. Esto es como tener un sistema de alerta temprana que nos permite prepararnos mejor y, en el futuro, diseñar medicinas que arreglen específicamente el error de la fábrica antes de que la ciudad se llene de basura.

---

En resumen: Los científicos están aprendiendo a usar computadoras para entender por qué ciertas piezas de nuestro cerebro fallan y cómo esa falla convierte a nuestras células en fábricas de basura, con la esperanza de poder detenerlo antes de que sea tarde.

Resumen técnico

Resumen Técnico: Correlaciones de 276 variantes de sentido erróneo (missense) de PSEN1, PSEN2 y APP en la producción de péptidos Aβ frente a predictores de efecto de variantes y estructuras biofísicas

Problema
La enfermedad de Alzheimer de inicio temprano (EOAD) está estrechamente vinculada a mutaciones en los genes Presenilina-1 (PSEN1), Presenilina-2 (PSEN2) y la Proteína Precursora de Amiloide (APP). Aunque la hipótesis amiloide sugiere que la patogénesis se debe a la alteración en la producción de péptidos Aβ, la comunidad científica carece de herramientas predictivas fiables para determinar la patogenicidad de las nuevas variantes identificadas. Actualmente, no existen modelos computacionales robustos que permitan la traslación clínica de estas mutaciones para predecir su impacto funcional y clínico.

Metodología
Los autores desarrollaron una plataforma algorítmica basada en un análisis exhaustivo de 276 variantes de sentido erróneo (missense). El estudio empleó dos enfoques principales:

1. Análisis Estadístico y de Correlación: Se realizaron correlaciones por pares entre datos de ensayos funcionales in vitro (de las 276 variantes) y datos clínicos de pacientes con EOAD, contrastándolos con 37 predictores de efecto de variantes (VEPs, por sus siglas en inglés).
2. Modelado Estructural: Se utilizaron modelos estructurales de las tres proteínas (PSEN1, PSEN2, APP) para investigar la base molecular de las mutaciones, con el fin de distinguir si actúan mediante mecanismos de efecto dominante negativo (DN) o de pérdida de función (LoF).

Resultados Clave

• Eficacia de los VEPs: Se demostró que los predictores de efecto de variantes (VEPs) presentan una correlación consistente tanto con la edad de inicio de la enfermedad (AAO) como con el biomarcador de la relación Aβ42/Aβ40.
• Discrepancia en el Mecanismo de la Relación Aβ42/Aβ40: El estudio identificó una contradicción en la literatura científica existente: mientras que estudios previos (Sun et al., 2016) atribuían el aumento de la relación Aβ42/Aβ40 a una disminución de los niveles de Aβ40, otros (Petit et al., 2022) sugerían que el factor determinante era el aumento de Aβ42.
• Correlaciones con otros péptidos: Se observó que un aumento en la patogenicidad predicha se correlaciona con una disminución en los niveles de Aβ38, aunque no se hallaron correlaciones directas con Aβ37 o Aβ43.
• Hallazgos Estructurales: El análisis biofísico reveló que las variantes se localizan tanto en dominios hidrofóbicos enterrados como en superficies cargadas, lo que sugiere que las mutaciones operan mediante mecanismos de efecto dominante negativo (DN) o de pérdida de función (LoF).

Contribuciones Principales

1. Desarrollo de una plataforma de predicción: La creación de un marco de trabajo que integra datos funcionales, clínicos y computacionales para evaluar la patogenicidad de variantes en EOAD.
2. Clarificación de biomarcadores: El estudio pone de relieve la necesidad de realizar investigaciones experimentales adicionales para resolver la ambigüedad sobre qué péptido (Aβ40 o Aβ42) es el principal impulsor del biomarcador de la relación Aβ42/Aβ40.
3. Caracterización Mecanística: Proporciona una base estructural para entender cómo las mutaciones alteran la función de las presenilinas y la APP.

Significancia
Este trabajo es fundamental para el avance del diagnóstico y la medicina de precisión en el Alzheimer. Al demostrar que los VEPs son herramientas prometedoras para descifrar el efecto de las variantes genéticas, el estudio sienta las bases para el desarrollo de herramientas diagnósticas que puedan predecir la progresión de la enfermedad. Además, la distinción entre mecanismos DN y LoF permite refinar la hipótesis de la presenilina y orientar futuros esfuerzos terapéuticos hacia la modulación específica de las vías de producción de péptidos amiloides.