From expansion to consolidation: two decades ofGene Ontology evolution

Este estudio presenta una caracterización temporal exhaustiva de la evolución de la Ontología de Genes (GO) a lo largo de 21 años, revelando un crecimiento sostenido y reorganizaciones estructurales que dieron paso a una fase de mayor estabilidad a partir de 2017, lo que ofrece un marco de referencia crucial para la reproducibilidad y el uso a largo plazo de los análisis funcionales basados en GO.

Lo esencial

Imagina que el Gene Ontology (GO) es como una gigantesca biblioteca de conocimientos biológicos que el mundo entero utiliza para entender qué hacen los genes. Si los genes fueran libros, el GO sería el sistema de clasificación (como el sistema Dewey) que nos dice si un libro trata sobre "respiración", "división celular" o "fabricación de energía".

Esta biblioteca no es estática; es un organismo vivo que crece, cambia y se reorganiza constantemente. Los autores de este artículo, Borja, Florencio y Mónica, han pasado los últimos 21 años (de 2004 a 2024) estudiando cómo ha evolucionado esta biblioteca.

Aquí tienes la historia de su descubrimiento, explicada de forma sencilla:

1. La Era de la Expansión (El "Boom" de construcción)

Durante la primera mitad de la historia (hasta alrededor de 2017), la biblioteca estaba en una fase de construcción frenética.

• Lo que pasaba: Los curadores (los bibliotecarios expertos) estaban añadiendo miles de nuevos "estantes" y "títulos de libros" cada año.
• La analogía: Imagina que estás construyendo una ciudad. Al principio, solo tienes unas pocas calles. De repente, empiezas a construir barrios enteros nuevos, avenidas y plazas. La ciudad crece muy rápido, pero a veces el plano general cambia mucho porque estás descubriendo nuevas formas de organizar las cosas.
• El resultado: La estructura de la biblioteca se hizo mucho más compleja. Se añadieron muchas categorías generales (como "todo lo relacionado con el sistema nervioso") para poder clasificar mejor los nuevos descubrimientos científicos.

2. El Gran Cambio de 2017: De "Construir" a "Ordenar"

Aquí es donde ocurre la magia del estudio. Alrededor de 2017, algo cambió drásticamente. La biblioteca dejó de crecer descontroladamente y entró en una fase de consolidación.

• Lo que pasó: Dejaron de añadir tantos estantes nuevos y empezaron a reorganizar los que ya existían.
• La analogía: Imagina que la ciudad ya está construida, pero ahora los urbanistas se dan cuenta de que las calles están un poco desordenadas. En lugar de construir más barrios, deciden cambiar el nombre de las avenidas principales, mover algunas plazas de lugar y asegurar que todo tenga sentido lógico. Fue un momento de "madurez": dejaron de ser una obra en construcción para convertirse en una ciudad bien planificada.
• El hallazgo clave: Los autores notaron que, aunque seguían añadiendo cosas, la estructura fundamental se volvió mucho más estable. Los cambios dejaron de ser caóticos y se volvieron más precisos y necesarios.

3. Las Tres Habitaciones de la Biblioteca

La biblioteca tiene tres secciones principales, y cada una evolucionó de forma diferente:

• Procesos Biológicos (BP): Es la sección más grande y compleja (como el departamento de "qué hace la célula"). Aquí es donde hubo más reorganización. Antes de 2017, se hacían "ramas" muy largas y profundas; después, se hicieron más anchas y ordenadas.
• Funciones Moleculares (MF): Es la sección de "qué herramientas usa la célula". Fue la más estable de todas, como un almacén de herramientas que apenas cambia.
• Componentes Celulares (CC): Es la sección de "dónde ocurren las cosas" (como la cocina o el garaje de la célula). Aquí hubo un gran rediseño en 2018, como si hubieran movido toda la cocina de un lado a otro para que fuera más eficiente.

4. Los Libros de Notas (Las Anotaciones)

Además de los estantes (el GO), hay libros de notas donde los científicos escriben qué genes hacen qué cosas. El estudio miró tres tipos de libretas:

• La libreta de la levadura (SGD): Muy detallada y revisada a mano por expertos.
• La libreta del ratón (MGI): Muy grande, llena de datos médicos importantes.
• La libreta universal (GOA): Una libreta gigante que intenta cubrir a todos los animales, usando mucha automatización (robots que leen y escriben).

La lección: Las libretas manuales (levadura y ratón) crecieron de forma constante y estable. La libreta automática (GOA) tuvo picos y caídas bruscas, a veces porque cambiaron el "robot" que las escribe, no porque la ciencia cambiara. Esto nos enseña que hay que tener cuidado al comparar datos de diferentes años, porque a veces el cambio no es en la biología, sino en cómo se escribieron los datos.

¿Por qué es importante esto para ti?

Imagina que estás resolviendo un rompecabezas. Si cambias las piezas del borde (la estructura de la biblioteca) a mitad del juego, la imagen final puede verse diferente.

• Reproducibilidad: Si un científico en 2015 hizo un análisis y otro en 2024 hace el mismo análisis, podrían obtener resultados diferentes no porque la biología haya cambiado, sino porque la "biblioteca" donde consultaron la información se reorganizó.
• Conclusión: Este estudio nos dice que la biblioteca ha madurado. Ahora es un recurso más sólido y confiable. Pero nos advierte: siempre hay que decir qué "edición" de la biblioteca usaste para que otros puedan entender y repetir tu trabajo.

En resumen: Durante dos décadas, la Gene Ontology pasó de ser un "canti de obra" en expansión constante a convertirse en una "ciudad bien planificada". Aunque sigue creciendo, ahora lo hace con más orden, lo que hace que la ciencia sea más transparente y fiable para todos.

Resumen técnico

Resumen Técnico: De la expansión a la consolidación: dos décadas de evolución de la Ontología de Genes (GO)

1. Planteamiento del Problema

La Ontología de Genes (GO) es el recurso de conocimiento más utilizado para la anotación funcional de productos génicos en biología molecular. Sin embargo, es un recurso dinámico que evoluciona constantemente mediante actualizaciones regulares de su estructura (términos y relaciones) y sus anotaciones asociadas.

• El desafío: Los resultados de análisis bioinformáticos (como el enriquecimiento de conjuntos de genes) dependen intrínsecamente de la versión específica de la GO y de las anotaciones utilizadas en el momento del análisis.
• La brecha: Existe una falta de comprensión sistemática y a largo plazo sobre cómo cambian la estructura de la ontología y el contenido de las anotaciones a lo largo del tiempo. Esto dificulta la reutilización transparente de datos, la comparabilidad de estudios históricos y la reproducibilidad de los resultados.

2. Metodología

Los autores realizaron un análisis temporal longitudinal de 21 años (2004–2024) de las versiones públicas de la GO y sus anotaciones.

• Datos de Ontología: Se analizaron los archivos OBO (go.obo) de cada año. Se distinguieron entre términos activos y obsoletos. Se evaluaron métricas estructurales como:
  • Número total de términos (activos y obsoletos).
  • Profundidad de los términos (distancia desde la raíz).
  • Proporción de términos hoja (específicos) vs. no hoja (internos).
  • Tamaño de la primera capa (términos más generales).
  • Tipos de relaciones (is_a, part_of, y otras).
• Datos de Anotación: Se seleccionaron cuatro recursos representativos con diferentes estrategias de curación:
  • SGD: Saccharomyces cerevisiae (curación manual intensiva).
  • MGI: Mus musculus (modelo multicelular complejo).
  • WormBase: C. elegans.
  • GOA-UniProt: Cobertura taxonómica amplia con alto uso de anotaciones inferidas electrónicamente (IEA).
• Análisis de Contenido: Se realizó un análisis de enriquecimiento de palabras en los nombres de los nuevos términos introducidos cada año para identificar temas biológicos emergentes.
• Enfoque: Se analizaron por separado las tres subontologías: Proceso Biológico (BP), Función Molecular (MF) y Componente Celular (CC).

3. Contribuciones Clave

• Caracterización Temporal Integral: Proporciona la primera descripción basada en datos que abarca dos décadas completas de la evolución de la GO, tratando las versiones sucesivas como un conjunto de datos longitudinal unificado.
• Identificación de un Punto de Inflexión: Detecta y cuantifica una transición crítica en el desarrollo de la ontología alrededor de 2017, marcando el paso de una fase de expansión rápida a una fase de consolidación y madurez.
• Análisis Comparativo de Recursos: Diferencia las dinámicas de anotación entre bases de datos de organismos modelo (curación manual) y recursos agregados (GOA), mostrando cómo las políticas de curación y los pipelines automatizados afectan la estabilidad temporal de los datos.

4. Resultados Principales

A. Evolución de la Estructura de la Ontología:

• Crecimiento y Estancamiento: El número total de términos activos aumentó constantemente hasta aproximadamente 2017, momento en el que se estabilizó y, en algunos casos, disminuyó ligeramente (especialmente en BP y CC).
• Dinámica de Adición vs. Obsolescencia: La tasa de adición de nuevos términos disminuyó tras 2017, mientras que la tasa de obsolescencia (retirada de términos) aumentó, especialmente en BP y CC.
• Estructura Jerárquica (BP vs. MF/CC):
  • La subontología BP es la única donde los términos no hoja superan a los términos hoja, indicando una organización jerárquica compleja.
  • Antes de 2017, el crecimiento de BP se debió principalmente a la adición de nodos internos (expansión lateral), lo que redujo la profundidad media de los términos hasta 2011.
  • Tras 2017, la estructura se consolidó.
• Reorganización de la Capa Superior: Se observaron fluctuaciones significativas en la primera capa de la ontología (términos raíz y sus hijos directos), especialmente en MF y CC alrededor de 2018, lo que sugiere revisiones conceptuales mayores en la organización de las funciones biológicas.
• Relaciones: Las relaciones is_a y part_of mostraron cambios abruptos en sus ratios, coincidiendo con las reestructuraciones estructurales.

B. Evolución de las Anotaciones:

• Tendencias Generales: Todas las fuentes mostraron un aumento general en el volumen de anotaciones, pero con patrones temporales distintos.
• Diferencias por Fuente:
  • SGD y MGI: Muestran un aumento sostenido en anotaciones con soporte experimental, estabilizándose en años recientes.
  • GOA: Presenta un comportamiento diferente, dominado por anotaciones inferidas electrónicamente (IEA). El conteo de IEA en GOA se estabilizó tras 2018, mientras que las anotaciones basadas en filogenia disminuyeron drásticamente desde 2019.
• Estabilidad: La mayoría de los términos tienen una vida útil superior a 12 años, y una fracción sustancial permanece inalterada durante todo el periodo de 21 años.

C. Temas Biológicos:

• El análisis de enriquecimiento de palabras reveló que los nuevos términos reflejan prioridades de investigación cambiantes (ej. términos relacionados con el sistema nervioso en 2016, asociados a esfuerzos documentados sobre la enfermedad de Parkinson).

5. Significado e Implicaciones

• Madurez del Recurso: La evidencia sugiere que la GO ha alcanzado una fase de madurez (post-2017) donde los cambios son más incrementales y menos disruptivos, lo que favorece la estabilidad para los usuarios.
• Reproducibilidad: Es fundamental para los investigadores reportar explícitamente la versión de la GO y de las anotaciones utilizadas en sus estudios. Los resultados de análisis funcionales son dependientes del tiempo y pueden variar significativamente entre versiones.
• Herramientas FAIR: El estudio subraya la necesidad de que las herramientas bioinformáticas compatibles con los principios FAIR (Findable, Accessible, Interoperable, Reusable) rastreen explícitamente las versiones de la ontología y proporcionen procedencia transparente de los datos para garantizar la interoperabilidad a largo plazo.
• Reorganización Estructural: Las grandes reestructuraciones en los niveles superiores de la ontología (especialmente en 2018) indican que la organización conceptual de las funciones biógicas sigue siendo un proceso activo de refinamiento por parte de la comunidad.

En conclusión, este trabajo establece un marco de referencia esencial para interpretar la evolución de la GO, demostrando que, tras dos décadas de expansión y reorganización, el recurso ha entrado en una etapa de consolidación que beneficia la reproducibilidad y el uso a largo plazo en la bioinformática.