Massively parallel characterization and predictive modelling of neuronal regulatory variation

Resumen Técnico: Caracterización Masivamente Paralela y Modelado Predictivo de la Variación Regulatoria Neuronal

Planteamiento del Problema
Un desafío significativo en genómica es comprender las consecuencias funcionales de las variantes no codificantes que residen en elementos de regulación en cis (CRE). Si bien iniciativas a gran escala han catalogado millones de candidatos a CRE, los mecanismos precisos que codifican los programas regulatorios específicos de cada tipo celular aún no se comprenden completamente. Una cuestión central es cómo el impacto funcional de las variantes regulatorias se relaciona con su frecuencia alélica (AF) en la población. Dado que se suele asumir que las variantes raras tienen efectos mayores debido a la selección purificadora, esta relación se ve confundida por la historia demográfica y la deriva genética. Además, los modelos computacionales actuales basados en la localización genómica o en sitios de unión de factores de transcripción (TFBS) proporcionan una predicción incompleta de la "gramática" regulatoria. Existe la necesidad de ensayos funcionales a gran escala en contextos celulares relevantes para cuantificar la actividad regulatoria, evaluar la dispersión de los elementos activos y evaluar la capacidad de los modelos de vanguardia para predecir los efectos de las variantes a resolución de un solo nucleótido.

Metodología
Los autores realizaron un ensayo de reportero masivamente paralelo basado en lentivirus (lentiMPRA) a gran escala en neuronas excitatorias humanas diferenciadas a partir de iPSCs WTC11 mediante inducción de NGN2.

• Diseño de la Librería: El estudio se centró en 525 genes asociados a enfermedades (neurológicas, cardíacas y clínicamente accionables) y 25 genes aleatorios. De estos loci, se seleccionaron 27,209 regiones genómicas únicas (cCREs) dentro de 50 kb de los sitios de inicio de la transcripción (TSSs) del registro ENCODE SCREEN v3.
• Selección de Variantes: La librería incluyó 46,374 variantes de nucleótido único (SNVs) naturales de gnomAD v3.1.2. Esto comprendió más de 22,000 variantes comunes (AF > 1%) y más de 24,000 variantes raras y de tipo singleton. Las variantes raras se priorizaron utilizando una estrategia basada en Enformer para enriquecer aquellas con efectos previstos de activación o represión de la accesibilidad de la cromatina, junto con un subconjunto muestreado aleatoriamente para servir como control no sesgado.
• Ejecución Experimental: Se sintetizaron secuencias (oligos de 270 pb), las cuales se clonaron en constructos reporteros lentivirales con códigos de barras (barcodes) únicos, y se transducieron en neuronas derivadas de NGN2 en tres réplicas biológicas. La actividad regulatoria se cuantificó mediante las proporciones de código de barras de ARN a ADN.
• Análisis y Modelado: Los autores analizaron los efectos alélicos utilizando BCalm, estratificados por frecuencia alélica y clase mutacional. Compararon las anotaciones epigenómicas (ENCODE SCREEN v4) y la unión de factores de transcripción (ReMap2022). Finalmente, evaluaron el rendimiento predictivo de varios modelos de secuencia-a-función (Enformer, AlphaGenome, CADD y un modelo de tipo celular emparejado con NGN2, chromBPNet) frente a los datos de MPRA. También ajustaron (fine-tuned) un codificador de AlphaGenome con el conjunto de datos de MPRA para evaluar las capacidades de aprendizaje por transferencia (transfer learning).

Result resultados clave

• Actividad Regulatoria y Dispersión: Solo una minoría de los cCREs probados exhibió una actividad significativa en comparación con los controles de secuencia aleatoria (2.1% aumentó, 4.8% disminuyó). Sin embargo, los elementos anotados como cCREs cerebrales estuvieron enriquecidos para la actividad y mostraron una distribución casi equilibrada de efectos activadores y represores. Por el contrario, los elementos sin anotaciones cerebrales mostraron un fuerte sesgo hacia la represión transcripcional en este contexto neuronal.
• Frecuencia Alélica e Impacto Funcional: Se detectaron efectos alélicos significativos en todo el espectro de frecuencia alélica (comunes, raras y singletons) a tasas comparables (~2.6–3.0%). Aunque hubo una disminución monotónica modesta en la proporción de variantes activadoras desde los singletons hasta las variantes muy comunes, la magnitud de los tamaños de efecto no mostró una dependencia fuerte de la frecuencia alélica. Esto sugiere que la frecuencia poblacional proporciona información limitada sobre el impacto regulatorio por variante dentro de los efectos medibles de MPRA.
• Dependencia del Contexto: La detectabilidad y las características de los efectos de las variantes estuvieron gobernadas principalmente por la actividad basal del elemento regulador que las contiene y el contexto de la secuencia local, más que por la frecuencia alélica por sí sola. Las variantes en elementos de baja actividad fueron más propensas a mostrar efectos de aumento, mientras que aquellas en elementos altamente activos mostraron efectos de disminución.
• Arquitectura de Factores de Transcripción: Los efectos regulatorios se distribuyeron entre numerosos factores de transcripción en lugar de concentrarse en unos pocos reguladores maestros. Los análisis de enriquecimiento identificaron reguladores del neurodesarrollo (p. ej., SOX4, ASCL1, PAX6) en los elementos activos con anotación cerebral, mientras que los elementos sin anotación cerebral se asociaron con complejos de correpresión.
• Rendimiento de los Modelos: Los modelos de secuencia de vanguardia (Enformer, AlphaGenome) mostraron una discriminación modesta (ROC-AUC ~0.57–0.58) para predecir efectos alélicos significativos en todas las variantes. El rendimiento mejoró cuando se restringió a variantes dentro de elementos activos (dCREs) o cuando se utilizaron modelos emparejados con el tipo celular (NGN2 chromBPNet). Crucialmente, el ajuste fino del codificador de AlphaGenome con los datos de MPRA mejoró significativamente el rendimiento (ROC-AUC ~0.78–0.81), demostrando que las representaciones de secuencias preentrenadas pueden adaptarse eficazmente a las señales específicas de MPRA.

Significancia y Reivindicaciones
Los autores establecen un catálogo de variantes funcionales a gran escala en neuronas excitatorias humanas, proporcionando un punto de referencia para evaluar modelos de variación regulatoria no codificante. El estudio afirma que:

1. La frecuencia es un indicador débil: La frecuencia alélica poblacional conlleva información limitada sobre el impacto regulatorio de las variantes individuales; el contexto regulatorio local es un predictor más fuerte de la detectabilidad del efecto.
2. Arquitectura Combinatoria: La variación regulatoria neuronal sigue una arquitectura de potenciador (enhancer) combinatoria que involucra a muchos TFs en lugar de un pequeño conjunto de reguladores dominantes.
3. Limitaciones y Potencial de los Modelos: Si bien los modelos de secuencia de propósito general actuales proporcionan un enriquecimiento modesto para las variantes funcionales, su rendimiento se mejora significativamente mediante el emparejamiento con el tipo celular y el ajuste fino específico de la tarea.
4. Utilidad del Recurso: El conjunto de datos sirve como un recurso para el seguimiento mecanístico, ofreciendo una lista de candidatos para la perturbación dirigida por CRISPR y análisis de expresión alelo-específica, particularmente para variantes que se solapan con señales de eQTL de mapeo fino y de GWAS.

El artículo concluye que, si bien los modelos de secuencia y las anotaciones epigenómicas son heurísticas valiosas, los ensayos funcionales a gran escala siguen siendo esenciales para resolver los efectos alélicos de grano fino en sistemas celulares relevantes para enfermedades y para entrenar la próxima generación de modelos predictivos conscientes del contexto.