Resumen Técnico: El Aprendizaje Profundo Topológico Identifica Conglomerados de Variantes Poligénicas en Trastornos Familiares Multimórbidos

Planteamiento del Probleque

La secuenciación de genoma completo (WGS) ofrece una cobertura exhaustiva de variaciones codificantes, no codificantes y estructurales; sin embargo, su utilidad clínica se ve limitada por un "cuello de botella de interpretación". Los canales bioinformáticos actuales, anclados en gran medida en los criterios del American College of Medical Genetics and Genomics/Association for Molecular Pathology (ACMG/AMP), son excelentes para identificar alelos mendelianos de alta penetrancia, pero fallan frecuentemente al detectar variantes de penetrancia baja a moderada, alteraciones no codificantes e interacciones germinales-somáticas. Esta lógica categórica basada en reglas es inadecuada para el "diluvio de datos a escala genómica" y para la identificación de variantes que contribuyen a la enfermedad mediante mecanismos cuantitativos y combinatorios (modelos oligogénicos o poligénicos). En trastornos familiares caracterizados por la multimorbilidad (por ejemplo, cáncer, enfermedades autoinmunes y cardiovasculares coocurrentes), una proporción sustancial de las variantes contribuyentes puede no cumplir con los umbrales clásicos de patogenicidad (por ejemplo, insuficiencia de rareza o efectos de magnitud modesta), lo que lleva a su descarte como Variantes de Significado Incierto (VUS). Los autores argumentan que el campo requiere un cambio de la clasificación de variantes individuales hacia la selección de conjuntos coherentes de variantes que, colectivamente, apunten a un mecanismo de enfermedad plausible.

Metodología: El Marco PolyCLIP-T

Los autores presentan PolyCLIP-T, un marco multimodal guiado por la topología diseñado para transformar la selección de variantes de un problema de clasificación a una tarea de descubrimiento geométrico. El proceso consta de tres etapas principales:

1. Representación Multimodal Unificada y Aprendizaje Contrastivo

PolyCLIP-T aprende representaciones multimodales de variantes genómicas alineando información de secuencias, biológica y derivada de texto dentro de un espacio latente compartido.

• Arquitectura de Doble Codificador: Inspirado en el marco CLIP, el modelo emplea dos codificadores:
  • Codificador de Secuencia: Utiliza un transformador DNABERT-2 ajustado para codificar secuencias de ADN de referencia y alternas (±100 pb, extendido a ±500 pb para contextos sensibles al empalme/splice-aware) en incrustaciones (embeddings) de secuencia ($h_{seq}$).
  • Codificador Biológico: Un perceptrón de varias capas (MLP) procesa vectores de anotación tabular, que incluyen consecuencias funcionales (VEP, CADD, SpliceAI), métricas de conservación (phyloP, GERP++), genética de población (gnomAD), contexto estructural (CNV, LOH) y anotaciones de vías metabólicas.
• Aprendizaje Contrastivo: El modelo se entrena utilizando una pérdida simétrica InfoNCE (NT-Xent) para alinear las incrustaciones de secuencia con las incrustaciones de características biológicas. Crucialmente, utiliza la similitud semántica basada en ontologías (por ejemplo, Gene Ontology, vías) como una estrategia de supervisión de etiquetas suaves (soft-labels) en lugar de depender de etiquetas de patogenicidad estrictas (hard-labels), que son escasas y sesgadas. Esto permite al modelo aprender la similitud funcional y las relaciones relacionadas con la enfermedad entre las variantes.
• Incrustaciones Delta: El desplazamiento entre las incestaciones de referencia y la alterna ($\Delta z_i = z_{alt} - z_{ref}$) en el espacio latente compartido cuantifica la perturbación molecular inducida por cada variante.

2. Análisis de Datos Topológicos (TDA) y Regularización

Para preservar la estructura geométrica intrínseca del manifold de las variantes y prevenir el colapso geométrico común en el aprendizaje contrastivo, los autores introducen la Regularización de Difusión Topológica (TDR).

• TDR: Un marco de profesor-estudiante donde una red de profesor (un promedio móvil exponencial de los parámetros del estudiante) mantiene una topología de referencia estable. La función de pérdida minimiza la discrepancia entre las distancias de difusión del estudiante y del profesor a través de múltiples escalas ($t \in \{1, 3, 5\}$), asegurando que la estructura geométrica global del espacio de las variantes se preserve.
• Homología Persistente: Aplicada al espacio de características integrado (específicamente las incrustaciones delta), la homología persistente identifica componentes topológicos estables. Una filtración de Vietoris–Rips construye una filtración sobre la matriz de distancias, registrando el "nacimiento" y la "muerte" de las características topológicas. Las características con vidas útiles largas representan conglomerados de variantes robustos y bien separados que comparten similitudes a nivel de secuencia y perfiles funcionales.

3. Criterios de Selección de Variantes

Los conjuntos de variantes candidatos se extraen de los componentes persistentes basándose en tres criterios intrínsecos:

1. Significancia Topológica: La vida útil del componente debe exceder un umbral ($\ell_{min} = 0.25$), garantizando la robustez frente al ruido.
2. Enriquecimiento de Densidad: La densidad local de las variantes dentro del componente debe ser al menos dos veces mayor que la densidad de fondo en la misma región genómica.
3. Coherencia Funcional: El grupo debe mostrar un enriquecimiento para al menos una firma molecular de relevancia biológica (por ejemplo, puntuación CADD alta, extrema rareza, solapamiento de LOH o coocurrencia de variantes estructurales).

El marco también emplea un criterio de selección de norma mixta fundamentado en la teoría del transporte óptimo, filtrando las variantes basándose en su distancia respecto a un núcleo compacto de perfiles conocidos como benignos.

Contribuciones Clave y Resultados

Cohorte y Validación

El marco fue desarrollado y validado en seis familias (14 individuos) seleccionadas por una densa multimorbilidad transgeneracional (cáncer, autoinmunidad y/o enfermedad cardiovascular). Cinco familias (F1–F5) se utilizaron para el desarrollo, mientras que la Familia F6 sirvió como conjunto de prueba independiente mantenido aparte.

• Desempeño: PolyCLIP-T alcanzó una precisión de 0.96 y una recuperación (recall) de 0.67 al recuperar variantes patogénicas conocidas de ClinVar, superando sustancialmente los métodos de referencia y los codificadores individuales.
• Eficiencia de Etiquetas: El modelo mantuvo una alta calidad de agrupamiento (Índice de Rand Ajustado $\ge 0.70$) con tan solo el 1–5% de las variantes portando etiquetas de enfermedad, superando a los clasificadores totalmente supervisados.
• Estudios de Ablación: Los resultados confirmaron que cada componente —codificación de secuencia, anotación biológica, alineación contrastiva y regularización topológica— realiza una contribución independiente y aditiva al desempeño.

Descubrimiento de Módulos Poligénicos

Aplicado a la familia de prueba (F6), PolyCLIP-T redujo 4.2 millones de variantes brutas a 112 candidatos interpretables.

• Recuperación de No Codificantes: A diferencia de los canales convencionales que se centran en los exones codificantes, PolyCLIP-T recuperó una proporción significativa de candidatos no codificantes (38%) y estructurales.
• Pleiotropía de Enfermedad Cruzada: Los conglomerados identificados revelaron módulos biológicamente coherentes que abarcan categorías de enfermedades. Por ejemplo, se encontró que genes como ERBB3, HLA-A y LPA se co-agrupan, vinculando el cáncer, la regulación inmunológica y el riesgo cardiovascular.
• Caso de Estudio (Familia F6): Mientras que el análisis convencional identificó una variante patogénica en BRCA1 (que explica el cáncer hereditario de mama/ovario), PolyCLIP-T identificó un conglomerado distinto de 15 variantes constitucionales (incluyendo ERBB3, HLA-A, LPA, PAX3, TNFRSF25). Estas variantes, individualmente de efecto modesto y a menudo clasificadas como VUS, se segregaron con el fenotipo multimórbido más amplio (cáncer, enfermedad de Crohn, accidente cerebrovascular) y formaron un componente topológico estable.

Significancia y Reivindicaciones

El artículo postula que PolyCLIP-T proporciona una solución interpretable y escalable para las investigaciones de genoma primero en trastornos impulsados por arquitecturas poligénicas que evaden el análisis de variante única.

• Cambio de Paradigma: El trabajo aboga por un cambio de la "clasificación a la selección", alejándose de los umbrales binarios de patogenicidad-benignidad hacia la identificación de conjuntos coherentes de variantes que colectivamente indican un mecanismo de enfermedad.
• Rol Complementario: Los autores declaran explícamente que PolyCLIP-T no pretende reemplazar el marco ACMG/AMP para la clasificación definitiva de variantes. En su lugar, opera en una etapa previa como una capa de filtrado y priorización para identificar el pequeño subconjunto de variantes más dignas de una curación manual detallada.
• Generación de Hipótesis: La herramienta sirve como un "motor de descubrimiento" que reduce el riesgo de descartar prematuramente variantes cuya relevancia funcional solo puede hacerse evidente cuando se examinan en combinación. Genera hipótesis para genes y vías específicas (por ejemplo, el eje PI3K/AKT, el crosstalk inmuno-metabólico) para su posterior validación en cohortes más grandes.

Limitaciones y Direcciones Futuras

Los autores mantienen una postura modesta respecto al alcance actual:

• Tamaño de la Cohorte: El estudio se basó en seis familias, priorizando la profundidad de la caracterización sobre el tamaño de la muestra. La validación en poblaciones independientes más grandes es esencial para establecer la generalizabilidad.
• Circularidad: La validación frente a ClinVar introduce una circularidad parcial porque las clasificaciones de ClinVar se derivan en parte de las reglas ACMG/AMP, que también alimentan el sistema de puntuación del modelo. Se requieren conjuntos de validación independientes y de ortogonalidad para obtener estimaciones de desempeño imparciales.
• Requerimientos de Datos: La implementación actual requiere datos de WGS familiares multigeneracionales con pares tumor-normal, lo que limita su aplicabilidad en entornos de casos únicos (singleton) o tríos.
• Sesgo de Ancestría: El desempeño puede verse afectado por los sesgos en las bases de datos de referencia (por ejemplo, gnomAD) hacia poblaciones europeas.

Los autores concligen que, si bien el marco muestra promesa para identificar alelos de susceptibilidad constitucionales en familias multimórbidas, la validación prospectiva en cohortes multicéntricas independientes es el siguiente paso necesario antes de la traslación clínica.