paRDal: Bioinformatics Framework for a Parallel RNA and DNA NGS Analysis in Hereditary Cancer Diagnostics

Resumen Técnico: paRDal – Un marco bioinformático para el análisis paralelo de RNA y DNA mediante NGS en el diagnóstico del cáncer hereditario

Planteamiento del problema
La secuenciación de nueva generación (NGS) de ADN de la línea germinal es el estándar de oro para el diagnóstico del cáncer hereditario, pero enfrenta limitaciones significativas en su utilidad clínica debido a la alta prevalencia de Variantes de Significado Incierto (VUS). Aproximadamente el 40% de las variantes identificadas por NGS son VUS, muchas de las cuales afectan el procesamiento del ARNm (splicing, decaimiento mediado por sinsentido, niveles de expresión) de formas invisibles para el análisis de ADN por sí solo. Si bien la NGS de RNA ofrece una capa complementaria de evidencia para resolver estas variantes, su implementación clínica se ve obstaculizada por la falta de marcos integrados y estandarizados. Los flujos de trabajo existentes suelen fragmentar el proceso, separando el preprocesamiento de datos brutos, la llamada de variantes y el análisis funcional, o dependen de enfoques unidireccionales que no logran vincular sistemáticamente las variantes de ADN con los valores atípicos de RNA. Además, la complejidad de los datos multicapa suele hacerlos inaccesibles para los clínicos que carecen de experiencia bioinformática especializada.

Metodología
Los autores presentan paRDal (flujo de trabajo analítico paralelo de RNA/DNA), un marco modular y contenedorizado (Docker) diseñado para integrar datos de NGS de ADN y RNA emparejados en un único flujo de trabajo diagnóstico. El marco fue validado en una cohorte de 204 individuos de ascendencia checa y eslovaca sometidos a pruebas de cáncer hereditario, junto con controles externos de los proyectos 1000 Genomes y Geuvadis.

Los componentes metodológicos clave incluyen:

• Reproducibilidad mediante contenedores: Todo el flujo de trabajo, desde el procesamiento de FASTQ brutos hasta la visualización final, está encapsulado en Docker para garantizar la reproducibilidad del software y sus dependencias.
• Preprocesamiento de ADN y RNA: Los datos de ADN siguen las Mejores Prácticas de GATK (BWA-MEM2, Picard, GATK HaplotypeCaller). Los datos de RNA utilizan una estrategia rigurosa de alineación STAR de dos pasadas. La primera pasada identifica nuevas uniones de splicing, que luego se incorporan al índice del genoma en una segunda pasada. Crucialmente, la segunda pasada emplea el algoritmo WASP para suprimir el sesgo de mapeo de referencia, un paso crítico para un análisis preciso de la Expresión Alélica Específica (ASE).
• Llamada de variantes y anotación: Tanto las variantes de ADN como las de RNA son llamadas y normalizadas. La anotación se realiza mediante Ensembl VEP con un conjunto de plugins especializados que cubren predicciones de splicing (SpliceAI, SpliceVault, SpliceRegion), puntuaciones de deleteriedad (AlphaMissense, CADD, REVEL) y análisis de dominios proteicos.
• Módulos de análisis funcional:
  • Valores atípicos de splicing (Splicing Outliers): Detectados mediante el paquete de R FRASER, calculando el Porcentaje de Splicing Incluido (Ψ) con umbrales estrictos (valor p ajustado < 0.05, |ΔΨ| > 0.1).
  • Valores atípicos de expresión (Expression Outliers): Identificados mediante el paquete de R OUTRIDER con un autoencoder de eliminación de ruido para corregir factores de confusión.
  • Expresión Alélica Específica (ASE): Cuantificada mediante GATK ASEReadCounter y evaluada estadísticamente a través del paquete de R MBASED.
• Motor de integración bidireccional: Una característica central de paRDal es su sistema de filtrado bidireccionalmente reactivo. Los usuarios pueden filtrar los valores atípicos de RNA basándose en una variante de ADN seleccionada, o inversamente, consultar el grupo de variantes de ADN basándose en un valor atípico de RNA observado. Este motor construye dinámicamente ventanas genómicas biológicamente delimitadas para vincular variantes intrónicas profundas o exónicas con eventos de splicing específicos.
• Interfaz de visualización: Una aplicación R/Shiny consolida la evidencia multicapa, permitiendo a los clínicos alternar entre "Todas las variantes" (a nivel de cohorte) y "Vista del paciente" (individual). Integra métricas de ADN/RNA lado a lado, visualización de archivos BAM en IGV, diagramas de Sashimi para eventos de splicing y datos externos de GTEx.

Resultados clave

• Rendimiento: En un servidor de alto rendimiento, paRDal procesó 204 individuos (panel CZECANCA) en 9 horas (22.7 muestras/hora). También demostró robustez en estaciones de trabajo estándar.
• Resolución de variantes: De un total inicial de 98,325 variantes únicas, el filtrado produjo 5,497 variantes causales candidatas.
• Paisaje de splicing: En la cohorte de 204 individuos, 292 variantes se mapearon en regiones de splicing. El análisis de FRASER identificó 114 valores atípicos de splicing; el 33% se vincularon con variantes causales dentro de la región de splicing, mientras que otros sugirieron variantes causativas en secuencias intrónicas profundas.
• Estudios de caso:
  • ATM:c.6197A>G: Una VUS clasificada como variante missense fue reevaluada. El análisis de RNA reveló un severo salto de exón (exon skipping) y retención de intrón, respaldado por una ASE significativa que indica degradación del transcrito, lo que apoya su reclasificación a patogénica (PVS1(RNA)).
  • ATM:c.1899-123A>G: Una variante intrónica profunda con puntuaciones altas de SpliceAI confirmó la causa de pseudo-exonización y elongación de exón, conduciendo a NMD.
  • APC:c.1627-8A>G: Se demostró que la estrategia de alineación STAR de dos pasadas rescató uniones de splicing novedosas omitidas durante la primera pasada. En un caso, unificó un artefacto de alineación (una inserción de 18 pb) con un evento biológico real (elongación de exón de 7 pb), aumentando las lecturas de soporte diez veces.
  • Síndrome de GAPPS: El marco vinculó con éxito una variante de promotor con APC, pero también resaltó las limitaciones del análisis automatizado de ASE cuando la densidad de SNP heterocigotos es baja, lo que requiere curación manual a través de la interfaz.
• Impacto algorítmico: La estrategia de alineación de dos pasadas rescató lecturas de unión (spanning reads) para el 23% de las uniones de splicing omitidas durante la primera pasada en cuatro genes clínicamente accionables (APC, ATM, BRCA1, MSH3).

Significancia y Reivindicaciones
El artículo sostiene que paRDal aborda el cuello de botella crítico de los flujos de trabajo fragmentados en el diagnóstico del cáncer hereditario al proporcionar una solución estandarizada de extremo a extremo que integra la NGS de ADN y RNA. Su principal significancia radica en:

1. Operacionalización de los criterios ACMG/AMP: Facilita la aplicación de los criterios PVS1(RNA) (patogenicidad basada en evidencia de RNA) y PP3 (evidencia computacional), ayudando directamente en la resolución de VUS.
2. Flujo de trabajo bidireccional: A diferencia de las herramientas unidireccionales, paDL permite tanto la perspectiva analítica de "variante-a-función" como la de "función-a-variante", permitiendo a los genetistas anclar el análisis en las señales transcriptómicas observadas.
3. Accesibilidad: Al consolidar datos multiómicos complejos en una aplicación interactiva R/Shiny, cierra la brecha entre los resultados bioinformáticos y la toma de decisiones clínicas sin requerir experiencia bioinformática especializada.
4. Robustez técnica: La inclusión de la alineación de dos pasadas y la corrección de sesgo de WASP asegura una detección de alta fidelidad de nuevas uniones de splicing y un análisis de ASE preciso, características que suelen omitirse en los flujos de trabajo estándar.

Los autores mantienen un tono modesto respecto a las limitaciones, reconociendo que el flujo de trabajo utiliza parámetros predefinidos optimizados para el diagnóstico mendeliano, que la detección de valores atípicos requiere un tamaño de cohorte mínimo (mitigado por referencias públicas) y que la expresión específica de tejido y la eficiencia de NMD pueden limitar la sensibilidad de detección. Señalan que el trabajo futuro se centrará en la integración de la detección de grandes indels (Pindel) y el análisis de CNV.