Cross-gene kinase domain hotspot analysis with AI pathogenicity prediction identifies FGFR2 D650G as a candidate actionable variant

Resumen Técnico: Análisis de Puntos Calientes del Dominio Quinasa Trans-gen con Predicción de Patogenicidad mediante IA

Planteamiento del Problema
La oncología de precisión enfrenta un cuello de botella crítico en la interpretación de las Variantes de Significado Incierto (VUS, por sus siglas en inglés), que constituyen aproximadamente el 90% de las variantes detectadas mediante la secuenciación clínica de próxima generación. Esta ambigüedad dificulta la traducción de los datos genómicos en terapias dirigidas efectivas. Los enfoques tradicionales dependen de análisis centrados en genes que identifican mutaciones recurrentes dentro de genes individuales; sin embargo, esta perspectiva puede pasar por alto mutaciones conductoras (driver) que ocurren en posiciones funcionalmente equivalentes en diferentes genes dentro de la misma familia de proteínas. Además, distinguir las verdaderas mutaciones conductoras oncogénicas de las mutaciones pasajeras neutras dentro del vasto paisaje de las VUS sigue siendo un desafío central.

Metodología
Los autores desarrollaron un marco sistemático que integra el mapeo de mutaciones trans-gen con la predicción de patogenicidad impulsada por IA para filtrar el panorama de las VUS. La metodología procedió a través de los siguientes pasos:

1. Agregación y Mapeo de Datos: El estudio analizó 32,462 mutaciones de sentido erróneo (missense) e indeles en fase con datos de 41 genes de receptores tirosina quinasa (RTK) utilizando datos de la base de datos AACR Project GENIE (versiones 14.0-public y 14.1-public).
2. Generación de Secuencia de Consenso: Las mutaciones se mapearon en una secuencia consenso del dominio quinasa derivada de un alineamiento de secuencias múltiples (MSA) de los 41 genes RTK. Esto resultó en un paisaje mutacional unificado de 403 residuos alineados (AR).
3. Identificación de Puntos Calientes (Hotspots): Los autores identificaron puntos calientes de mutación trans-gen agregando mutaciones en posiciones de AR específicas. Se definieron puntos calientes significativos como aquellas posiciones que acumularon >500 mutaciones totales de ≥15 genes RTK distintos.
4. Estratificación Basada en IA: Para distinguir conductores funcionales de pasajeros dentro de estos puntos calientes, el estudio aplicó dos herramientas de predicción de patogenicidad basadas en IA: AlphaMissense (que aprovecha el aprendizaje profundo sobre la estructura proteica y la conservación) y PrimateAI-3D (entrenada en la variación genética de primates). Las variantes se clasificaron según sus puntuaciones de patogenicidad predichas.
5. Validación Funcional: Los candidatos priorizados por el marco computacional fueron validados funcionalmente mediante ensayos in vitro en células HEK293H. Esto incluyó la evaluación de la autofosforilación independiente de ligando, la activación de ERK descendente y la sensibilidad a inhibidores de FGFR aprobados por la FDA (erdafitinib y futibatinib). También se utilizaron proteínas recombinantes del dominio quinasa para ensayos bioquímicos de eficacia de inhibidores.

Resultados Clave

• Identificación de Puntos Calientes Conservados: El análisis trans-gen reveló seis puntos calientes principales. Mientras que algunos puntos calientes estaban dominados por mutaciones de genes específicos (p. ej., deleciones en el exón 19 de EGFR) o mecanismos de resistencia conocidos (p. ej., EGFR T790M), dos puntos calientes —el AR 78 (lazo posterior o back-loop) y el AR 274 (lazo de activación o activation loop)— mostraron composiciones heterogéneas con contribuciones de más de 15 genes RTK distintos.
• Priorización Impulsada por IA: El análisis de IA reveló una divergencia funcional distinta entre los dos puntos calientes heterogéneos. El punto caliente del lazo posterior (AR 78) estaba enriquecido con VUSs predichas como probablemente benignas (p. ej., ALK R1181C), lo que sugiere que tolera mutaciones pasajeras. En contraste, el punto caliente del lazo de activación (AR 274) contenía el 85% de sus VUSs clasificadas como probablemente patogénicas por AlphaMissense.
• Descubrimiento de FGFR2 D650G: Dentro del punto caliente AR 274, la VUS FGFR2 D650G recibió una alta puntuación de patogenicidad (0.89), comparable a los conductores establecidos.
• Confirmación Funcional: Los ensayos in vitro demostraron que FGFR2 D650G confiere niveles de autofosforilación independiente de ligando y de activación de ERK descendente comparables al conocido conductor FGFR2 N549K.
• Sensibilidad Terapéutica: La mutante FGFR2 D650G exhibió sensibilidad a los inhibidores de FGFR aprobados por la FDA, futibatinib y erdafitinib, con valores de IC₅₀ comparables o mejores que los del conductor FGFR2 N549K. Los datos clínicos de la cohorte GENIE apoyaron aún más su estatus de conductor, mostrando una frecuencia alélica de variante (VAF) significativamente elevada, consistente con la selección positiva.

Significancia y Reivindicaciones
El artículo sostiene que este enfoque de "computación-a-validación" identifica con éxito mutaciones candidatas conductoras pasadas por alto que los análisis tradicionales centrados en genes podrían descartar como ruido de fondo. Al redefinir las mutaciones somáticas de acuerdo con posiciones homólogas dentro de una secuencia consenso y superponer las predicciones de patogenicidad basadas en IA, los autores demuestran un método para expandir el repertorio de posibles dianas terapéuticas accionables.

Específicamente, el estudio presenta a FGFR2 D650G como una mutación conductora candidata previamente no reconocida con utilidad clínica potencial como biomarcador para terapias dirigidas a FGFR. Los autores afirman que la integración de la conservación evolutiva con la predicción por IA proporciona un filtro de alto rendimiento para priorizar alteraciones genéticas raras para la validación funcional, abordando así el desafío de la interpretación de las VUS en la oncología de precisión. Los autores señalan que, si bien el marco se demuestra en RTKs, los principios pueden ser aplicables a otras familias de enzimas con domas catalíticas conservadas, aunque se requiere una confirmación experimental más amplia para su traslación.