IndepMR: An Ontology-Driven, Ancestry-Aware Interactive R Shiny Framework for Automated Two-Sample and Multivariable Mendelian Randomization with Mediation Analysis Using Public GWAS Summary Data

Para entender cómo un hábito o rasgo específico podría causar una enfermedad, los científicos a menudo se enfrentan a un problema complicado: las personas que tienen ese rasgo también podrían compartir otros hábitos ocultos que en realidad causan la enfermedad. Imagine intentar averiguar si comer cierto alimento causa problemas cardíacos, pero las personas que lo consumen también tienden a fumar más. Se vuelve casi imposible distinguir qué factor es el verdadero culpable. Durante décadas, los investigadores han utilizado un ingenioso recurso llamado aleatorización mendeliana para superar esta confusión. Este método se basa en el hecho de que nuestros genes se mezclan aleatoriamente en la concepción, de forma muy parecida a un billete de lotería, mucho antes de que nazcamos y mucho antes de que desarrollemos cualquier enfermedad. Debido a que estas variaciones genéticas se asignan por azar, actúan como marcadores naturales y sin sesgos. Si una persona posee una variante genética que naturalmente hace que su cuerpo produzca más de una cierta sustancia, y esa persona también tiene más probabilidades de desarrollar una enfermedad específica, los científicos pueden inferir que la sustancia en sí es la que probablemente causa la enfermedad, en lugar de algún otro factor de estilo de vida.

Sin embargo, utilizar esta lotería genética para resolver preguntas médicas del mundo real se ha vuelto cada vez más difícil a medida que la cantidad de datos disponibles ha explotado. Actualmente existen miles de estudios masivos que catalogan los vínculos genéticos con todo, desde la altura hasta la diabetes, pero están dispersos en diferentes poblaciones y descritos de formas confusas. Un estudio podría listar a sus participantes como "británicos", mientras que otro dice "europeos", y un tercero podría mezclar "italianos y europeos" en una sola descripción. Sin una forma de clasificar estos nombres automáticamente, los investigadores podrían mezclar accidentalmente datos de personas que son genéticamente demasiado similares, lo que sesga los resultados, o podrían perderse estudios cruciales porque buscaron la palabra equivocada. Una nueva herramienta llamada IndepMR, desarrollada por investigadores de la Universidad de Colombo, tiene como objetivo solucionar estos cuellos de botella. Es un programa informático diseñado para actuar como una guía rigurosa, encontrando automáticamente los estudios genéticos adecuados, verificando que las personas en ellos sean compatibles y realizando cálculos complejos para revelar verdaderas relaciones de causa y efecto sin requerir que el usuario sea un experto en programación.

La innovación central de esta nueva herramienta reside en cómo busca la información y cómo verifica a las personas detrás de los datos. Tradicionalmente, si un investigador quisiera estudiar el "azúcar alto en sangre", podría escribir esas palabras exactas en una base de datos. Pero un estudio podría haber utilizado el término "glucosa en ayunas" o "HbA1c", y una búsqueda simple lo pasaría por alto por completo. IndepMR resuelve esto utilizando un mapa estructurado de conceptos biológicos, similar a un árbol genealógico para enfermedades y rasgos. Si un usuario busca "azúcar alto en sangre", el programa entiende que esto está relacionado con la "glucosa en ayunas" y la "HbA1c" porque todos ellos derivan del mismo concepto padre. Esto permite a la herramienta encontrar cada estudio relevante, incluso si los investigadores utilizaron nombres diferentes para la misma condición. Este enfoque demostró ser poderoso al probar la herramienta: al buscar la categoría amplia de "lípidos", la nueva herramienta encontró más de 1.200 estudios, mientras que una búsqueda de palabras clave estándar encontró solo 166.

Igualmente importante es la capacidad de la herramienta para verificar la ascendencia de las personas en los estudios. Para que la lotería genética funcione de manera justa, el grupo de personas que proporciona las pistas genéticas para la exposición (como el peso corporal) y el grupo que proporciona las pistas para el resultado (como la diabetes) deben ser genéticamente compatibles, pero no las mismas personas exactas. Si son demasiado similares, los resultados pueden estar sesgados; si provienen de trasfondos ancestrales completamente diferentes, los marcadores genéticos podrían no funcionar de la misma manera. Las herramientas existentes solían dejar este control al investigador humano, quien tenía que leer manualmente descripciones textuales como "italiano, europeo" y adivinar si coincidían. IndepMR automatiza esto descomponiendo estas descripciones en una jerarquía estandarizada. Reconoce que "italiano" es un tipo específico de "europeo" y señala cuando un estudio utiliza una etiqueta amplia que podría ocultar un traslape específico. Esto evita que los investigadores comparen accidentalmente dos grupos que comparten el mismo fondo genético subyacente, un error que podría conducir a conclusiones falsas.

Los investigadores pusieron a prueba su nuevo sistema examinando el vínculo entre el índice de masa corporal y la diabetes tipo 2, una pregunta que se ha estudiado durante años pero que arroja resultados diferentes según la población. Realizaron el análisis dos veces: una utilizando datos de personas de ascendencia europea y otra utilizando datos de personas de ascendencia asiática. En el grupo europeo, la herramienta confirmó lo que muchos esperaban: un índice de masa corporal más alto causa un aumento significativo en el riesgo de desarrollar diabetes tipo 2. El análisis fue limpio, sin signos de errores ocultos o señales conflictivas. Sin embargo, la historia cambió cuando observaron al grupo asiático. La herramienta inicialmente encontró un resultado que parecía sugerir un efecto protector, implicando que un mayor peso corporal podría reducir el riesgo de diabetes. Pero los controles automatizados levantaron inmediatamente una bandera roja. Los datos mostraban inconsistencias severas y signos de que los marcadores genéticos estaban captando otros factores no relacionados. La herramienta identificó correctamente que este resultado sorprendente era probablemente poco fiable, impulsado por sesgos ocultos en los datos en lugar de una verdadera reversión biológica. Esto demostró que la herramienta no solo produce números; actúa como un experto en control de calidad, diciéndole a los investigadores cuándo un resultado parece sospechoso.

Para demostrar todo el poder del sistema, el equipo también demostró cómo maneja preguntas complejas que involucran un paso intermedio, o mediador. Intentaron ver si el efecto del peso corporal sobre la diabetes funcionaba a través de un marcador sanguíneo específico llamado HbA1c. La herramienta los guio con éxito a través de los pasos para combinar tres conjuntos diferentes de datos genéticos. Sin embargo, también detectó un fallo crítico de diseño: el estudio para el peso corporal y el estudio para el marcador sanguíneo provenían exactamente del mismo grupo de personas. En un estudio genético adecuado, estos grupos deberían ser separados para asegurar que los resultados no sean solo un reflejo de los datos de los mismos individuos. La herramienta señaló este traslape de inmediato, advirtiendo a los investigadores que cualquier conclusión extraída de esta combinación específica estaría sesgada. Esta característica es vital porque evita que los investigadores pierdan el tiempo en análisis defectuosos o, peor aún, publiquen resultados que parecen convincentes pero que son en realidad artefactos del diseño del estudio.

El desarrollo de IndepMR representa un cambio hacia la accesibilidad de la sofisticada el análisis genético para cualquier persona con una pregunta científica, no solo para aquellos que saben escribir código informático complejo. Al automatizar las tareas tediosas y propensas a errores de encontrar los estudios adecuados, verificar su compatibilidad y ejecutar las pruebas estadísticas necesarias, la herramienta permite que los investigadores se concentren en la biología en lugar de en la mecánica de los datos. Impone un nivel de rigor que es difícil de mantener manualmente, asegurando que las respuestas proporcionadas se basen en evidencia sólida y compatible. Si bien la herramienta no puede resolver todos los problemas —como encontrar un estudio perfecto cuando no existe ninguno—, proporciona un entorno transparente y paso a paso donde las limitaciones de los datos son claramente visibles. Al final, el objetivo es hacer que el proceso de descubrir la causa y el efecto en la salud humana sea más confiable, asegurando que las conclusiones extraídas de nuestra lotería genética sean lo más precisas posible.