PRS-CARV: A summary statistics framework for integrating annotation-informed rare variants to improve polygenic risk prediction

Imagina intentar predecir la salud futura de una persona observando su plano genético. Durante años, los científicos se han centrado en las letras más comunes de ese plano, las diminutas variaciones en el ADN que aparecen con frecuencia en toda la población humana. Estas variaciones comunes actúan como una brisa suave y generalizada, cada una de las cuales contribuye con una cantidad mínima al riesgo de una persona de padecer afecciones como enfermedades cardíacas o colesterol alto. Al sumar estos pequeños efectos, los investigadores pueden crear una "puntuación de riesgo poligénico", un número único que estima la susceptibilidad genética de un individuo. Sin embargo, este enfoque ha ignorado durante mucho tiempo las ráfagas de viento raras y poderosas: las variaciones genéticas que ocurren en menos de una de cada cien personas. Estas variantes raras suelen ser mucho más potentes, capaces de causar cambios biológicos significativos, pero debido a que son tan poco comunes, han sido difíciles de estudiar sin bases de datos masivas y costosas de códigos genéticos individuales.

Un equipo de investigadores ha desarrollado ahora un nuevo método para incorporar estas señales genéticas raras y poderosas en la mezcla de predicción sin necesidad de acceder a esas bases de datos masivas y privadas. Su enfoque, llamado PRS-CARV, permite a los científicos combinar la influencia constante de las variaciones genéticas comunes con el impacto agudo de las variantes raras, utilizando únicamente datos de resumen disponibles públicamente. Al probar este método con datos del mundo real de mujeres embarazadas, el equipo descubrió que añadir variantes raras mejoraba significativamente la capacidad de predecir los niveles de colesterol y otras grasas en la sangre. Este avance sugiere que es posible obtener una imagen más completa del riesgo genético, una que capture tanto el ruido de fondo común como las señales de alto impacto y poco frecuentes ocultas en nuestro ADN.

El desafío central que los investigadores abordaron fue de naturaleza logística. Para medir con precisión el efecto de las variantes genéticas raras, los científicos tradicionalmente necesitaban recopilar los datos genéticos brutos de cientos de miles de personas. Esto suele ser imposible debido a las leyes de privacidad, los altos costes y la enorme dificultad de compartir información tan sensible. Mientras tanto, proyectos a gran escala como el UK Biobank ya han analizado millones de muestras genéticas y han publicado los resultados como estadísticas de resumen: números agregados que muestran cómo genes o variantes específicos están vinculados a rasgos, sin revelar quiénes son los individuos. El nuevo método, PRS-CARV, fue diseñado para cerrar esta brecha. Toma los datos de resumen de estos grandes recursos públicos y los combina con los datos genéticos individuales de un grupo específico de personas para construir una puntuación de riesgo más precisa.

Los investigadores probaron su marco de trabajo analizando rasgos lipídicos, que son medidas de las grasas en la sangre, como la lipoproteína de alta densidad (HDL), la lipoproteína de baja densidad (LDL), los triglicéridos y el colesterol total. Utilizaron un conjunto de datos de casi 3.000 mujeres embarazadas de ascendencia europea del estudio nuMoM2b-Heart Health como grupo objetivo. Para los datos base, se apoyaron en estadísticas de resumen del UK Biobank, que incluía información sobre más de 390.000 personas. El proceso consistió en dos pasos principales. Primero, calcularon una puntuación de riesgo basada en las variantes genéticas comunes, una práctica estándar en el campo. Segundo, calcularon una puntuación separada para las variantes raras. Para ello, agruparon los cambios genéticos raros dentro de genes específicos según su función, como si fuera probable que rompieran una proteína o solo la cambiaran ligeramente. Luego, sumaron los efectos de estos grupos de variantes raras utilizando los pesos proporcionados por la gran base de datos pública. Finalmente, combinaron estas dos puntuaciones en un único modelo de predicción unificado.

Los resultados mostraron una clara ventaja al incluir las variantes raras. Cuando los investigadores analizaron qué tan bien las puntuaciones predecían los niveles reales de colesterol en las mujeres, el modelo que incluía tanto las variantes comunes como las raras funcionó mejor que el modelo que utilizaba solo las variantes comunes. La mejora no fue uniforme en todos los rasgos; osciló entre un aumento de 0,02 en el AUC para el colesterol HDL y un aumento de 0,11 para el LDL. En todos los casos, las variantes raras añadieron una capa de información que las variantes comunes pasaron por alto. Los investigadores también observaron que los genes que contribuían a la puntuación de la variante rara eran en gran medida diferentes de los de la puntuación de la variante común. Mientras que las variantes comunes apuntaban a una red amplia de genes con efectos pequeños, las variantes raras resaltaban genes específicos donde los cambios genéticos eran más propensos a interrumpir la función de la proteína, como aquellos involucrados en la descomposición de las grasas.

Para asegurar que sus hallazgos fueran robustos, el equipo también realizó simulaciones computacionales donde crearon datos genéticos ficticios con propiedades conocidas. En estas simulaciones, sabían exactamente qué variantes genéticas causaban los rasgos y qué tan fuertes eran sus efectos. Las simulaciones confirmaron que, si bien las variantes raras por sí solas no eran lo suficientemente fuertes para predecir bien los rasgos, proporcionaban un impulso significativo cuando se añadían a las variantes comunes. Esto se mantuvo incluso cuando los investigadores cambiaron el número de causas genéticas en la simulación. La consistencia entre la simulación y los datos del mundo real dio al equipo confianza en que su método estaba funcionando según lo previsto.

Sin embargo, el estudio también reveló límites importantes sobre dónde funciona este método. Cuando los investigadores aplicaron el mismo enfoque a resultados binarios —afecciones que están presentes o ausentes, como la diabetes gestacional o la hipertensión durante el embarazo— la adición de variantes raras no mejoró la predicción. El modelo no funcionó mejor con las variantes raras que sin ellas. Los autores sugieren que esto se debe probablemente a que la gran base de datos pública utilizada no tenía suficientes casos de estas afecciones específicas relacionadas con el embarazo para detectar efectos genéticos raros con certeza estadística. Además, estas condiciones del embarazo están influenciadas por muchos factores complejos más allá de la genética, como las hormonas y el entorno, lo que puede diluir la señal de las variantes raras.

El estudio concluye que el PRS-CARV ofrece una forma práctica de hacer que la predicción del riesgo genético sea más exhaustiva. Al aprovechar las estadísticas de resumen disponibles públicamente, el método permite a los investigadores incorporar la poderosa información contenida en las variantes genéticas raras sin necesidad de acceder a datos individuales privados. Este es un paso significativo hacia la medicina de precisión, donde comprender el perfil de riesgo genético completo de una persona, incluyendo tanto los elementos comunes como los raros, puede conducir a mejores estrategias de prevención y atención. Los investigadores señalan que, aunque su trabajo actual se centró en la ascendencia europea y en las regiones codificantes de proteínas del genoma, las aplicaciones futuras podrían expandirse para incluir poblaciones diversas y regiones genéticas no codificantes a medida que haya más datos disponibles. Por ahora, el método es una herramienta probada para refinar nuestra comprensión de la arquitectura genética de rasgos complejos como los niveles de colesterol.