Blood-based RNA-Seq of 5412 individuals with rare disease identifies new candidate diagnoses in the National Genomic Research Library

Este estudo demonstra que o sequenciamento de RNA baseado em sangue de 5.412 indivíduos com doenças raras, realizado no National Genomic Research Library, identifica com sucesso novos candidatos a diagnósticos em 20% da coorte, validando a utilidade clínica dessa abordagem para uma ampla variedade de condições genéticas.

O essencial

Imagine que o nosso corpo é como uma biblioteca gigante cheia de livros de instruções (os genes) que dizem como construir e manter cada parte de nós. Quando alguém nasce com uma doença rara, muitas vezes é porque há um erro de digitação ou uma página rasgada nesses livros.

Por anos, os médicos tentaram encontrar esses erros usando apenas uma "fotocópia" dos livros (o DNA). Mas, às vezes, a fotocópia não mostra o problema completo. O erro pode estar em uma nota de rodapé, em uma página que foi dobrada de um jeito estranho, ou em uma parte do texto que a fotocópia não consegue ler bem.

O que este estudo fez?

Os pesquisadores pegaram 5.412 pessoas com doenças raras que ainda não tinham diagnóstico e olharam para algo diferente: não apenas os livros de instruções (DNA), mas também os bilhetes de recado que os livros estão enviando para as fábricas do corpo (o RNA).

Pense no DNA como o projeto arquitetônico guardado no cofre da empresa. O RNA é o bilhete de trabalho que sai do escritório e vai para a fábrica dizendo: "Ei, construa uma parede aqui!" ou "Pare de fazer isso!".

Se o projeto (DNA) está ok, mas o bilhete de trabalho (RNA) chega rasgado, com uma frase errada ou com uma página inteira faltando, a fábrica constrói algo defeituoso. O estudo usou uma tecnologia chamada RNA-Seq para ler esses bilhetes de trabalho diretamente do sangue das pessoas.

As principais descobertas, explicadas com analogias:

1. O Sangue é um "Bilhete de Trabalho" Universal (mas nem sempre perfeito):
   A grande vantagem de usar o sangue é que é fácil de coletar (uma simples picada no dedo ou um tubo de sangue), ao contrário de precisar de uma biópsia de músculo ou pele, que é como pedir para o paciente abrir a parede da casa para ver o tijolo.

   • O problema: Nem todos os "bilhetes de trabalho" (genes) são enviados para o sangue. Alguns só são enviados para o cérebro ou para o coração.
   • A descoberta: Mesmo assim, o sangue conseguiu capturar os bilhetes importantes de 60% dos genes relacionados a doenças. Para algumas doenças, como problemas de açúcar no sangue, quase todos os bilhetes estavam lá. Para outras, como problemas de audição, poucos estavam. Isso ajuda os médicos a saberem quando o teste de sangue funciona e quando precisam de outro tecido.

2. Encontrando o "Erro de Impressão" (Splicing):
   Muitas vezes, o erro não é uma letra errada, mas sim uma página que foi pulada ou uma página extra que foi incluída no meio do texto.

   • Exemplo: Imagine que você está lendo uma receita de bolo e, de repente, o texto pula do "adicionar ovos" direto para "assar", pulando o "adicionar farinha". O bolo vai ficar estranho.
   • O estudo encontrou 20% das pessoas com algum tipo de "erro de impressão" nos bilhetes de RNA que explicava a doença delas.

3. A Detetive de "Folhas Rasgadas" (Estrutura):
   Às vezes, o problema é que uma parte inteira do livro foi arrancada ou duplicada. O estudo usou o RNA para ver que, mesmo que o DNA parecesse normal, a quantidade de "bilhetes" de um gene específico estava muito baixa (como se metade da fábrica tivesse sido demolida). Isso ajudou a encontrar doenças que testes de DNA comuns tinham perdido.

4. Reescrevendo o Diagnóstico:
   Muitas pessoas já tinham testes de DNA, mas os médicos diziam: "Achamos um erro, mas não sabemos se ele é o culpado" (chamado de VUS - Variante de Significado Incerto).
   Ao olhar para o RNA, os pesquisadores puderam ver: "Olha! Esse erro está fazendo o bilhete de trabalho ficar todo bagunçado!" Isso transformou "suspeitas" em diagnósticos confirmados para muitas famílias.

O que isso significa para o futuro?

Este estudo é como ter um superpoder para ler os bilhetes de trabalho do corpo.

• É mais barato e menos invasivo: Não precisa de cirurgias para pegar tecidos difíceis.
• Aumenta as chances de cura: Encontrou diagnósticos para pessoas que já tinham desistido de achar a resposta.
• É um mapa para outros: Os pesquisadores liberaram esses dados para que cientistas do mundo todo possam usar essa "biblioteca de bilhetes" para descobrir mais doenças.

Resumo final:
Antes, os médicos olhavam apenas para o projeto (DNA) e muitas vezes não viam o problema. Agora, com este estudo, eles podem olhar também para as instruções em ação (RNA) que saem do sangue. Isso permitiu que eles encontrassem a causa de doenças raras em 1 em cada 5 pessoas que foram testadas, oferecendo respostas e esperança para milhares de famílias que estavam sem diagnóstico.

Resumo técnico

Resumo Técnico: Análise de RNA-Seq baseada em sangue de 5.412 indivíduos com doenças raras

1. O Problema

As doenças raras afetam coletivamente cerca de 1 em cada 17 pessoas, sendo a maioria de origem genética. Embora o sequenciamento do genoma (GS) e do exoma tenha melhorado significativamente as taxas de diagnóstico, mais de 50% dos pacientes permanecem sem uma causa genética identificada. As principais limitações dos pipelines diagnósticos atuais incluem:

• Foco excessivo em variantes codificantes de proteínas, negligenciando variantes não codificantes e de splicing.
• Dificuldade em interpretar variantes de significado incerto (VUS) e variantes que afetam o processamento do RNA (splicing).
• A necessidade de validação funcional cara e demorada para confirmar o impacto de variantes preditas.
• A limitação de tecidos específicos (como músculo ou fibroblastos) para análise de RNA, que são invasivos e difíceis de obter em escala.

O estudo visa avaliar a utilidade clínica do RNA-Seq baseado em sangue total como uma ferramenta escalável e complementar para identificar diagnósticos em uma coorte ampla e diversificada de pacientes com doenças raras não diagnosticadas.

2. Metodologia

O estudo analisou dados de RNA-Seq de 5.412 indivíduos recrutados no Projeto 100.000 Genomas da Genomics England (100kGP).

• Coleta e Sequenciamento: Amostras de sangue total (PAXgene) foram processadas para extração de RNA total. As bibliotecas foram preparadas com depleção de globina e RNA ribossomal (rRNA) e sequenciadas em plataformas Illumina NovaSeq 6000 (reads pareados de 100bp).
• Controle de Qualidade (QC): Foram aplicados filtros rigorosos (ex: >120M leituras totais, >97% de reads na fita correta, cobertura de codificação >40X). O emparelhamento com dados genômicos foi verificado usando a ferramenta Somalier.
• Identificação de Outliers:
  • Expressão Gênica: Utilizou-se o algoritmo OUTRIDER (via pipeline DROP) para identificar genes com expressão anormal (desvios de abundância).
  • Splicing (Processamento): Utilizou-se o algoritmo FRASER2 (via pipeline DROP) para identificar eventos de splicing anormais (variações no percentual de splicing incluído, deltaPSI).
• Estratégias de Priorização: Para filtrar os milhares de eventos detectados e focar em candidatos diagnósticos, aplicaram-se múltiplas camadas de filtragem:
  1. Genes Haploinsuficientes (HI): Foco em genes do ClinGen classificados como HI=3 (alta probabilidade de causar doença por perda de função).
  2. Integração com Variantes Estruturais (SVs): Cruzamento de outliers de expressão com deleções, duplicações e inversões raras detectadas no DNA.
  3. Priorização Fenotípica (Exomiser): Uso do Exomiser para integrar variantes genéticas, pontuações de splicing (SpliceAI) e correspondência com os termos do Fenótipo Humano (HPO) do paciente.
  4. Revisão Manual: Inspeção visual em IGV (Integrative Genomics Viewer) para validar a integridade técnica dos eventos e a concordância fenotípica.

3. Principais Contribuições

• Maior Coorte de RNA-Seq em Doenças Raras: Apresenta a maior análise de RNA-Seq baseada em sangue até a data, abrangendo mais de 5.000 indivíduos com uma vasta gama de fenótipos, superando estudos anteriores focados em fenótipos específicos ou tamanhos amostrais pequenos.
• Validação de RNA-Seq em Sangue: Demonstra que o sangue, apesar de não expressar todos os genes relevantes para todas as doenças, é um tecido viável e escalável para diagnóstico, capturando uma proporção significativa de genes de painéis de doenças raras (especialmente em neurodesenvolvimento e doenças cardiovasculares).
• Pipeline Integrado de Diagnóstico: Estabelece um fluxo de trabalho robusto que combina detecção estatística de outliers (OUTRIDER/FRASER2) com anotação clínica (PanelApp, ClinGen) e ferramentas de priorização (Exomiser), demonstrando como resolver casos "não diagnosticados" pelo genoma.
• Descoberta de Mecanismos Diversos: Ilustra a capacidade do RNA-Seq de detectar não apenas erros de splicing clássicos, mas também deleções pequenas, retrotransposições, e variantes intrônicas profundas que afetam o processamento do RNA.

4. Resultados Chave

• Taxa de Detecção de Outliers: Foi identificado pelo menos um evento outlier (expressão ou splicing) em um gene relevante para a doença em 20% da coorte (1.091 indivíduos).
• Diagnósticos Candidatos: A aplicação das estratégias de priorização resultou na identificação de 39 diagnósticos candidatos novos e robustos, além de 35 confirmações de diagnósticos já suspeitos.
• Exemplos de Casos (Case Studies):
  • CTNNB1: Detecção de uma deleção de 1,55 kb (filtrada no DNA) que causou skipping de éxon, diagnosticando uma síndrome de desenvolvimento neurológico.
  • PHIP e WDR26: Reclassificação de Variantes de Significado Incerto (VUS) para "Provavelmente Patogênicas" com base na evidência funcional de splicing anormal no RNA.
  • KMT2D: Identificação de uma variante intrônica profunda que disrupta o branchpoint, causando retenção de intron e diagnosticando Síndrome de Kabuki.
  • SPAST: Detecção de criação de pseudoexon por uma variante intrônica profunda, diagnosticando Paraplegia Espástica Hereditária.
  • RPL5 e ANKRD11: Correlação de outliers de expressão reduzida com grandes deleções estruturais, diagnosticando Anemia de Diamond-Blackfan e Síndrome KBG, respectivamente.
  • APC: Identificação de uma retrotransposição intrônica complexa que causava superexpressão do gene, explicando polipose intestinal familiar.
• Desempenho do Sangue: A captura de genes variou conforme a doença. Painéis como "Doenças de Glicosilação Congênita" tiveram >90% de genes bem capturados (TPM ≥ 5), enquanto "Miopatias Congênitas" tiveram apenas ~32%. Isso destaca a importância de escolher o tecido adequado baseado no fenótipo.
• Validação de Diagnósticos Conhecidos: Em um subconjunto de pacientes com diagnóstico genético prévio, o RNA-Seq conseguiu detectar manualmente 47 eventos de splicing, dos quais 48,9% foram capturados pelo algoritmo FRASER2 com significância estatística.

5. Significância e Conclusão

Este estudo valida o RNA-Seq baseado em sangue como uma ferramenta clínica escalável e eficaz para aumentar a taxa de diagnóstico em doenças raras.

• Impacto Clínico: O método resolve casos onde o sequenciamento de DNA falhou, especialmente aqueles envolvendo variantes de splicing, variantes não codificantes e pequenas variantes estruturais difíceis de detectar no DNA.
• Resolução de VUS: Oferece uma via eficiente para reclassificar Variantes de Significado Incerto, reduzindo a incerteza clínica.
• Recurso Futuro: Os dados e os outliers identificados estão disponíveis na Biblioteca Nacional de Pesquisa Genômica (NGRL) da Genomics England, servindo como um recurso valioso para descoberta de novos genes de doenças e pesquisa de genômica funcional.
• Limitações e Futuro: O estudo reconhece que genes não expressos no sangue limitam a sensibilidade para certas doenças e que a interpretação de "vazamentos" (leaky splicing) ainda é um desafio. No entanto, a integração de RNA-Seq ao pipeline diagnóstico padrão é recomendada para maximizar o retorno diagnóstico.

Em suma, o trabalho demonstra que a análise transcriptômica em larga escala pode entregar achados clinicamente relevantes em uma ampla gama de condições raras, preenchendo lacunas deixadas pelo sequenciamento genômico tradicional.