CAPÍTULO 10: Bioinformática y biología computacional

Después de estudiar este capítulo, usted debe ser capaz de:

• Describir las principales características de la genómica, proteómica y bioinformática.

• Resumir las principales características y la importancia médica del proyecto Encode.

• Describir las funciones de las bases de datos HapMap, Entrez Gene, BLAST y dbGAP.

• Describir las principales características del diseño y el descubrimiento de fármacos auxiliados por computadora.

• Describir posibles aplicaciones futuras de modelos computacionales de vías individuales y redes de vías.

• Esbozar la posible utilidad médica de “células virtuales”.

Los primeros modelos científicos de patogenia, como la teoría de la enfermedad por gérmenes, de gran influencia, de Louis Pasteur, fueron de naturaleza binaria: cada enfermedad poseía un agente causal único y definible. El paludismo se originó por la ameba Plasmodium falciparum, la tuberculosis por la bacteria Mycobacterium tuberculosis, la drepanocitosis por una mutación en un gen que codifica para una de las subunidades de la hemoglobina, la poliomielitis por el virus del mismo nombre, y el escorbuto por una deficiencia de ácido ascórbico. De este modo, la estrategia para tratar enfermedad o prevenirla podía reducirse a un proceso sencillo de rastrear el agente causal y después idear algún medio para eliminarlo, neutralizar sus efectos, o bloquear su ruta de transmisión. Este método se ha empleado de manera exitosa para entender y tratar una amplia gama de enfermedades infecciosas y genéticas. Sin embargo, ha quedado claro que los determinantes de muchas enfermedades —entre ellas cáncer, cardiopatía coronaria, diabetes tipo 2 y enfermedad de Alzheimer— son de naturaleza multifactorial. En lugar de tener uno o varios agentes causales específicos, cuya presencia es tanto necesaria como suficiente, la aparición y progresión de las enfermedades mencionadas refleja la compleja interrelación entre la constitución genética, otros factores hereditarios o epigenéticos, así como una gama de factores ambientales, como dieta, estilo de vida y la presencia de toxinas, virus o bacterias.

El desafío planteado por enfermedades multifactoriales demanda un gran aumento del alcance y la profundidad del conocimiento sobre organismos vivos, capaz de igualar su sofisticación y complejidad. Es necesario identificar las muchas proteínas hasta ahora desconocidas codificadas dentro de los genomas de seres humanos y los organismos con los cuales interactúan, sus funciones e interacciones celulares. Es preciso ser capaz de rastrear los factores, tanto externos como internos, que ponen en peligro la salud y el bienestar del ser humano al analizar las repercusiones de factores de la dieta, genéticos y ambientales a través de comunidades o poblaciones enteras.

La masa total de información que debe procesarse se ubica muy lejos de la capacidad de la mente humana para revisar y analizar sin ayuda. Para entender de manera tan completa e integral como sea posible los mecanismos moleculares que fundamentan la conducta de organismos vivos, la manera en la cual las perturbaciones pueden llevar a enfermedad o disfunción, y cómo esos factores perturbadores se diseminan en toda una población, los científicos biomédicos han recurrido a instrumentos computacionales sofisticados para reunir y evaluar información biológica a una escala masiva.

Los médicos y los científicos desde hace mucho han entendido que el genoma, la totalidad de información genética de un organismo vivo, representa una rica fuente de información respecto a temas que varían desde metabolismo básico y mecanismos de evolución, hasta longevidad y envejecimiento. Empero, el tamaño masivo del genoma humano, 3 × 10⁹ pares de bases de nucleótido, requirió un cambio paradigmático en el modo en el cual los científicos abordaron la determinación de las secuencias de DNA. A su vez, los avances recientes en bioinformática y biología computacional han sido impulsados por la necesidad de crear nuevos métodos para “explotar” la masa de datos sobre secuencia generados mediante la aplicación de tecnología cada vez más eficiente y económica a los genomas de cientos de organismos nuevos y, en fecha más reciente, de varios seres humanos individuales.

El Human Genome Project (HGP)

La terminación exitosa del Proyecto Genoma Humano (HGP) representa la culminación de más de seis decenios de logros en biología molecular, genética y bioquímica. A continuación se listan en forma cronológica varios eventos hito que llevaron a la determinación de toda la secuencia del genoma humano.

• 1944 — Se demuestra que el DNA es el material hereditario

• 1953 — Se postula el concepto de la doble hélice

• 1966 — Se resuelve el código genético

• 1972 — Se crea la tecnología de DNA recombinante

• 1977 — Surge la tecnología de secuenciación de DNA práctica

• 1983 — Se mapea el gen del cual depende la enfermedad de Huntington

• 1985 — Se inventa la reacción en cadena de polimerasa (PCR)

• 1986 — La secuenciación de DNA se hace automatizada

• 1986 — Se identifica el gen del cual depende la distrofia muscular de Duchenne

• 1989 — Se identifica el gen causante de la fibrosis quística

• 1990 — Se lanza el HGP en EUA

• 1994 — Se completa el mapeo genético humano

• 1996 — Se establece el primer mapa de genes humanos

• 1999 — Se inicia la Single Nucleotide Polymorphism Initiative

• 1999 — Se completa la primera secuencia de un cromosoma humano, el número 22

• 2000 — Se completa el “primer borrador” del genoma humano

• 2003 — Se completa la secuenciación del primer genoma humano

• 2010 — Científicos emprenden la secuenciación de 1 000 genomas individuales para determinar el grado de diversidad genética en seres humanos

Hacia 2011 se habían secuenciado más de 180 genomas eucariontes, procariontes y de archaea. Los ejemplos comprenden los genomas del pollo, gato, perro, elefante, rata, conejo, orangután, mamut lanudo y ornitorrinco, y los genomas de varios individuos, entre ellos Craig Venter y James Watson. En 2010 se completó el genoma del hombre de Neanderthal, cuyo análisis inicial sugiere que hasta 2% del DNA en el genoma de los seres humanos actuales fuera de África se originó en hombres de Neanderthal o en ancestros de los mismos.

Hasta la fecha en que se escribió este capítulo, se habían reportado las secuencias de genoma de más de 5 000 entidades biológicas, que varían desde virus y bacterias hasta vegetales y animales. El acceso fácil a secuencias de genoma de organismos que abarcan los tres dominios filogenéticos, y a los algoritmos poderosos que son un requisito para manipular los datos derivados de estas secuencias y transformarlos, ha cambiado la investigación básica en biología, microbiología, farmacología y bioquímica.

Genomas y medicina

Al comparar los genomas de cepas patógenas y no patógenas de un microorganismo particular, pueden ponerse de manifiesto genes que tienen probabilidades de codificar para determinantes de virulencia en virtud de su presencia sólo en la cepa virulenta. De modo similar, la comparación del genoma de un agente patógeno con el de su huésped puede identificar genes singulares para el primero. En teoría, fármacos que se dirijan a los productos proteínicos de los genes específicos para agente patógeno deben producir pocos efectos secundarios o ninguno para el huésped infectado. Durante el próximo decenio se atestiguará la expansión de la “revolución genómica” hacia la práctica cotidiana de la medicina y la agricultura a medida que médicos y científicos exploten el nuevo conocimiento del genoma del Homo sapiens y los genomas de los organismos que lo colonizan, se alimentan de él y lo infectan. Mientras que el primer proyecto del genoma humano requirió varios años, cientos de personas y muchos millones de dólares para completarse, enormes avances de la eficiencia y la economía han llevado a una compañía a proyectar que para 2014 se habrán determinado secuencias de genoma individuales de hasta un millón de personas. La capacidad para diagnosticar y tratar a pacientes con el conocimiento de su conformación genética como guía, un método popularmente denominado “medicina de diseñador”, hará a la medicina más segura y más eficaz.

Secuenciación del exoma

Un heraldo de esta nueva era ha sido proporcionado por la aplicación de “secuenciación del exoma” al diagnóstico de enfermedades genéticas raras o crípticas. El exoma consta de los segmentos de DNA, llamados exones, que codifican para las secuencias de aminoácidos de las proteínas (cap. 36). Puesto que los exones sólo comprenden alrededor de 1% del genoma humano, el exoma representa un blanco de tamaño mucho menor y más tratable que el genoma completo. La comparación de las secuencias del exoma ha identificado los genes de los cuales depende una lista creciente de enfermedades que incluye retinitis pigmentosa, síndrome de Freeman-Sheldon, y síndrome de Kabuki.

Los desafíos potenciales de la medicina de diseñador

Si bien la “medicina de diseñador” basada en el genoma promete ser muy eficaz, también confronta a la humanidad con profundos desafíos en las áreas de ética, legislación y política pública. ¿Quién posee el acceso a esta información y lo controla? ¿Puede, por ejemplo, una compañía de seguros de vida o de gastos médicos negar cobertura a un individuo con base en los factores de riesgo que queden de manifiesto a partir de su secuencia del genoma? ¿Una empresa que esté contemplando otorgar un empleo tiene el derecho de conocer la conformación genética de un empleado potencial? ¿Las personas que están considerando contraer matrimonio tienen el derecho de conocer los factores de riesgo genéticos de sus prometidos? Irónicamente, la resolución de estos temas quizá resulte ser un proceso más prolongado y laborioso que lo que fue la determinación de la primera secuencia del genoma del ser humano.

Explota las formidables capacidades de almacenamiento y procesamiento de información de la computadora para crear recursos para la recolección, la compaginación, la recuperación y el análisis de datos biológicos a escala masiva. Es posible tener acceso a muchos recursos bioinformáticos (véase más adelante) mediante Internet, con alcance y repercusiones mundiales. El objetivo central de un proyecto de bioinformática típico es montar toda la información disponible relevante para un tema particular en una ubicación única, lo que suele denominarse una biblioteca o base de datos, en un formato uniforme que haga que los datos se presten a manipulación y análisis por medio de algoritmos de computadora.

Bases de datos de bioinformática

El tamaño y las capacidades de las bases de datos de bioinformática pueden variar ampliamente dependiendo del alcance y la naturaleza de sus objetivos. La base de datos PubMed (http://www.ncbi.nlm.nih.gov/sites/entrez?db=pubmed) compila citas de todos los artículos publicados en miles de revistas dedicadas a la investigación biomédica y biológica. En la actualidad, PubMed contiene más de 20 millones de citas. En contraste, la RNA Helicase Database (http://www.rnahelicase.org/) se confina a la secuencia, estructura y función bioquímica y celular de una sola familia de enzimas: las RNA helicasas.

Retos de la construcción de bases de datos

La construcción de una base de datos integral y fácil de usar plantea muchos desafíos. En primer lugar, la información biomédica viene en una amplia variedad de formas. Por ejemplo, la información sobre codificación en un genoma, aun cuando es voluminosa, está compuesta de secuencias lineales simples de cuatro bases de nucleótidos. Si bien el número de residuos aminoácidos que define la estructura primaria de una proteína es pequeño en comparación con el número de pares de bases en un genoma, una descripción de la estructura de rayos X de una proteína requiere que la localización de cada átomo se especifique en un espacio tridimensional.

En segundo lugar, el diseñador debe anticipar en forma correcta la manera en la cual los usuarios pueden desear investigar o analizar la información dentro de una base de datos, e idear algoritmos para manejar estas variables. Por ejemplo, incluso en la tarea en apariencia simple de investigar una base de datos de genes, por lo general se emplean, solos o en diversas combinaciones, criterios tan diversos como el nombre del gen, el nombre de la proteína para la cual codifica, la función biológica del producto del gen, una secuencia de nucleótidos dentro del gen, una secuencia de aminoácidos dentro de la proteína para la cual codifica, el organismo en el cual está presente o el nombre del investigador que determinó la secuencia de ese gen.

El poder de la investigación biomédica básica reside en la capacidad de los científicos de laboratorio para manipular blancos de investigación homogéneos, bien definidos, en circunstancias cuidadosamente controladas. La capacidad para variar de manera independiente las características cualitativas y cuantitativas de variables tanto blanco como de entrada permite determinar relaciones entre causa y efecto de una manera directa y fiable. Sin embargo, estas ventajas se obtienen al emplear organismos “modelo”, como ratones o líneas de células de ser humano cultivadas como sustitutos para los pacientes humanos que representan los blancos finales de esta investigación y los beneficiarios de la misma. Los animales de laboratorio no siempre reaccionan como lo hace el Homo sapiens; una placa de fibroblastos, o de células de riñón o de otros tipos de células en cultivo, tampoco replica la increíble complejidad de un ser humano.

Aunque es incapaz de efectuar experimentos rigurosamente controlados en sujetos humanos, desde hace mucho tiempo la observación cuidadosa de la conducta en el mundo real ha resultado ser una fuente de importante información biomédica. Por ejemplo, Hipócrates notó que si bien ciertas enfermedades epidémicas aparecían de una manera esporádica, las enfermedades endémicas como el paludismo mostraban una clara asociación con ubicaciones, grupo de edad, etc., particulares. Epidemiología es la rama de las ciencias biomédicas que emplea métodos bioinformáticos para extender la capacidad para identificar factores que contribuyen a la salud de seres humanos o que la alteran, y aumentar la exactitud con la cual es posible hacerlo, por medio del estudio de poblaciones del mundo real.

Primeros datos epidemiológicos del cólera

En uno de los primeros estudios epidemiológicos registrados, realizado por el Dr. John Snow, se empleó análisis geoespacial simple para rastrear la fuente de un brote de cólera. Las epidemias de cólera, tifo y otras enfermedades infecciosas eran relativamente comunes en las condiciones de hacinamiento y poco higiénicas del Londres del siglo xix. Al mapear los lugares donde residían las víctimas, Snow logró rastrear la fuente del contagio a la contaminación de una de las bombas públicas que abastecía de agua potable a los ciudadanos (figura 10-1). Lamentablemente, la capacidad limitada de la realización del manual de cálculos o de gráficos, hizo que el éxito de los análisis como los de Snow dependiera de manera fundamental de la elección de la hipótesis de trabajo usada para seleccionar las variables que se iban a medir y a procesar. De este modo, si bien los londinenses del siglo xix también reconocieron que los merceros tenían propensión particular a mostrar conducta errática e irracional (p. ej., como lo indica el dicho “tan loco como un sombrerero”), transcurriría casi un siglo antes de que la causa se rastreara a los compuestos de mercurio usados para preparar el fieltro a partir del cual se fabricaban los sombreros.

Repercusiones de la bioinformática sobre análisis epidemiológicos

A medida que el proceso de análisis de datos se ha automatizado, la sofisticación y la tasa de éxito de los análisis epidemiológicos han aumentado en consecuencia. Hoy, algoritmos de computadora complejos permiten a los investigadores evaluar la influencia de un rango amplio de parámetros relacionados con la salud cuando se rastrea la identidad y la fuente o se reconstruye la transmisión de una enfermedad o padecimiento: estatura; peso; edad; género; índice de masa corporal; dieta; grupo étnico; historial médico; profesión; consumo de drogas, alcohol o tabaco; ejercicio; presión arterial; hábitat; estado marital; tipo de sangre; concentración sérica de colesterol, etc. Tiene igual importancia que la bioinformática moderna tal vez pronto permita a los epidemiólogos analizar minuciosamente las identidades e interacciones de los múltiples factores que subyacen a enfermedades complejas, como el cáncer o la enfermedad de Alzheimer.

En breve, la acumulación de secuencias de genoma individual introducirá una nueva dimensión poderosa a los muchísimos factores biológicos, ambientales y conductuales por comparar y contrastar con el historial médico personal. Uno de los primeros frutos de estos estudios ha sido la identificación de los genes de los cuales dependen algunos de los más de 3 000 trastornos mendelianos conocidos o sospechados, cuyas anormalidades genéticas causales quedan por rastrear. La capacidad para evaluar contribuciones de, y las interacciones entre, la constitución genética, conducta, ambiente, dieta y estilo de vida de un individuo, se muestra promisoria de finalmente revelar las respuestas a la antigua pregunta de por qué algunas personas muestran mayor vitalidad, aguante, longevidad y resistencia a enfermedades que otras; en otras palabras, las fuentes raíz de la salud y el bienestar.

El gran conjunto de bases de datos que se ha creado para el montaje, la anotación, el análisis y la distribución de datos biológicos y biomédicos refleja el alcance y la variedad de la investigación molecular, bioquímica, epidemiológica y clínica contemporánea. A continuación se listan ejemplos de los recursos de bioinformática de mayor importancia: UniProt, GenBank y la Protein Database (PDB) representan tres de las bases de datos bioinformáticas más antiguas y más ampliamente utilizadas. Cada una complementa a la otra, al centrarse en un aspecto diferente de la estructura macromolecular.

Uniprot

Los orígenes de la UniProt Knowledgebase (http://www.pir.uniprot.org/) se remontan hasta el Atlas of Protein Sequence and Structure, enciclopedia impresa de secuencias de proteínas, publicada por vez primera en 1968 por Margaret Dayhoff y la National Biomedical Research Foundation en la Georgetown University. El objetivo del Atlas fue facilitar estudios de evolución de proteínas usando las secuencias de aminoácidos que se están generando como consecuencia de la creación del método de Edman para la secuenciación de proteínas (cap. 4). En asociación con el Martinsreid Institute for Protein Sequences y la International Protein Information Database de Japón, el Atlas hizo la transición hacia la forma electrónica como la Protein Information Resource (PIR) Protein Sequence Database en 1984. En 2002, la PIR integró su base de datos de secuencia y función de proteínas con la base de datos de proteínas Swiss-Prot, establecida por Amos Bairoch en 1986 bajo los auspicios del Swiss Institute of Bioinformatics y el European Bioinformatics Institute, para formar el recurso más integral del mundo sobre estructura y función de proteínas, la UniProt Knowledgebase.

GenBank

La meta del GenBank (http://www.ncbi.nlm.nih.gov/Genbank/), la base de datos de secuencia genética, de los National Institutes of Health (NIH), es colectar y almacenar todas las secuencias de nucleótidos conocidas y sus traducciones en una forma fácil de buscar. GenBank, establecido en 1979 por Walter Goad de Los Alamos National Laboratory, en la actualidad es mantenido por el National Center for Biotechnology Information en los NIH. GenBank constituye una de las piedras angulares de la International Sequence Database Collaboration, consorcio que incluye la DNA Database of Japan y el European Molecular Biology Laboratory.

PDB

La Protein Database RCSB (http://www.rcsb.org/pdb/home/home.do), depositaria de las estructuras tridimensionales de proteínas, los polinucleótidos y otras macromoléculas biológicas, fue establecida en 1971 por Edgar Meyer y Walter Hamilton de los Brookhaven National Laboratories. En 1998, la responsabilidad de la PDB se transfirió a la Research Collaboration for Structural Bioinformatics formada por la Rutgers University, la University of California en San Diego, y la University of Wisconsin. La PDB contiene bastante más de 50 000 estructuras tridimensionales para proteínas, así como proteínas unidas con sustratos, análogos de sustrato, inhibidores u otras proteínas. El usuario puede rotar estas estructuras libremente en el espacio tridimensional, poner de relieve aminoácidos específicos, y seleccionar a partir de diversos formatos, como llenado de espacio, listones, esqueleto, etc. (caps. 5, 6 y 10).

Los SNP y SNP marca

Aun cuando la secuencia del genoma de cualesquiera dos sujetos es 99.9% idéntica, el DNA humano contiene alrededor de 10 millones de sitios en los cuales los individuos difieren por una base de nucleótido único. Estos sitios se llaman polimorfismos de un solo nucleótido (SNP). Cuando los grupos SNP localizados en el mismo cromosoma se heredan juntos en bloques, el modelo de SNP en cada bloque se llama haplotipo. Al comparar las distribuciones de haplotipos en grupos de individuos que difieren en alguna característica fisiológica, como la susceptibilidad a una enfermedad, los científicos biomédicos pueden identificar SNP que muestran vínculo con rasgos fenotipos específicos. Este proceso se puede facilitar al enfocarse en SNP marca, subgrupo de SNP en un bloque dado suficiente para proporcionar un marcador singular para un haplotipo determinado. El estudio detallado de cada región debe revelar variantes en genes que contribuyen a una enfermedad o respuesta específica.

HapMap

En 2002, científicos de EUA, Canadá, China, Japón, Nigeria y el Reino Unido lanzaron el mapa de haplotipo International Haplotype Map (HapMap) Project (http://hapmap.ncbi.nlm.nih.gov/), esfuerzo integral por identificar SNP relacionados con enfermedades frecuentes de seres humanos y respuestas diferenciales a compuestos farmacéuticos. El HapMap Database resultante debe llevar al diagnóstico más temprano y preciso, mejoras en la prevención y el manejo del paciente. El conocimiento del perfil genético de un sujeto también se empleará para guiar la selección de medicamentos o vacunas seguros y más eficaces, proceso llamado farmacogenómica. Estos marcadores genéticos también proporcionarán marcas con las cuales identificar y rastrear genes específicos a medida que los científicos tratan de aprender más acerca de los procesos cruciales de la herencia y la selección genéticas.

La identificación de todos los elementos funcionales del genoma extenderá mucho la comprensión de los eventos moleculares que fundamentan el desarrollo, la salud y la enfermedad de seres humanos. Para abordar este objetivo, a finales de 2003, el National Human Genome Research Institute (NHGRI) inició el ENCODE (Encyclopedia Of DNA Elements) Project. Con sede en la University of California en Santa Cruz, ENCODE (http://www.genome.gov/10005107) es un esfuerzo colaborativo que combina métodos de laboratorio y computacionales para identificar cada elemento funcional en el genoma humano. Investigadores del consorcio con diversos trasfondos y experiencia colaboran en la creación y evaluación de nuevas técnicas, tecnologías y estrategias de alta capacidad de procesamiento para abordar las deficiencias actuales en la capacidad para identificar elementos funcionales.

La fase piloto de ENCODE se dirigió a ~1% (30 Mb) del genoma humano para análisis computacional y experimental riguroso. Se emplearon diversos métodos para identificar, o anotar, la función de cada porción del DNA en 500 pasos de pares de bases. Estos estudios piloto revelaron que el genoma humano contiene un gran número y diversidad de componentes activos entrelazados para formar redes complejas. La prosecución exitosa de este estudio piloto ha dado por resultado el patrocinio de una serie de Scale-Up Projects dirigidos a abordar el 99% restante del genoma.

Entrez Gene

Entrez Gene (http://www.ncbi.nlm.nih.gov/sites/entrez?db=gene), base de datos mantenida por el National Center for Biotechnology Information (NCBI), proporciona información variada acerca de genes humanos individuales. La información comprende la secuencia del genoma en el gen y alrededor del mismo, la estructura del gen (fronteras de exón-intrón), la secuencia de los mRNA producidos a partir del gen, y cualesquiera fenotipos relacionados con una mutación dada del gen en cuestión. Entrez Gene también lista (cuando se conoce) la función de la proteína codificada, y las repercusiones de polimorfismos de un solo nucleótido conocidos en la región codificadora.

dbGAP

db-GAP, la Database of Genotype and Phenotype (http://www.ncbi.nlm.nih.gov/gap), es una base de datos del NCBI que complementa a Entrez Gene. dbGAP compila los resultados de investigación sobre los enlaces entre genotipos y fenotipos específicos. Para proteger datos clínicos confidenciales, la información contenida en dbGAP está organizada en secciones de acceso abierto y de acceso controlado. El acceso a datos confidenciales exige que el usuario solicite autorización a un comité de acceso a datos.

Bases de datos adicionales

Otras bases de datos que tratan de genética y salud humanas son OMIM, Online Mendelian Inheritance in Man (http://www.ncbi.nlm.nih.gov/sites/entrez?db=omim), la HGMD, Human Gene Mutation Database (http://www.hgmd.cf.ac.uk/ac/index.php), el Cancer Genome Atlas (http://cancergenome.nih.gov/) y GeneCards (http://www.genecards.org/), que trata de reunir cualquier información importante acerca de un gen dado a partir de bases de datos de todo el mundo, para crear una “ficha” única y completa para cada gen.

Su objetivo primario es crear modelos de computadora que apliquen principios físicos, químicos y biológicos para reproducir la conducta de moléculas y procesos biológicos. Al contrario de la bioinformática, cuyo principal enfoque es la reunión y evaluación de los datos existentes, la biología computacional es de naturaleza experimental y exploradora. Al efectuar experimentos y análisis virtuales (“in silico”), lo cual significa realizados en computadora o a través de una simulación de computadora, la biología computacional ofrece la promesa de acelerar mucho el ritmo y la eficiencia de los descubrimientos científicos.

Los biólogos computacionales están intentando crear modelos predictivos que permitirán 1) determinar de manera directa la estructura tridimensional de una proteína a partir de su secuencia primaria, 2) determinar la función de proteínas desconocidas a partir de su secuencia y estructura, 3) investigar inhibidores potenciales de una proteína in silico, y 4) construir células virtuales que reproduzcan la conducta y predigan las respuestas de sus homólogos vivos a agentes patógenos, toxinas, dieta y fármacos. La creación de algoritmos de computadora que imiten la conducta de proteínas, enzimas, células, etc., es promisoria en cuanto al incremento de la rapidez, eficiencia y seguridad de la investigación biomédica. La biología computacional también permitirá a los científicos llevar a cabo experimentos in silico, cuyo alcance, peligro o naturaleza los haga inaccesibles, o inapropiados, para métodos de laboratorio o clínicos convencionales.

Un método importante para la identificación, también llamada anotación, de proteínas y productos de gen nuevos compara las secuencias de proteínas nuevas con las de proteínas cuyas función o estructuras se han determinado. Dicho de modo sencillo, las búsquedas de homología y las comparaciones de secuencia múltiple operan con base en el principio de que las proteínas que desempeñan funciones similares compartirán dominios conservados u otras características de secuencias o motivos, y viceversa (figura 10-2). De los muchos algoritmos creados para este propósito, el más ampliamente usado es el BLAST.

Blast

Los orígenes del BLAST (Basic Local Alignment Search Tool) y otros algoritmos de comparación/alineación de secuencia se remontan a los esfuerzos de los primeros biólogos moleculares por determinar si las similitudes observadas en la secuencia entre proteínas que desempeñaban funciones metabólicas paralelas eran indicativas de cambio progresivo desde una proteína ancestral común. La principal pregunta evolutiva abordada fue si las similitudes reflejaban 1) descendencia desde una proteína ancestral común (evolución divergente) o 2) la selección independiente de un mecanismo común para satisfacer alguna necesidad celular específica (evolución convergente), como se anticiparía si una solución particular fuera abrumadoramente superior a las alternativas. El cálculo del número mínimo de cambios de nucleótido necesario para interconvertir isoformas de proteína putativas permite inferir si las similitudes y diferencias muestran o no un modelo que indique cambio progresivo desde un origen compartido.

El BLAST ha evolucionado hacia una familia de programas optimizados para abordar necesidades y conjuntos de datos específicos. De esta manera, blastp compara una secuencia de consulta de aminoácidos contra una base de datos de secuencia de proteína, blastn compara una secuencia de consulta de nucleótido contra una base de datos de secuencia de nucleótido, blastx compara una secuencia de consulta de nucleótidos traducida en todos los marcos de lectura contra una base de datos de secuencia de proteína para revelar productos de traducción potenciales, tblastn compara una secuencia de consulta de proteína contra una base de datos de secuencia de nucleótido traducidos dinámicamente en los seis marcos de lectura, y tblastx compara las traducciones de seis armazones de una secuencia de consulta de nucleótido contra las traducciones de seis armazones de una base de datos de secuencia de nucleótido. Al contrario de los programas de alineación de secuencia múltiple que se fundamentan en alineaciones globales, en los algoritmos de BLAST se recalcan regiones de alineación local para detectar vínculos entre secuencias con sólo regiones de similitud aisladas. Este método proporciona rapidez y sensibilidad aumentada para relaciones de secuencia distantes. Las secuencias de entrada o “consulta” se fragmentan hacia “palabras” (tamaño por omisión 11 para nucleótidos, 3 para aminoácidos); entonces, los aciertos de palabra a bases de datos se extienden en ambas direcciones.

Una porción considerable de los genes descubiertos mediante proyectos de secuenciación del genoma codifica para polipéptidos “desconocidos” o hipotéticos, para los cuales se carece de homólogos de función conocida. Especialistas en bioinformática están creando instrumentos para permitir a científicos deducir la estructura tridimensional y la función de proteínas crípticas directamente a partir de sus secuencias de aminoácidos. Hoy, la lista de proteínas desconocidas descubiertas por medio de genómica contiene miles de entradas; se están añadiendo nuevas entradas conforme se resuelven más secuencias del genoma. La capacidad para generar estructuras e inferir la función in silico promete acelerar de modo importante la identificación de proteína, y proporcionar información acerca del mecanismo mediante el cual las proteínas se pliegan. Este conocimiento ayudará a entender los mecanismos subyacentes de diversas enfermedades que dependen del plegado de proteínas, y ayudará a los ingenieros moleculares a diseñar nuevas proteínas para efectuar funciones nuevas.

El código de plegamiento

La comparación de proteínas cuyas estructuras tridimensionales se han determinado mediante cristalografía de rayos X o espectroscopia con NMR puede revelar patrones que enlazan características de secuencia primaria específicas con estructuras primaria, secundaria y terciaria —lo que a veces se llama el código de plegamiento—. En los primeros algoritmos se usó la frecuencia con la cual aminoácidos individuales ocurrieron en hélices alfa, hojas beta, giros y asas para predecir el número y la ubicación de estos elementos dentro de la secuencia de un polipéptido, conocida como topografía de estructura secundaria. Al extender este proceso, por ejemplo, al sopesar las repercusiones de interacciones hidrofóbicas en la formación del centro de la proteína, se están creando algoritmos de notoria fiabilidad predictiva. Con todo, si bien los programas actuales tienen buen desempeño en la generación de las conformaciones de proteínas constituidas por dominios únicos, aún es problemático proyectar la estructura probable de proteínas de membrana y las compuestas de múltiples dominios.

Relación de la estructura tridimensional con la función

Los científicos también están intentando discernir patrones de estructura tridimensional que se correlacionen con funciones fisiológicas específicas. La representación llenadora de espacio de la enzima HMG-CoA reductasa y su complejo con el medicamento lovastatina (figura 10-3) proporciona cierta perspectiva acerca de los desafíos inherentes a la identificación de sitios de unión a ligando a partir de cero. Donde se puede determinar o predecir una estructura tridimensional completa, la superficie de la proteína se puede escanear respecto a los tipos de bolsas y hendiduras indicativos de sitios de unión probables para sustratos, efectores alostéricos, etc., mediante cualquiera de diversos métodos, como el rastreo de su superficie con esferas de una dimensión particular (figura 10-4). Los mapas de superficie generados con el programa Graphical Representation and Analysis of Surface Properties, comúnmente denominados diagramas GRASP, ponen de relieve las ubicaciones de grupos funcionales neutros, con carga negativa y con carga positiva sobre la superficie de una proteína (figura 10-5) para inferir un cuadro más detallado de la biomolécula que se une o “acopla” en ese sitio. La estructura predicha de los ligandos que se unen a una proteína desconocida, junto con otras características estructurales y motivos de secuencia, a continuación pueden proporcionar a los científicos los indicios necesarios para hacer una “conjetura educada” respecto a su o sus funciones biológicas.

En el Computer-Aided Drug Design (CADD) se emplea el mismo tipo de algoritmos de acoplamiento molecular usados para identificar ligandos para proteínas desconocidas. Aun así, en este caso el conjunto de ligandos potenciales por considerar no se confina a los que existen en la Naturaleza, y es auxiliado mediante el conocimiento empírico de la estructura o de las características funcionales de la proteína establecida como objetivo.

Algoritmos de acoplamiento molecular

Para proteínas de estructura tridimensional conocida, en los métodos de acoplamiento molecular se emplean programas que intentan adaptar una serie de ligandos potenciales (“clavijas”) hacia un sitio de unión designado “agujero” en la plantilla de una proteína. Para identificar ligandos óptimos, los programas de acoplamiento han de tomar en cuenta tanto la coincidencia de formas como la presencia y posición de atributos hidrofóbicos, hidrofílicos y de carga complementarios. Las afinidades de unión de los inhibidores seleccionados con base en estudios de acoplamiento tempranos fueron desalentadoras, dado que los modelos rígidos para proteínas y ligandos empleados fueron incapaces de replicar los cambios conformacionales que sobrevienen tanto en el ligando como en la proteína como una consecuencia de unión, fenómeno denominado adaptación inducida (cap. 7).

Como quiera que sea, dotar a proteínas y ligandos de flexibilidad conformacional requiere de un poder de computación masivo. De esta manera, se han creado métodos híbridos que emplean un conjunto de plantillas que representan conformaciones un poco diferentes de la proteína (figura 10-6) y conjuntos de conformadores de ligando (figura 10-7) o ligandos en los cuales sólo se permite que algunos enlaces seleccionados roten con libertad. Una vez que se ha estrechado el conjunto de ligandos potenciales, es posible emprender análisis de acoplamiento más complejos para identificar ligandos de afinidad alta capaces de interactuar con su blanco proteínico a través del espectro de estados conformacionales de este último.

Relaciones entre estructura y actividad

Cuando no se dispone de una plantilla estructural para la proteína de interés, pueden usarse computadoras para ayudar a buscar inhibidores de alta afinidad al calcular relaciones de estructura-actividad (SAR) y proyectarlas. En este proceso, las afinidades de unión medidas para varios inhibidores conocidos se comparan y contrastan a fin de determinar si características químicas específicas hacen contribuciones termodinámicas positivas o negativas a la unión a ligando. A continuación, esta información puede usarse para buscar en bases de datos de compuestos químicos a fin de identificar los que poseen una combinación más promisoria de características positivas en contraposición con negativas.

El objetivo de la biología de sistemas es construir diagramas de circuitos moleculares

¿Qué pasaría si un científico pudiera detectar, en algunos momentos, el efecto de inhibir una enzima particular, de remplazar un gen particular, la respuesta de una célula muscular a la insulina, la proliferación de una célula cancerosa, o la producción de amiloide beta al ingresar la pregunta apropiada en una computadora? El objetivo de la biología de sistemas es construir el equivalente molecular de diagramas de circuito que describan fielmente los componentes de una unidad funcional particular y las interacciones entre ellos en términos lógicos o matemáticos. Estas unidades funcionales pueden variar de tamaño y complejidad desde las enzimas y los metabolitos dentro de una vía biosintética a la red de proteínas que controlan el ciclo de división celular, hasta, finalmente, células, órganos y organismos enteros. Dichos modelos pueden usarse entonces para efectuar experimentos “virtuales” que pueden aumentar la rapidez y eficiencia de investigaciones empíricas al identificar las líneas de investigación más promisorias y ayudar en la evaluación de los resultados. Lo que tal vez es más importante, la capacidad de realizar experimentos virtuales extiende la búsqueda del investigador, dentro de los límites de la exactitud del modelo, más allá del alcance de la tecnología empírica actual.

Ya se están realizando progresos significativos. Al construir redes moleculares virtuales, los científicos han logrado determinar de qué modo las cianobacterias construyen un reloj circadiano fiable usando sólo cuatro proteínas. Modelos de la vía de emisión de señales de receptor de célula T han revelado de qué manera estos circuitos moleculares se han ordenado para producir respuestas parecidas a conmutador en el momento de la estimulación por complejos de péptido agonista-complejo principal de histocompatibilidad (MHC) sobre una célula presentadora de antígeno. Del mismo modo que una persona construye un rompecabezas, en parte, al buscar en las piezas restantes coincidencias a los vacíos en el rompecabezas, los científicos también pueden usar los vacíos encontrados en el modelado de sistemas moleculares y celulares para guiar la identificación y anotación de las piezas de proteína restantes. Este método de ingeniería inversa se ha usado con buenos resultados para definir la función de las glicerato 2-cinasas tipo II en bacterias, y para identificar síntesis de folato “críptico” y transportar genes en plantas.

Células virtuales

Recientemente, los científicos han logrado crear de manera exitosa una red metabólica sostenible, compuesta de cerca de 200 proteínas, un paso importante hacia la creación de una célula virtual. El “Santo Grial” de los biólogos de sistemas es replicar la conducta de células humanas vivas in silico. Los beneficios potenciales de esas células virtuales serán enormes. No sólo permitirán identificar sitios óptimos para intervención terapéutica de un modo rápido y sin sesgos, sino que los efectos secundarios no intencionales pueden revelarse antes de la decisión de invertir tiempo y recursos en la síntesis, el análisis y los estudios de un farmacóforo potencial. La capacidad para efectuar investigación toxicológica rápida y económica de materiales que varían desde herbicidas hasta cosméticos beneficiará la salud de los seres humanos. Las células virtuales también son útiles en el diagnóstico. Al manipular una célula virtual para que reproduzca el perfil metabólico de un enfermo, quizá se revelen anormalidades genéticas subyacentes. Es factible analizar de manera sistemática la interrelación de los diversos factores ambientales, de la dieta y genéticos que contribuyen a enfermedades multifactoriales como el cáncer. Estudios preliminares de terapias génicas potenciales pueden evaluarse con seguridad y rapidez en forma de programas informáticos (in silico).

La duplicación de una célula viva en forma de programas informáticos (in silico) representa una empresa en extremo formidable. No sólo es necesario que la célula virtual posea todas las proteínas y todos los metabolitos para el tipo de célula que se va a modelar (p. ej., de cerebro, hígado, nervio, músculo o adipocito), sino que éstos deben estar presentes en la concentración y la ubicación subcelular apropiadas. El modelo también ha de tomar en cuenta la dinámica funcional de sus componentes, afinidades de unión, eficiencia catalítica, modificaciones covalentes, etc. Hacer a una célula virtual capaz de dividirse o diferenciarse conllevará otro enorme salto de complejidad y sofisticación.

En los mapas de interacción molecular se emplea lógica simbólica

Los modelos construidos por biólogos de sistemas pueden adoptar diversas formas dependiendo de los usos para los cuales estén proyectados, y los datos disponibles para guiar su construcción. Si se desea modelar el flujo de metabolitos por una vía anabólica o catabólica, no basta con conocer las identidades y los reactantes involucrados en cada reacción catalizada por enzima. Para obtener valores matemáticamente precisos, es necesario conocer las concentraciones de los metabolitos en cuestión, la cantidad de cada una de las enzimas presentes, y sus parámetros catalíticos.

Para la mayoría de los usuarios, es suficiente que en un modelo se describa y se prediga la naturaleza cualitativa de las interacciones entre componentes. ¿Un ligando alostérico activa la enzima o la inhibe? ¿La disociación de un complejo proteínico lleva a la degradación de uno o más de sus componentes? Para este propósito se necesitó un grupo de símbolos que describieran la lógica simbólica de estas interacciones. En las primeras representaciones con frecuencia se usaron los símbolos creados con anterioridad para construir diagramas de flujo (programación de computadoras) o circuitos electrónicos (figura 10-8, arriba). Sin embargo, finalmente los biólogos de sistemas diseñaron símbolos dedicados (figura 10-8, abajo) para describir estos diagramas de circuitos moleculares, más comúnmente llamados mapas de interacción molecular (MIM), de los cuales se muestra un ejemplo en la figura 10-9. Lamentablemente, como sucede en la nomenclatura de las enzimas (capítulo 7), aún no surge un grupo de símbolos consistente y universal.

Los campos en rápida evolución de la bioinformática y la biología computacional hacen promesas sin precedente para el futuro tanto de la medicina como de la biología básica. Algunas promesas en la actualidad se perciben de manera clara, otras vagamente, mientras que algunas más ni siquiera se han imaginado. Un objetivo importante de los biólogos computacionales es crear recursos de computadora que incrementarán la eficiencia, eficacia y rapidez de la creación de medicamentos. Los epidemiólogos emplean computadoras para extraer patrones dentro de una población indicativos de causas específicas tanto de enfermedad como de bienestar, y de factores que contribuyen a ambos. Parece haber poca duda de que sus repercusiones sobre la práctica médica durante el siglo xxi serán iguales o superarán la del descubrimiento de la patogenia bacteriana en el siglo xix.

• La genómica ha proporcionado una cantidad masiva de información de gran valor potencial para científicos y médicos.

• La bioinformática comprende el diseño de algoritmos de computadora y la construcción de bases de datos que permiten a los científicos tener acceso a la avalancha creciente de datos biomédicos y analizarlos.

• El objetivo de la epidemiología es extraer información médica a partir de la conducta de poblaciones de seres humanos heterogéneas mediante la aplicación de instrumentos estadísticos sofisticados.

• Los desafíos importantes en la construcción de bases de datos fáciles de emplear incluyen idear medios para almacenar y organizar datos complejos que se adaptan a una amplia gama de criterios de búsqueda potenciales.

• El objetivo del Encode Project es identificar todos los elementos funcionales dentro del genoma humano.

• Las bases de datos HapMap, Entrez Gene y dbGAP contienen datos respecto al vínculo entre mutaciones genéticas y estados patológicos.

• En la biología computacional se usan algoritmos de computadora para identificar proteínas desconocidas y llevar a cabo experimentos virtuales.

• BLAST se usa para identificar proteínas y genes desconocidos al buscar homólogos de secuencia de función conocida.

• Los biólogos computacionales están creando programas que predecirán la estructura tridimensional de proteínas directamente a partir de su secuencia primaria.

• El diseño ayudado por computadora acelera el descubrimiento de fármacos al tratar de acoplar inhibidores potenciales a blancos proteínicos seleccionados en forma de programas informáticos.

• Un objetivo principal de los biólogos de sistemas es crear modelos fieles de vías y redes individuales para dilucidar principios funcionales y efectuar experimentos virtuales.

• El objetivo final de los biólogos de sistemas es crear células virtuales que puedan usarse para diagnosticar y tratar enfermedades con mayor seguridad y eficiencia, en especial las de naturaleza multifactorial.

• Los biólogos de sistemas por lo general construyen representaciones esquemáticas conocidas como mapas de interacción molecular, en los cuales se emplea lógica simbólica para ilustrar las relaciones entre los componentes que constituyen una vía o alguna otra unidad funcional.