CAPÍTULO 10: Bioinformática y biología computacional

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.

Si bien los modelos simples resultaron eficaces para entender y tratar una amplia gama de enfermedades nutricionales, infecciosas y genéticas, los esfuerzos por identificar agentes causales separados para enfermedades como el cáncer, la enfermedad cardíaca, la obesidad, la diabetes tipo 2 y la enfermedad de Alzheimer han sido vanos. Los orígenes y la progresión de estas últimas enfermedades son de naturaleza multifactorial, el producto de la compleja interacción entre la conformación genética de cada individuo, otros factores hereditarios o epigenéticos, y factores ambientales, como la dieta, el estilo de vida, toxinas, virus, o bacterias. La resolución de estos enigmas biomédicos multidimensionalmente complejos y sutilmente amorfos demanda la adquisición y el análisis de datos en una escala que yace más allá de la capacidad de los seres humanos para recopilar, organizar y revisar sin ayuda.

El término bioinformática se refiere a la aplicación de tecnología de computadora y de robótica para automatizar la recolección, la recuperación y el análisis de datos científicos a una escala masiva. Un objetivo importante de muchos especialistas en bioinformática es desarrollar algoritmos capaces de predecir de manera fiable las estructuras tridimensionales y las propiedades funcionales de las alrededor de un tercio de todas las proteínas codificadas genéticamente categorizadas en la actualidad como “desconocidas” o “hipotéticas”. Otro es usar la tecnología de la información para aumentar la rapidez y la eficacia con la cual los médicos pueden diagnosticar y tratar pacientes al proporcionar a los médicos acceso inmediato a información crucial, como historias médicas y datos sobre interacciones farmacológicas. El objetivo de la biología computacional es permitir a los investigadores efectuar experimentos en modelos virtuales digitales de moléculas, células, órganos y organismos. Estos modelos virtuales se muestran muy promisorios para mejorar el ritmo y extender el alcance de la investigación biomédica al liberar a los científicos de las restricciones materiales, económicas, de trabajo, temporales y éticas inherentes de la clínica y el laboratorio.

Desde hace mucho tiempo, los médicos y los científicos han entendido que el genoma, la totalidad de información genética de un organismo vivo, representó una rica fuente de información respecto a temas que varían desde metabolismo básico hasta la evolución hacia el envejecimiento. Sin embargo, durante muchos años, el tamaño masivo del genoma humano, 3 × 10⁹ pares de bases de nucleótidos hizo que el análisis global estuviera más allá del alcance de la tecnología disponible para la adquisición y el análisis de información sobre la secuencia de DNA. En 1990, Estados Unidos lanzó un esfuerzo multimillonario, el Human Genome Project, para el propósito expreso de desarrollar las técnicas de alta capacidad de procesamiento automatizadas, instrumentación y software de recuperación de datos necesario para determinar toda la secuencia de DNA del genoma del Homo sapiens.

Completar el primer proyecto del genoma humano requirió 10 años y cientos de millones de dólares; sin embargo, desde entonces, el advenimiento de tecnología de secuenciación de “siguiente generación” ha reducido de manera notoria el tiempo y costo requeridos. En la actualidad, el costo de determinar la secuencia del genoma de un individuo es de menos de $10000; como consecuencia, los científicos ahora están analizando y comparando datos de secuencia de DNA entre poblaciones muestra grandes. Además, han surgido servicios comerciales en los cuales los individuos que poseen suficientes fondos pueden hacer que se determine la secuencia de su propio genoma. A medida que los precios siguen disminuyendo hacia el blanco declarado de la industria de $1 000 dólares por muestra, el número de personas que buscan asesoramiento y cuidado médicos personalizados con base en la información fisiológica, médica y hereditaria revelada por su genoma crecerá a una tasa exponencial.

El Human Genome Project (HGP)

Terminar con éxito el 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 EU

• 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

• 2007 — Firmas comerciales ofrecen servicios de secuenciación del genoma personales

• 2008 —Científicos emprenden la secuenciación de 1 000 genomas individuales para determinar el grado de diversidad genética en los humanos

• 2010 — Se completó el genoma del hombre de Neandertal

• 2013 — Se publica el primer mapa integrado de variaciones genéticas entre 1 092 individuos de 14 poblaciones

En la actualidad, el número de organismos eucariontes, procariontes y arqueas cuyos genomas se han secuenciado asciende a muchos cientos. Esta colección incluye más de 40 genomas de mamíferos, como los de una o más especies de pollos, gatos, perros, elefantes, ratas, conejos, leones, tigres, leopardos, cerdos, caballos, chimpancés, gorilas, orangutanes, mamut lanudo, tlacuache, ornitorrinco, delfín nariz de botella, murciélago, panda, koala, ualabí y demonio de Tasmania. Las comparaciones con el genoma del hombre de Neandertal sugieren que hasta 2% del DNA en el genoma de los humanos actuales se originó en hombres de Neandertal o en sus ancestros, aunque la fracción es significativamente más baja en individuos de ascendencia africana. Se han determinado las secuencias de DNA para los genomas de más de 1 000 Homo sapiens. El acceso fácil a una biblioteca creciente de secuencias del genoma de organismos que abarcan los tres dominios filogenéticos y a los algoritmos potentes que son un requisito para manipular los datos derivados de estas secuencias, ha surgido como una influencia transformadora sobre la investigación en biología, microbiología, farmacología, evolución y bioquímica.

Genomas y medicina

Hay varias maneras en las cuales la revolución genómica tendrá repercusiones sobre la medicina durante el siglo xxi. La más profunda de éstas será la capacidad para determinar la secuencia del genoma de un individuo para buscar indicadores que predicen su susceptibilidad a enfermedades específicas, sensibilidad a alérgenos potenciales, y receptividad a intervenciones farmacológicas específicas. La implementación de medidas preventivas, como un régimen de dieta personalizado, para prevenir o aminorar problemas de salud potenciales mucho antes de que queden de manifiesto síntomas, debe reducir de manera notoria la aparición y las repercusiones, así como los costos personal y social, de muchas enfermedades. El conocimiento de la secuencia del genoma de un paciente finalmente también puede allanar el camino para usar la terapia génica para prevenir enfermedad, curarla o tratarla. La capacidad para el diagnóstico y el tratamiento de pacientes, guiados por el conocimiento de su conformación genética, un método popularmente denominado “medicina de diseñador”, hará que la medicina sea más segura y más eficaz.

La genómica también facilitará el desarrollo de antibióticos y otros fármacos. Al comparar los genomas de cepas patógenas y no patógenas de un microorganismo particular, los genes que tienen probabilidades de codificar para determinantes de virulencia pueden ponerse de relieve en virtud de su presencia sólo en la cepa virulenta. De modo similar, la comparación de los genomas de un agente patógeno con su huésped puede identificar genes singulares para el primero. Los fármacos que se dirigen a los productos proteínicos de los genes específicos para agente patógeno deben, en teoría, producir pocos efectos secundarios o ninguno para el huésped infectado.

Secuenciación de exoma

La “secuenciación de exoma” ha surgido como una alternativa para la secuenciación de todo el genoma como un medio para diagnosticar enfermedades genéticas raras o crípticas. El exoma consta de los segmentos de DNA, llamados exones, que codifican para las secuencias de aminoácidos de proteínas (capítulo 36). Dado que los exones comprenden sólo alrededor de 1% del genoma humano, el exoma representa un blanco mucho más pequeño y más manejable que el genoma completo. La comparación de secuencias de exoma ha identificado genes que albergan mutaciones de las cuales depende una lista creciente de enfermedades que incluye retinitis pigmentosa, y los síndromes de Freeman-Sheldon, de Sensenbrenner, de Miller, de Schinzel-Giedion, y de Kabuki, así como variantes de ataxia espinocerebelosa, enfermedad inflamatoria intestinal, osteogénesis imperfecta, enfermedad de Charcot-Marie-Tooth, retraso mental, y esclerosis lateral amiotrófica.

Desafíos potenciales de la medicina de diseñador

Mientras que 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, derecho y política pública. ¿Quién posee esta información y controla el acceso a la misma? ¿Una compañía de seguros de vida o de seguro de gastos médicos puede negar cobertura a un individuo con base en los factores de riesgo inferidos a partir de su secuencia de genoma? ¿Un empleador potencial tiene el derecho de saber la conformación genética de un empleado actual o potencial? ¿Los futuros cónyuges tienen el derecho de saber los factores de riesgo genéticos de sus prometidos? ¿Dónde yace la frontera entre las aplicaciones médicas y electivas de la terapia génica? Otros problemas comprenden estándares para determinar el grado al cual los datos de investigación respecto a polimorfismos genéticos específicos pueden interpretarse con seguridad y fiabilidad, y actuar con base en los mismos. Por ejemplo, ¿qué predicciones deben hacerse si un paciente manifiesta una mutación en un gen en el cual se ha mostrado que las mutaciones de otros nucleótidos tienen efectos perjudiciales? ¿Qué pasa si los únicos datos disponibles respecto a la mutación de un gen particular se basan en observaciones generadas en un organismo modelo como Drosophila melanogaster (mosca de la fruta), Caenorhabditis elegans (nemátodo), o ratones? Irónicamente, la resolución de estos problemas puede resultar un proceso más prolongado y laborioso que la determinación de la primera secuencia del genoma 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 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 24 millones de citas. En contraste, la RNA Helicase Database 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.

Desde hace mucho tiempo la observación meticulosa 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 ubicar en un mapa 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 de 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 análisis epidemiológicos han aumentado en consecuencia. El Framingham Heart Study, que durante más de seis décadas ha dado seguimiento a los antecedentes personales y médicos de más de 5 000 individuos que viven en Framingham, MA, y en sus alrededores, así como a sus descendientes, ha sido esencial en la identificación de factores de riesgo para enfermedad cardiovascular. 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 o ébola.

La acumulación continua de secuencias de genoma y exoma de seres humanos individuales ha introducido una poderosa nueva dimensión a los muchos factores biológicos, ambientales y conductuales a comparar y contrastar con el historial médico de cada persona. 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 han 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. Más adelante se consideran UniProt, GenBank y la Protein Database (PDB), las cuales representan tres de las bases de datos bioinformáticas más antiguas y ampliamente utilizadas. Cada una complementa a la otra, al centrarse en un aspecto diferente de la estructura macromolecular.

UniProtKB

La UniProt Knowleldgebase, UniProtKB, es patrocinada conjuntamente por el Swiss Institute of Bioinformatics y el European Bioinformatics Institute. El objetivo declarado de la UniProtKB es “proporcionar a la comunidad científica un recurso integral, de alta calidad y accesible gratuitamente de información sobre secuencia y estructural de proteínas”; está organizada en dos secciones. Swiss-Prot contiene entradas cuyas funciones asignadas, estructura de dominio, modificaciones postraduccionales, etc., se han verificado manualmente, en su mayor parte por medio de búsquedas de datos empíricos a partir de la literatura científica, y examen de comparaciones de secuencias múltiples por expertos. Por otro lado, TrEMBL contiene secuencias de proteínas empíricamente determinadas y derivadas de genoma, cuyas funciones potenciales se han asignado, o anotado, automáticamente —sólo con base en algoritmos de computadora—. Así, mientras que la TrEMBL en la actualidad incluye más de 80 millones de entradas, Swiss-Prot contiene poco más de 500 000.

GenBank

La meta del GenBank, la base de datos de secuencia genética, de los National Institutes of Health (NIH), es recolectar 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 es un depositario de las estructuras tridimensionales de proteínas, los polinucleótidos y otras macromoléculas biológicas. La PDB contiene más de 95 000 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. (capítulos 5, 6 y el texto que sigue).

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. Las regiones seleccionadas a continuación quedan sujetas a estudio más detallado para identificar las variaciones genéticas específicas que contribuyen a una enfermedad o respuesta fisiológica específica.

HapMap

En 2002, científicos de EU, Canadá, China, Japón, Nigeria y el Reino Unido lanzaron el mapa de haplotipo International Haplotype Map (HapMap) Project, esfuerzo integral por identificar SNP relacionados con enfermedades frecuentes de humanos y respuestas diferenciales a compuestos farmacéuticos. El objetivo a largo plazo del proyecto es proporcionar un diagnóstico más temprano y más exacto de factores de riesgo genéticos potenciales que lleva a prevención mejorada y manejo más eficaz de pacientes. 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.

ENCODE

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 humanos. Para abordar este objetivo, 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 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.

Hacia 2013, ENCODE había analizado 147 tipos de células humanas con el uso de diversos métodos para identificar, o glosar, la función. Éstos incluyen mapeo de sitios de metilación de DNA como un indicador putativo de control regulador, evaluación de metilación de histona local y sensibilidad a hidrólisis por desoxirribonucleasas como indicadores de actividad transcripcional (capítulo 35), y sondeo para sitios de unión a factor de transcripción usando un sistema reportero luciferasa. Con base en estos indicadores circunstanciales, se ha estimado que alrededor de 80% del genoma humano, incluso la mayor parte del DNA “basura” no codificador, es funcionalmente activo en uno o más tipos de células.

Entrez Gene

Entrez Gene es una 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 exónintrón), 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, 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, la HGMD, Human Gene Mutation Database, el Cancer Genome Atlas y GeneCards, 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. A diferencia 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 cuya 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 y sus derivados.

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.

Con el tiempo, 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 (30-50%) 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. 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 pueden 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 siguen buscando características recurrentes de estructura tridimensional de proteína que se correlacionen con funciones fisiológicas específicas, como la unión de un sustrato particular u otro ligando. 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 hendeduras 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.

Iniciativa de función de enzimas

Según se informa, hacia 2014, la base de datos UniProt de secuencias de proteína contenía 84 millones de entradas. Si bien el número es impresionante, la utilidad de esta biblioteca de información de secuencia está seriamente circunscrita por la falta de evidencia experimental directa que documente capacidades funcionales de todas estas proteínas, salvo una pequeña porción de las mismas. De este modo, en la mayor parte de los casos las funciones proyectadas de estas proteínas se han inferido al buscar homólogos estructurales. Mientras que extrapolar la función a partir de la forma es en teoría sensato, en muchos casos el homólogo de secuencia más cercano también es una proteína cuya(s) función(es) se ha(n) inferido a partir de un homólogo previo. Por ende, la relación entre una proteína nueva y una cuyas propiedades funcionales se han verificado experimentalmente puede ser bastante distinta y estar propensa a error. Además, muchas de las proteínas cuyas secuencias se han deducido a partir de secuenciación del genoma no poseen incluso un homólogo distante de función conocida. Establecida en 2010, el objetivo de la Enzyme Function Initiative, un consorcio de ≈ 80 científicos que laboran en nueve instituciones académicas norteamericanas, es desarrollar una nueva generación de herramientas bioinformáticas y computacionales más poderosas y fiables para predecir la función a partir de la secuencia y la estructura de proteína.

El objetivo del diseño de fármacos auxiliado por computadora (CADD) es desarrollar métodos mediante modelado por computadora para identificar blancos farmacológicos potenciales a fin de reducir de manera notoria el esfuerzo invertido en métodos de investigación de laboratorio costosos y que consumen mucho tiempo. Si bien esto no puede eliminar la necesidad de pruebas y análisis empíricos, puede estrechar su enfoque varios cientos o miles de veces a un puñado de “compuestos líderes” promisorios.

Investigación de bibliotecas virtuales

Para proteínas de estructura tridimensional conocida, en los métodos de acoplamiento molecular se emplean programas que intentan adaptar una serie de “clavijas” de ligando potenciales en un sitio de unión designado o “agujero” en una plantilla de proteína. A fin de identificar ligandos óptimos, los programas de acoplamiento deben tomar en cuenta formas que coinciden, así como la presencia y la posición de grupos hidrofóbicos, hidrofílicos y cargados complementarios. El primer paso en este proceso es construir una representación digital de la proteína que puede manipularse desde el punto de vista computacional sin exceder la memoria y la capacidad de procesamiento de información de la computadora huésped. Los métodos para lograr esto comprenden representar la proteína como un conjunto de esferas, o al dividir su superficie en segmentos geométricos (figura 10-6). A continuación se asignan a cada superficie parámetros matemáticos que resumen las características estéricas y físico-químicas de la porción correspondiente de la proteína. El programa de computadora a continuación intenta acoplar representación digital similar de ligandos potenciales, con cálculo matemático del grado de adaptación al ingresar los parámetros en una fórmula llamada una función de energía potencial que integra las interacciones de atracción y de repulsión entre ellas.

Una estrategia alternativa para investigar una biblioteca digitalizada de compuestos conocidos es usar el sitio blanco en la proteína como una plantilla para construir de novo un ligando complementario. En este proceso, la cavidad digitalizada primero se llena con esferas para definir el espacio estérico disponible para el ligando. A continuación, grupos funcionales químicos proyectados para que interactúen de manera favorable con el enlace de hidrógeno cargado adyacente, y otros grupos funcionales sobre la superficie de la proteína, se colocan en puntos clave dentro del modelo estérico. Por último, la computadora busca maneras químicamente plausibles de enlazar estos grupos clave para generar un ligando candidato (figura 10-7).

Las afinidades de unión de los inhibidores seleccionados con base en estudios de acoplamiento tempranos fueron desalentadoras. Un factor contribuidor fue la dificultad de asignar y sopesar las interacciones estéricas, electrostáticas y de enlaces de hidrógeno usadas en las representaciones digitales de ligandos y proteínas. El segundo surgió a partir de la naturaleza rígida de los modelos de primera generación, que los hacía incapaces de replicar los cambios conformacionales que ocurren en el ligando y la proteína como una consecuencia de unión y catálisis, un fenómeno denominado “ajuste inducido” (capítulo 7). Sin embargo, imbuir flexibilidad conformacional a los modelos digitales de proteínas y ligandos, si bien es técnicamente factible, requiere de poder de computación masivo. De este modo, han evolucionado métodos híbridos en los que se emplea un grupo, o montaje, de plantillas que representan conformaciones de la proteína un poco diferentes (figura 10-8) y montajes de conformadores de ligando (figura 10-9) o ligandos en los cuales sólo se permite que algunos enlaces seleccionados roten libremente. Una vez que se ha estrechado el grupo de ligandos potenciales, pueden emprenderse análisis de acoplamiento más sofisticados para identificar ligandos de alta afinidad capaces de interactuar con un blanco proteínico dado a través de su espectro de estados conformacionales. El desarrollo de computación de nube ofrece una avenida potencial para expandir la capacidad computacional disponible para efectuar CADD.

Relaciones cuantitativas entre estructura y actividad

Si no se dispone de una plantilla estructural para la proteína de interés, pueden usarse programas de computadora para ayudar a buscar inhibidores de alta afinidad para calcular y proyectar relaciones cuantitativas entre estructura y actividad (QSAR). En este proceso, datos empíricos que describen propiedades clave de compuestos en estudio, como K_i, tasa de absorción, tasa de metabolismo, o umbral tóxico, se grafican en función de una representación digital de las características estéricas, electrostáticas y otras características de las moléculas de prueba. A continuación se aplica análisis de regresión o de red neuronal de la matriz multidimensional resultante para identificar características moleculares que se correlacionan bien con las propiedades biológicas deseadas. Esta información puede usarse entonces para buscar bases de datos de compuestos químicos para identificar los que poseen la combinación más promisoria de características positivas versus negativas.

La biología de sistemas se dirige a construir diagramas de circuito que modelan el metabolismo

¿Qué pasaría si un científico pudiera detectar, en algunos momentos, el efecto de inhibir una enzima particular, de reemplazar o desactivar un gen particular, la respuesta de una célula muscular a la insulina, la proliferación de una célula cancerosa, o la producción de β amiloide al ingresar la pregunta apropiada en una computadora? ¿Qué pasaría si pudiera efectuar experimentos sobre un agente patógeno importante, como el virus del ébola, usando un virus virtual por completo seguro? 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. 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 las personas. 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.

Los mapas de interacción molecular emplean 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 10-10, arriba). Sin embargo, finalmente los biólogos de sistemas diseñaron símbolos dedicados (figura 10-10, 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 10-11. 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 genómica será el catalítico para el desarrollo y la diseminación de la medicina personalizada, en la cual el diagnóstico y tratamiento estarán guiados por el conocimiento de las secuencias de DNA individual de un paciente.

• La bioinformática comprende el diseño de algoritmos de computadora y la construcción de bases de datos que permiten a los científicos recolectar, acceder y analizar la creciente avalancha de datos biomédicos.

• 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.

• La genómica ha descubierto las secuencias de muchos miles de proteínas para las cuales no se dispone de datos respecto a su estructura y función.

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

• Los biólogos computacionales están trabajando para desarrollar programas que predecirán la estructura tridimensional de proteínas directamente a partir de su secuencia primaria mediante descifrar el código plegado.

• El diseño ayudado por computadora acelera el descubrimiento de fármacos al tratar de acoplar inhibidores potenciales a blancos proteínicos seleccionados in silico.

• Los biólogos computacionales buscan aumentar la rapidez y el alcance de la investigación biomédica al construir representaciones digitales de proteínas, vías y células que permitirán a los científicos efectuar experimentos virtuales mediante modelado por computadora.

• 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.