Aplicação de Hi-C técnica e ferramentas de machine-learning para detecção e interpretação clínica de variantes genômicas em doenças genéticas raras

Resumo

A maioria das doenças raras tem uma causa genética subjacente. Existem mais de 7.000 doenças raras, cerca de 80% das quais se acredita terem uma causa genética. A maioria (50-75%) das doenças raras afeta crianças, e muitas são doenças multissistêmicas graves com uma variedade de fenótipos. Embora individualmente sejam raras, coletivamente são responsáveis por 35% dos óbitos no primeiro ano de vida e são uma importante causa de internações pediátricas; um terço das crianças nascidas com uma doença rara não viverá até o quinto aniversário. A determinação precisa da causa molecular (genótipo) que explica as características clínicas da doença rara (fenótipo) é a pedra angular da prática médica segura. Para crianças com um distúrbio genético raro, um diagnóstico genético robusto permite o acesso a informações sobre manejo e terapia e também ligação a grupos de apoio específicos para o distúrbio, o que reduz o isolamento das famílias afetada. No entanto, encontrar um diagnóstico molecular continua sendo um desafio considerável devido à variabilidade genética e fenotípica associada a essas doenças e ao conhecimento incompleto.Existem duas grandes limitações dos métodos atuais de diagnóstico genético. Primeiro, os métodos existentes variam em sua sensibilidade e resolução de análise, e nenhum deles pode detectar variantes de número de cópias (CNVs), variações estruturais (SV) e variantes de nucleotídeo único (SNVs) com alta precisão e resolução. A sensibilidade dos métodos disponíveis é especialmente limitada no caso de SVs submicroscópicas balanceadas e SVs complexas envolvendo múltiplos segmentos cromossômicos. Recentemente, derivados da abordagem Hi-C ganharam atenção como ferramentas poderosas para detecção de rearranjos cromossômicos complexos. O segundo desafio é a classificação precisa e a avaliação de causalidade de variantes não codificantes. Considerando que existem vários bancos de dados e ferramentas que permitem estimar os efeitos das variantes codificadoras de proteínas, a interpretação clínica de SNVs e SVs não codificantes ainda é incerta. Recentes métodos experimentais e in silico que permitem delinear o perfil do transcriptoma, epigenoma e organização 3D da cromatina abriram novas possibilidades para a análise funcional de variações não codificantes.Neste projeto, propomos aplicar técnicas experimentais e computacionais estabelecidas por Veniamin Fishman (cientista visitante) e seu grupo em Novosibirsk para contribuir para melhorar os métodos existentes de diagnóstico molecular no Centro de Pesquisa do Genoma Humano e Células-Tronco. Em particular, a principal contribuição desta colaboração é a proposta de usar o Hi-C e outros métodos baseados em 3C para resolver SVs com alta resolução e o uso de ferramentas modernas baseadas em IA para avaliar os efeitos de variantes genômicas não codificantes em expressão gênica e splicing. (AU)