De la globalización a la individualización

Ana Díaz-de Usera
PhD candidate at Universidad de La Laguna

Desde que en los años 20 P.A. Levene definiera el ADN como una molécula constituida por cuatro bases nitrogenadas, un azúcar y un grupo fosfato, el campo de la genética ha evolucionado a un ritmo vertiginoso que, año tras año, sigue aumentado de forma exponencial. Tal es así que, en el año 2003, se completó la primera secuencia del genoma humano tras 13 años de trabajo y un presupuesto de 3.000 millones de dólares y, a día de hoy, el precio medio de un genoma completo ronda los 1.000$ y el tiempo promedio que tarda en obtenerse es de 3 a 5 días. El Proyecto Genoma Humano (PGH) ha supuesto el pistoletazo de salida para que muchos otros proyectos comenzaran su andadura, tales como el Proyecto 1.000 Genomas (1KGP), el Proyecto 100.000 Genomas o el Proyecto de Diversidad Genómica de Simons. Además, el PGH ha servido como antesala de los proyectos Proyecto Microbioma Humano y Proyecto Proteoma Humano, centrándose el primero en el análisis de las posibles correlaciones entre el cambio del microbioma y el estado de salud de una persona y el segundo en el estudio del funcionamiento, secuencia de aminoácidos y plegamiento de las proteínas humanas.

El 1KGP (fase 3) permitió analizar el material genético de unas 2.500 personas procedentes de países a lo largo de todo el globo terráqueo. Con este proyecto se pretendió llevar a cabo una caracterización poblacional sin precedentes que permitiera definir las diferencias genéticas existentes entre individuos procedentes de hasta 26 poblaciones diferentes. De esta forma, no solo se pudo estudiar la distribución de las variantes en los diferentes rangos de frecuencia a lo largo de las poblaciones (variantes comunes vs. variantes raras) si no que, además, se obtuvo bastante información sobre los procesos que dan lugar a la diversidad genética. Tomando como base el Proyecto 1.000 Genomas se pudo determinar que cualquier genoma típico de un individuo, seleccionado aleatoriamente de cualquiera de las poblaciones de estudio, difería entre 4,1 y 5 millones de posiciones respecto al genoma humano de referencia1. Este hecho circunscribe uno de los mayores cambios de paradigma que ha existido en el campo de la genética de poblaciones y la medicina moderna: el análisis ideal de la variación genética natural pasa por el estudio individualizado de dicha variación. De esta forma, si un individuo es susceptible a padecer una determinada enfermedad con base genética, el umbral que se establecerá para los diferentes marcadores de dicha patología será propio del paciente. Esto quiere decir que, durante un periodo de tiempo, se realizará un estudio sobre los valores entre los que fluctúa el parámetro analizado permitiendo obtener una tendencia de valores frente a la que medir cuán desviados podrían ser los futuros datos de esa medida para ese individuo. Las desviaciones significativas de dichos valores recopilados se toman como un indicativo de cambio en el estado de salud, independientemente de si los nuevos valores superan o no el umbral de la población. Un estudio de Drescher y colaboradores2 (2013) muestra la utilidad de esta aproximación en el campo del cáncer de ovarios, donde se ha observado que el establecimiento de umbrales personales en los valores del marcador tumoral CA-125 habría detectado la presencia del cáncer al mismo tiempo, o incluso un año antes que mediante el uso de umbrales poblacionales. No obstante, esta aproximación se encuentra muy lejos de alcanzarse debido a la importante inversión que supone tanto en los ensayos como en las tecnologías de monitoreo.  Sin embargo, y dado que la aproximación más cercana y precisa consiste en la segregación poblacional, diferentes países han establecido catálogos propios basados en el trasfondo genético de su población. De hecho, las estimas apuntan a que si consideramos poblaciones del mismo continente la proporción de variantes raras compartidas es del 70-80% mientras que esa misma proporción desciende hasta 10-30% cuando las poblaciones estudiadas corresponden a continentes diferentes3,4,5 . Entre algunos de los países que han generado sus propios catálogos de variación genética natural encontramos al Reino Unido6, Finlandia7, Iran8, Corea9 y Japón10. Este hecho les ha permitido contextualizar la variación genética común y rara dentro de su propia singularidad genética, pudiendo así definir variantes putativas causantes de enfermedad que en otras circunstancias y/o poblaciones no están suscritas a esas mismas condiciones. Atendiendo al estudio de la variación genética de cada población en su propio contexto genético, se ha encontrado una región cromosómica concreta relacionada con el mayor grado de longevidad en población búlgara11. Otro ejemplo de la utilidad de contextualizar se ve reflejado en el enriquecimiento en variantes de riesgo a sufrir trastornos de pánico que se ha encontrado en la población de las Islas Faroe12.

A pesar de todos los beneficios que aporta el incremento de la diversidad poblacional en los diferentes estudios, a día de hoy, sigue existiendo una acuciante desigualdad a este respecto. Tal es así que los estudios incorporados en el GWAS catalog entre los años 2005 y 2016 incluyeron un 78% de individuos de ascendencia europea, siendo la población asiática aquella con el segundo porcentaje más alto (11%). Se puede apreciar, por lo tanto, un marcado desbalanceo en la representatividad de las diferentes poblaciones en una plataforma de tan amplio alcance como es el GWAS Catalog. Sin embargo, y al igual que ha ocurrido con la medicina moderna, ha tenido lugar un cambio de paradigma gracias al cual se han desarrollado o se están desarrollando catálogos propios o estudios bastante amplios de poblaciones infrarrepresentadas para contextualizar la epidemiología de las enfermedades más comunes en ellas. Un claro ejemplo de ello son la población árabe13, la población hawaiana14 y la población de Cilento15, al sur de Italia. Así mismo, diferentes países se han hecho eco de esta nueva dirección en la compresión de la arquitectura poblacional y han puesto en marcha grandes proyectos orientados a cubrir el estudio de poblaciones infrarrepresentadas en los últimos años. El ejemplo por excelencia de este tipo de proyectos lo encontramos en el consorcio The Human Heredity and Health in Africa (H3Africa) que busca promover estudios de base genética y ambiental de enfermedades humanas en población africana y su aplicación clínica. No obstante, incluso con ese gran avance en la diversificación de ascendencias en los diferentes estudios, a día de hoy existen muchas poblaciones que siguen encontrándose en una mínima proporción como es el caso de la población norteafricana. Este hecho no solo condiciona los análisis dentro de la población infrarrepresentada, sino que también afecta negativamente al estudio de todas aquellas otras que presentan ascendencia de dicha población infrarrepresentada. Muchos son los trabajos que avalan que una correcta clasificación y categorización de las ascendencias en cualquier análisis poblacional permite una mejora en la clasificación de variantes en la población de estudio, así como un mejor diagnóstico y la aplicación de tratamientos más adaptados16. En definitiva, la mejora en los recursos de ascendencia disponibles supone, en última instancia, una mejora en la medicina personalizada.

Por lo tanto, en una ciencia donde actualmente debe primar la individualización frente a la globalización, es imprescindible caracterizar las particularidades intrínsecas de cada población en pos de un diagnóstico más fiel al contexto genético del paciente. Y esto, pasa por romper con el sesgo europeísta que ha acompañado a la ciencia desde que Levene definiera por primera vez la composición de una molécula de ADN.  

Referencias

1 The 1000 Genomes Project Consortium. A global reference for human genetic variation. Nature 2015; 526: 68–74.

2 Drescher CW, Shah C, Thorpe J, O’Briant K, Anderson GL, Berg CD, et al. Longitudinal screening algorithm that incorporates change over time in CA125 levels identifies ovarian cancer earlier than a single-threshold rule. J Clin Oncol 2013; 31(3): 387–392.

3 Gravel S, Henn BM, Gutenkunst RN, Indap AR, Marth GT, Clark AG, et al. Demographic history and rare allele sharing among human populations. Proc Natl Acad Sci U.S.A. 2011; 108(29): 11983-11988.

4 Nelson MR, Wegmann D, Ehm MG, Kessner D, Jean PSt, Verzilli C, et al. An abundance of rare functional variants in 202 drug target genes sequenced in 14,002 people. Science 2012; 337(6090): 100-104.

5 Tennessen JA, Bigham AW, O’Connor TD, Fu W, Kenny EE, Gravel S, et al. Evolution and functional impact of rare coding variation from deep sequencing of human exomes. Science 2012; 337 (6090): 64-69.

6 The UK10K Consortium. The UK10K project identifies rare variants in health and disease. Nature 2015; 526: 82–90.

7 Chheda H, Palta P, Pirinen M, McCarthy S, Walter K, Koskinen S, et al. Whole-genome view of the consequences of a population bottleneck using 2926 genome sequences from Finland and United Kingdom. Eur J Hum Genet 2017; 25(4): 477–484.

8 Fattahi Z, Beheshtian M, Mohseni M, Poustchi H, Sellars E, Nezhadi SH, et al. Iranome: A catalog of genomic variations in the Iranian population. Hum Mutat 2019; 40(11): 1968-1984.

9 Kim J, Weber JA, Jho S, Jang J, Jun J, Cho YS, et al. KoVariome: Korean National Standard Reference Variome database of whole genomes with comprehensive SNV, indel, CNV, and SV analyses. Sci Rep 2018; 8: 5677.

10 Nagasaki M, Yasuda J, Katsuoka F, Nariai N, Kojima K, Kawai Y, et al. Rare variant discovery by deep whole-genome sequencing of 1,070 Japanese individuals. Nat Commun 2015; 6: 8018.

11 Serbezov D, Balabanski L, Karachanak-Yankova S, Vazharova R, Nesheva D, Hammoudeh Z, et al. Novel genes and variants associated with longevity in Bulgarian centenarians revealed by whole exome sequencing DNA pools: a pilot study. J transl genet genom 2020; 4: 446-454.

12 Gregersen NO, Lescai F, Liang J, Li Q, Als T, Buttenschøn HN, et al. Whole-exome sequencing implicates DGKH as a risk gene for panic disorder in the Faroese population. Am J Med Genet B Neuropsychiatr Genet 2016; 171(8): 1013–1022.

13 Al-Ali M, Osman W, Tay GK, AlSafar HS. A 1000 Arab genome project to study the Emirati population. J Hum Genet 2018; 63:533–536.

14 Lin M, Caberto C, Wan P, Li Y, Lum-Jones A, Tiirikainen M, et al. Population specific reference panels are crucial for the genetic analyses of Native Hawai’ians: an example of the CREBRF locus. bioRxiv 2019.

15 Nutile T, Ruggiero D, Herzig AF, Tirozzi A, Nappo S, Sorice R, et al. Whole-exome sequencing in the Isolated populations of Cilento from South Italy. Sci Rep 2019; 9:4059.

16 Sirugo G, Williams SM, Tishkoff SA. The Missing Diversity in Human Genetic Studies. Cell 209; 177(1): 26–31.

Shopping Basket