En un avance significativo en la investigación biomédica, los científicos están comenzando a identificar enfermedades genéticas raras y mutaciones específicas de tumores mediante tecnologías innovadoras de secuenciación de ADN. La evolución de la secuenciación de próxima generación, que comenzó a cambiar el panorama de la biología molecular hace décadas, ha provocado una serie de avances. En particular, durante la crisis sanitaria mundial de 2020 y 2021, estos métodos de secuenciación facilitaron una rápida decodificación y seguimiento del genoma del SARS-CoV-2 en todo el mundo.
Paralelamente a estos avances, un número creciente de investigadores están haciendo públicos los resultados de su secuenciación, lo que ha dado lugar a una acumulación sin precedentes de datos genómicos. Las principales bases de datos, como el American Sequence Read Archive (SRA) y el European Nucleotide Archive (ENA), contienen ahora en conjunto casi 100 petabytes de información, un volumen equivalente al texto escrito completo que se encuentra en Internet. Para dar contexto, un petabyte equivale a un millón de gigabytes.
Históricamente, acceder a esta enorme riqueza de información genómica ha sido un desafío importante para los científicos biomédicos, ya que requería amplios recursos informáticos para navegar por estos repositorios y comparar sus hallazgos, lo que dificultaba las búsquedas exhaustivas. Los investigadores de ETH Zurich han abordado esta limitación desarrollando una herramienta innovadora llamada MetaGraph.
Metagraph mejora significativamente el proceso de recuperación de datos genéticos al permitir búsquedas de texto completo directamente en conjuntos de datos de ADN o ARN sin procesar, similar a la funcionalidad de un motor de búsqueda tradicional de Internet. Los investigadores pueden simplemente ingresar una secuencia genética de interés en un campo de búsqueda específico y recibir resultados en segundos o minutos, dependiendo de la complejidad de la consulta. El profesor Gunnar Ratsch, científico de datos del Departamento de Ciencias de la Computación de ETH Zurich, comparó la herramienta con “Google para ADN”, destacando la capacidad de evitar la necesidad anterior de descargar conjuntos de datos completos para acceder a secuencias sin procesar. Este antiguo método consumía mucho tiempo, era imperfecto y caro.
También cabe destacar la rentabilidad de Metagraph. Esta herramienta indexa todas las secuencias biológicas disponibles públicamente utilizando sólo unos pocos discos duros, con grandes costos de consulta estimados en alrededor de 0,74 dólares por megabase.
Gracias a su combinación de velocidad y precisión, el nuevo motor de búsqueda de ADN mejorará significativamente los esfuerzos de investigación, particularmente en áreas como la identificación de patógenos emergentes y la exploración de factores genéticos asociados con la resistencia a los antibióticos. Además, puede ayudar a encontrar virus beneficiosos que eliminen bacterias dañinas, llamadas bacteriófagos, escondidas en amplias bases de datos.
El equipo de ETH demostró la actividad de Metagraph en un estudio publicado en la naturaleza. Con reminiscencias de cómo el software de hoja de cálculo gestiona los valores, la herramienta utiliza gráficos matemáticos sofisticados para organizar y comprimir datos genéticos de manera más eficiente. Según Rätsch, la estructura se asemeja a una enorme matriz con millones de columnas y billones de filas. Si bien la creación de índices para grandes conjuntos de datos es una práctica común en informática, la singularidad del enfoque de ETH radica en su conexión efectiva entre datos sin procesar y metadatos, logrando una impresionante tasa de compresión de aproximadamente 300 veces. Este nivel de compresión es paralelo al proceso de resumir un libro: retener narrativas y relaciones clave y descartar redundancias.
Otro miembro del Grupo de Informática Biomédica de ETH Zurich, el Dr. André Kahles, enfatizó su compromiso de aumentar la compacidad de los datos sin sacrificar la información esencial. A diferencia de otras soluciones de búsqueda de ADN que se están explorando actualmente, MetaGraph es escalable, lo que significa que a medida que aumenta la cantidad de datos, la herramienta requiere progresivamente menos potencia informática adicional.
Lanzado en 2020, MetaGraph ha experimentado un perfeccionamiento continuo y ahora está disponible públicamente para búsquedas que representan millones de secuencias de ADN, ARN y proteínas de una amplia variedad de organismos, incluidos virus, bacterias, hongos, plantas, animales y humanos. Con aproximadamente la mitad de todos los conjuntos de datos de secuencias globales ya indexados, los investigadores anticipan que el resto de los datos se incluirán a finales de año. Como plataforma de código abierto, MetaGraph está preparada para atraer el interés de las empresas farmacéuticas que gestionan grandes cantidades de datos de investigación internos.
De cara al futuro, Kahles expresó su optimismo de que algún día la gente pueda utilizar el motor de búsqueda de DNA para aplicaciones personales, como los primeros usuarios de Google. “Si continúa el rápido desarrollo de la secuenciación del ADN, identificar con mayor precisión las plantas de su balcón puede convertirse en algo común”, sugiere. Esta visión marca un capítulo apasionante no sólo para los investigadores sino también para un público más amplio interesado en explorar el panorama genético.
