Científicos de UCLA y la Universidad de Toronto, desarrollaron moPepGen, una herramienta computacional avanzada que identifica mutaciones genéticas en proteínas.
Un nuevo algoritmo, descrito en Nature Biotechnology, identifica péptidos no canónicos con alta precisión y eficiencia, ampliando las capacidades de los estudios proteogenómicos en cáncer y otras enfermedades. Los péptidos son moléculas que se forman a través de cadenas cortas de aminoácidos vinculados por uniones químicas denominadas enlaces peptídicos. El análisis de proteínas derivadas de variantes genéticas y transcripcionales no convencionales representa uno de los mayores desafíos en la proteogenómica, la disciplina que se utiliza para el descubrimiento de nuevas regiones o genes codificantes de proteínas y proporcionar pruebas a nivel proteico que confirmen un potencial codificador de proteínas de un gen.
Para abordar este tema tan complejo, un equipo de investigadores de la Universidad de Toronto y UCLA, ha desarrollado moPepGen, un algoritmo basado en grafos que permite generar y detectar péptidos no canónicos a partir de múltiples tipos de variantes genómicas y transcripcionales. La herramienta ha demostrado ser efectiva en múltiples contextos biológicos y tecnológicos, incluyendo estudios en cáncer humano, modelos animales y datos de proteómica masiva.
“Desarrollamos moPepGen para ayudar a los investigadores a determinar qué variantes genéticas se expresan realmente a nivel proteico, abordando así un desafío de larga data en la comunidad proteogenómica”, expresó el Dr. Chenghao Zhu, investigador postdoctoral del departamento de genética humana de UCLA y coautor principal del estudio. “Nuestra herramienta mejora significativamente la detección de variaciones ocultas en las proteínas mediante un enfoque basado en grafos para procesar eficientemente todo tipo de cambios genéticos. Esto proporciona una visión más completa de la diversidad proteica y ofrece a los investigadores una visión mucho más precisa de cómo las mutaciones influyen en las enfermedades”.
Según el estudio, moPepGen se distingue por su capacidad para integrar de forma eficiente variantes como polimorfismos de un solo nucleótido (SNPs, en inglés), inserciones, deleciones, empalmes alternativos, fusiones de transcritos y ARN circular. A diferencia de métodos previos que abordaban estas alteraciones de manera aislada, moPepGen utiliza una estructura de grafos que permite analizar combinaciones complejas de variantes, generando bases de datos personalizadas de péptidos no canónicos con tiempos de ejecución lineales.
El equipo probó la eficacia de moPepGen con datos proteogenómicos de cinco tumores de próstata, ocho tumores renales y 376 líneas celulares. Los resultados mostraron, la identificación exitosa de variaciones proteicas previamente indetectables, asociadas con mutaciones genéticas, fusiones génicas y cambios moleculares.
En pruebas comparativas con herramientas como customProDB y pyQUILTS, moPepGen mostró mayor sensibilidad, especialmente en contextos con procesos biológicos complejos. Fue el único algoritmo capaz de procesar simultáneamente eventos como edición de ARN, empalmes alternativos, y fusión de transcritos, generando resultados más completos.
“Hasta ahora, no ha habido una forma práctica de gestionar la enorme complejidad de la variación genética y transcriptómica”, afirmó el Dr. Zhu. “El algoritmo funciona rápidamente, incluso al analizar cantidades masivas de datos, y está diseñado para funcionar en múltiples tecnologías y especies”.
El Dr. Paul Boutros, profesor de urología y genética humana en UCLA, explicó que moPepGen tiene el potencial de impulsar la investigación sobre cáncer, enfermedades neurodegenerativas y otros campos relacionados. Además, moPepGen ha permitido detectar nuevos péptidos candidatos a neoantígenos, lo cual podría ser relevante para el desarrollo de terapias inmunológicas personalizadas.
La herramienta está disponible de manera gratuita para investigadores y se puede integrar a flujos de trabajo existentes: https://github.com/uclahs-cds/package-moPepGen
