UNISOM, es un nuevo método desarrollado por investigadores para la detección de mutaciones somáticas, relacionadas con cáncer y enfermedades cardiovasculares.
En lo profundo del cuerpo humano, puede formarse un grupo de células sanguíneas mutadas de crecimiento lento. Esta mutación está presente en 1 de cada 5 ancianos, lo cual puede aumentar el riesgo de leucemia y cardiopatía sin previo aviso. En este sentido, investigadores de Mayo Clinic se encuentran explorando más acerca de este riesgo escondido. Un artículo publicado en Genomics, Proteomics & Bioinformatics en 2025, presenta un nuevo flujo de trabajo diseñado para mejorar la detección de mutaciones somáticas asociadas a la hematopoyesis clonal de potencial indeterminado (CHIP, en inglés). Este método combina técnicas de llamada de variantes somáticas con modelos de machine learning para clasificar y refinar mutaciones, superando limitaciones de los enfoques tradicionales.
La CHIP es una condición premaligna en la que células hematopoyéticas adquieren mutaciones somáticas en genes asociados a leucemia, aumentando el riesgo de enfermedades hematológicas y cardiovasculares. En este sentido, el estudio detalla que la detección de mutaciones con frecuencias alélicas bajas (VAF < 5%) es un desafío técnico, especialmente en secuenciación de genoma completo (WGS, en inglés) o exoma completo (WES, en inglés) con cobertura moderada.
UNISON, el método desarrollado por investigadores de Mayo Clinic, integra tres herramientas de llamada de variantes (VarTracker, Mutect2 y VarDict) para maximizar la sensibilidad en la detección de mutaciones somáticas, incluso a bajas VAFs.
“Detectar la enfermedad en sus raíces moleculares más tempranas es uno de los avances más significativos que podemos hacer en medicina”, xpresó el el Dr. Eric Klee, coautor del estudio. “UNISOM es sólo uno de los muchos ejemplos de cómo estamos traduciendo la ciencia genómica en herramientas innovadoras que apoyan la atención oportuna e informada”.
Además, UNISOM, utiliza una clasificación por machine learning or machine learning. El modelo utiliza modelos como XGBoost y Random Forest para distinguir entre mutaciones CHIP, variantes germinales y artefactos técnicos, reduciendo la necesidad de intervención manual.
Para su validación, en pruebas con datos simulados y reales, UNISOM detectó el 80% de las mutaciones CHIP identificadas por secuenciación profunda, demostrando alta sensibilidad para clones pequeños.
Al aplicarse a datos de WGS de 979 individuos del Mayo Clinic Biobank, UNISOM identificó una prevalencia de CHIP del 17.5%, superior a estudios previos que usaron métodos menos sensibles. Los resultados replicaron patrones conocidos: mayor frecuencia de mutaciones en genes como DNMT3A, TET2 y ASXL1, asociación con edad avanzada y tabaquismo, y predominio de condiciones relacionadas con envejecimiento.
“Estamos diseñando un camino desde el descubrimiento genómico hasta la toma de decisiones clínicas”, expresó el Dr. Tian, coautor principal y bioinformático de Mayo Clinic. “Es gratificante ayudar a acercar estos descubrimientos a la atención clínica, donde pueden informar las decisiones y apoyar un tratamiento más preciso”.
El estudio destaca que UNISOM puede perder mutaciones en genes poco representados en cohortes pequeñas. La dependencia de la cobertura de secuenciación sigue siendo un factor crítico para detectar clones muy minoritarios.
UNISOM representa un avance significativo en la detección de CHIP, ofreciendo una herramienta accesible, disponible en GitHub and BioCode, para estudios genómicos poblacionales. Su capacidad para identificar mutaciones de baja frecuencia con alta precisión podría mejorar la monitorización temprana de riesgos clínicos asociados a la hematopoyesis clonal. Futuras investigaciones podrían explorar su aplicabilidad en otros contextos somáticos o cánceres sólidos.
