Quan parlem de la malaltia de Huntington, sovint la resumim en una idea poderosa i inquietant: un sol gen pot desencadenar una malaltia neurodegenerativa devastadora. Però la realitat és més matisada. Dues persones amb el mateix diagnòstic poden començar amb símptomes en edats molt diferents: algunes als 20, d'altres als 70. Aquesta variabilitat és un gran repte per entendre millor la malaltia. Però alhora també una oportunitat, perquè ens permet trobar estratègies per endarrerir-ne l'inici.
3 lletres, 35 repeticions i moltes llacunes
La causa principal de Huntington és una expansió o repetició inestable d'un triplet de lletres (“CAG”) a l'ADN, concretament al gen HTT. En general, com més repeticions CAG, més aviat apareixen els símptomes. Tot i que tots heretem un cert nombre de repeticions CAG, es considera que el risc d'esdevenir simptomàtic augmenta quan aquesta xifra supera aproximadament les 35 repeticions. A més, aquestes expansions no són completament estables: poden créixer al llarg de la vida en un procés anomenat expansió somàtica, que pot influir en la progressió de la malaltia.
Aquesta relació només explica una part de la història: fins i tot tenint en compte el nombre de repeticions CAG, queda una part important de les variacions d'edat sense explicar. És a dir, gent amb el mateix nombre d'aquestes repeticions pot desenvolupar els símptomes des dels 18 fins als 70 anys, per exemple. I aquí és on entren en joc els modificadors genètics: variants en altres gens que poden accelerar o retardar l'edat d'inici.
En el treball que hem publicat recentment volem trobar aquests gens modificadors. Com? És més fàcil descobrir-los canviant la tècnica d'estudi actual? En lloc de fer servir els models lineals clàssics utilitzats en estudis genètics, per què no emprem un tipus d'intel·ligència artificial com són els mètodes d'aprenentatge automàtic? Aquests últims són capaços de captar interaccions més complexes. I encara més: podem integrar informació sobre regulació genètica per apuntar no només “on” hi ha variants rellevants, sinó també “com” podrien estar actuant?
De milions de combinacions a cinc grups definits
Les dades genètiques modernes són immensament riques. En el nostre cas, vam treballar amb informació genòmica de 9 064 pacients. Això suposa prop de 340 000 variants (SNP) associades a 2 774 gens relacionats amb processos biològics plausibles en Huntington. A més, les dades també tenien informació del nombre de repeticions CAG mesurat en sang. Aquesta dada reflecteix, fonamentalment, la longitud heretada d'aquesta expansió, tot i que no captura completament les repercussions que poden aparèixer en altres teixits com el cervell.
Si intentem predir l'edat d'inici de la malaltia només amb models simples, és fàcil que se'ns escapin dues coses importants: que una variant pot tenir efectes diferents segons el context, i que l'efecte d'un gen pot dependre tant del nombre de CAG com d'altres variants.
Per abordar-ho, vam reformular el problema d'una manera útil: primer vam ajustar un model que predigués l'edat d'inici només a partir de CAG. Després, en lloc de predir directament l'edat, vam mirar quants anys una persona s'avança o es retarda respecte del que “tocaria” pel seu nombre de repeticions CAG.
Els resultats els vam dividir en 5 grups i, així, el problema es va convertir en una tasca de classificació. Això ens permetria identificar quins motius fan que persones amb el mateix nombre de repeticions CAG desenvolupin símptomes en punts molt diferents de les seves vides. Aquests motius poden ser genètics, és a dir, variants concretes en altres gens allunyats de les repeticions CAG, però que podrien estar ralentitzant o accelerant els símptomes.
Un camí amb moltes bifurcacions
Durant el nostre estudi, vam comparar un enfocament lineal clàssic (models estadístics tradicionals que no contemplen relacions complexes) amb l'eina d'aprenentatge automàtic XGBoost, un mètode basat en conjunts d’arbres de decisió que rendeix molt bé en dades complexes. El resultat va ser clar: XGBoost guanyava de manera consistent el model lineal tradicional, perquè demostrava que la relació entre variants genètiques i edat d'inici de la malaltia no és “recta”, sinó plena de girs i bifurcacions.
D'eixes “bifurcacions”, algunes ja eren conegudes, com els gens de reparació de l'ADN (per exemple, el FAN1 o Fanconi anemia-associated nuclease 1), que actuen com a “controls positius”: si el model els troba, és que va ben encaminat. Però també en vam detectar de noves (per exemple, la NRG1 o Neuregulina 1) que apunten a vies biològiques menys explorades en aquest context, com la regulació de la transcripció, el procés de “traduir” certs fragments de l'ADN per crear proteïnes concretes.
Cada persona és diferent
XGBoost és un model que classifica cada persona utilitzant un seguit d'arbres de decisió: primer mira una sola variable, i segons el valor de la persona en aquella variable, la desvia a diferents branques, on se l'avalua en altres variables. En els nostres models, molts arbres comencen dividint les persones per les seves repeticions de CAG. Després, pel codi genètic en altres gens. Però la nostra classificació ja controla l'efecte inicial de CAG sol! Això significa que hi ha una relació molt rellevant entre el nombre de CAG i els modificadors genètics.
Aquest mètode d'estudi revela que el camí és encara més sinuós: no tots els modificadors genètics tenen el mateix pes per a totes les persones. Això és lògic si pensem que una expansió CAG curta (no moltes repeticions) i una de llarga (moltes repeticions inestables) no afecten les cèl·lules de la mateixa manera: quan el nombre de repeticions és relativament modest, el que sembla marcar la diferència són sobretot processos de manteniment i reparació de l'ADN.
En canvi, quan les expansions superen un cert llindar i la proteïna huntingtina comença a adoptar formes més tòxiques, les cèl·lules entren en un estat de major estrès. En aquests casos guanyen importància vies de processos biològics relacionats amb el metabolisme de l'àcid fòlic, l'apoptosi neuronal (o procés de mort cel·lular programada per a eliminar neurones innecessàries) i la degradació de proteïnes.
Aquesta dependència del “context CAG” seria molt difícil de detectar amb models d'estudi lineals estàndard, que sovint no poden captar interaccions d'aquest tipus.
Afegir una nova capa: què passa si la variant canvia l'expressió d'un gen?
I aquesta història és encara més llarga, perquè moltes variants genètiques rellevants per a la malaltia no són dins del “codi” d'un gen, sinó en regions reguladores llunyanes del gen, però que, no obstant, n'alteren l'activitat.
Aquí és on entren en joc els models de llenguatge genòmic (models basats en la mateixa tecnologia que ChatGPT, per exemple): xarxes neuronals entrenades per predir senyals biològics a partir de seqüències llargues d'ADN. Nosaltres vam utilitzar-ne un anomenat Borzoi per predir canvis d'expressió en teixits especialment afectats en Huntington, com el putamen i el caudat. A partir d'aquí, vam construir models multimodals que combinen genotip i prediccions reguladores personalitzades.
Vam trobar que només amb les prediccions d'expressió d'aquests models de llenguatge ja obteníem classificacions raonables. Si aquesta informació es complementa amb la informació genètica utilitzada en els models unimodals, la classificació era similar als models entrenats només amb informació genètica. Això podria semblar significar que aquestes prediccions no aporten informació útil, però mirant quines variables s'utilitzen quan es fa la classificació vam veure que sí que s'utilitzava el nivell de canvi en expressió, suggerint que la regulació gènica també s'hauria de tenir en compte per trobar modificadors genètics, no només el codi del gens en sí.
Per què importa tot plegat?
Aquest treball defensa una idea: si volem entendre la variabilitat d'una malaltia com Huntington, calen models que captin interaccions i que integrin múltiples capes d'informació. Els arbres de decisió ens permeten veure dependències del context (com el llindar de repeticions CAG) i els models genòmics obren la porta a connectar variants reguladores amb possibles mecanismes biològics. Aquests descobriments són un inici de cara a trobar estratègies que permeten endarrerir l'inici de la malaltia.