Epigenética computacional

Se están empleando métodos computacionales y tecnologías de secuenciación de próxima generación (NGS) para estudiar la metilación del ADN y las modificaciones de las histonas, que son esenciales en la investigación del cáncer. La secuenciación de alto rendimiento ofrece información valiosa sobre los cambios epigenéticos, y el creciente volumen de estos conjuntos de datos impulsa el desarrollo continuo de técnicas bioinformáticas para su gestión y análisis eficaces. ^{[ 2 ]}

Se necesitan herramientas de integración de datos que puedan combinar diversos tipos de modificaciones epigenéticas y datos ómicos (incluidos transcriptómica, genómica, epigenómica y proteómica) para obtener una comprensión integral de los procesos biológicos. Esto requiere la estandarización, anotación y armonización de los datos epigenéticos, junto con la mejora de los enfoques computacionales y de aprendizaje automático. ^{[ 3 ]}

La comprensión de las implicaciones funcionales de la epigenética en las enfermedades puede avanzar significativamente mediante el uso de herramientas de edición epigenética, como la tecnología CRISPR-dCas9. Estas herramientas permiten modificaciones precisas de las marcas epigenéticas en loci específicos, lo que permite a los investigadores evaluar los efectos de estas alteraciones en modelos celulares y animales, complementando así los conocimientos obtenidos a partir de análisis computacionales. ^{[ 3 ]}

Se han desarrollado diversas técnicas experimentales para el mapeo genómico de información epigenética, ^{[ 4 ]} siendo las más utilizadas ChIP-on-chip , ChIP-seq y la secuenciación con bisulfito . Todos estos métodos generan grandes cantidades de datos y requieren métodos eficientes de procesamiento y control de calidad mediante técnicas bioinformáticas.

Se ha dedicado una cantidad considerable de investigación bioinformática a la predicción de información epigenética a partir de las características de la secuencia del genoma . Dichas predicciones cumplen una doble función. En primer lugar, las predicciones precisas del epigenoma pueden sustituir, hasta cierto punto, los datos experimentales, lo cual es particularmente relevante para los mecanismos epigenéticos recientemente descubiertos y para especies distintas del ser humano y el ratón. En segundo lugar, los algoritmos de predicción construyen modelos estadísticos de información epigenética a partir de datos de entrenamiento y, por lo tanto, pueden constituir un primer paso hacia el modelado cuantitativo de un mecanismo epigenético. Se ha logrado una predicción computacional exitosa de la metilación y acetilación del ADN y la lisina mediante combinaciones de diversas características. ^{[ 5 ] [ 6 ]}

El importante papel de los defectos epigenéticos en el cáncer abre nuevas oportunidades para mejorar el diagnóstico y la terapia. Estas áreas de investigación activas plantean dos preguntas particularmente susceptibles al análisis bioinformático. Primero, dada una lista de regiones genómicas que presentan diferencias epigenéticas entre células tumorales y controles (o entre diferentes subtipos de la enfermedad), ¿podemos detectar patrones comunes o encontrar evidencia de una relación funcional de estas regiones con el cáncer? Segundo, ¿podemos utilizar métodos bioinformáticos para mejorar el diagnóstico y la terapia mediante la detección y clasificación de subtipos importantes de la enfermedad?