GENCODE

GENCODE es un proyecto científico de investigación genómica y forma parte del proyecto de ampliación ENCODE (ENCyclopedia Of DNA Elements).

El consorcio GENCODE se formó inicialmente como parte de la fase piloto del proyecto ENCODE para identificar y mapear todos los genes codificadores de proteínas dentro de las regiones ENCODE (aproximadamente el 1 % del genoma humano). ^{[ 2 ]} Dado el éxito inicial del proyecto, GENCODE ahora tiene como objetivo construir una "Enciclopedia de genes y variantes genéticas". ^{[ 2 ]}

El resultado será un conjunto de anotaciones que incluirán todos los loci codificantes de proteínas con variantes transcritas alternativamente , ^{[ 3 ]} loci no codificantes ^{[ 4 ]} con evidencia de transcripción y pseudogenes . ^{[ 5 ]}

GENCODE está progresando actualmente hacia sus objetivos en la Fase 2 del proyecto. ^{[ 6 ]}

La versión más reciente de las anotaciones del conjunto de genes humanos es Gencode 36, con fecha de congelación de diciembre de 2020. Esta versión utiliza el último ensamblaje del genoma de referencia humano GRCh38 . ^{[ 7 ]}

La última versión de las anotaciones del conjunto de genes del ratón es Gencode M25, también con fecha de congelación en diciembre de 2020. ^{[ 7 ]}

Desde septiembre de 2009, GENCODE ha sido el conjunto de genes humanos utilizado por el proyecto Ensembl y cada nueva versión de GENCODE corresponde a una versión de Ensembl. ^{[ 8 ]}

Septiembre de 2003

El proyecto se diseñó con tres fases: piloto, desarrollo tecnológico y producción. ^{[ 9 ]} La fase piloto del proyecto ENCODE tuvo como objetivo investigar en profundidad, tanto computacional como experimentalmente, 44 regiones que suman 30 Mb de secuencia, lo que representa aproximadamente el 1 % del genoma humano. Como parte de esta fase, se formó el consorcio GENCODE para identificar y mapear todos los genes codificadores de proteínas dentro de las regiones ENCODE. ^{[ 2 ]} Se preveía que los resultados de las dos primeras fases se utilizarían para determinar la mejor manera de analizar el 99 % restante del genoma humano en una fase de producción rentable e integral. ^{[ 9 ]}

Abril de 2005 La primera versión de la anotación de las 44 regiones ENCODE se congeló el 29 de abril de 2005 y se utilizó en el primer taller del Proyecto de Evaluación de Anotación del Genoma ENCODE (E-GASP). ^{[ 2 ]} La versión 1 de GENCODE contenía 416 loci conocidos, 26 loci CDS nuevos (secuencia de ADN codificante), 82 loci de transcripción nuevos, 78 loci putativos, 104 pseudogenes procesados ​​y 66 pseudogenes sin procesar.

Octubre de 2005 Una segunda versión (versión 02) se congeló el 14 de octubre de 2005, que contenía actualizaciones posteriores a descubrimientos de validaciones experimentales utilizando técnicas RACE y RT-PCR . ^{[ 2 ]} GENCODE Versión 2 contenía 411 loci conocidos, 30 nuevos loci CDS, 81 nuevos loci de transcripción, 83 loci putativos, 104 pseudogenes procesados ​​y 66 pseudogenes sin procesar.

Junio ​​de 2007 Las conclusiones del proyecto piloto se publicaron en junio de 2007. ^{[ 10 ]} Los hallazgos resaltaron el éxito del proyecto piloto para crear una plataforma viable y nuevas tecnologías para caracterizar elementos funcionales en el genoma humano, lo que allana el camino para abrir la investigación en estudios de todo el genoma.

En octubre de 2007, la nueva financiación formó parte del esfuerzo del NHGRI por ampliar el Proyecto ENCODE a una fase de producción que abarcara todo el genoma, junto con estudios piloto adicionales.

Septiembre de 2012 En septiembre de 2012, el consorcio GENCODE publicó un documento importante que analizaba los resultados de una versión importante: GENCODE Release 7, que se había congelado en diciembre de 2011. ^{[ 11 ]}

2018 En 2018, una de las últimas incorporaciones al proyecto GENCODE fue la pista CRISPR/Cas9 en ensamblajes de genomas humanos y de organismos modelo . CRISPR es una técnica de edición genómica que utiliza secuencias de ARN que se unen con éxito a la región editada con alta especificidad. La nueva pista se diseñó para facilitar la búsqueda de secuencias guía adecuadas, enumerando los posibles sitios de unión para el complejo CRISPR/Cas9 que se encuentran junto a regiones transcritas o a menos de 200 pb de una de ellas. Para cada sitio, la pista proporciona posibles secuencias guía junto con una colección de puntuaciones de eficiencia y especificidad predichas para dichas secuencias. También proporciona información sobre posibles sitios fuera de objetivo, agrupados según el número de desajustes entre el sitio fuera de objetivo y la guía. ^{[ 11 ]}

2020 Entre otros logros, se completó la primera anotación manual del genoma de referencia del ratón, se inició una cooperación con las bases de datos de anotación de referencia RefSeq y Uniprot para lograr la convergencia de la anotación, y se mejoró la anotación de los lncRNA mediante el descubrimiento de nuevos loci y nuevos transcritos en loci existentes. Además, dada la pandemia de COVID-19 durante 2020, surgió la necesidad de apoyar la investigación que respondiera a la situación, por lo que GENCODE revisó y mejoró la anotación de un conjunto de genes codificadores de proteínas asociados con la infección por SARS-CoV-2. ^{[ 12 ]}

Los participantes clave del proyecto GENCODE se han mantenido relativamente constantes a lo largo de sus diversas fases, y actualmente el Wellcome Trust Sanger Institute lidera los esfuerzos generales del proyecto.

A continuación se presenta un resumen de las principales instituciones participantes en cada fase: ^{[ 6 ] [ 13 ]}

Desde su creación, GENCODE ha publicado 36 versiones de las anotaciones del conjunto de genes humanos (sin incluir las actualizaciones menores).

A continuación se muestran las estadísticas descriptivas clave de la anotación más reciente del conjunto de genes humanos de GENCODE ( versión 49 ): ^{[ 14 ]}

Gracias a los avances en las tecnologías de secuenciación (como RT-PCR-seq), el aumento de la cobertura mediante anotaciones manuales (grupo HAVANA) y las mejoras en los algoritmos de anotación automática que utilizan Ensembl, la precisión y la exhaustividad de las anotaciones de GENCODE se han ido perfeccionando continuamente a través de sus sucesivas versiones.

A continuación se muestra una comparación de las estadísticas clave de tres versiones principales de GENCODE hasta 2014. ^{[ 14 ]} Es evidente que, si bien la cobertura, en términos del número total de genes descubiertos, está aumentando constantemente, el número de genes codificadores de proteínas ha disminuido. Esto se atribuye principalmente a las nuevas evidencias experimentales obtenidas mediante el análisis de la expresión génica de la caperuza (CAGE) , los sitios de poliadenilación anotados y los péptidos identificados. ^{[ 11 ]}

• Versión 7 (congelación de diciembre de 2010, GRCh37) - Ensembl 62
• Versión 10 (congelación de julio de 2011, GRCh37) - Ensembl 65
• Versión 20 (congelación de abril de 2014, GRCh38) - Ensembl 76

• 
  Comparación de las versiones humanas de GENCODE (transcripciones)
• 
  Comparación de las versiones humanas de GENCODE (genes)
• 
  Comparación de las versiones humanas de GENCODE (traducciones)

Los loci putativos pueden verificarse mediante experimentos de laboratorio húmedo y las predicciones computacionales se analizan manualmente. ^{[ 15 ]} Actualmente, para asegurar que un conjunto de anotaciones cubra el genoma completo en lugar de solo las regiones que se han anotado manualmente, se crea un conjunto de datos fusionado utilizando anotaciones manuales de HAVANA, junto con anotaciones automáticas del conjunto de genes anotados automáticamente de Ensembl. Este proceso también agrega predicciones únicas de CDS de longitud completa del conjunto de codificación de proteínas de Ensembl a los genes anotados manualmente, para proporcionar la anotación más completa y actualizada posible del genoma. ^{[ 16 ]}

La versión actual del conjunto de genes humanos GENCODE (GENCODE Release 20) incluye archivos de anotación (en formatos GTF y GFF3), archivos FASTA y archivos METADATA asociados a la anotación GENCODE en todas las regiones genómicas (cromosomas de referencia, parches, andamios y haplotipos). Los datos de anotación se basan en cromosomas de referencia y se almacenan en archivos separados que incluyen: anotación genética, características de poliadenilación anotadas por HAVANA, pseudogenes (retrotranspuestos) predichos por las plataformas de Yale y UCSC, pero no por HAVANA, ARN largos no codificantes y estructuras de ARNt predichas por tRNA-Scan. A continuación se muestran algunos ejemplos de las líneas en formato GTF:

Las columnas que aparecen en los formatos de archivo GTF de GENCODE se describen a continuación.

Descripción del formato del archivo GTF de GENCODE. Columnas GTF estándar separadas por tabulaciones.

Descripción de los pares clave-valor en la novena columna del archivo GTF de GENCODE (formato: clave "valor")

El Proyecto Genoma Humano fue un esfuerzo de investigación internacional para determinar la secuencia del genoma humano e identificar los genes que contiene. El proyecto fue coordinado por los Institutos Nacionales de Salud y el Departamento de Energía de los Estados Unidos. Otros colaboradores incluyeron universidades de todo Estados Unidos y socios internacionales del Reino Unido, Francia, Alemania, Japón y China. El Proyecto Genoma Humano comenzó formalmente en 1990 y se completó en 2003, dos años antes de lo previsto. ^{[ 21 ]}

• Anotación del genoma
• Anotación de vertebrados y genomas

• Páginas oficiales de GENCODE