DNA background
La genomica computazionale trae spunto dalla genomica, disciplina che studia la struttura, sequenza, funzione ed evoluzione del genoma. Dunque il DNA presente nelle cellule di una particolare specie gioca un ruolo fondamentale in questa branca di studi.
La Genomica computazionale invece è la scienza che decifra la funzione delle regioni del genoma. Il genoma viene seuqenziato mediante l’utilizzo di analisi statistiche e computazionali. Questo pone le basi per le future scoperte nel campo della biologia e della medicina.
La disciplina della genomica computazionale si trova all’interfaccia tra la genomica, le scienze quantitative (come la matematica, la statistica, l’informatica) e l’ingegneria e abbraccia i livelli di indagine dai singoli geni ai sistemi.
Diversi articoli pubblicati dal 1962 al 1965 da Linus Pauling ed Emile Zuckerkandl furono l’inizio della genomica computazionale. Infatti sulla base della somiglianza di sequenza, è possibile trarre conclusioni su struttura simile, funzione simile e ascendenza comune. Queste inferenze sono al centro della biologia computazionale.
Le sequenze di geni, genomi e proteine non sono gli unici tipi di dati che interessano la genomica. Infatti le nuove tecnologie consentono la raccolta di informazioni sull’organizzazione spaziale dei geni e delle sequenze regolatrici. Dunque è possibile studiare anche la concentrazione di diverse molecole in cellule, organi e campioni biologici. (la misurazione dei livelli di mRNA, raccolti con l’ausilio di array di espressione genica, è l’esempio più famoso di questa classe di dati); e circa la morfologia cellulare e le risposte fisiologiche.
I disturbi della generazione di energia mitocondriale sono un gruppo di oltre 300 disturbi monogenici con un’ampia gamma di presentazioni cliniche, coinvolgimento degli organi, età di insorgenza e progressione. Negli ultimi anni la genomica computazionale ha permesso di evitare biopsie invasive in molti pazienti. Sebbene ciò possa spesso dare una diagnosi inequivocabile, è ancora comune per i pazienti con un forte sospetto clinico di malattia mitocondriale non ricevere una diagnosi o avere solo varianti di significato incerto identificate. Per interpretare le varianti genomiche è fondamentale stabilire robuste associazioni gene-malattia e variante-malattia.
La ricerca senza fine sulla “ereditabilità nascosta” nei fenotipi umani evidenzia i limiti dei metodi esistenti per scoprire tutti i determinanti genomici di tratti complessi. Il potere del deep learning è utilizzato per rappresentare le relazioni non lineari, per aiutare a scoprire i modelli genomici alla base della complessità biologica. Inoltre l’uso dell’intelligenza artificiale spiegabile aumenta il potenziale di scoperta del deep learning e fornire nuove informazioni sui meccanismi molecolari alla base delle malattie umane.
L’introduzione di nuovi approcci di convalida genomica, computazionale e funzionale nell’ultimo decennio ha contribuito ad un miglioramento nella capacità di rilevare e caratterizzare le varianti genomiche che sono alla base delle malattie mitocondriali e di altri disturbi ereditari. Tuttavia l’interpretazione dei risultati di queste tecnologie continuerà a fare affidamento su quadri di esperti per definire la certezza diagnostica e la crescita dei database su cui si basano. Una componente chiave di questo progresso sarà dunque la rianalisi esperta e la cura dei dati per ridurre al minimo le discrepanze nell’applicazione dei parametri per identificare le associazioni gene-malattia e le associazioni variante-malattia.
Ci si potrebbe aspettare che nei prossimi anni ci sarà una forte polarizzazione in database come ClinVar da categorie come Variant of Uncertain Significance a varianti considerate patogene o benigne. Questo sarà di grande valore per facilitare la diagnosi accurata delle malattie ereditarie per i laboratori e i medici coinvolti.