Durante duas décadas, os estudos de associação genômica ampla — os chamados GWAS — transformaram a investigação das bases genéticas das doenças. Mas boa parte dessa revolução ocorreu sob uma limitação técnica: a dificuldade de enxergar alterações relativamente grandes no DNA. Enquanto variantes de uma única base e pequenas inserções ou deleções podem ser detectadas com eficiência por tecnologias de leitura curta, alterações estruturais do genoma — definidas neste estudo como variantes superiores a 50 pares de bases — permanecem muito mais difíceis de identificar.

Um novo trabalho liderado por Boris Noyvert, A. Mesut Erzurumluoglu, Dmitriy Drichel e colaboradores apresenta uma estratégia para contornar esse obstáculo. Os pesquisadores construíram um painel de referência baseado em sequenciamento de leitura longa de 888 indivíduos do projeto 1000 Genomes, representando cinco grandes grupos ancestrais. O resultado foi um catálogo de 107.445 variantes estruturais, posteriormente utilizado para inferir essas alterações em 488.130 participantes do UK Biobank.

A lógica do experimento é particularmente importante. Em vez de sequenciar todo o genoma de centenas de milhares de pessoas com tecnologias de leitura longa — uma operação ainda extremamente cara — os autores sequenciaram profundamente uma amostra de referência e utilizaram as variantes conhecidas desse grupo para realizar imputation, isto é, inferir a presença provável das mesmas variantes em indivíduos que já possuíam dados genéticos obtidos por métodos convencionais.

O ganho de escala é expressivo. Os pesquisadores estimam que sequenciar individualmente todos os participantes do UK Biobank por leitura longa custaria cerca de US$ 500 milhões, tomando como referência um custo aproximado de US$ 1.000 por genoma. O método de imputação procura obter grande parte da informação sobre variantes estruturais sem repetir esse investimento para cada indivíduo.

Antes de aplicar o painel em estudos de doenças, a equipe submeteu sua metodologia a testes de qualidade. Em uma amostra de referência, denominada NA12878, a comparação com dados de alta cobertura produzidos pelo Genome in a Bottle apresentou precisão de 71,8%, sensibilidade de 76,3% e F1 de 74,0%. Quando regiões de repetições em tandem particularmente difíceis foram excluídas, os números subiram para 90,4%, 91,5% e 91,0%, respectivamente.

O contraste com o sequenciamento de leitura curta é revelador. Embora o método tenha recuperado grande parte das variantes detectadas anteriormente, também encontrou numerosas alterações adicionais. Entre as variantes adicionais, 67,5% estavam presentes no conjunto independente baseado em PacBio do Genome in a Bottle, fornecendo uma validação importante para a descoberta de alterações que os métodos anteriores não haviam capturado.

Cerca de 70% das 107.445 variantes do painel foram classificadas pelos autores como “novas” em relação ao conjunto de dados de leitura curta utilizado como referência. Isso não significa que 70% sejam necessariamente novas para a ciência ou biologicamente importantes. Significa, mais precisamente, que elas não haviam sido detectadas naquele conjunto de dados de leitura curta. A distinção é crucial.

O painel também revelou diferenças na diversidade estrutural entre populações. Cada indivíduo carregava, em média, 16.065 variantes estruturais, mas a média chegou a 18.822 entre indivíduos de ancestralidade africana e ficou em aproximadamente 14.700 entre indivíduos de ancestralidade do leste asiático. Apenas 36,6% das variantes eram compartilhadas entre todos os cinco grandes grupos populacionais.

O teste decisivo veio no UK Biobank. Os pesquisadores analisaram 32 características relacionadas a doenças respiratórias, metabólicas e hepáticas, utilizando até 453.754 participantes para as análises de associação. Depois de aplicar filtros de qualidade e frequência, foram identificadas 3.858 associações estatisticamente significativas envolvendo 1.898 variantes estruturais únicas; 1.258 delas pertenciam à categoria considerada nova pelos autores. Essas associações apontaram para 689 genes codificadores de proteínas.

A análise também examinou 1.463 proteínas plasmáticas. Foram identificadas 10.518 associações significativas entre variantes estruturais e níveis proteicos, envolvendo 3.723 variantes e 1.101 proteínas. O estudo encontrou ainda 84 sinais independentes de variantes de nucleotídeo único em análises que excluíram a região do complexo principal de histocompatibilidade.

Um dos exemplos mais expressivos envolve a função pulmonar. Uma deleção de 841 pares de bases localizada em um íntron do gene CFDP1 apresentou associação extremamente forte com a razão FEV1/FVC, com p = 1,1 × 10- 65 e frequência do alelo menor de 41,3%. Análises posteriores de expressão gênica e colocalização forneceram evidências compatíveis com uma relação causal entre a expressão de CFDP1 e a função pulmonar, embora essas análises não constituam, por si só, uma demonstração experimental definitiva de causalidade.

Outros exemplos apontaram para MEGF6, AAGAB e FLI1, mostrando como uma variante estrutural pode restringir a lista de genes candidatos em regiões genômicas onde os GWAS tradicionais frequentemente produzem múltiplas possibilidades. No caso de FLI1, por exemplo, uma deleção associada à capacidade vital forçada apresentou p = 2,0 × 10-30.

O estudo não demonstra que todas essas variantes causam as doenças às quais estão estatisticamente associadas. Associação genética não equivale automaticamente a mecanismo biológico. A própria equipe reconhece que análises futuras precisarão examinar variantes localizadas em regiões regulatórias, como enhancers, além daquelas que se sobrepõem diretamente a genes codificadores.

Há ainda uma limitação estrutural do próprio painel. Seus 888 indivíduos oferecem diversidade ancestral considerável, mas continuam sendo uma amostra pequena diante da escala populacional do UK Biobank. Por isso, os autores observam que o recurso pode ser particularmente útil para refinar sinais já conhecidos — o chamado fine-mapping — mais do que para descobrir, sozinho, grandes quantidades de novos loci de doença.

A qualidade também varia conforme a frequência da variante e a região do genoma. Variantes raras são mais difíceis de imputar, enquanto inserções e deleções comuns em regiões de alta confiança apresentam desempenho substancialmente melhor. No UK Biobank, por exemplo, inserções e deleções comuns em regiões de alta confiança alcançaram r2 médio de imputação de 0,915, contra 0,961 para variantes de nucleotídeo único nas mesmas regiões.

Há ainda problemas técnicos que exigem cautela. O software Sniffles2 utilizado na identificação das variantes pode produzir chamadas falsas para alterações estruturais muito grandes, e os autores reconhecem que parte dessas variantes pode exigir inspeção visual ou validação experimental independente.

A principal consequência do trabalho talvez não seja a descoberta de um único gene ou de uma única doença, mas uma mudança na arquitetura dos estudos genéticos. Como afirmam os autores, o objetivo é que análises de variantes estruturais passem a integrar rotineiramente os fluxos de priorização de genes posteriores aos GWAS.

Isso desloca a pergunta. Em vez de investigar apenas qual letra do DNA mudou?, os pesquisadores podem perguntar também que trecho inteiro do genoma foi removido, duplicado, invertido ou reorganizado?.

A diferença é potencialmente decisiva. Variantes estruturais podem alterar sequências codificadoras, regiões regulatórias ou a arquitetura tridimensional do genoma — mecanismos que estudos baseados apenas em variantes curtas podem não capturar adequadamente.

O próximo passo será testar o painel em outros grandes bancos populacionais, ampliar a representação de diferentes ancestralidades e investigar de forma mais abrangente inversões, duplicações e translocações. Os próprios autores apontam essa expansão como uma prioridade.

O estudo, portanto, não encerra a busca por variantes responsáveis pelas doenças humanas. Ele torna a busca mais abrangente. E talvez essa seja sua contribuição mais importante: demonstrar, em escala populacional, que uma parte relevante da variação genética humana estava não ausente do genoma, mas simplesmente fora do alcance das ferramentas que durante anos usamos para procurá-la.