Show Notes
️ Episódio 3: Desvendando Heurísticas de Splicing — Um Framework Baseado em Dados para Avaliação de Variantes que Alteram Splicing
Neste episódio do Base por Base, apresentamos um avanço significativo na interpretação de variantes genéticas que afetam o splicing do RNA, descrito por Sullivan et al. no American Journal of Human Genetics em abril de 2025. Este trabalho propõe um conjunto de heurísticas data-driven fundamentadas em princípios biológicos bem estabelecidos do splicing, integrando evidências de mais de 202 mil éxons canônicos, cerca de 19 mil branchpoints validados experimentalmente e mais de 12 mil variantes testeadas quanto ao efeito sobre o splicing. O objetivo é preencher a lacuna entre ferramentas de predição in silico e a avaliação funcional real de variantes splice-alterantes (SAVs), fornecendo um guia claro para curadores e clínicos na interpretação de potenciais efeitos patogênicos .
Principais destaques:
A abordagem define “chekclists” mínimos de splicing — critérios de sequência, espaçamento e força de motivos — que 95,9% dos éxons do spliceosome principal (U2) satisfazem, permitindo avaliar rapidamente a viabilidade de sítios de splicing canônicos ou crípticos .
Com base em 11.860 SAVs de alta confiança no SpliceVarDB, os autores classificam variantes em heurísticas de Disrupção de Donor (DD) e de Acceptor (DA), criando subgrupos (standard, contextual modifier e auxiliary) que refletem diferentes níveis de “spliceogenicidade” (% de variantes que realmente alteram o splicing) .
Fluxogramas passo a passo (Figures 3 e 4) orientam a aplicação dessas regras conforme a posição da variante (por exemplo, dinucleotídeos canônicos, bases adjacentes, branchpoint, PPT), simplificando decisões complexas em curadoria .
Para variantes profundas que ativam pseudo-exons, o framework utiliza o checklist para identificar sítios crípticos parceiros em uma janela de até 750 nt, explicando cerca de 82% dos casos validados e ressaltando mecanismos de criação ou fortalecimento de sítios de splicing .
A inferência bayesiana é citada apenas na declaração de uso de GPT-4 pelos autores para refinar a redação do manuscrito, reforçando a transparência no uso de IA na escrita científica .
Conclusão:
O framework de heurísticas apresentado por Sullivan et al. inaugura uma nova etapa na interpretação de SAVs, fornecendo uma ferramenta transparente, multifatorial e empiricamente fundamentada. Ao combinar critérios mínimos de splicing, fluxogramas de decisão claros e subgrupos de spliceogenicidade, este modelo oferece suporte robusto à classificação de variantes em contexto clínico, reduzindo a dependência exclusiva de preditores de “caixa-preta” e promovendo a aplicação prática em medicina genômica personalizada.
Referência:
Sullivan, P. J., Quinn, J. M. W., Ajuyah, P., Pinese, M., Davis, R. L., & Cowley, M. J. (2025). Data-driven insights to inform splice-altering variant assessment. The American Journal of Human Genetics, 112(4), 764–778. https://doi.org/10.1016/j.ajhg.2025.02.012
Licença:
Este episódio baseia-se em um artigo de acesso aberto sob a licença Creative Commons Attribution 4.0 International (CC BY 4.0) .
