Consideraciones para la correcta identificación de CNVs a partir de secuenciación del exoma

Las CNVs (Copy Number Variations) son un tipo de variantes estructurales de tamaño submicroscópico, como deleciones, duplicaciones, inserciones, inversiones y translocaciones, que implican un cambio en el número de copias respecto al genoma de referencia (Figura 1). Aunque son relativamente comunes en la estructura de nuestros genomas y contribuyen en gran medida a la variabilidad interindividual, también ha sido probada su implicación en un gran número de enfermedades como autismo, Parkinson, Alzheimer, enfermedades mitocondriales o cáncer, entre otras.

Las tecnologías Next-generation Sequencing (NGS) se han convertido en una herramienta clave para la identificación de CNVs, sustituyendo casi por completo a otras como los CGH arrays y MLPAs. Sin embargo, el análisis de los datos procedentes de la secuenciación de exomas presenta limitaciones que deben ser tenidas en cuenta, ya que pueden afectar a la precisión de los resultados:

  • Solo permite definir desequilibrios de información genómica, mientras que los reordenamientos que no impliquen una pérdida o ganancia neta, como las inversiones o translocaciones balanceadas, pasarán desapercibidas.
  • No se dispone de la secuencia de todo el genoma, por lo que se ve afectada la detección de alteraciones que incluyen regiones no capturadas.
  • La preparación de la librería y el proceso de captura pueden dar lugar a regiones con distintas coberturas.
  • Las secuencias repetitivas dificultan el mapeo único de las lecturas procedentes de la secuenciación.
  • En muestras procedentes de tumores, la cuantificación del número de copias puede verse comprometida por un bajo porcentaje tumoral y por la propia heterogeneidad intratumoral.
Figura 1: Tipos de variaciones estructurales genómicas.

Aunque no existen unos estándares de referencia para el análisis de CNVs, siempre que sea posible se deben seguir una serie de recomendaciones alcanzar unos resultados óptimos:

  • Partir de ADN de buena calidad.
  • Cuando se analicen varias muestras de forma conjunta, llevar a cabo la extracción del ADN, la generación de librerías, la secuenciación y el análisis bioinformático con la mayor uniformidad posible.
  • Garantizar una correcta cobertura para aumentar la sensibilidad y especificidad de la detección de las variantes y facilitar su cuantificación.
  • Secuenciar en plataformas que ofrezcan lecturas de una mayor longitud. De esta forma será más probable incluir toda la secuencia de una CNV en una misma lectura, mejorando su descubrimiento y su mapeo.
  • Contar con un set de controles que tengan el mismo origen y se hayan procesado de la misma forma.
  • Asegurar una pureza tumoral superior al 60% en muestras neoplásicas.

La caracterización de CNVs sigue siendo complicada por lo que es necesario conocer y tener presentes sus limitaciones. Además, resulta clave llevar a cabo una correcta validación de aquellas variantes encontradas, especialmente en el entorno clínico. El desarrollo de bases de datos de acceso público, tanto en individuos controles como en pacientes, contribuirá en el futuro a dilucidar el verdadero significado de todas las CNVs analizadas.

  1. Koboldt DC. et al. (2012) VarScan 2: somatic mutation and copy number alteration discovery in cancer by exome sequencing. Genome Res.
  2. Krumm N. et al. (2012) Copy number variation detection and genotyping form exome sequence data. Genome Res.
  3. Riggs ER. et al. (2020) Technical standards for the interpretation ana reporting of constitutional copy-number variants: a join consensus recommendation on ACMG and the ClinGen. Genet Med.
  4. Yamamoto, T. et al. (2016). Challenges in detecting genomic copy number aberrations using next-generation sequencing data and the eXome Hidden Markov Model: a clinical exome-first diagnostic approach. Hum Genome Var.
  5. Zhang F. et al. (2009) Copy Number Variation in human health, disease and evolution. Genomics Hum.
  6. Zhao M. et al. (2013) Computational tools for copy number variation (CNV) detection using next-generation sequencing data: features and perspectives. BMC Bioinformatics.

¿Te gusta este artículo?

Compartir en linkedin
Compartir en LinkedIn
Compartir en twitter
Compartir en Twitter

EVENTOS RECIENTES

SÍGUENOS

Inscríbete y recibe nuestras novedades

Puedes leer nuestra Política de Privacidad aquí.

Consideraciones para la correcta identificación de CNVs a partir de secuenciación del exoma

Las CNVs (Copy Number Variations) son un tipo de variantes estructurales de tamaño submicroscópico, como deleciones, duplicaciones, inserciones, inversiones y translocaciones, que implican un cambio en el número de copias respecto al genoma de referencia (Figura 1). Aunque son relativamente comunes en la estructura de nuestros genomas y contribuyen en gran medida a la variabilidad interindividual, también ha sido probada su implicación en un gran número de enfermedades como autismo, Parkinson, Alzheimer, enfermedades mitocondriales o cáncer, entre otras.

Las tecnologías Next-generation Sequencing (NGS) se han convertido en una herramienta clave para la identificación de CNVs, sustituyendo casi por completo a otras como los CGH arrays y MLPAs. Sin embargo, el análisis de los datos procedentes de la secuenciación de exomas presenta limitaciones que deben ser tenidas en cuenta, ya que pueden afectar a la precisión de los resultados:

  • Solo permite definir desequilibrios de información genómica, mientras que los reordenamientos que no impliquen una pérdida o ganancia neta, como las inversiones o translocaciones balanceadas, pasarán desapercibidas.
  • No se dispone de la secuencia de todo el genoma, por lo que se ve afectada la detección de alteraciones que incluyen regiones no capturadas.
  • La preparación de la librería y el proceso de captura pueden dar lugar a regiones con distintas coberturas.
  • Las secuencias repetitivas dificultan el mapeo único de las lecturas procedentes de la secuenciación.
  • En muestras procedentes de tumores, la cuantificación del número de copias puede verse comprometida por un bajo porcentaje tumoral y por la propia heterogeneidad intratumoral.
Figura 1: Tipos de variaciones estructurales genómicas.

Aunque no existen unos estándares de referencia para el análisis de CNVs, siempre que sea posible se deben seguir una serie de recomendaciones alcanzar unos resultados óptimos:

  • Partir de ADN de buena calidad.
  • Cuando se analicen varias muestras de forma conjunta, llevar a cabo la extracción del ADN, la generación de librerías, la secuenciación y el análisis bioinformático con la mayor uniformidad posible.
  • Garantizar una correcta cobertura para aumentar la sensibilidad y especificidad de la detección de las variantes y facilitar su cuantificación.
  • Secuenciar en plataformas que ofrezcan lecturas de una mayor longitud. De esta forma será más probable incluir toda la secuencia de una CNV en una misma lectura, mejorando su descubrimiento y su mapeo.
  • Contar con un set de controles que tengan el mismo origen y se hayan procesado de la misma forma.
  • Asegurar una pureza tumoral superior al 60% en muestras neoplásicas.

La caracterización de CNVs sigue siendo complicada por lo que es necesario conocer y tener presentes sus limitaciones. Además, resulta clave llevar a cabo una correcta validación de aquellas variantes encontradas, especialmente en el entorno clínico. El desarrollo de bases de datos de acceso público, tanto en individuos controles como en pacientes, contribuirá en el futuro a dilucidar el verdadero significado de todas las CNVs analizadas.

  1. Koboldt DC. et al. (2012) VarScan 2: somatic mutation and copy number alteration discovery in cancer by exome sequencing. Genome Res.
  2. Krumm N. et al. (2012) Copy number variation detection and genotyping form exome sequence data. Genome Res.
  3. Riggs ER. et al. (2020) Technical standards for the interpretation ana reporting of constitutional copy-number variants: a join consensus recommendation on ACMG and the ClinGen. Genet Med.
  4. Yamamoto, T. et al. (2016). Challenges in detecting genomic copy number aberrations using next-generation sequencing data and the eXome Hidden Markov Model: a clinical exome-first diagnostic approach. Hum Genome Var.
  5. Zhang F. et al. (2009) Copy Number Variation in human health, disease and evolution. Genomics Hum.
  6. Zhao M. et al. (2013) Computational tools for copy number variation (CNV) detection using next-generation sequencing data: features and perspectives. BMC Bioinformatics.

Inscríbete y recibe nuestras novedades

Puedes leer nuestra Política de Privacidad aquí.

Consideraciones para la correcta identificación de CNVs a partir de secuenciación del exoma

Las CNVs (Copy Number Variations) son un tipo de variantes estructurales de tamaño submicroscópico, como deleciones, duplicaciones, inserciones, inversiones y translocaciones, que implican un cambio en el número de copias respecto al genoma de referencia (Figura 1). Aunque son relativamente comunes en la estructura de nuestros genomas y contribuyen en gran medida a la variabilidad interindividual, también ha sido probada su implicación en un gran número de enfermedades como autismo, Parkinson, Alzheimer, enfermedades mitocondriales o cáncer, entre otras.

Las tecnologías Next-generation Sequencing (NGS) se han convertido en una herramienta clave para la identificación de CNVs, sustituyendo casi por completo a otras como los CGH arrays y MLPAs. Sin embargo, el análisis de los datos procedentes de la secuenciación de exomas presenta limitaciones que deben ser tenidas en cuenta, ya que pueden afectar a la precisión de los resultados:

  • Solo permite definir desequilibrios de información genómica, mientras que los reordenamientos que no impliquen una pérdida o ganancia neta, como las inversiones o translocaciones balanceadas, pasarán desapercibidas.
  • No se dispone de la secuencia de todo el genoma, por lo que se ve afectada la detección de alteraciones que incluyen regiones no capturadas.
  • La preparación de la librería y el proceso de captura pueden dar lugar a regiones con distintas coberturas.
  • Las secuencias repetitivas dificultan el mapeo único de las lecturas procedentes de la secuenciación.
  • En muestras procedentes de tumores, la cuantificación del número de copias puede verse comprometida por un bajo porcentaje tumoral y por la propia heterogeneidad intratumoral.
Figura 1: Tipos de variaciones estructurales genómicas.

Aunque no existen unos estándares de referencia para el análisis de CNVs, siempre que sea posible se deben seguir una serie de recomendaciones alcanzar unos resultados óptimos:

  • Partir de ADN de buena calidad.
  • Cuando se analicen varias muestras de forma conjunta, llevar a cabo la extracción del ADN, la generación de librerías, la secuenciación y el análisis bioinformático con la mayor uniformidad posible.
  • Garantizar una correcta cobertura para aumentar la sensibilidad y especificidad de la detección de las variantes y facilitar su cuantificación.
  • Secuenciar en plataformas que ofrezcan lecturas de una mayor longitud. De esta forma será más probable incluir toda la secuencia de una CNV en una misma lectura, mejorando su descubrimiento y su mapeo.
  • Contar con un set de controles que tengan el mismo origen y se hayan procesado de la misma forma.
  • Asegurar una pureza tumoral superior al 60% en muestras neoplásicas.

La caracterización de CNVs sigue siendo complicada por lo que es necesario conocer y tener presentes sus limitaciones. Además, resulta clave llevar a cabo una correcta validación de aquellas variantes encontradas, especialmente en el entorno clínico. El desarrollo de bases de datos de acceso público, tanto en individuos controles como en pacientes, contribuirá en el futuro a dilucidar el verdadero significado de todas las CNVs analizadas.

  1. Koboldt DC. et al. (2012) VarScan 2: somatic mutation and copy number alteration discovery in cancer by exome sequencing. Genome Res.
  2. Krumm N. et al. (2012) Copy number variation detection and genotyping form exome sequence data. Genome Res.
  3. Riggs ER. et al. (2020) Technical standards for the interpretation ana reporting of constitutional copy-number variants: a join consensus recommendation on ACMG and the ClinGen. Genet Med.
  4. Yamamoto, T. et al. (2016). Challenges in detecting genomic copy number aberrations using next-generation sequencing data and the eXome Hidden Markov Model: a clinical exome-first diagnostic approach. Hum Genome Var.
  5. Zhang F. et al. (2009) Copy Number Variation in human health, disease and evolution. Genomics Hum.
  6. Zhao M. et al. (2013) Computational tools for copy number variation (CNV) detection using next-generation sequencing data: features and perspectives. BMC Bioinformatics.

Inscríbete y recibe nuestras novedades

Puedes leer nuestra Política de Privacidad aquí.

Genome Lab

Genome One Reports

Área privada móvil

Genome Lab

[email-download download_id="21266" contact_form_id="21261"]