Qué falta desarrollar, nuevas técnicas, la combinación con otras “Omics”

Eduardo Gazzo

Introducción

El “Test genético preimplantacional” (PGT) ha revolucionado el campo de la reproducción asistida al permitir la detección de anomalías genéticas en embriones antes de su implantación en el útero. Desde su introducción en el campo, ha ido evolucionado y cambiado de nombre varias veces, finalmente el PGT ha demostrado ser una herramienta invaluable para mejorar las tasas de éxito de los tratamientos de fertilidad y reducir el riesgo de enfermedades genéticas hereditarias y de novo en la descendencia. Actualmente el PGT, se presenta con muchas variantes que nombraremos en el párrafo siguiente y que ya han sido explicadas en capítulos anteriores en este libro. Sin embargo, a medida que avanzamos en la era de la genómica y mejoran las tecnologías de análisis molecular, surge la pregunta: ¿cuál es el futuro del PGT? (ASRM/ESHRE, 2011).

En la actualidad, el PGT se utiliza mayormente en tres áreas principales: PGT-A para la detección de aneuploidías cromosómicas en los embriones, PGT-M para enfermedades monogénicas (De Rycke & Berckmoes, 2020) y PGT-SR para reordenamientos cromosómicos estructurales (ESHRE, 2020). Estas técnicas han demostrado ser eficaces en la identificación de embriones genéticamente sanos y en la selección de aquellos con el mayor potencial de implantación y desarrollo (Rubio, 2014).

Los laboratorios de genética que desarrollan estas pruebas van evolucionando sus productos y actualmente tenemos ya versiones mejoradas del PGT-A el cual nos ofrece dentro de sus resultados saber si los embriones biopsiados de una misma paciente presentan similitud genética de hermandad y así detectar a tiempo algún error o confusión en el laboratorio de reproducción en el momento de la biopsia o el tubing, también nos dice si los embriones que fecundaron con 1 o 3 pronúcleos, al llegar al estadio de blastocisto logran tener una configuración genética normal para ser transferidos (Kratka et al., 2023). Esta evaluación crucial garantiza la selección de embriones con el contenido cromosómico correcto, minimiza el riesgo de anomalías genéticas; también aumenta la probabilidad de transferir embriones euploides mediante la detección de embriones 2PN (diploides) verdaderos de entre los embriones 0, 1 y 2, 1/3PN identificados morfológicamente. Estos embriones antes hubiesen sido descartados desde la fecundación, sin embargo, ahora tienen una segunda oportunidad y por último esta nueva actualización del PGT-A también detecta casos de contaminación, tanto “externa” (ocasionado por el operador) como “materna” por contaminación con las células del cúmulo. Esta solución de detección avanzada va más allá del PGT-A con la incorporación de funciones añadidas, incluido el análisis de ploidía (conjuntos completos de cromosomas) y controles de calidad adicionales integrados que permiten a las clínicas agregar más KPIs a sus métricas para aumentar la trazabilidad de las muestras, lo que permite una mayor seguridad, ahora basada en evidencia genética, además de la garantía de que al enviar tus muestras al laboratorio de genética se sigue asegurando este mismo cuidado. Todas estas son mejoras significativas que están ayudando mucho a mejorar la eficiencia del PGT-A y las tenemos disponibles en la actualidad.

Sin embargo, a pesar de los avances logrados, el PGT sigue presentando ciertas limitaciones y una de las principales preocupaciones es la viabilidad embrionaria posterior a la biopsia, ya que el PGT-A requiere que se realice una biopsia embrionaria hecha por un humano y este procedimiento es claramente “operador – dependiente” es decir, su éxito va a depender de la experiencia del operador, pudiendo esto afectar la capacidad de implantación del embrión post descongelación, de hecho, todos los desarrollos de técnicas actuales están apuntando a no tocar el embrión y hacerlas cada vez menos invasivas (Meseguer & Pellicer, 2018).

Áreas de desarrollo a futuro

Actualmente se están investigando varias áreas de desarrollo futuro y una de las principales áreas de enfoque es la mejora en la precisión y sensibilidad de detección. Se están aplicando nuevas técnicas de biopsia embrionaria sin el uso del láser (biopsia mecánica) para disminuir la probabilidad de daño a causa del calor que genera el láser y la manipulación que recibe el embrión en el momento de la biopsia. Además, se están explorando métodos para reducir a cero la necesidad de biopsia embrionaria mediante el uso de técnicas 100% no invasivas, como el análisis de ADN libre en el medio de cultivo embrionario o más conocido como niPGT-A (PGT-A No Invasivo). Estas innovaciones tienen el potencial de minimizar el riesgo para el embrión y mejorar las tasas de éxito de los tratamientos de fertilidad. Meseguer & Pellicer, 2018; Tomic et al. 2022).

Esta tecnología está demostrando cada vez más su eficiencia, y poco a poco viene mejorando sus porcentajes de concordancia con respecto al PGT-A tradicional. Definitivamente se presenta como una interesante alternativa de migración hacia las técnicas no invasivas (Tomic et al. 2022).

Otra área importante de desarrollo es la detección de anomalías genéticas complejas, como las mutaciones de mosaicismo y las aberraciones cromosómicas segmentarias (GCPG, 2020). Aunque estas anomalías pueden ser difíciles de detectar con las técnicas convencionales de PGT, se están desarrollando nuevos enfoques bioinformáticos y algoritmos de inteligencia artificial que permiten una evaluación más precisa del genoma embrionario.

La aplicación de la inteligencia artificial (IA) en el análisis de blastocistos es un área de investigación emergente en la reproducción asistida que tiene el potencial de mejorar la selección embrionaria y aumentar las tasas de éxito de los tratamientos de fertilidad. Actualmente la IA se utiliza para analizar imágenes de blastocistos obtenidas gracias a la tecnología TIME LAPSE, presente en muchas de las incubadoras actuales, y sirve para identificar patrones y características que puedan predecir el potencial de implantación y desarrollo del embrión (Gimenez et al., 2023)

Existen actualmente una serie de algoritmos que vienen siendo utilizados por muchos laboratorios de reproducción asistida en el mundo y han logrado demostrar su utilidad en la selección embrionaria (Gazzo et al., 2020).

Por ejemplo, se están desarrollando algoritmos de IA que pueden analizar imágenes de blastocistos y evaluar la calidad morfológica del embrión de manera objetiva y precisa. Estos algoritmos pueden detectar características sutiles que pueden ser difíciles de discernir a simple vista, lo que permite una selección más precisa de los embriones con el mayor potencial de implantación. (Gazzo et al., 2020; Barnes et al., 2023; Sarandi et al., 2023)

Las OMICAS

Las tecnologías Ómicas las podemos agrupar de la siguiente manera: la genómica, la transcriptómica, la proteómica y la metabolómica. Todas implican un alto grado de análisis de miles de moléculas biológicas que nos darán la información que estamos buscando (Horgan et al., 2009).

Siguiendo el orden serían: genes, transcriptos, proteínas y metabolitos. El dominio ómico que brinda mayor información se encuentra en la proteómica con más de 2.3 millones de proteínas humanas estimadas (Barrio-Hernandez et al. 2023).

La empresa de inteligencia artificial DeepMind, propiedad de Google, consiguió en el 2023 predecir con precisión la estructura de más de 214 millones de proteínas presentes en todos los seres vivos las cuales están disponibles en las base de datos AlphaFold (https://alphafold.ebi.ac.uk/) la cual está ayudando a predecir las estructuras de 350.000 proteínas humanas. Esto nos marca el camino hacia el futuro para comprender las formas de las proteínas, lo cual es fundamental para el avance de la medicina. Sin embargo, hasta ahora solo se ha logrado dilucidar la estructura de sólo una fracción de ellas. (Durairaj et al., 2023; Varadi et al., 2022; He et al., 2023). Además, la combinación de la IA con la proteómica ofrece la posibilidad de analizar el perfil proteico de los blastocistos y correlacionarlo con su viabilidad y capacidad de implantación. Se están desarrollando técnicas para identificar biomarcadores proteicos que puedan servir como indicadores de la salud y el desarrollo del embrión, lo que podría mejorar la selección embrionaria y aumentar las tasas de éxito de los tratamientos de fertilidad (Jensen et al., 2013).

En resumen, la aplicación de la proteómica con la inteligencia artificial en el análisis de blastocistos representa una emocionante área de investigación que tiene el potencial de transformar la práctica de la reproducción asistida al mejorar la precisión y la eficacia de la selección embrionaria. Sin embargo, es importante destacar que estas tecnologías aún están en desarrollo y requieren más investigación antes de su implementación clínica generalizada (Hernandez-Vargas et al., 2020).

Luego sigue la transcriptómica con más de 150.000 transcriptos de ARN hallados hasta el 2020 (Alzubaidi & Tepper, 2022). Luego viene la genómica y finalmente la metabolómica, aunque en contraste con sus pares antes mencionados el metaboloma es mucho más complejo y difícil de definir, estudia el producto final de la transcripción de los genes, por lo tanto, los cambios visualizados en el metaboloma reflejan relativamente cambios ocurridos en el transcriptoma y el proteoma (Bauermeister et al., 2022).

Podríamos intentar definirlo como el conjunto de metabolitos sintetizados por un sistema biológico, entendiéndose por sistema biológico un tejido, una célula o un órgano, y para hacerlo más complejo entre los metabolitos encontrados en el cuerpo humano podemos clasificarlos como endógenos (propios del sistema biológico en mención) sino que también se encuentran los productos de aquello que ingerimos o con lo que estamos en contacto, es decir, los metabolitos exógenos.

Los metabolitos, tanto endógenos como exógenos, constituyen una familia muy heterogénea de moléculas y esta heterogeneidad hace que, por el momento, nos sea imposible medir simultáneamente todo el metaboloma ni saber con exactitud cuántos metabolitos han sido identificados. Para el estudio del metaboloma se utilizan diversas plataformas como la resonancia magnética nuclear (RMN) pero en estos últimos años la metabolómica basada en la espectrometría de masas (MS) ha ido ganando en popularidad (Mandal et al., 2018).

En los últimos años, se han desarrollado varias bases de datos para registrar los metabolitos descubiertos, la más importante es la Base de Datos del Metaboloma Humano (HMDB). Descrito por primera vez en 2007, el HMDB es ahora el recurso metabolómica más importante y completo del mundo para estudios metabólicos humanos. Es de libre acceso y la última versión del HMDB contiene 114.100 entradas de metabolitos (Greenfield, 2021).

El futuro del PGT

Una de las áreas más emocionantes para el futuro del PGT es la integración con tecnologías emergentes y otras disciplinas científicas. La aplicación de la secuenciación de próxima generación (NGS) ha sido fundamental en la mejora de la precisión y la eficiencia del PGT. La NGS ha permitido un análisis genómico completo de los embriones, lo que proporciona una visión más detallada de su perfil genético y aumenta la capacidad de detectar anomalías genéticas de baja frecuencia.

Además, la combinación del PGT con técnicas de edición genética, como CRISPR-Cas9, representa un área de investigación prometedora. Aunque aún en sus etapas iniciales, la edición genética ofrece la posibilidad de corregir mutaciones genéticas específicas en embriones humanos, lo que podría eliminar el riesgo de enfermedades genéticas hereditarias, al igual que las técnicas de reemplazo mitocondrial, tienen como finalidad prevenir la transmisión de enfermedades durante la reproducción sexual en lugar de actuar como una terapia para un individuo existente y mejorar la salud de la descendencia. Sin embargo, esto debe ser tomado con mucha responsabilidad dado que estaríamos rozando los límites éticos de lo que se debe y no se debe hacer (Zhong, 2023).

Otro enfoque interesante es la integración del PGT con otras omics, como la proteómica y la metabolómica, como ya lo hemos mencionado, estas disciplinas permiten un análisis más completo de los embriones, evaluando no solo su información genética, sino también su perfil de proteínas y metabolitos. Esta combinación de datos OMICS puede proporcionar una comprensión más profunda de la biología embrionaria y ayudar a identificar biomarcadores predictivos de viabilidad, desarrollo y concordancia entre la masa celular interna y el trofoectodermo embrionario (ESHRE, 2020).

Consideraciones éticas

A medida que el PGT avanza hacia el futuro, es crucial abordar los desafíos éticos y sociales asociados con su aplicación. Uno de los principales dilemas éticos en nuestros países es la selección de rasgos étnicos no compatibles con los padres, como el color de piel, de ojos y demás características físicas, a través del PGT-A. La selección del sexo como único motivo para realizar un PGT-A también es un tema cuestionable (Meseguer et al., 2002). Si bien estas tecnologías tienen el potencial de mejorar la salud de la descendencia y prevenir enfermedades genéticas graves, también plantean preocupaciones sobre la eugenesia y la discriminación basada en la genética, temas que deben abordarse con urgencia (Schenker, 2003).

Además, la privacidad y la confidencialidad de los datos genéticos de los embriones son temas importantes a considerar. Es fundamental establecer comités de ética en nuestras clínicas de fertilidad con un marco ético y regulatorio sólido que garantice el uso responsable y equitativo de estas tecnologías, así como tener protocolos de seguridad robustos para proteger la información genética de los pacientes y garantizar su uso ético y responsable.

En resumen, el futuro del PGT es brillante, y su continuo desarrollo y aplicación tienen el potencial de mejorar la salud y el bienestar de las futuras generaciones.

Referencias

Alpha Scientists in Reproductive Medicine and ESHRE Special Interest Group of Embryology (2011). The Istanbul consensus workshop on embryo assessment: proceedings of an expert meeting. Human reproduction, 26(6), 1270–1283. https://doi.org/10.1093/humrep/der037

Alzubaidi, A., & Tepper, J. (2022). Deep Mining from Omics Data. Methods in molecular biology, 2449, 349–386. https://doi.org/10.1007/978-1-0716-2095-3_15

Barnes, J., Brendel, M., Gao, V. R., Rajendran, S., Kim, J., Li, Q., Malmsten, J. E., Sierra, J. T., Zisimopoulos, P., Sigaras, A., Khosravi, P., Meseguer, M., Zhan, Q., Rosenwaks, Z., Elemento, O., Zaninovic, N., & Hajirasouliha, I. (2023). A non-invasive artificial intelligence approach for the prediction of human blastocyst ploidy: a retrospective model development and validation study. The Lancet. Digital health, 5(1), e28–e40. https://doi.org/10.1016/S2589-7500(22)00213-8.

Barrio-Hernandez, I., Yeo, J., Jänes, J., Mirdita, M., Gilchrist, C. L. M., Wein, T., Varadi, M., Velankar, S., Beltrao, P., & Steinegger, M. (2023). Clustering predicted structures at the scale of the known protein universe. Nature, 622(7983), 637–645. https://doi.org/10.1038/s41586-023-06510-w.

Bauermeister, A., Mannochio-Russo, H., Costa-Lotufo, L. V., Jarmusch, A. K., & Dorrestein, P. C. (2022). Mass spectrometry-based metabolomics in microbiome investigations. Nature reviews. Microbiology, 20(3), 143–160. https://doi.org/10.1038/s41579-021-00621-9

De Rycke, M., & Berckmoes, V. (2020). Preimplantation Genetic Testing for Monogenic Disorders. Genes, 11(8), 871.https://doi.org/10.3390/genes11080871

Durairaj, J., Waterhouse, A. M., Mets, T., Brodiazhenko, T., Abdullah, M., Studer, G., Tauriello, G., Akdel, M., Andreeva, A., Bateman, A., Tenson, T., Hauryliuk, V., Schwede, T., & Pereira, J. (2023). Uncovering new families and folds in the natural protein universe. Nature, 622(7983), 646–653. https://doi.org/10.1038/s41586-023-06622-3

ESHRE PGT Consortium Steering Committee, Carvalho, F., Coonen, E., Goossens, V., Kokkali, G., Rubio, C., Meijer-Hoogeveen, M., Moutou, C., Vermeulen, N., & De Kratka, C., Vadapalli, P. S., Mendola, R., Garrisi, J., Xu, J., Treff, N. R., & Marin, D. (2023). Accurate detection and frequency of abnormal ploidy in the human blastocyst. F&S science, 4(2S), 27–35. https://doi.org/10.1016/j.xfss.2023.02.003

ESHRE PGT Consortium Steering Committee, Carvalho, F., Coonen, E., Goossens, V., Kokkali, G., Rubio, C., Meijer-Hoogeveen, M., Moutou, C., Vermeulen, N., & De Rycke, M. (2020). ESHRE PGT Consortium good practice recommendations for the organisation of PGT. Human reproduction open, 2020(3), hoaa021. https://doi.org/10.1093/hropen/hoaa021

Gazzo, E., Peña, F., Valdéz, F., Chung, A., Bonomini, C., Ascenzo, M., Velit, M., & Escudero, E. (2020). The KidscoreTM D5 algorithm as an additional tool to morphological assessment and PGT-A in embryo selection: a time-lapse study. JBRA assisted reproduction, 24(1), 55–60. https://doi.org/10.5935/1518-0557.20190054

Giménez, C., Conversa, L., Murria, L., & Meseguer, M. (2023). Time-lapse imaging: Morphokinetic analysis of in vitro fertilization outcomes. Fertility and sterility, 120(2), 218–227. https://doi.org/10.1016/j.fertnstert.2023.06.015

Greenfield A. (2021). Making sense of heritable human genome editing: Scientific and ethical considerations. Progress in molecular biology and translational science, 182, 1–28. https://doi.org/10.1016/bs.pmbts.2020.12.008

He, X., Liu, X., Zuo, F., Shi, H., & Jing, J. (2023). Artificial intelligence-based multi-omics analysis fuels cancer precision medicine. Seminars in cancer biology, 88, 187–200. https://doi.org/10.1016/j.semcancer.2022.12.009

Hernández-Vargas, P., Muñoz, M., & Domínguez, F. (2020). Identifying biomarkers for predicting successful embryo implantation: applying single to multi-OMICs to improve reproductive outcomes. Human reproduction update, 26(2), 264–301. https://doi.org/10.1093/humupd/dmz042.

Horgan, R. P., Clancy, O. H., Myers, J. E., & Baker, P. N. (2009). An overview of proteomic and metabolomic technologies and their application to pregnancy research. BJOG: an international journal of obstetrics and gynaecology, 116(2), 173–181. https://doi.org/10.1111/j.1471-0528.2008.01997.x

Jensen, P. L., Beck, H. C., Petersen, J., Hreinsson, J., Wånggren, K., Laursen, S. B., Sørensen, P. D., Christensen, S. T., & Andersen, C. Y. (2013). Proteomic analysis of human blastocoel fluid and blastocyst cells. Stem cells and development, 22(7), 1126–1135. https://doi.org/10.1089/scd.2012.0239

Mandal, R., Chamot, D., & Wishart, D. S. (2018). The role of the Human Metabolome Database in inborn errors of metabolism. Journal of inherited metabolic disease, 41(3), 329–336. https://doi.org/10.1007/s10545-018-0137-8

Meseguer, M., & Pellicer, A. (2018). To invade, or to observe, that is the question. Fertility and sterility, 109(4), 613–614. https://doi.org/10.1016/j.fertnstert.2018.01.025

Meseguer, M., Garrido, N., Remohí, J., Simón, C., & Pellicer, A. (2002). Gender selection: ethical, scientific, legal, and practical issues. Journal of assisted reproduction and genetics, 19(9), 443–446. https://doi.org/10.1023/a:1016876026359

Practice Committee and Genetic Counseling Professional Group (GCPG) of the American Society for Reproductive Medicine. Electronic address: asrm@asrm.org (2020). Clinical management of mosaic results from preimplantation genetic testing for aneuploidy (PGT-A) of blastocysts: a committee opinion. Fertility and sterility, 114(2), 246–254. https://doi.org/10.1016/j.fertnstert.2020.05.014

Rubio, I., Galán, A., Larreategui, Z., Ayerdi, F., Bellver, J., Herrero, J., & Meseguer, M. (2014). Clinical validation of embryo culture and selection by morphokinetic analysis: a randomized, controlled trial of the EmbryoScope. Fertility and sterility, 102(5), 1287–1294.e5. https://doi.org/10.1016/j.fertnstert.2014.07.738.

Rycke, M. (2020). ESHRE PGT Consortium good practice recommendations for the organisation of PGT. Human reproduction open, 2020(3), hoaa021. https://doi.org/10.1093/hropen/hoaa021

Sarandi, S., Boumerdassi, Y., O’Neill, L., Puy, V., & Sifer, C. (2023). Intérêt de l’iDAScore (intelligent Data Analysis Score) dans la pratique quotidienne d’un laboratoire de FIV pour la sélection embryonnaire: résultats d’une étude préliminaire [Interest of iDAScore (intelligent Data Analysis Score) for embryo selection in routine IVF laboratory practice: Results of a preliminary study]. Gynecologie, obstetrique, fertilite & senologie, 51(7-8), 372–377. https://doi.org/10.1016/j.gofs.2023.05.001

Schenker J. G. (2003). Ethical aspects of advanced reproductive technologies. Annals of the New York Academy of Sciences, 997, 11–21. https://doi.org/10.1196/annals.1290.014.

Tomic, M., Vrtacnik Bokal, E., & Stimpfel, M. (2022). Non-Invasive Preimplantation Genetic Testing for Aneuploidy and the Mystery of Genetic Material: A Review Article. International journal of molecular sciences, 23(7), 3568. https://doi.org/10.3390/ijms23073568.

Varadi, M., Anyango, S., Deshpande, M., Nair, S., Natassia, C., Yordanova, G., Yuan, D., Stroe, O., Wood, G., Laydon, A., Žídek, A., Green, T., Tunyasuvunakool, K., Petersen, S., Jumper, J., Clancy, E., Green, R., Vora, A., Lutfi, M., Figurnov, M., … Velankar, S. (2022). AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic acids research, 50(D1), D439–D444. https://doi.org/10.1093/nar/gkab1061

Zhong, W., Shen, K., Xue, X., Wang, W., Wang, W., Zuo, H., Guo, Y., Yao, S., Sun, M., Song, C., Wang, Q., Ruan, Z., Yao, X., & Shang, W. (2023). Single-cell multi-omics sequencing reveals chromosome copy number inconsistency between trophectoderm and inner cell mass in human reconstituted embryos after spindle transfer. Human reproduction, 38(11), 2137–2153. https://doi.org/10.1093/humrep/dead186