GENCODE es un proyecto científico de investigación de genomas que forma parte de la plataforma ENCODE (del inglés ENCyclopedia Of DNA Elements). El consorcio GENCODE se creó inicialmente como una parte de la fase piloto del proyecto ENCODE, para identificar y mapear todos los genes codificantes de proteínas de las regiones ENCODE (aproximadamente un 1% del genoma humano).
Tras el éxito obtenido en esta primera fase, GENCODE pretende crear ahora una “Enciclopedia de genes y variantes genéticas” identificando todas las características genéticas del genoma humano y de ratón, mediante una combinación de análisis computacional, anotación manual y validación experimental. También tiene como objetivo anotar todas las características de los genes de todo el genoma humano con la máxima precisión posible. El resultado será una recopilación de anotaciones, que incluirá todos los loci que codifican para proteínas con variantes transcritas alternativamente, loci no codificantes con tránscritos encontrados y pseudogenes.
Los genes de GENCODE se utilizan como genes de referencia en todo el consorcio ENCODE, además de en otros muchos proyectos, como es el caso de: el Human Cell Atlas (HCA), Genotype-Tissue Expression (GTEx), The Cancer Genome Atlas (TCGA), International Cancer Genome Consortium (ICGC), NIH Roadmap Epigenomics Mapping Consortium, Blueprint Epigenome Project, Exome Aggregation Consortium (EXAC), Genome Aggregation Database (gnomAD) y 1000 Genomes Project.
En la actualidad Actualmente GENCODE sigue avanzando hacia sus objetivos en la fase 2 del proyecto, que son:
Continuar aumentando la extensión y la precisión con la que se presentan los genes humanos en GENCODE, mediante la mejora y la extensión de la anotación de todas las características de genes basadas en la evidencia. Esto incluye loci que codifican para proteínas con variantes con splicing alternativo, loci no codificantes y pseudogenes. Crear un set de genes de ratón en GENCODE que incluya regiones que codifican para proteína asociados a variantes con splicing alternativo, loci no codificantes con evidencia de tránscritos y pseudogenes.
Las últimas versiones (2020) de anotaciones son la GENCODE 36 para genes humanos, que utiliza el genoma de referencia humano GRCh38, y la GENCODE M25 para el genoma de ratón. Además, desde septiembre de 2009, el proyecto Ensembl utiliza la base de datos GENCODE, y por tanto cada nuevo lanzamiento de GENCODE se corresponde con una actualización de Ensembl.
Historia Septiembre 2003 miniaturadeimagen|584x584px|Línea temporal del proyecto GENCODE (2003-2020) El NHGRI (del inglés National Human Genome Research Institute) inició un consorcio de investigación pública llamado ENCODE, la “Enciclopedia de los elementos de DNA”, con el objetivo de identificar todos los elementos funcionales en la secuencia del genoma humano. Este proyecto se diseñó con 3 fases: piloto, desarrollo tecnológico y fase de producción. La fase piloto se centró en investigar en profundidad, computacional y experimentalmente, 44 regiones de un total de 30Mb de secuencia (aproximadamente un 1% del genoma humano). Además, es en este momento cuando se crea el consorcio GENCODE, para identificar y mapear todos los genes que codifican para proteínas presentes en las regiones ENCODE. Los resultados de las primeras dos fases fueron planteados para poder determinar el mejor camino de cara al análisis del 99% restante del genoma humano de forma eficiente y comprensiva en la fase de producción.
Abril 2005 La primera anotación de las 44 regiones ENCODE fue publicada el 29 de abril de 2005 y se usó en el primer taller del ENCODE Genome Annotation Assessment Project (E-GASP). El primer lanzamiento de GENCODE contenía 416 loci conocidos, 26 nuevas secuencias codificantes de DNA (CDS, inglés coding DNA sequence), 82 nuevos loci de tránscritos, 78 loci putativos, 104 pseudogenes procesados y 66 pseudogenes no procesados.
Octubre 2005 Esta anotación fue actualizada (lanzamiento 02) el 14 de octubre de 2005, y contenía nuevos descubrimientos de validaciones experimentales por medio de las técnicas RACE (del inglés Rapid amplification cDNA ends) y RT-PCR. En total se añadieron 411 loci conocidos, 30 nuevos loci CDS, 81 nuevo loci con tráscrito, 83 loci putativos, 104 pseudogenes procesados y 66 pseudogenes no procesados.
Junio 2007 Se publicaron las conclusiones del proyecto piloto. Estos descubrimientos resaltaron el éxito de dicho proyecto en crear una plataforma y nuevas tecnologías para caracterizar elementos funcionales en el genoma humano, abriendo un camino para la investigación en estudios del genoma completo.
Octubre 2007 El NHGRI concedió una subvención al Wellcome Trust Sanger Institute por sus buenos resultados en la fase piloto con el 1% del genoma. Esta subvención permitiría realizar una ampliación del proyecto GENCODE para integrar la anotación de las características de genes. Esta nueva inversión fue parte del esfuerzo del NHGRI por avanzar el Proyecto ENCODE a la fase de producción en el genoma entero.
Diciembre 2011 Se lanzó la versión GENCODE 7, que combinaba la anotación genética manual del Análisis y Anotación de Humanos y Vertebrados (HAVANA, por sus siglas en inglés) y la última anotación automática de Ensembl (Ensembl 62). En el momento de su publicación, GENCODE 7 era la anotación más exhaustiva de loci de RNA largos no codificantes (lncRNA) disponible. El consorcio GENCODE publicó un artículo discutiendo los resultados de esta versión en septiembre de 2012.
2013 - 2017 Tras el éxito de la nueva anotación definitiva de elementos funcionales del genoma humano, el grupo de GENCODE recibió una segunda subvención en 2013 y una tercera en 2017, para continuar con su trabajo de anotación y amplió sus esfuerzos al genoma del ratón. Se esperaba que los datos de anotación del genoma del ratón permitieran estudios comparativos entre este y el humano, para mejorar la calidad de anotación de ambos.
2018 Una de las últimas adiciones es el seguimiento de CRISPR/Cas9 en construcciones genómicas de humanos y de organismos modelo. La técnica CRISPR/Cas9 de edición de genomas depende de la presencia de secuencias de RNA guía que se unen a la región a editar con elevada especificidad. La nueva herramienta de GENCODE está diseñada para ayudar a encontrar la secuencia de RNA guía apropiada, mediante una lista de potenciales sitios de unión para el complejo CRISPR/Cas9 que se encuentran cerca (entre 0 y 200 pares de bases) de regiones codificantes. Para cada sitio, se dan las posibles secuencias guía junto con una predicción de su eficiencia y puntuaciones de especificidad. También se da información sobre potenciales sitios de unión inespecífica para cada secuencia guía, según el número de mismatches que haya entre el sitio inespecífico y la secuencia guía.
2020 - Actualidad Se introdujeron mejoras en la infraestructura del sistema de anotaciones, en las herramientas bioinformáticas y en el análisis, tanto para genoma humano como de ratón. Algunas de estas fueron: la compleción del primer pase manual de anotación del genoma de referencia de ratón, el inicio de proyectos colaborativos para conseguir la convergencia entre diferentes bases de datos de anotación para genes codificantes de proteínas en humanos y ratones, y la compleción de la primera anotación de lncRNAs supervisada manualmente. Además, se ha trabajado en la mejora de la anotación de genes asociados con la infección por SARS-CoV-2, el virus causante de la pandemia de COVID-19.
Participantes principales
Instituciones Los participantes principales de GENCODE se han mantenido relativamente consistentes a lo largo de sus fases, siendo el Wellcome Trust Sanger Institute el que lidera los esfuerzos del proyecto.
A continuación se incluye un resumen de las principales instituciones que contribuyeron en cada fase: GENCODE Fase pilotoGENCODE Fase de ampliaciónGENCODE Fase 2 (Actual)Wellcome Trust Sanger Institute, Cambridge, Reino Unido
Equipo 16: Población y Genómica Comparativa Equipo 71: Informática (Principalmente el grupo de anotación HAVANA)Wellcome Trust Sanger Institute, Cambridge, Reino UnidoWellcome Trust Sanger Institute, Cambridge, Reino UnidoInstitut Municipal d'Investigació Mèdica (IMIM), Barcelona, Cataluña, EspañaCentre de Regulació Genòmica (CRG), Barcelona, Cataluña, EspañaCentre de Regulació Genòmica (CRG), Barcelona, Cataluña, EspañaUniversidad de Ginebra, SuizaUniversidad de Lausanne, SuizaUniversidad de Lausanne, SuizaUniversidad de Washington (WashU), St Louis, EE. UU.Universidad de California Santa Cruz (UCSC), EE.UU.Universidad de California, Santa Cruz (UCSC), California, EE.UU.Universidad de California, Berkeley, EE.UU.Instituto de Tecnología de Massachusetts (MIT), Boston, EE.UU.Instituto de Tecnología de Massachusetts (MIT), Boston, EE.UU.Instituto Europeo de Bioinformática, Hinxton, Reino UnidoUniversidad de Yale, New Haven EE.UU.Universidad de Yale, New Haven, EE.UU.Centro Nacional de Investigaciones Oncológicas (CNIO), Madrid, EspañaCentro Nacional de Investigaciones Oncológicas (CNIO), Madrid, EspañaUniversidad de Washington (WashU), St Louis, EE.UU.
Participantes, PI y Co-PIs
Paul Flicek (Lead PI), EMBL European Bioinformatics Institute, Cambridge, Reino Unido Roderic Guigo (PI), Centre de Regulació Genòmica (CRG), Barcelona, Cataluña, España Manolis Kellis (PI), Massachusetts Institute of Technology (MIT), Boston, Estados Unidos Mark Gerstein (PI), Yale University, New Haven, Estados Unidos Benedict Paten (PI), University of California, Santa Cruz, California, Estados Unidos Michael Tress, Spanish National Cancer Research Centre (CNIO), Madrid, España Jyoti Choudhary, Institute of Cancer Research (ICR), London, Reino Unido
Estadísticas Desde su creación, GENCODE ha publicado 36 versiones de anotaciones del genoma humano, además de pequeñas actualizaciones adicionales.
Debajo se muestran las estadísticas principales de la anotación del genoma humano en GENCODE en la versión 36 (2020): CategoríasTotalCategoríasTotalNúmero total de genes60 660Número total de tránscritos232 117Genes que codifican para proteína19 962Tránscritos codificantes para proteína85 269Genes de lncRNA17 958 - Totalmente codificantes59 269Genes de sncRNA (del inglés, small non-coding RNA)7 569 - Parcialmente codificantes26 000Pseudogenes14 761Tránscritos degenerados por mutaciones sin sentido17 378 - Pseudogenes procesados10 669Tránscritos de loci de lncRNA48 734 - Pseudogenes no procesados3 554 - Pseudogenes unitarios236 - Pseudogenes polimórficos48 - Pseudogenes18Segmentos genéticos del receptor de inmunoglobulinas/células T645Número total de traducciones distintas63 058 - Segmentos de codificación de la proteína409Genes con más de una traducción 13 685 - Pseudogenes236 Gracias a los avances en técnicas de secuenciación, como RT-PCR-seq, al aumento de la cobertura de las anotaciones manuales (HAVANA), y las mejoras en algoritmos de anotación automática con Ensembl, la precisión de las anotaciones en GENCODE se ha ido refinando continuamente a lo largo de los distintos lanzamientos.
Metodología miniaturadeimagen|359x359px|Diagrama de las herramientas de GENCODE. Se muestra el flujo de datos entre la anotación manual y la anotación automática a través de herramientas de predicción especializadas. Los modelos genéticos anotados están sujetos a validación experimental, y el sistema de seguimiento AnnoTrack contiene información de todas esas fuentes y se usa para resaltar las diferencias, coordinar los controles de calidad y hacer el seguimiento de los resultados. Los procesos de anotación manual y automática son los que producen la base de datos de GENCODE, y se usan para el control de calidad de la anotación completa.