miniaturadeimagen|El primer genoma de referencia humano impreso en una serie de libros, expuesto en el museo Wellcome Collection (Londres). Un genoma de referencia (o ensamblaje de referencia de un genoma) es una base de datos digital de secuencias de ácidos nucleicos, creado por científicos como ejemplo representativo del conjunto de genes de un organismo idealizado de una especie. Al ser resultado de un ensamblado de la secuenciación del ADN a partir de un número determinado de donantes, los genomas de referencia no representan con total exactitud el genoma de un organismo individual. En su lugar, un genoma de referencia representa un mosaico haploide de diferentes secuencias de ADN de cada donante. Por ejemplo, el ensamblaje de referencia más reciente para el genoma humano (versión GRCh38/hg38) proviene de >60 bibliotecas genómicas.
Existen genomas de referencia para múltiples especies de virus, bacterias, hongos, plantas y animales. Los genomas de referencia sirven como guía a partir de la cual se construyen los nuevos, permitiendo que estos se ensamblen de manera mucho más barata y rápida que en el primer Proyecto Genoma Humano. Es posible acceder a genomas de referencia a través de diferentes buscadores como Ensembl o UCSC Genome Browser.
Propiedades
Medida de la longitud La longitud de un genoma puede ser medida de múltiples maneras.
Una manera sencilla de medir la longitud de un genoma es contar el número de pares de bases.
Se denomina golden path a una medida de longitud alternativa que omite las regiones redundantes, tales como los haplotipos y las regiones pseudoautosómicas. Se suele combinar toda la información del ensamblado del genoma al superponer la información de la secuenciación sobre un mapa físico del genoma. Esta unidad de medida supone una mejor estimación del aspecto real del genoma, incluyendo los huecos redundantes y siendo un mapa más extenso que el típico ensamblado.
Cóntigos y scaffolds miniaturadeimagen|300x300px|Diagrama de la disposición de las lecturas, que forman cóntigos, y estos a su vez pueden ensamblarse en scaffolds en el proceso completo de secuenciación y ensamblado de un genoma de referencia. En esta imagen, se indica secuenciado el hueco entre los cóntigos 1 y 2, conformando un scaffold, mientras que el otro hueco no se ha secuenciado y separa los scaffolds 1 y 2. El ensamblado de un genoma de referencia requiere el solapamiento de las lecturas, las cuales se alinean formando cóntigos, regiones contiguas de secuencias consenso. Si existen huecos entre cóntigos, estos pueden ser completados creando scaffolds (en inglés, andamios), mediante una amplificación de los cóntigos por PCR y posterior secuenciación o mediante clonación de cromosomas artificiales bacterianos (BAC). Sin embargo, esto no siempre es posible, existiendo múltiples scaffolds en un genoma de referencia. Los scaffolds se pueden clasificar en tres tipos: 1) Posicionados, de los cuales se conoce el cromosoma en el que se encuentran, coordenadas dentro de este y orientación; 2) No localizados, de los que solo se conoce el cromosoma, pero no las coordenadas ni la orientación; 3) No posicionados, cuyo cromosoma tampoco se conoce.
El número de cóntigos y de scaffolds, así como sus longitudes medias son parámetros relevantes, junto con muchos otros parámetros, para la evaluación de la calidad de un genoma de referencia ya que informan sobre la continuidad del mapeado final a partir del genoma original. Cuanto menor sea el número de scaffolds por cromosoma hasta que uno solo ocupe un cromosoma entero, mayor será la continuidad del ensamblado. Otros parámetros relacionados son N50 y L50. El primero se define como la longitud de los cóntigos/scaffolds en la que el 50% del ensamblado se encuentra en fragmentos de esta longitud o mayor, mientras que el segundo es el número de cóntigo/scaffold cuya longitud es N50. Cuanto mayor sea el valor de N50, menor será el de L50, y viceversa, informando de una alta continuidad en el ensamblado.
Genomas de mamíferos Los genomas de referencia humanos y murinos son continuamente mejorados por el Consorcio de Referencia del Genoma (GRC), un grupo de 20 investigadores de diferentes institutos de investigación, incluyendo el Instituto Europeo de Bioinformática, el NCBI, el Sanger Institute y el McDonnell Genome Institute de la Universidad de Washington en San Luis (EE. UU.). El GRC continua mejorando los genomas de referencia, reduciendo los huecos y las regiones infrarrepresentadas en la secuencia de los genomas de referencia.
Genoma de referencia humano El primer genoma de referencia humano se extrajo de 13 voluntarios anónimos de Búfalo, Nueva York, los cuales fueron reclutados el domingo 23 de marzo de 1997. Se invitó a los primeros diez hombres y mujeres voluntarios a una reunión con los consejeros genéticos del proyecto para la posterior extracción de sangre. Debido a la metodología de procesamiento de las muestras de ADN, aproximadamente el 80% del genoma de referencia provenía de 8 personas y un hombre, designado como RP11, que contribuyó con el 66% del total. El sistema de grupos sanguíneos ABO difieren entre humanos, pero el genoma de referencia humano solo contiene el alelo O, aunque los otros están anotados. En 1999, se logró secuenciar y ensamblar la secuencia del cromosoma 22 y en 2001, se publicaron los resultados iniciales del primer ensamblado de referencia para el genoma humano. miniaturadeimagen|400x400px|Evolución en el tiempo del coste aproximado de la secuenciación de un genoma humano (Periodo 2001 - 2021) Conforme el coste de las tecnología de secuenciación del ADN ha descendido y han surgido otras nuevas para la secuenciación de genoma completo, el número de genomas secuenciado ha aumentado. En muchos casos, personas como James D. Watson, secuenciaron su genoma mediante el método de secuenciación masiva en paralelo (massive parallel sequencing, en inglés).Una excepción a esto es J. Craig Venter, cuyo ADN fue secuenciado y ensamblado mediante métodos de secuenciación de escopeta o "shot gun sequencing" La comparativa entre el ensamblaje de referencia (versión NCBI36/hg18) y el genoma de Watson reveló diferencias en 3,3 millones de polimorfismos de un nucleótido único, mientras que aproximadamente el 1,4 % de su ADN no se podía alinear contra ninguna región del genoma de referencia. En las regiones de un genoma donde se sabe que existe variabilidad a gran escala en la secuencia, una serie de loci alternativos se ensamblan a lo largo del locus de referencia. miniaturadeimagen|400x400px|Ideograma de los cromosomas del genoma de referencia humano (versión GRCh38/hg38). Los patrones característicos de bandas se muestran de color negro, gris y blanco, mientras que los huecos y regiones parcialmente ensambladas se encuentran en color azul y rosa, respectivamente. Referencia: Genome Data Viewer de la base de datos NCBI La última versión del genoma de referencia humano, publicada por el Consorcio de Referencia del Genoma, fue GRCh38 en 2017. Esta versión ha recibido varios parches para actualizarla, siendo el último parche GRCh38.p14, publicada en marzo de 2022. Esta solo contiene 349 huecos en todo el genoma, lo que supuso un avance importante respecto al primer ensamblaje de referencia, el cual tenía aproximadamente 150 000 huecos. La versión GRCh38 presenta huecos principalmente en regiones correspondientes a telómeros, centrómeros y secuencias largas y repetitivas, estando el mayor hueco situado a lo largo del brazo largo del cromosoma Y, una región de aproximadamente 30 Mb de longitud (~52% de la longitud total del cromosoma Y). El número de bibliotecas genómicas que contribuyen al genoma de referencia ha aumentado de manera constante a lo largo de los años hasta más de 60. Sin embargo, el individuo RP11 sigue suponiendo el 70% del genoma de referencia. Los análisis genómicos de este hombre anónimo sugieren que es de ascendencia afroeuropea. Según el sitio web oficial del GRC, el lanzamiento de la siguiente versión del genoma de referencia humano (versión GRCh39) se encuentra actualmente "pospuesto indefinidamente".
Recientes versiones del genoma de referencia humano: VersiónFecha de publicaciónVersión equivalente de UCSCGRCh39Pospuesto indefinidamente -T2T-CHM13v2.0enero 2022 hs1GRCh38Diciembre 2013hg38GRCh37Febrero 2009hg19NCBI36.1Marzo 2006hg18NCBI35Mayo 2004hg17NCBI34Julio 2003hg16
Ensamblaje de referencia T2T-CHM13 El Consorcio Telomere-to-Telomere (T2T)es una organización internacional de múltiples grupos de investigación que colaboran en la secuenciación de las regiones restantes del genoma humano, que no pudieron ser secuenciadas en anteriores versiones del genoma publicadas por el GRC. Esta iniciativa surgió en 2019 por parte de investigadores del Instituto Nacional de Investigación del Genoma Humano (NHGRI) y la Universidad de California en Santa Cruz (UCSC).La metodología principal utilizada por este consorcio es la secuenciación de lecturas largas (también denominada secuenciación de tercera generación), aplicando tecnologías patentadas por las compañías Oxford Nanopore, la secuenciación de nanoporos, y PacBio, la secuenciación SMRT.
En 2022, el Consorcio T2T publicó el primer ensamblaje del genoma humano secuenciado al completo (versión T2T-CHM13), sin huecos en el ensamblado de las secuencias e incluyendo el cromosoma Y completo en su versión 2.0. El consorcio utilizó métodos rigurosos de ensamblado, limpieza y validación de complejas regiones repetitivas, las cuales son particularmente difíciles de secuenciar. Se utilizó secuenciación de lecturas "extra-largas" (>100 kb) para secuenciar con precisión regiones de secuencias que contienen duplicaciones segmentarias. La presencia de estas duplicaciones supone un reto, ya que son especialmente abundantes en el genoma humano en comparación con el de otros organismos, debido a una expansión significativa durante la evolución de los primates. Se localizan en regiones peri-centroméricas, en brazos acrocéntricos y en el brazo q del cromosoma Y, donde llega a suponer el 50,4% de toda su secuencia.A su vez, se logró identificar múltiples secuencias de genes amplicónicos y de ADN ribosómico, las cuales también son secuencias altamente repetitivas.
El ensamblaje T2T-CHM13 se secuenció a partir del genoma de la línea celular CHM13hTERT, consistente en células haploides de mola hidaitiforme. Estas células se caracterizan por tener dos copias del mismo genoma parental materno, lo cual provoca que sea esencialmente haploide, con un cariotipo de 46 cromosomas autosómicos y dos cromosomas X. Esto elimina la variación alélica y mejora la precisión de la secuenciación.El hecho de que la línea celular CHM13hTERT no contenga un cromosoma Y supuso que este no estaba incluido en las primeras versiones de genoma publicados por el consorcio T2T.Para solucionar esto, los investigadores optaron por secuenciar el cromosoma Y de otra línea celular, la HG002 (también denominada NA24385), con los mismos métodos y sumar todos los resultados en un único ensamblaje de referencia del genoma humano.