Proyecto Genoma Humano

A, C, G y T son las cuatro letras utilizadas para representar las bases del ADN.

El programa buscaba determinar el orden de las bases del ADN y proporcionar mapas y herramientas para localizar y estudiar genes. Una secuencia de referencia ofrece coordenadas compartidas: las observaciones de distintos laboratorios pueden situarse en las mismas regiones genómicas, en lugar de depender de mapas locales incompatibles.

Su valor era el de una infraestructura científica. Producir una secuencia reutilizable permitía investigar la función biológica, la evolución y las enfermedades; no explicaba por sí solo la función de cada base ni constituía un tratamiento.

El consorcio público utilizó un enfoque jerárquico. Se cartografiaban grandes fragmentos de ADN, a menudo conservados en cromosomas artificiales bacterianos (BAC), y se seleccionaban para cubrir el genoma. Cada clon seleccionado se subdividía, se secuenciaba mediante la química de Sanger y se ensamblaba informáticamente a partir de lecturas solapadas. Después se ordenaban los ensamblajes de los clones para formar una referencia mayor.

Los BAC mantienen grandes fragmentos de ADN de forma estable en bacterias, conservando segmentos cartografiados disponibles para su secuenciación. En la secuenciación de Sanger, las copias se interrumpen en bases determinadas y se separan por longitud para reconstruir el orden de las bases.

El mapa restringía las posiciones posibles de los fragmentos y reducía la ambigüedad. Sin embargo, las secuencias repetidas podían parecer casi idénticas y los sesgos de clonación dejaban algunas regiones infrarrepresentadas. La finalización exigía lecturas adicionales dirigidas y comprobaciones de solapamientos y coherencia, no solo más secuenciación automatizada. Una secuencia ensamblada es una reconstrucción a partir de mediciones, no una fotografía de un cromosoma.

El Consorcio Internacional de Secuenciación del Genoma Humano reunió a 20 centros de Estados Unidos, Reino Unido, Francia, Alemania, Japón y China. El NHGRI y el Departamento de Energía dirigieron el esfuerzo estadounidense; el Wellcome Trust apoyó el británico. Biólogos, ingenieros y especialistas en computación compartieron una tarea de producción distribuida.

El anuncio de finalización de 2003 compara una estimación estadounidense inicial de 3 mil millones USD con un importe declarado de 2,7 mil millones USD, ambos en dólares del ejercicio fiscal 1991. Son cifras oficiales del programa, no un gasto mundial total auditado de forma independiente. El balance posterior del NHGRI señala expresamente la dificultad de contabilizar con precisión las aportaciones de los financiadores internacionales. La secuencia se difundió abiertamente para su reutilización.

El programa se desarrolló entre 1990 y 2003. En junio de 2000 se anunció un borrador, seguido del artículo del consorcio público en febrero de 2001. El 14 de abril de 2003, el consorcio anunció la finalización y puso a disposición una referencia esencialmente terminada. Este hito del programa debe distinguirse de la publicación técnica posterior.

En octubre de 2004, el artículo de finalización describió Build 35: 2,85 mil millones de nucleótidos, 341 huecos, aproximadamente el 99 % de la eucromatina y una tasa de error estimada de alrededor de 1 evento por cada 100 000 bases. Estos resultados corresponden al ensamblaje estudiado, no a mediciones exactas que puedan atribuirse retrospectivamente al anuncio de abril de 2003. Aquel anuncio describía el 99 % de las regiones que contienen genes con una exactitud del 99,99 %. Cobertura y exactitud miden cosas distintas.

La eucromatina contiene la mayoría de los genes, pero no constituye todo el genoma. Las regiones heterocromáticas muy repetitivas, incluidas las centroméricas, seguían siendo difíciles de resolver. Por tanto, un alto porcentaje de cobertura eucromática no puede presentarse como ese mismo porcentaje de todo el ADN humano.

La referencia era además un mosaico de varios donantes, no las dos copias cromosómicas de una persona representativa ni un catálogo de la variación humana. Integridad de la secuencia, corrección del ensamblaje, representación de las poblaciones e interpretación biológica son requisitos diferentes. Cumplir el estándar de finalización del programa no eliminó esas limitaciones.

El artículo de Nurk y sus colaboradores, publicado el 31 de marzo de 2022, describió T2T-CHM13: un ensamblaje de 3,055 mil millones de pares de bases sin huecos de secuencia en los autosomas y el cromosoma X; no incluía el cromosoma Y. Las lecturas PacBio HiFi y las lecturas ultralargas de Oxford Nanopore ayudaron a resolver regiones repetitivas inaccesibles a los enfoques anteriores. La línea celular era casi homocigota, lo que simplificaba la distinción entre copias cromosómicas.

El artículo identifica, no obstante, secuencias modelo para algunas matrices de ADN ribosómico cuyo orden interno no se resolvió completamente. «Sin huecos» no equivale a determinar directamente y sin ambigüedad cada copia repetida. T2T fue un logro de un consorcio posterior, no un resultado entregado por el Proyecto Genoma Humano en 2003; un solo ensamblaje tampoco representa toda la diversidad humana.

El 10 de mayo de 2023, Liao y sus colaboradores publicaron el primer borrador del HPRC: 47 ensamblajes diploides con fase resuelta, correspondientes a 94 haplotipos. Resolver la fase permite distinguir las secuencias cromosómicas heredadas de cada progenitor. La alineación de varios ensamblajes en grafos de variación ofrece rutas de secuencia alternativas, en vez de imponer una única referencia lineal a todas las personas.

El artículo informa de 119 millones de pares de bases adicionales de secuencias eucromáticas polimórficas respecto a GRCh38. Los procedimientos evaluados redujeron un 34 % los errores de detección de variantes pequeñas y aumentaron un 104 % las variantes estructurales detectadas por haplotipo. Son comparaciones dentro del estudio, no mejoras universales ni pruebas de un beneficio clínico equivalente. El borrador no abarcaba toda la variación ni estaba libre de errores; las repeticiones difíciles y la representación de más poblaciones seguían siendo retos. GRCh38 es una referencia posterior, no la secuencia de 2003 sin cambios.

Un resultado duradero es una referencia de libre reutilización y una cultura de intercambio rápido de secuencias, respaldada por los principios de las Bermudas. Este recurso mejoró la precisión de la anotación génica y de la genómica comparativa. Los resultados posteriores de T2T y del pangenoma muestran cómo otros programas pudieron poner a prueba y ampliar esa base.

El programa también apoyó la investigación de las implicaciones éticas, jurídicas y sociales: privacidad, consentimiento y posible discriminación genética importan junto al rendimiento técnico. Obtener mejores secuencias no establece automáticamente la causalidad de una enfermedad ni produce una terapia; la interpretación y la evaluación clínica requieren más pruebas. El Proyecto Genoma Humano sigue finalizado. Las futuras actualizaciones de esta ficha histórica deben recoger reinterpretaciones documentadas y resultados derivados sin atribuir nuevos plazos o logros posteriores al programa cerrado.