KidneyNetwork: Sử dụng dữ liệu biểu hiện gen có nguồn gốc từ thận để dự đoán và ưu tiên các gen mới liên quan đến bệnh thận Ⅰ

Xét nghiệm di truyền ở bệnh nhân nghi ngờ di truyềnbệnh thậncó thể không tiết lộ nguyên nhân di truyền của chứng rối loạn vì các biến thể có khả năng gây bệnh có thể nằm trong các gen chưa được biết là có liên quan đếnbệnh thận. Chúng tôi đã phát triển Mạng thận, sử dụng biểu hiện cụ thể của mô để thông báo mức độ ưu tiên của gen ứng cử viên dành riêng cho bệnh thận. ThậnNetwork là một phương pháp mới được xây dựng bằng cách tích hợp mạng đồng biểu hiện trình tự RNA thận gồm 878 mẫu với mạng đa mô gồm 31.499 mẫu. Nó sử dụng các mẫu biểu hiện và thiết lập các liên kết kiểu hình gen để dự đoán gen nào có thể liên quan đến kiểu hình (bệnh) nào một cách khách quan. Chúng tôi đã áp dụng KidneyNetwork cho các biến thể hiếm gặp trong dữ liệu giải trình tự bộ gen từ 13 bệnh nhân mắc bệnh thận mà không có chẩn đoán di truyền để ưu tiên các gen ứng cử viên. ThậnNetwork có thể dự đoán chính xác các chức năng của gen dành riêng cho thận và kiểu hình (bệnh thận) đối với các gen liên quan đến bệnh. Sự giao thoa giữa các gen được ưu tiên với các gen mang các biến thể hiếm gặp ở một bệnh nhân bị u nang thận và gan đã xác định ALG6 là một gen ứng cử viên hợp lý. Chúng tôi củng cố tính hợp lý này bằng cách xác định các biến thể ALG6 trong một số trường hợp bệnh gan và thận nang mà không có giải thích di truyền thay thế. Chúng tôi trình bày về KidneyNetwork, một mạng đồng biểu hiện dành riêng cho thận có sẵn công khai với các dự đoán kiểu hình gen được tối ưu hóa cho các kiểu hình bệnh thận.

Chúng tôi đã thiết kế một giao diện trực tuyến dễ sử dụng cho phép các bác sĩ lâm sàng và nhà nghiên cứu sử dụng dữ liệu biểu hiện gen và đồng quy định cũng nhưkết nối kiểu hình gen để đẩy nhanh tiến bộ trong chẩn đoán và nghiên cứu bệnh thận di truyền.

TUYÊN BỐ DỊCH THUẬT:Xét nghiệm di truyền ở bệnh nhân nghi ngờ di truyềnbệnh thậncó thể không tiết lộ nguyên nhân di truyền cho rối loạn của bệnh nhân. Các biến thể có khả năng gây bệnh có thể nằm trong các gen chưa được biết là có liên quan đến bệnh thận, gây khó khăn cho việc diễn giải mức độ liên quan của các biến thể này. Điều này cho thấy nhu cầu rõ ràng về các phương pháp dự đoán hậu quả kiểu hình của sự biến đổi di truyền một cách khách quan. Ở đây chúng tôi mô tả về Thận, một công cụ sử dụng biểu hiện cụ thể của mô để dự đoán các chức năng gen cụ thể của thận. Áp dụng ThậnNetwork cho một nhóm các trường hợp chưa được chẩn đoán đã xác định ALG6 là gen ứng cử viên trong thận nang vàbệnh gan. Tóm lại, KidneyNetwork có thể hỗ trợ giải thích các biến thể di truyền và do đó có thể có giá trị trong quá trình tạo thận tịnh tiến và giúp cải thiện kết quả chẩn đoán ở bệnh nhân mắc bệnh thận.

BẤM VÀO ĐÂY ĐỂ NHẬN CISTANCHE CHO THẬNBỆNH

GIỚI THIỆU

Xét nghiệm di truyền ở những bệnh nhân nghi ngờ mắc bệnh thận di truyền có thể tiết lộ các biến thể gây bệnh ởgen liên quan đến thận. Tuy nhiên, trong nhiều trường hợp, nguyên nhân di truyền vẫn chưa được phát hiện. Các biến thể gây bệnh trong các gen liên quan đến thận đã biết được phát hiện ở khoảng 10–30% bệnh nhân được xét nghiệm di truyền mắc bệnh thận mãn tính do bất kỳ nguyên nhân nào [1–3]. Tuy nhiên, những tỷ lệ phần trăm này có khả năng đánh giá thấp số lượng bệnh nhân có nguyên nhân đơn gen vì các biến thể gen chưa liên quan đến bệnh thận sẽ không được chú ý. Các biến thể có khả năng gây hại có thể nằm trong các gen này, điều này gây khó khăn cho việc sắp xếp thứ tự ưu tiên và giải thích mức độ liên quan của các biến thể này. Do đó, trong thời đại y học bộ gen hiện nay, một trong những thách thức chính sau kết quả chẩn đoán âm tính ở các gen đã biết là phát hiện và ưu tiên các gen ứng cử viên mới với các biến thể có khả năng gây bệnh có thể giải thích bệnh của bệnh nhân [4].

Dữ liệu giải trình tự RNA có thể được sử dụng để dự đoán ứng cử viêngen bệnh[5]. Gần đây, chúng tôi đã phát triển GeneNetwork và phương pháp Tối ưu hóa Chẩn đoán Hỗ trợ GeneNetwork (GADO) để ưu tiên các gen bệnh ứng cử viên mới dựa trên dữ liệu giải trình tự RNA [6]. Ý tưởng đằng sau phương pháp này là một số rối loạn hiếm gặp có thể được gây ra bởi các biến thể trong một số gen. Mặc dù các gen này khác nhau nhưng chúng thường có các chức năng sinh học tương tự nhau. Khi nghiên cứu dữ liệu biểu hiện gen từ một số lượng lớn mẫu, những gen bệnh này thường thể hiện sự đồng biểu hiện mạnh mẽ [6]. Do đó, nếu có các gen khác cùng biểu hiện mạnh với các gen bệnh hiếm gặp đã biết, thì có thể các biến thể trong các gen khác này cũng có thể gây ra bệnh tương tự.

Để loại công cụ này hoạt động tối ưu, thông tin đồng biểu thức phải càng chính xác càng tốt. Đối với GADO, chúng tôi đã xây dựng mạng lưới đồng biểu hiện gen dựa trên bộ dữ liệu giải trình tự RNA có sẵn công khai từ nhiều mô khác nhau và sử dụng mạng lưới này để dự đoán gen nào có thể gây ra các bệnh hiếm gặp. Những dự đoán này đã được đào tạo bằng cách sử dụng cơ sở dữ liệu bản thể kiểu hình con người (HPO) [7]. Trong cơ sở dữ liệu HPO, các gen được gán cho các kiểu hình ‒ được gọi là thuật ngữ HPO ‒ dựa trên chú thích bệnh gen và các triệu chứng bệnh có trong cơ sở dữ liệu OMIM [8] và Orphanet [9]. Bằng cách tích hợp thông tin từ cơ sở dữ liệu HPO với mạng đồng biểu hiện gen, chúng tôi có thể tính điểm dự đoán cho từng gen trên mỗi thuật ngữ HPO. Cùng với nhau, những điểm số này tạo thành GeneNetwork. GADO sau đó ưu tiên các gen bằng cách kết hợp danh sách đầu vào gồm các thuật ngữ HPO mô tả kiểu hình của bệnh nhân với danh sách các gen có các biến thể nguy hiểm có thể có từ bệnh nhân đó. Mức độ ưu tiên của danh sách gen dựa trên điểm số dự đoán gen kết hợp cho các thuật ngữ HPO đầu vào [6].

Bởi vì chúng tôi quan sát thấy rằng hiệu suất dự đoán của GeneNetwork đối với các kiểu hình HPO liên quan đến thận bị hạn chế, nên chúng tôi đã tìm cách cải thiện dự đoán bằng cách phát triển một mạng dành riêng cho thận. Chúng tôi đã làm điều này bằng cách sử dụng 878 mẫu giải trình tự RNA của thận mà chúng tôi đã làm giàu với bộ dữ liệu hiện có gồm 31.499 mẫu từ các mô khác [6]. Bằng cách phát triển một thuật toán dự đoán mới có thể cân nhắc thông tin có trong cả hai bộ dữ liệu, chúng tôi đã cải thiện hiệu suất cho các lộ trình liên quan đến thận. Trong bài báo này, chúng tôi trình bày kết quả của KidneyNetwork, một mạng đồng biểu hiện có thể được sử dụng để dự đoán chính xác mối liên hệ kiểu hình gen của các gen chưa biết đối với các thuật ngữ HPO liên quan đến thận. Để chứng minh về nguyên tắc, chúng tôi đã áp dụng KidneyNetwork cho dữ liệu giải trình tự exome từ một nhóm bệnh nhân mắc các bệnh thận chưa được điều trị trước đó.

PHƯƠNG PHÁP

Để cải thiện khả năng dự đoán các kiểu hình liên quan đến thận, chúng tôi đã thu thập dữ liệu giải trình tự RNA có nguồn gốc từ thận, cập nhật GeneNetwork với các cơ sở dữ liệu tham khảo gần đây hơn và cải thiện các phân tích thống kê, sau đó là tích hợp thông tin cụ thể của mô.

Bộ dữ liệu trong KidneyNetwork

Dữ liệu giải trình tự RNA từ các mẫu thận được chọn từ một số nguồn gốc, bao gồm mô nguyên phát, khối u và mô thai nhi được kết hợp với bộ dữ liệu hiện có về giải trình tự RNA đa mô được sử dụng làm nền tảng cho GeneNetwork đã mô tả trước đây của chúng tôi [6] (Bảng S1, S2) . Chúng tôi đã chọn đưa vào bộ dữ liệu đa mô vì hai lý do. Đầu tiên, chúng tôi cần đủ số lượng mẫu để xây dựng mạng cơ sở. Thứ hai, chúng tôi muốn duy trì biểu hiện cụ thể đối với một số hoặc tất cả các loại tế bào thận chứ không phải các mô khác. Chúng tôi đã làm điều này vì điểm số kiểu hình gen dựa trên sự khác biệt về biểu hiện giữa các mẫu; nếu tất cả các gen có biểu hiện cao (hoặc thấp) trong tất cả các mẫu được đưa vào phân tích, thì chúng sẽ không bổ sung đủ thông tin cho thuật toán dự đoán. Bộ dữ liệu đa mô của các mẫu giải trình tự RNA của con người được sử dụng để phát triển GeneNetwork đã được sử dụng lại và xử lý như mô tả trước đây [6]. Sau khi tiền xử lý, bộ dữ liệu này chứa 31.499 mẫu và 56.435 gen.

3.194 mẫu giải trình tự RNA có nguồn gốc từ thận đã được tải xuống từ Kho lưu trữ Nucleotide Châu Âu (ENA) và Dự án Biểu hiện Kiểu gen-Mô (GTEx) (Lưu ý S1). Quá trình tiền xử lý bộ dữ liệu thận được thực hiện tương tự như bộ dữ liệu đa mô [6] (Lưu ý S2, Lưu ý S3). Sau khi chọn lọc mẫu và gen, còn lại 58.283 gen và 878 mẫu thận. Chúng tôi đã điều tra 878 mẫu trình tự RNA còn lại bằng thuật toán phân cụm UMAP (Lưu ý S4).

lọc HPO. Để xây dựng KidneyNetwork, chúng tôi đã sử dụng các liên kết kiểu hình gen từ cơ sở dữ liệu HPO [7] phiên bản 1268. Trong cơ sở dữ liệu HPO, việc chú thích các gen thành các kiểu hình do HPO xác định dựa trên các chú thích về gen-bệnh trong OMIM [8] bệnh tật map (tải xuống ngày 26 tháng 3 năm 2018) và tệp Orphanet [9] "en_product6.xml" phiên bản 1.3.1. Chú thích gen-bệnh trong các cơ sở dữ liệu này có thể dựa trên một số yếu tố, bao gồm các hiệp hội thống kê và các biến thể số lượng bản sao quy mô lớn. Chúng tôi muốn đào tạo KidneyNetwork chỉ sử dụng các gen mà mối liên hệ giữa gen và căn bệnh hiếm gặp đã được thiết lập rõ ràng. Do đó, chúng tôi đã loại trừ các hội chứng đa gen, vì thường không rõ gen nào trong các biến thể số lượng bản sao góp phần tạo nên kiểu hình nào. Chúng tôi cũng loại trừ các gen nhạy cảm đơn thuần (Lưu ý S5).

Chuẩn hóa biểu thức. Sau khi kiểm soát chất lượng mẫu và gen (QC), ma trận biểu hiện của các mẫu và gen còn lại được biến đổi log2- và số lượng gen được chuẩn hóa bằng cách sử dụng DESeq theo phương pháp tỷ lệ trung bình. Sau đó, chúng tôi đã sửa dữ liệu biểu hiện gen cho các đồng biến (Lưu ý S6).

phân hủy

Sau khi lọc và QC của toàn bộ tập dữ liệu, bước tiếp theo là thực hiện phân tách để tính toán các vectơ riêng của tập dữ liệu (Lưu ý S7). Đối với cả GeneNetwork và mạng điều hòa gen dựa trên dữ liệu có nguồn gốc từ thận, chúng tôi đã xác định số lượng thành phần tối ưu (Lưu ý S8). 165 vectơ riêng đầu tiên cho GeneNetwork và 170 vectơ riêng đầu tiên cho dữ liệu có nguồn gốc từ thận đã được xác định và hợp nhất thành một ma trận lớn hơn chứa tất cả 335 vectơ riêng.

Tính điểm gen‒HPO-term Việc tính điểm kiểu hình gen được thực hiện theo một số bước (Hình. S5). Đầu tiên, chúng tôi đã thực hiện hồi quy logistic bằng cách sử dụng các vectơ riêng kết hợp và tệp chú thích kiểu hình gen làm đầu vào. Chúng tôi đã sử dụng các giá trị kết quả và điểm của vectơ riêng để tính điểm tỷ lệ cược của nhật ký gen cho mọi gen trong mỗi vectơ riêng (Lưu ý S9).

Để tránh làm quá mức tỷ lệ cược-tỷ lệ ghi nhật ký gen của các gen đã được chú thích, chúng tôi đã áp dụng phương pháp xác thực chéo loại bỏ một lần (Lưu ý S10). Tỷ lệ cược nhật ký sau đó đã được dịch sang điểm z của gen bằng cách sử dụng phân phối null được hoán vị cho từng kiểu hình (Lưu ý S11).

Để xác định độ chính xác của dự đoán, chúng tôi đã tính diện tích dưới đường cong ROC (AUC). AUC được tính theo thuật ngữ HPO bằng cách sử dụng điểm số z của gen dự đoán và các chú thích đã biết. Tầm quan trọng của các dự đoán đã được tính toán bằng cách sử dụng bài kiểm tra xếp hạng Mann-Whitney hai mặt. Sau hiệu chỉnh Bonferroni, một dự đoán được coi là có ý nghĩa tại p < 0.05.

So sánh hiệu suất dự đoán

Chúng tôi đã so sánh hiệu suất dự đoán của bốn mạng riêng biệt: (1) Mạng Gene ban đầu, (2) Mạng Gene được cập nhật, (3) mạng điều hòa gen cụ thể của thận chỉ dựa trên các mẫu có nguồn gốc từ thận và cuối cùng là (4) KidneyNetwork, kết hợp hai cái sau. Chất lượng của các dự đoán HPO do các mạng này đưa ra được đánh giá dựa trên AUC cho từng kiểu hình liên quan đến thận (Bảng S3). Chất lượng của mạng được cải thiện được định nghĩa là độ chính xác dự đoán được cải thiện đối với các thuật ngữ liên quan đến thận được dự đoán đáng kể trong mỗi so sánh của hai mạng và bằng cách tăng số lượng thuật ngữ liên quan đến thận được dự đoán đáng kể. Tầm quan trọng của việc cải thiện độ chính xác dự đoán của mạng này so với mạng khác được đánh giá bằng thử nghiệm DeLong [10] được tích hợp trong gói pROC R [11].

Ứng dụng của KidneyNetwork cho 13 bệnh nhân nghi ngờ mắc bệnh thận di truyền Một trong những ứng dụng của KidneyNetwork là ưu tiên các gen ứng cử viên ở những bệnh nhân mắc bệnh thận chưa được giải quyết. Để đánh giá ứng dụng lâm sàng này, chúng tôi đã sử dụng KidneyNetwork để ưu tiên các gen ứng cử viên cho bệnh nhân mắc các bệnh thận khác nhau bằng phương pháp GADO [6]. GADO kết hợp các điểm số z dự đoán gen được hiển thị thông qua KidneyNetwork cho một tập hợp các thuật ngữ HPO nhất định. Các gen có chỉ số z kết hợp Lớn hơn hoặc bằng 5 đối với tập hợp các thuật ngữ HPO duy nhất liên quan đến mỗi bệnh nhân được coi là gen ứng cử viên tiềm năng cho bệnh nhân đó.

Hình 1 Trực quan hóa UMAP của dữ liệu biểu hiện có nguồn gốc từ thận. 878 mẫu được nhóm thành ba cụm chính: mô nguyên phát khỏe mạnh (giữa và dưới), mẫu phát triển (trái) và mẫu ung thư biểu mô tế bào thận (RCC) (phải). Ở phía bên trái của hình, có thể nhìn thấy cụm các tế bào cơ có nguồn gốc từ tế bào gốc đa năng (PSC) và các chất hữu cơ có nguồn gốc từ PSC với các mẫu bào thai sơ cấp và tế bào tiền thân nephron. Ở phía bên phải, cụm mẫu RCC gần với mẫu ống lượn gần và cụm RCC gần nhất với mẫu mô nguyên phát khỏe mạnh bao gồm các mẫu RCC tế bào không trong suốt (nccRCC). Ở giữa và ở dưới cùng, các mẫu thận nguyên phát khỏe mạnh tập hợp lại dựa trên mô ban đầu của chúng.

13 bệnh nhân trong nghiên cứu đều bị nghi ngờ mắc bệnh thận đơn gen nhưng không có chẩn đoán di truyền (Lưu ý S12). Các thuật ngữ HPO được gán cho các trường hợp này dựa trên kiểu hình của chúng. Đối với mỗi bệnh nhân, dữ liệu giải trình tự exome hoàn chỉnh được phân tích bằng CAPICE [12] để xác định các biến thể có khả năng gây bệnh. Các gen chứa các biến thể với AF lọc gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

Chồng chéo các gen được xác định bởi sự tích hợp của KidneyNetwork trong GADO với những gen được xác định bởi CAPICE dẫn đến một danh sách các gen cho mỗi bệnh nhân. Các gen và biến thể trong các gen này đã được hội đồng chuyên gia về thận (AMvE, LRC, NVAMK) xem xét thủ công về khả năng gây bệnh của chúng dựa trên số liệu dân số, công cụ dự đoán, tài liệu có sẵn và sự phân biệt (Lưu ý S13). Đối với gen ứng cử viên thu được, các bệnh nhân bổ sung mang các biến thể trong cùng một gen đã được xác định thông qua các cộng tác viên và 100,000 Dự án bộ gen [14]. Ngoài ra, công cụ GeneMatcher [15] đã được sử dụng và không mang lại thêm bệnh nhân nào cho đến ngày 15 tháng 2 năm 2023.

Xác định các bệnh nhân khác Đoàn hệ bệnh gan và thận đa nang chưa được giải quyết trước đây [16] được sử dụng để đánh giá các biến thể hiếm gặp (Lưu ý S14). Chúng tôi đã sử dụng phép thử chính xác của Fisher để so sánh tần suất của (các) biến thể đã xác định với tập hợp con người châu Âu không phải người Phần Lan trong cơ sở dữ liệu gnomAD [17]. Hơn nữa, chúng tôi đã sử dụng 100,{5}} Dự án bộ gen [14] để xác định các bệnh nhân bổ sung dựa trên (các) biến thể đã xác định (Lưu ý S15).

KẾT QUẢ

Truy xuất dữ liệu và phân cụm mẫu Chúng tôi đã chọn 878 mẫu thận (Hình S2), chúng tôi phân cụm và vẽ đồ thị bằng thuật toán UMAP (Hình 1). Nói chung, các cụm dữ liệu thành ba cụm chính: dữ liệu thận không phải khối u nguyên phát, các mẫu phát triển của thận và các mẫu ống lượn gần, cầu thận và ung thư biểu mô tế bào thận (RCC).

ThậnNetwork cải thiện dự đoán kiểu hình gen Trước tiên, chúng tôi đã cập nhật GeneNetwork với cơ sở dữ liệu HPO được cập nhật (Hình S6) và tối ưu hóa quy trình xây dựng mạng gen (Hình S7). Những thay đổi này mang lại sự cải tiến trong GeneNetwork chung so với phiên bản trước (Hình S8). Sau đó, chúng tôi đã sử dụng quy trình cải tiến để xây dựng mạng lưới điều hòa gen dành riêng cho thận. Đúng như dự đoán, với kích thước mẫu nhỏ, phiên bản mạng dành riêng cho thận này hoạt động kém hơn GeneNetwork (Hình S9). Sau đó, việc kết hợp GeneNetwork và mạng đồng biểu hiện gen cụ thể của thận vào ThậnNetwork mang lại kết quả tốt nhất cho các thuật ngữ HPO liên quan đến thận (Hình 2A; Bảng S5). AUC dự đoán, độ chính xác, độ nhạy và điểm f1-cho mỗi lộ trình dự đoán được cung cấp (Bảng S6)

Hai ví dụ về các thuật ngữ HPO liên quan đến thận được cải thiện là hạ magie máu và bất thường ống kẽ thận (Hình 2 B). Trực quan hóa các kiểu hình này trong các ô mật độ cho thấy các điểm số z được ưu tiên cao hơn đối với các gen liên quan đến bệnh đã biết so với các gen không được chú thích. Đối với các gen chưa biết, z-score dự đoán càng cao thì càng có nhiều khả năng chúng là gen gây bệnh. Trực quan hóa mạng lưới tương tác gen của các gen bệnh đã biết dựa trên điểm số dự đoán một lần nữa cho thấy sự gia tăng về số lượng và cường độ của các tương tác thu được khi sử dụng KidneyNetwork so với GeneNetwork.

Hình 2 KidneyNetwork hoạt động tốt hơn đối với các thuật ngữ HPO liên quan đến thận so với GeneNetwork được cập nhật. 27 phần trăm các kiểu hình liên quan đến thận được dự đoán tốt hơn đáng kể khi sử dụng KidneyNetwork, so với GeneNetwork. B Biểu đồ mật độ của điểm số dự đoán gen trong hai kiểu hình được cải thiện nhiều nhất, hạ magie máu và bất thường ống kẽ thận, cho thấy giá trị dự đoán cao hơn đối với các gen được chú thích cho kiểu hình và cũng dự đoán các gen ứng cử viên tiềm năng chưa biết. Các mạng được dự đoán bằng KidneyNetwork cho thấy mối tương quan nhiều hơn và mạnh mẽ hơn giữa các gen được chú thích so với các mạng được dự đoán bằng GeneNetwork.

Chúng tôi cũng nhận thấy sự gia tăng đáng kể về số lượng thuật ngữ HPO được dự đoán liên quan đến thận đối với KidneyNetwork (n=71) so với GeneNetwork (n=63). Điều này khiến chúng tôi đưa ra giả thuyết rằng KidneyNetwork dự đoán các thuật ngữ liên quan đến thận với độ chính xác cao hơn về tổng thể và do đó có khả năng dự đoán nhiều kiểu hình liên quan đến thận hơn với ý nghĩa cao hơn. Thử nghiệm t được ghép nối cho thấy rằng về tổng thể, điểm AUC của HPO tốt hơn đáng kể đối với KidneyNetwork so với GeneNetwork (AUC trung bình: 0,76 so với 0,74; giá trị p của thử nghiệm t: 4,5 × 10 −8 ). Kết quả này cho thấy rằng KidneyNetwork dự đoán nhiều thuật ngữ HPO cụ thể hơn về thận với độ chính xác dự đoán cao hơn GeneNetwork.

ThậnNetwork ưu tiên ALG6 như một gen bệnh ứng cử viên ở những bệnh nhân bị u nang thận và u nang gan. Để kiểm tra tiện ích lâm sàng của ThậnNetwork, chúng tôi đã ưu tiên các gen cho 13 bệnh nhân nghi ngờ mắc bệnh thận di truyền nhưng không có chẩn đoán di truyền và xen kẽ những gen này với các gen chứa các biến thể có khả năng gây bệnh. Danh sách gen kết quả chứa 1‒4 gen ứng cử viên cho 9 trong số 13 bệnh nhân (Bảng S7). Ở một bệnh nhân (SAMPLE6), việc tuyển chọn thủ công danh sách này đã xác định ALG6 (ALG6 alpha-1,3-glucosyltransferase) là gen ứng cử viên tiềm năng để giải thích nang thận và gan của bệnh nhân (Hình 3). Điểm số z kết hợp cho ALG6 đối với các thuật ngữ HPO bị quy là có ý nghĩa quan trọng trong KidneyNetwork sau khi hiệu chỉnh nhiều thử nghiệm (z=5.43). Gen này sẽ bị bỏ sót nếu chúng tôi sử dụng GeneNetwork: ở đó ALG6 không đạt đến ngưỡng ý nghĩa của z-score Lớn hơn hoặc bằng 5.

ALG6 là gen ứng cử viên cho bệnh nhân bị u nang thận và gan Biến thể ALG6 c.680 cộng với 2 T > G do SAMPLE6 mang là dị hợp tử. Đây là một biến thể vị trí mối nối gây bệnh đã biết dẫn đến rối loạn bẩm sinh glycosyl hóa (CDG) loại Ic khi các biến thể gây bệnh xuất hiện trên cả hai alen [18, 19]. ALG6 rất giống với ALG8 có liên quan đến kiểu hình nang thận và gan [20], và theo KidneyNetwork, ALG6 và ALG8 được đồng điều chỉnh cao (điểm số z=8.59).

Dựa trên tính hợp lý về mặt sinh học này, chúng tôi đã truy vấn một nhóm gồm 120 trường hợp mắc bệnh gan và thận đa nang không liên quan để tìm các biến thể hiếm gặp, MAF < 0.001, trong ALG6. Nhóm thuần tập này được cập nhật một chút vì nó đã được mô tả trước đó và đã bị loại trừ bằng phân tích giải trình tự bộ gen do mất đột biến chức năng hoặc các biến thể không cắt ngắn gây bệnh được báo cáo trong PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 hoặc DNAJB11 [16]. Ba trường hợp không liên quan (YU372, YU378, YU481) mang các biến thể ALG6 hiếm; mỗi cái có cùng ALG6 c.257 cộng với 5 G > Một biến thể mối nối không chính tắc được biết là gây bệnh cho ALG6-CDG và thay đổi mối nối trong ống nghiệm [19, 21]. Mặc dù có chung đột biến, ba trường hợp này đều báo cáo rằng không có thành viên gia đình bị ảnh hưởng đã biết nào được đăng ký từ các tiểu bang khác nhau trên khắp Hoa Kỳ và không liên quan đến giới hạn phát hiện tốt nhất bằng cách sử dụng thuật toán VCFtools relatedness2 với Mức độ liên quan_PHI < 0,005.

Với sự biểu hiện của biến thể này trong ba trường hợp có nguồn gốc châu Âu trong đoàn hệ được xác định theo kiểu hình này, chúng tôi đã so sánh tần suất của nó trong tập hợp con các trường hợp ở châu Âu (n=105) với những người châu Âu không phải người Phần Lan trong gnomAD [17] với mức độ phù hợp ở vị trí này (n= 64,466) [17]. Trong nhóm thuần tập bệnh nhân, 3 trong số 210 alen chứa biến thể này, trong khi ở gnomAD, một nhóm thuần tập không được chọn liên quan đến gánh nặng nang thận hoặc gan, nó được tìm thấy ở 121 trong số 128.932 alen. Mức độ phong phú gấp khoảng 10-này có ý nghĩa thống kê theo phép thử chính xác của Fisher, p=0.0011. Đột biến này cũng tái phát trong các trường hợp ALG6-CDG [19].

Chúng tôi cũng đã điều tra bộ dữ liệu 100,000 Dự án bộ gen [14] và liên hệ với các cộng tác viên, những người đã xác định được ba dữ liệu bổ sung để áp dụng cho bệnh thận. Một tỷ lệ đáng kể bệnh nhân nghi ngờ mắc bệnh thận di truyền vẫn chưa được chẩn đoán di truyền, vì danh sách các gen bệnh cho nhiều tình trạng không đầy đủ. Việc xác định gen nào liên quan đến bệnh thận là điều cần thiết để cải thiện năng suất chẩn đoán ở bệnh nhân mắc bệnh thận và nghiên cứu cơ chế bệnh sinh của bệnh để tiếp cận các phương pháp điều trị. Việc thiết lập các gen bệnh mới đòi hỏi phải xác nhận sinh học cẩn thận. Liên quan đến các gen xứng đáng với các cuộc điều tra như vậy là rất quan trọng. Ứng dụng của KidneyNetwork kết hợp với dữ liệu WES hoặc GWAS của bác sĩ thận, nhà di truyền học lâm sàng hoặc nhà nghiên cứu sẽ giúp mỗi nhóm này tham gia vào ý nghĩa gen. ThậnNetwork kết hợp một mạng đồng biểu hiện dựa trên bộ dữ liệu mẫu thận với bộ dữ liệu đa mô đã xuất bản trước đây được sử dụng để xây dựng công việc GeneNet. Việc kết hợp các bộ dữ liệu vào KidneyNetwork đã cải thiện các dự đoán về kiểu hình liên quan đến bệnh thận khi so sánh với các mạng dựa trên hai bộ dữ liệu riêng biệt. Như bằng chứng về nguyên tắc, chúng tôi chỉ ra rằng danh sách gen ứng cử viên cho kiểu hình kết hợp của u nang thận và gan do KidneyNetwork tạo ra đã ưu tiên danh sách gen ứng cử viên có thể quản lý được từ một danh sách dài các gen chứa các biến thể hiếm gặp ở bệnh nhân của chúng tôi với kiểu hình này.

Chúng tôi cũng đã điều tra bộ dữ liệu 100,000 Dự án bộ gen [14] và liên hệ với các cộng tác viên đã xác định thêm ba bệnh nhân bị u nang thận và/hoặc gan mang biến thể dị hợp tử có khả năng gây hại trong ALG6 mà không có giải thích di truyền thay thế.

Hình 3 KidneyNetwork được kết hợp trong phương pháp GADO trong SAMPLE6, một bệnh nhân bị u nang thận và gan. 89 gen ứng cử viên trong số tất cả các gen đã được KidneyNetwork ưu tiên sử dụng GADO, dựa trên thuật ngữ HPO "U nang thận" (HP:0000107) và "U nang gan" (HP:0001407). Phương pháp diễn giải dữ liệu giải trình tự exome CAPICE đã thu được 322 gen chứa các biến thể có khả năng gây bệnh trong dữ liệu giải trình tự exome của bệnh nhân. Khi chồng chéo các danh sách gen này, ba gen đã được xác định đáp ứng các tiêu chí lựa chọn, một gen là ALG6.

Tổng cộng, chúng tôi đã xác định được bảy bệnh nhân có các biến thể vị trí mối nối đã biết được báo cáo là gây bệnh ở những bệnh nhân CDG bị ảnh hưởng nghiêm trọng do đồng hợp tử hoặc dị hợp tử hợp chất và một bệnh nhân có biến thể vị trí mối nối có khả năng gây bệnh (Bảng 1). Trái ngược với những bệnh nhân ALG6-CDG bị ảnh hưởng nghiêm trọng (có biểu hiện liên quan đến nhiều cơ quan bao gồm chậm phát triển và nhiều triệu chứng thần kinh), bệnh nhân của chúng tôi có một kiểu hình gồm nhiều u nang thận và/hoặc u nang gan (Hình 4) . Mặc dù PCLD có thể lan rộng, kiểu hình thận dường như nhẹ và không có báo cáo suy giảm eGFR mặc dù tuổi cao (tức là một bệnh nhân ở độ tuổi 30, những người khác từ 45 đến 80 tuổi). Hơn nữa, chúng tôi thấy rằng biến thể ALG6 tách biệt ở một số thành viên gia đình cũng bị ảnh hưởng (Bảng 1; Hình 4).

Dịch vụ hỗ trợ:

Email:wallence.suen@wecistanche.com

Whatsapp/Điện thoại: cộng với 86 15292862950

Cửa hàng:

https://www.xjcistanche.com/cistanche-shop