ThậnNetwork: 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

CUỘC THẢO LUẬN

Chúng tôi xin giới thiệuThậnMạng, một mạng đồng biểu thức có sẵn công khai với dữ liệu chú thích kiểu hình và biểu thức được tối ưu hóa để ứng dụng vàobệnh thận. một dấu hiệuFifitỷ lệ bệnh nhân nghi ngờ có di truyềnbệnh thậnvẫn không có chẩn đoán di truyền, vì danh sách các gen bệnh cho nhiều tình trạng không đầy đủ. Xác định gen nào liên quan đếnbệnh thậnlà điều cần thiết để cải thiện cácnăng suất chẩn đoán ở bệnh nhân bệnh thậnva chonghiên cứu cơ chế bệnh sinhtiếp cậncon đường 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.

BẤM VÀO ĐÂY ĐỂ NHẬN CISTANCHE CHO CHỨC NĂNG THẬN

Hàm ý và khám phá của chúng tôi về ALG6 như một gen ứng cử viên tiềm năng chokết quả u nang thận và gantrong một gen ứng cử viên hợp lý, được hỗ trợ bởi sự xuất hiện đồng thời của các biến thể mất chức năng ALG6 và bệnh gan và thận đa nang ở một số bệnh nhân với sự phân biệt gia đình hỗ trợ của các bệnh nhân bị ảnh hưởng trong hai gia đình, và bởi sự phong phú đáng kể về mặt thống kê của ALG6 c bị cắt cụt .257 cộng với 5 G > Một biến thể trong một nhóm thuần tập được xác định theo kiểu hình của các trường hợp ADPKD/PCLD chưa được giải quyết. Xác nhận sinh học sẽ là cần thiết để cuối cùng xác định xem ALG6 có phải là gen bệnh đối với các kiểu hình gan và thận đa nang trội trên nhiễm sắc thể thường hay không.

Tính hợp lý về mặt sinh học được đề xuất bởi những điểm tương đồng về chức năng đã biết và quá trình điều hòa cốt lõi phiên mã chặt chẽ của ALG6 đối với các gen bệnh đã được thiết lập như được nêu bật bởi KidneyNetwork. ALG6, tương tự như gen gây bệnh gan và thận đa nang ALG8, là thành viên của 3-họ glucosyltransferase [22]. Ngoài ALG8 [20], các biến thể dị hợp tử ALG9 gần đây cũng liên quan đến nguyên nhân của các kiểu hình nang thận và gan [16]. Mỗi ba gen này đều đóng một vai trò thiết yếu trong con đường sinh tổng hợp đối với các oligosacarit liên kết với lipid trước khi chuyển chúng vào dư lượng asparagine (N) của các protein mới sinh được gọi là N-glycan trong mạng lưới nội chất [23]. Điều thú vị là, trong khi nang thận hoặc gan đã được mô tả, trong số các tổn thương đa cơ quan ở thai nhi hoặc trẻ em mắc ALG9-CDG hoặc không thường xuyên mắc ALG8-CDG, u nang chưa được mô tả đối với ALG{{16} }CĐG [19]. Cha mẹ của bệnh nhân CDG chưa được nghiên cứu về u nang. Với kiểu hình nhẹ, u nang có thể không được chú ý trong nhiều trường hợp, đặc biệt là ở giai đoạn đầu làm cha mẹ, đó là khi trẻ em thường được chẩn đoán mắc CDG.

Hình 4 Hình ảnh từ bệnh nhân. CT bụng minh họa thận và gan đa nang trong SAMPLE6. Một số nang được đánh dấu bằng mũi tên đỏ, với nang gan lớn nhất có kích thước 7,7 cm (dấu hoa thị màu đỏ). Chụp MRI vùng bụng B của một đứa trẻ bị ảnh hưởng bởi SAMPLE6 cho thấy nhiều u nang ở thận trái (một số u nang được đánh dấu bằng mũi tên đỏ), một số u nang giảm cường độ trên T2 và một số u nang ở thận phải. Chụp MRI bụng C của YU378 cho thấy bệnh gan đa nang lan rộng và hai nang thận. Chụp MRI bụng D của YU481 cho thấy nhiều nang gan. Thận trái có một nang 9 cm và một vài nang nhỏ, còn thận phải không có nang. Chụp MRI bụng E minh họa bệnh gan đa nang ở LE1. Các nang gan được đánh dấu bằng các mũi tên đỏ, với nang lớn nhất nằm ở phân thùy gan IV (dấu hoa thị màu đỏ), cần can thiệp phẫu thuật để điều trị ứ mật tiến triển. Đáng chú ý, cả hai quả thận đều có hình thái bình thường khi không có bất kỳ tổn thương dạng nang nào.

Kiểu hình trong gen chưa được giải quyếtbệnh nhân thận và gan đa nangchúng tôi xác định mang các biến thể ALG6 tương đối nhẹ, trong nhiều trường hợp gan chiếm ưu thế và không có triệu chứng, phù hợp với kiểu hình được mô tả cho những bệnh nhân mang biến thể gây bệnh ALG8 hoặc ALG9 dị hợp tử. Các biến thể có khả năng gây bệnh mà chúng tôi đã xác định cũng được tìm thấy ở các cá nhân trong cơ sở dữ liệu gnomAD [17]. Một lời giải thích cho quan sát này có thể là sự xâm nhập không đầy đủ của bệnh. Việc một số cá nhân trong đoàn hệ của chúng tôi báo cáo không có thành viên gia đình nào bị ảnh hưởng, có thể là một dấu hiệu cho thấy sự xâm nhập không hoàn toàn, mặc dù nhiều gia đình không có sự phân biệt. Tuy nhiên, chúng tôi không xác định được những cá nhân không bị ảnh hưởng mang biến thể này. Một lời giải thích khác có thể là kiểu hình quan sát được tương đối nhẹ và cận lâm sàng. Ví dụ, u nang thận và gan được quan sát thấy trong SAMPLE6 được phát hiện là phát hiện tình cờ. Nếu không thực hiện chụp ảnh bụng ở những người mang các biến thể này, các u nang có thể không được chú ý. Ngoài ra đối với ALG8 và ALG9 Besse et al. suy ngẫm về kiểu hình tương đối nhẹ và đề xuất điều này có thể được xác định bởi hai yếu tố [16, 20]. Đầu tiên, người ta cho rằng cần phải có một cú đánh soma thứ hai để có được kiểu hình dạng nang. Tần suất tương đối của các đột biến lần thứ hai soma này làm bất hoạt bản sao bình thường của ALG8/ALG9 và tác động không đầy đủ của điều này đối với Polycystin-1 được cho là sẽ gây ra một kiểu hình tương đối nhẹ.

ALG6 trước đây đã được đề xuất có liên quan đến một cá nhân mắc ADPKD [24]. Tuy nhiên, bệnh nhân đó, người mang hai biến thể tên lửa với những dự đoán không thể kết luận chưa được đánh giá về mặt chức năng, có một kiểu hình rất nghiêm trọng không phù hợp với kiểu hình mong đợi đối với ALG6.

Điểm mạnh và hạn chế

Xây dựng mạng lưới đồng biểu hiện gen đòi hỏi một số lượng lớn các mẫu trình tự RNA [6] có nguồn gốc từ các loại tế bào và giai đoạn phát triển khác nhau để đạt được dự đoán chức năng chính xác. Sự đa dạng mẫu này, kết hợp với số lượng lớn mẫu thường không có sẵn cho các mô cụ thể. Để khắc phục vấn đề này, một phương pháp trước đó đã sử dụng sự tương đồng về thứ bậc giữa các loại mô [25]. Tuy nhiên, giải pháp này yêu cầu lựa chọn gen ưu tiên do gánh nặng tính toán của nó. Ngược lại, phương pháp của chúng tôi có thể được sử dụng để đưa ra dự đoán không thiên vị trên toàn bộ bộ gen. Hơn nữa, cách tiếp cận phân cấp sẽ phải được lặp lại cho từng mô quan tâm mới, trong khi bộ dữ liệu đa mô có thể được sử dụng lại để xây dựng một mạng dành riêng cho mô khác bằng phương pháp của chúng tôi. Một cách tiếp cận khác sử dụng biểu hiện khác biệt giữa các loại mô khác nhau [26]. Ở đây, 10 phần trăm hàng đầu của các gen được biểu hiện khác biệt nhất có tương quan với các locus GWAS liên quan đến thận. Sử dụng biểu thức khác biệt cho phép đưa ra các dự đoán bất kể kiến ​​thức trước đó về tương tác kiểu hình gen. Tuy nhiên, điều này cũng yêu cầu áp dụng một giới hạn biểu thức khác biệt. Ngược lại, phương pháp của chúng tôi sử dụng các cấu trúc sinh học cơ bản trong dữ liệu giải trình tự RNA để thu được điểm dự đoán cho mọi gen. Mặc dù kết hợp biểu thức khác biệt với thống kê tóm tắt GWAS cho phép dự đoán gen không thiên vị, độ tin cậy của các chú thích HPO được xác thực bằng thực nghiệm cao hơn so với kết quả của GWAS. Do đó, việc tích hợp cơ sở dữ liệu HPO dẫn đến các dự đoán đáng tin cậy hơn. Ngoài ra, chúng tôi đưa ra dự đoán đồng thời cho tất cả các thuật ngữ HPO, trong khi cách tiếp cận dựa trên GWAS cần được lặp lại cho từng GWAS quan tâm.

Việc kết hợp các mẫu giải trình tự RNA dành riêng cho thận với bộ dữ liệu đa mô cho phép chúng tôi khắc phục cả vấn đề về kích thước mẫu và những thách thức trong việc quan sát biểu hiện khác biệt của mô cụ thể khi chỉ sử dụng bộ dữ liệu biểu hiện dành riêng cho mô. Ngoài ra, trong quá trình phát triển KidneyNetwork, chúng tôi không phải giới hạn số lượng gen mà mạng được xây dựng. Hơn nữa, người dùng ThậnNetwork có thể nhận được dự đoán cho tất cả các gen có thể theo cách tiếp cận không thiên vị và có thể thu được mức độ ưu tiên gen cho sự kết hợp của các thuật ngữ HPO.

Một nhược điểm của việc sử dụng dữ liệu giải trình tự RNA số lượng lớn là chúng ta có khả năng hạn chế để suy luận về các gen biểu hiện thấp, điều này đặc biệt quan trọng đối với các gen đặc trưng cho các loại tế bào hiếm. Khi có nhiều dữ liệu sắp xếp trình tự RNA đơn bào và cụ thể cho loại tế bào hơn trong tương lai, việc tạo ra các mạng đồng biểu hiện dựa trên các loại tế bào thận khác nhau có thể giải quyết vấn đề này đối với các gen được biểu hiện nhiều hơn trong các loại tế bào cụ thể. Một hạn chế khác của việc chỉ sử dụng dữ liệu giải trình tự RNA là các quá trình sinh học khác có khả năng liên quan đến sự phát triển của bệnh, ví dụ, sửa đổi sau dịch mã và tương tác protein-protein, hiện không được mô hình dự đoán của chúng tôi xem xét.

Ngoài việc xác định các gen ứng cử viên hợp lý mới, Mạng thận cũng có thể được sử dụng tốt để ưu tiên các gen bệnh thận đã biết. Điều này có thể đặc biệt hữu ích sau khi có kết quả chẩn đoán âm tính ban đầu sau khi thực hiện phân tích bảng gen dựa trên exome, có thể không bao gồm phân tích tất cả các gen bệnh thận đã biết.

Hiện tại, KidneyNetwork được tối ưu hóa cho bệnh thận nội tại. Tuy nhiên, bệnh thận cũng có thể xuất hiện do quá trình sinh bệnh học trong các hệ thống khác, chẳng hạn như hệ thống miễn dịch. Mặc dù chúng ta cũng có thể suy luận về mức độ ưu tiên của gen đối với các kiểu hình không phải do thận, nhưng những dự đoán này có thể cải thiện bằng cách xây dựng các mạng cụ thể cho các mô khác nhau trong tương lai.

Chúng tôi nhận thấy rằng chỉ dựa trên tài liệu hiện tại, ALG6 sẽ là gen ứng cử viên cho kiểu hình nang trong SAMPLE6. Để chứng minh sự tham gia của ALG6 trong kiểu hình này, cần phải theo dõi chức năng. Tuy nhiên, điều này cũng chứng minh sức mạnh của phương pháp của chúng tôi; trong số 322 gen có các biến thể có khả năng gây hại, gen ứng cử viên hợp lý này được ưu tiên vào top 3, giúp đưa vào dữ liệu giải trình tự trên toàn bộ exome - cho nhiều bệnh nhân hơn, với nhiều kiểu hình khác nhau - tiết kiệm thời gian và đáng giá.

Cải thiện dự đoán chức năng gen

Chúng tôi cho thấy rằng phương pháp cải tiến của chúng tôi để gán các chức năng gen và các thuật ngữ HPO liên quan đến thận cho các gen vượt trội so với mô hình đã xuất bản trước đây của chúng tôi. Phương pháp xác thực chéo từng phần một của chúng tôi đảm bảo rằng các dự đoán không bị khớp quá mức, các giá trị AUC được báo cáo không bị thổi phồng và phương pháp của chúng tôi mạnh mẽ. Hơn nữa, trước khi dự đoán mối liên hệ kiểu hình gen, chúng tôi đã loại trừ mối liên hệ bệnh gen khỏi cơ sở dữ liệu HPO có ít bằng chứng thực nghiệm, vì độ chính xác của dự đoán phụ thuộc vào độ chính xác của mối liên hệ kiểu hình gen được chú thích. Độ chính xác của dự đoán dựa trên các dự đoán gen dương tính và âm tính thực sự, điều đó có nghĩa là việc ánh xạ chính xác hơn các gen đã biết tới các kiểu hình sẽ dẫn đến các dự đoán tốt hơn. Độ chính xác của liên kết kiểu hình gen sẽ cải thiện khi có thêm gen được chú thích và xác thực cho từng kiểu hình. Do đó, chúng tôi mong đợi sự cải thiện về độ chính xác của dự đoán mạng khi kiến ​​​​thức về liên kết kiểu hình gen tăng lên và được thêm vào cơ sở dữ liệu HPO.

Các ứng dụng của KidneyNetwork

Chúng tôi đã phát triển https://kidney.genenetwork.nl/ thông qua đó chúng tôi cung cấp dự đoán thuật ngữ gen-HPO. Sử dụng thuật toán dự đoán tương tự mà chúng tôi đã sử dụng để gán gen cho các thuật ngữ HPO, chúng tôi cũng dự đoán gen nào có khả năng tham gia vào các con đường GO, KEGG và Reactome. Tại đây, chúng tôi cũng cung cấp một phiên bản GADO trực tuyến có thể được sử dụng để ưu tiên các gen liên quan cho bệnh nhân nghi ngờ mắc bệnh thận hiếm gặp. Có thể chỉ định kiểu hình của bệnh nhân bằng cách sử dụng các thuật ngữ HPO và cung cấp danh sách các gen chứa các biến thể gây bệnh tiềm ẩn. Những gen này sau đó sẽ được xếp hạng bằng cách sử dụng KidneyNetwork, từ đó cho phép xác định các gen có nhiều khả năng liên quan đến bệnh của bệnh nhân. Vì không cần tải lên thông tin di truyền cá nhân nên phương pháp này tôn trọng quyền riêng tư của bệnh nhân. Chúng tôi khuyên bạn nên sử dụng điểm số của KidneyNetwork kết hợp với dữ liệu WES hoặc GWAS để tăng độ chính xác của dự đoán.

định hướng tương lai

Ứng dụng của KidneyNetwork cho các trường hợp chưa được giải quyết từ chẩn đoán, nhóm nghiên cứu lớn và, ví dụ, bộ dữ liệu GWAS sẽ giúp hiểu rõ hơn về sinh lý học và sinh lý bệnh thận. Để cải thiện hơn nữa độ chính xác của dự đoán kiểu hình thận, chúng tôi dự định xây dựng các mạng cụ thể cho loại tế bào bằng cách kết hợp dữ liệu giải trình tự RNA đơn bào, mà chúng tôi hy vọng sẽ mang lại dự đoán kiểu hình gen chi tiết và chính xác hơn. Kết luận Chúng tôi trình bày về KidneyNetwork, một mạng đồng biểu hiện dành riêng cho thận dự đoán chính xác gen nào có chức năng dành riêng cho thận. Phương pháp mà chúng tôi đã phát triển để kết hợp dữ liệu đa mô với dữ liệu cụ thể của mô có thể dễ dàng được mở rộng sang các mô khác, cho phép dự đoán cải thiện các bệnh cụ thể của mô khác. Sử dụng KidneyNetwork, chúng tôi đánh dấu ALG6 là gen ứng cử viên cho u nang thận và/hoặc gan. ThậnNetwork cung cấp một công cụ hữu ích để giúp giải thích các biến thể di truyền. Do đó, nó có thể có giá trị lớn trong quá trình hình thành thận tịnh tiến và cuối cùng cải thiện năng suất chẩn đoán ở bệnh nhân mắc bệnh thận. DỮ LIỆU CÓ SẴN Các bộ dữ liệu có sẵn công khai được phân tích trong nghiên cứu hiện tại có sẵn trong kho Lưu trữ Nucleotide Châu Âu (ENA) (https://www.ebi.ac.uk/ena/browser/home). Bộ dữ liệu có nguồn gốc từ GTEx có sẵn từ cơ sở dữ liệu Kiểu gen và Kiểu hình (dbGaP), nhưng các hạn chế áp dụng cho tính khả dụng của những dữ liệu này. Dữ liệu này đã được sử dụng theo giấy phép cho nghiên cứu hiện tại và do đó không được cung cấp công khai. Tuy nhiên, dữ liệu có sẵn từ dbGaP theo số gia nhập phs000424.v8.p2. Bộ dữ liệu WES có nguồn gốc từ bệnh nhân được phân tích trong nghiên cứu hiện tại không được cung cấp công khai vì lý do riêng tư. Các kết quả có sẵn trên thận.genenetwork.nl.

NGƯỜI GIỚI THIỆU

1. Groopman EE, Marasa M, Cameron-Christie S, Petrovski S, Aggarwal VS, Milo Rasouly H, et al. Tiện ích chẩn đoán giải trình tự exome cho bệnh thận. N. Engl J Med. 2019;380:142–51.

2. Snoek R, van Jaarsveld RH, Nguyễn TQ, Peters EDJ, Elferink MG, Ernst RF, et al. Phương pháp di truyền đầu tiên cải thiện chẩn đoán bệnh nhân ESKD dưới 50 tuổi. Cấy ghép quay số Nephrol. 2020;37:349–57.

3. Connaughton DM, Kennedy C, Shril S, Mann N, Murray SL, Williams PA, et al. Nguyên nhân đơn sinh của bệnh thận mãn tính ở người lớn. Thận Int. 2019;95:914–28. 4. Cooper GM, Shendure J. Kim tiêm trong đống kim tiêm: tìm ra các biến thể gây bệnh trong vô số dữ liệu gen. Nat Rev Genet. 2011;12:628–40. 5. van Dam S, Võsa U, van der Graaf A, Franke L, de Magalhães JP. Phân tích đồng biểu hiện gen để phân loại chức năng và dự đoán bệnh gen. Tóm tắt Bioinform. 2017;19:575–92. 6. Deelen P, van Dam S, Herkert JC, Karjalainen JM, Brugge H, Abbott KM, et al. Cải thiện năng suất chẩn đoán của giải trình tự exome bằng cách dự đoán các liên kết kiểu hình gen bằng cách sử dụng phân tích biểu hiện gen quy mô lớn. xã Nat. 2019;10:2837. 7. Köhler S, Carmody L, Vasilevsky N, Jacobsen JOB, Danis D, Gourdine JP, et al. Mở rộng cơ sở tri thức và tài nguyên về bản thể học kiểu hình con người (HPO). Axit nucleic Res. 2019;47:D1018–27. 8. Di truyền Mendel trực tuyến ở người, OMIM®. Viện Y học Di truyền McKusick-Nathans, Đại học Johns Hopkins (Baltimore, MD) [Internet]. Có sẵn từ: https://omim.org/ 9. Orphanet: cơ sở dữ liệu trực tuyến về các bệnh hiếm gặp và thuốc mồ côi. Bản quyền, INSERM 1997. [Internet]. Có sẵn từ: http://www.orpha.net 10. DeLong ER, DeLong DM, Clarke-Pearson DL. So sánh các khu vực dưới hai hoặc nhiều đường cong đặc tính vận hành máy thu tương quan: một cách tiếp cận phi tham số. sinh trắc học. 1988;44:837–45.

Dịch vụ hỗ trợ:

Email:wallence.suen@wecistanche.com

Whatsapp/Điện thoại: cộng với 86 15292862950

Cửa hàng:

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