KidneyNetwork: 신장에서 파생된 유전자 발현 데이터를 사용하여 신장 질환과 관련된 새로운 유전자를 예측하고 우선 순위 지정

논의

선물합니다신장네트워크, 최적화된 발현 및 표현형 주석 데이터가 포함된 공개적으로 사용 가능한 동시 발현 네트워크신장 질환. 시그니피피유전이 의심되는 환자의 비율신장 질환많은 조건에 대한 질병 유전자 목록이 불완전하기 때문에 유전적 진단 없이 남아 있습니다. 어떤 유전자가 관련되어 있는지 확인신장 질환개선에 필수적이다.신장 질환 환자의 진단 수율그리고질병 병인 연구접근하기치료 방법. 새로운 질병 유전자를 확립하려면 신중한 생물학적 검증이 필요합니다. 그러한 조사에 합당한 유전자를 암시하는 것이 중요합니다. 신장 전문의, 임상 유전학자 또는 연구원이 WES 또는 GWAS 데이터와 함께 KidneyNetwork를 적용하면 이러한 각 그룹이 유전자 암시에 참여하는 데 도움이 됩니다. KidneyNetwork는 GeneNet 작업을 구축하는 데 사용되는 이전에 발표된 다중 조직 데이터 세트와 신장 샘플 데이터 세트를 기반으로 하는 동시 발현 네트워크를 결합합니다. 데이터 세트를 KidneyNetwork에 결합하면 두 데이터 세트를 개별적으로 기반으로 하는 네트워크와 비교할 때 신장 질환과 관련된 표현형 예측이 향상되었습니다. 원칙의 증거로, 우리는 KidneyNetwork에 의해 생성된 신장 및 간 낭종의 결합 표현형에 대한 후보 유전자 목록이 이 표현형을 가진 환자의 희귀 변이를 포함하는 긴 유전자 목록에서 관리 가능한 후보 유전자 목록을 우선시했음을 보여줍니다.

신장 기능을 위한 CISTANCHE를 받으려면 여기를 클릭하십시오.

잠재적 후보 유전자로서의 ALG6에 대한 우리의 의미와 탐색신장 및 간 낭종 결과그럴듯한 후보 유전자에서 ALG6 기능 상실 변이의 동시 발생과 다낭성 간 및 신장 질환이 여러 환자에서 두 가족의 영향을 받는 환자의 지원 가족 분리 및 절단 ALG6 c의 통계적으로 유의미한 농축에 의해 뒷받침됩니다. .257 + 5 G > 미해결 ADPKD/PCLD 케이스의 표현형으로 정의된 코호트의 변형. ALG6이 상염색체 우성 다낭성 신장 및 간 표현형에 대한 질병 유전자인지 최종적으로 결정하기 위해서는 생물학적 검증이 필요할 것입니다.

생물학적 타당성은 알려진 기능적 유사성과 KidneyNetwork에 의해 강조된 확립된 질병 유전자에 대한 ALG6의 긴밀한 전사 공동 조절에 의해 제안됩니다. 확립된 다낭성 신장 및 간 질환 유전자 ALG8과 유사한 ALG6은 3-glucosyltransferase 계열의 구성원입니다[22]. ALG8[20] 외에도 ALG9 이형접합 변이체도 최근 신장 및 간 낭종 표현형의 병인에 연루되어 있습니다[16]. 이 3개의 유전자는 각각 소포체에서 소위 N-글리칸과 같은 초기 단백질의 아스파라긴(N) 잔기로 전달되기 전에 지질 연결 올리고당의 생합성 경로에서 필수적인 역할을 합니다[23]. 흥미롭게도, ALG9-CDG 또는 드물게 ALG8-CDG가 있는 태아 또는 어린이의 다기관 침범 중에서 신장 또는 간 낭종이 기술된 반면, 낭종은 ALG{{16} }CDG [19]. CDG 환자의 부모는 아직 낭종에 대해 연구되지 않았습니다. 경미한 표현형을 감안할 때 낭종은 많은 경우, 특히 어린이가 CDG로 가장 자주 진단되는 초기 부모 시절에 눈에 띄지 않게 지나갈 가능성이 있습니다.

그림 4 환자의 영상. SAMPLE6에서 다낭성 신장과 간을 보여주는 복부 CT. 일부 낭종은 빨간색 화살표로 강조 표시되며 가장 큰 간 낭종은 7.7cm(빨간색 별표)입니다. SAMPLE6의 영향을 받은 아동의 B 복부 MRI는 왼쪽 신장에 여러 개의 낭종(여러 개가 빨간색 화살표로 강조 표시됨), T2에 일부 저강도, 오른쪽 신장에 몇 개의 낭종을 보여줍니다. YU378의 C 복부 MRI에서 광범위한 다낭성 간 질환과 두 개의 신장 낭종이 보였다. YU481의 D 복부 MRI에서 다발성 간낭종을 보인다. 왼쪽 신장에는 9cm 크기의 낭종과 몇 개의 작은 낭종이 있고 오른쪽 신장에는 낭종이 없습니다. E LE1에서 다낭성 간 질환을 설명하는 복부 MRI. 간 낭종은 빨간색 화살표로 강조 표시되며 가장 큰 낭종은 간 세그먼트 IV(빨간색 별표)에 위치하며 진행성 담즙정체에 대한 외과적 개입이 필요합니다. 주목할 점은 두 신장 모두 낭포성 병변이 없는 상태에서 정상적인 형태를 보였다는 것입니다.

유 전적으로 해결되지 않은 표현형다낭성 신장 및 간 환자ALG6 변이체를 보유하는 것으로 확인된 우리는 이형접합 ALG8 또는 ALG9 병원성 변이체를 보유하는 환자에 대해 기술된 표현형과 일치하는 많은 경우에 간이 우세하고 무증상인 비교적 온화합니다. 우리가 식별한 잠재적 병원성 변종은 gnomAD 데이터베이스 [17]의 개체에서도 발견됩니다. 이 관찰에 대한 한 가지 설명은 질병의 불완전 침투일 수 있습니다. 우리 코호트의 일부 개인이 알려진 영향을 받은 가족 구성원이 없다고 보고했다는 사실은 비록 많은 가족에서 분리가 부족하지만 불완전한 침투를 나타낼 수 있습니다. 그러나 우리는 변종을 가지고 있는 영향을 받지 않은 개인을 식별하지 못했습니다. 또 다른 설명은 관찰된 표현형이 비교적 온화하고 준임상적이라는 것입니다. 예를 들어, SAMPLE6에서 관찰된 신장 및 간 낭종은 부수적 소견으로 발견되었습니다. 이러한 변이를 가진 개인에게 복부 영상 촬영을 하지 않으면 낭종이 눈에 띄지 않을 수 있습니다. 또한 ALG8 및 ALG9 Besse et al. 상대적으로 가벼운 표현형에 대해 생각하고 이것이 두 가지 요인에 의해 결정될 수 있다고 제안합니다[16, 20]. 첫째, 낭포성 표현형을 얻기 위해서는 체세포 2차 적중이 필요할 것으로 예상된다. ALG8/ALG9의 정상 사본을 비활성화하는 이러한 체세포 2차 적중 돌연변이의 상대적 빈도가 낮고 이것이 폴리시스틴-1에 미치는 불완전한 효과는 비교적 가벼운 표현형을 유발할 것으로 예상됩니다.

ALG6는 이전에 ADPKD를 가진 한 개인에 관여하는 것으로 제안되었습니다[24]. 그러나 기능적으로 평가되지 않은 결정적이지 않은 예측이 있는 두 개의 미스센스 변이를 보유한 해당 환자는 ALG6에 대해 예상되는 표현형과 일치하지 않는 매우 심각한 표현형을 가졌습니다.

강점과 한계

유전자 공동 발현 네트워크를 구축하려면 정확한 기능 예측을 달성하기 위해 다양한 세포 유형과 발달 단계에서 파생된 많은 수의 RNA 시퀀싱 샘플이 필요합니다. 많은 수의 샘플과 결합된 이 샘플 다양성은 특정 조직에 대해 종종 사용할 수 없습니다. 이 문제를 극복하기 위해 이전의 한 접근 방식은 조직 유형 간의 계층적 유사성을 사용했습니다[25]. 그러나 이 솔루션은 계산 부담으로 인해 선험적 유전자 선택이 필요합니다. 대조적으로, 우리의 방법은 편향되지 않은 게놈 전체 예측을 만드는 데 사용될 수 있습니다. 또한, 계층적 접근 방식은 각각의 새로운 관심 조직에 대해 반복되어야 하는 반면 다중 조직 데이터 세트는 우리의 방법을 사용하여 다른 조직별 네트워크를 구축하는 데 재사용될 수 있습니다. 또 다른 접근법은 서로 다른 조직 유형 간의 차등 발현을 사용했습니다[26]. 여기에서 차등적으로 발현된 유전자의 상위 10%는 신장 관련 GWAS 유전자좌와 상관관계가 있었습니다. 차등 발현을 사용하면 유전자-표현형 상호 작용에 대한 이전 지식에 관계없이 예측할 수 있습니다. 그러나 이것은 또한 미분 표현 컷오프를 적용해야 합니다. 대조적으로, 우리의 접근 방식은 RNA 시퀀싱 데이터의 기본 생물학적 구조를 사용하여 모든 유전자에 대한 예측 점수를 얻습니다. 차등 발현을 GWAS 요약 통계와 결합하면 편향되지 않은 유전자 예측이 가능하지만 실험적으로 검증된 HPO 주석의 신뢰성은 GWAS 결과보다 높습니다. 따라서 HPO 데이터베이스를 통합하면 보다 신뢰할 수 있는 예측이 가능합니다. 또한 모든 HPO 항에 대해 동시 예측을 수행하는 반면 GWAS 기반 접근 방식은 관심 있는 각 GWAS에 대해 반복해야 합니다.

신장 특이적 RNA 시퀀싱 샘플을 다중 조직 데이터 세트와 결합하면 조직 특이적 발현 데이터 세트만 사용할 때 샘플 크기 문제와 조직 특이적 차등 발현을 관찰할 때의 문제를 모두 극복할 수 있었습니다. 또한 KidneyNetwork를 개발하는 동안 네트워크가 구축되는 유전자의 수를 제한할 필요가 없었습니다. 또한 KidneyNetwork 사용자는 편향되지 않은 접근 방식으로 가능한 모든 유전자에 대한 예측을 얻을 수 있으며 HPO 용어 조합에 대한 유전자 우선 순위를 얻을 수 있습니다.

벌크 RNA 시퀀싱 데이터 사용의 단점은 저발현 유전자에 대한 추론을 할 수 있는 권한이 제한적이라는 것입니다. 이는 희귀 세포 유형에 특정한 유전자에 특히 중요합니다. 더 많은 세포 유형 특정 및 단일 세포 RNA 시퀀싱 데이터가 미래에 이용 가능해짐에 따라 다른 신장 세포 유형을 기반으로 한 공동 발현 네트워크를 생성하면 특정 세포 유형 내에서 더 많이 발현되는 유전자에 대해 이 문제를 해결할 수 있습니다. RNA 시퀀싱 데이터만 사용하는 또 다른 한계는 번역 후 변형 및 단백질-단백질 상호 작용과 같은 잠재적으로 질병 발달과 관련된 다른 생물학적 프로세스가 현재 예측 모델에서 고려되지 않는다는 것입니다.

새로운 그럴듯한 후보 유전자를 식별하는 것 외에도 Kidney Network는 알려진 신장 질환 유전자의 우선 순위를 지정하는 데에도 잘 사용될 수 있습니다. 이것은 알려진 모든 신장 질환 유전자의 분석을 포함하지 않을 수 있는 엑솜 기반 유전자 패널 분석을 수행한 후 초기 음성 진단 결과 후에 특히 유용할 수 있습니다.

현재 KidneyNetwork는 내인성 신장 질환에 최적화되어 있습니다. 그러나 신장 질환은 면역 체계와 같은 다른 시스템의 병원성 과정 때문에 존재할 수도 있습니다. 비신장 표현형에 대한 유전자 우선순위에 대한 추론도 할 수 있지만, 이러한 예측은 미래에 다른 조직에 특정한 네트워크를 구축함으로써 향상될 수 있습니다.

우리는 현재 문헌만을 기반으로 ALG6이 SAMPLE6의 낭종 표현형에 대한 후보 유전자라는 것을 알고 있습니다. 이 표현형에서 ALG6의 관련성을 증명하려면 기능적 추적이 필요합니다. 그러나 이것은 또한 우리 방법의 강점을 증명합니다. 잠재적으로 해로운 변이가 있는 322개의 유전자 중에서 이 그럴듯한 후보 유전자가 상위 3개에 우선 순위가 지정되어 다양한 표현형을 가진 더 많은 환자를 위해 엑솜 전체 시퀀싱 데이터로 들어가는 것이 시간 효율적이고 가치가 있습니다.

향상된 유전자 기능 예측

우리는 유전자 기능 및 신장 관련 HPO 용어를 유전자에 할당하는 개선된 방법이 이전에 발표된 모델보다 성능이 우수함을 보여줍니다. 우리의 leave-one-out 교차 검증 접근 방식은 예측이 과적합되지 않고 보고된 AUC 값이 부풀려지지 않으며 우리의 방법이 견고함을 보장합니다. 또한, 유전자-표현형 연관을 예측하기 전에 예측 정확도가 주석이 달린 유전자-표현형 연관의 정확도에 의존하기 때문에 실험적 증거가 거의 없는 HPO 데이터베이스에서 유전자-질병 연관을 제외했습니다. 예측 정확도는 진양성 및 진음성 유전자 예측을 기반으로 합니다. 즉, 알려진 유전자를 표현형에 더 정확하게 매핑하면 더 나은 예측이 가능합니다. 유전자-표현형 연관성 정확도는 각 표현형에 대해 더 많은 유전자에 주석을 달고 검증하면 향상됩니다. 따라서 유전자-표현형 연관 지식이 증가하고 HPO 데이터베이스에 추가됨에 따라 네트워크 예측 정확도가 향상될 것으로 기대합니다.

KidneyNetwork의 응용

유전자-HPO 용어 예측을 제공하는 https://kidney.genenetwork.nl/을 개발했습니다. 유전자를 HPO 용어에 할당하는 데 사용한 것과 동일한 예측 알고리즘을 사용하여 GO, KEGG 및 Reactome 경로에 관여할 가능성이 있는 유전자도 예측했습니다. 여기서 우리는 희귀 신장 질환이 의심되는 환자를 위해 관련 유전자의 우선 순위를 지정하는 데 사용할 수 있는 GADO의 온라인 버전도 제공합니다. HPO 용어를 사용하여 환자의 표현형을 지정하고 잠재적인 질병 유발 변이를 포함하는 유전자 목록을 제공하는 것이 가능합니다. 그런 다음 이러한 유전자는 KidneyNetwork를 사용하여 순위를 매기므로 환자의 질병에 더 많이 관여할 가능성이 있는 유전자를 식별할 수 있습니다. 개인의 유전정보를 올릴 필요가 없기 때문에 환자의 사생활을 존중합니다. 예측 정확도를 높이려면 WES 또는 GWAS 데이터와 함께 KidneyNetwork 점수를 사용하는 것이 좋습니다.

향후 방향

진단, 대규모 연구 코호트, 예를 들어 GWAS 데이터 세트의 미해결 사례에 KidneyNetwork를 적용하면 신장 생리학 및 병리생리학에 대한 더 많은 통찰력을 얻을 수 있습니다. 신장 표현형 예측의 정확도를 더욱 향상시키기 위해 단일 세포 RNA 시퀀싱 데이터를 통합하여 세포 유형별 네트워크를 구축할 계획이며, 이를 통해 보다 상세하고 정확한 유전자 표현형 예측이 가능할 것으로 기대합니다. 결론 우리는 어떤 유전자가 신장 특이 기능을 가지고 있는지 정확하게 예측하는 신장 특이 공동 발현 네트워크인 KidneyNetwork를 제시합니다. 다중 조직 데이터를 조직별 데이터와 결합하기 위해 개발한 방법은 다른 조직으로 쉽게 확장할 수 있으므로 다른 조직별 질병에 대한 예측을 개선할 수 있습니다. KidneyNetwork를 사용하여 ALG6를 신장 및/또는 간 낭종의 후보 유전자로 강조 표시합니다. KidneyNetwork는 유전적 변이의 해석을 돕는 유용한 도구를 제공합니다. 따라서 병진 신생에 큰 가치가 있으며 궁극적으로 신장 질환 환자의 진단 수율을 향상시킬 수 있습니다. 데이터 가용성 현재 연구 중에 분석된 공개적으로 사용 가능한 데이터 세트는 European Nucleotide Archive(ENA) 저장소(https://www.ebi.ac.uk/ena/browser/home)에서 사용할 수 있습니다. GTEx에서 파생된 데이터 세트는 dbGaP(Genotypes and Phenotypes) 데이터베이스에서 사용할 수 있지만 현재 연구에 대한 라이선스 하에 사용된 이러한 데이터의 가용성에 제한이 적용되므로 공개적으로 사용할 수 없습니다. 그러나 데이터는 수탁 번호 phs000424.v8.p2로 dbGaP에서 사용할 수 있습니다. 현재 연구 중에 분석된 환자 유래 WES 데이터 세트는 개인 정보 보호를 위해 공개적으로 사용할 수 없습니다. 결과는 Kidney.genenetwork.nl에서 확인할 수 있습니다.

참조

1. Groopman EE, Marasa M, Cameron-Christie S, Petrovski S, Aggarwal VS, Milo Rasouly H 등. 신장 질환에 대한 엑솜 시퀀싱의 진단적 유용성. N. Engl J Med. 2019;380:142–51.

2. Snoek R, van Jaarsveld RH, Nguyen TQ, Peters EDJ, Elferink MG, Ernst RF 등 유전학 우선 접근법은 50세 미만의 ESKD 환자의 진단을 향상시킵니다. 네프롤 다이얼 이식. 2020;37:349–57.

3. Connaughton DM, Kennedy C, Shril S, Mann N, Murray SL, Williams PA 등. 성인의 만성 신장 질환의 단일 원인. 신장내과 2019;95:914–28. 4. Cooper GM, Shendure J. Needles in stacks of needles: 풍부한 게놈 데이터에서 질병 원인 변이 찾기. 냇 레브 제넷. 2011;12:628–40. 5. van Dam S, Võsa U, van der Graaf A, Franke L, de Magalhães JP. 기능적 분류 및 유전자 질병 예측을 위한 유전자 동시 발현 분석. 간략한 생체 정보. 2017;19:575–92. 6. Deelen P, van Dam S, Herkert JC, Karjalainen JM, Brugge H, Abbott KM 등 대규모 유전자 발현 분석을 사용하여 유전자-표현형 연관성을 예측하여 엑솜 시퀀싱의 진단 수율을 향상시킵니다. Nat Commun. 2019;10:2837. 7. Köhler S, Carmody L, Vasilevsky N, Jacobsen JOB, Danis D, Gourdine JP 등. 인간 표현형 온톨로지(HPO) 지식 기반 및 자원의 확장. 핵산 Res. 2019;47:D1018–27. 8. Man, OMIM®의 온라인 Mendelian 상속. McKusick-Nathans Institute of Genetic Medicine, Johns Hopkins University(메릴랜드주 볼티모어) [인터넷]. 이용 가능: https://omim.org/ 9. Orphanet: 희귀 질병 및 희귀 의약품에 대한 온라인 데이터베이스. 저작권, INSERM 1997. [인터넷]. 이용 가능: http://www.orpha.net 10. DeLong ER, DeLong DM, Clarke-Pearson DL. 둘 이상의 상관 수신기 작동 특성 곡선 아래 영역 비교: 비모수적 접근. 생체 인식. 1988;44:837–45.

지원 서비스:

이메일:wallence.suen@wecistanche.com

Whatsapp/Tel: 86 15292862950 추가

가게:

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