KidneyNetwork: A veséből származó génexpressziós adatok felhasználása a vesebetegségben szerepet játszó új gének előrejelzésére és fontossági sorrendbe állítására Ⅰ

Genetikai vizsgálat a feltételezett örökletes betegeknélvesebetegségnem fedheti fel a rendellenesség genetikai okát, mivel a potenciálisan patogén változatok olyan génekben találhatók, amelyekről még nem ismert, hogy részt vesznekvesebetegség. Kifejlesztettük a Kidney Network-et, amely szövetspecifikus expressziót használ a jelölt gének fontossági sorrendjének meghatározására, kifejezetten a vesebetegségekre. A KidneyNetwork egy új módszer, amelyet egy 878 mintából álló vese RNS-szekvenáló koexpressziós hálózat és egy 31 499 mintából álló többszöveti hálózat integrálásával hoznak létre. Expressziós mintázatokat és kialakult gén-fenotípus asszociációkat használ annak előrejelzésére, hogy mely gének milyen (betegség) fenotípusokkal hozhatók összefüggésbe, elfogulatlan módon. A KidneyNetwork alkalmazást ritka változatokra alkalmaztuk 13 genetikai diagnózis nélküli vesebeteg exome szekvenálási adataiban, hogy a jelölt géneket előnyben részesítsük. A KidneyNetwork pontosan megjósolhatja a vese-specifikus génfunkciókat és a betegséggel összefüggő gének (vesebetegség) fenotípusait. A prioritást élvező gének és a ritka változatokat hordozó gének metszéspontja egy vese- és májcisztában szenvedő betegben az ALG6-ot valószínűsíthető jelölt génként azonosította. Ezt az elfogadhatóságot erősítjük az ALG6 variánsok azonosításával számos cisztás vese- és májbetegségben alternatív genetikai magyarázat nélkül. Bemutatjuk a KidneyNetwork-et, egy nyilvánosan elérhető vese-specifikus ko-expressziós hálózatot, amely optimalizált gén-fenotípus előrejelzéseket tartalmaz a vesebetegség fenotípusaira.

Egy könnyen használható online felületet terveztünk, amely lehetővé teszi a klinikusok és kutatók számára a génexpressziós és társszabályozási adatok, valamintgén-fenotípus kapcsolatokat, hogy felgyorsítsák az előrehaladást az örökletes vesebetegségek diagnosztizálásában és kutatásában.

FORDÍTÁSI NYILATKOZAT:Genetikai vizsgálat a feltételezett örökletes betegeknélvesebetegségnem fedi fel a beteg rendellenességének genetikai okát. A potenciálisan patogén változatok olyan génekben is megtalálhatók, amelyekről még nem ismert, hogy részt vesznek a vesebetegségben, ami megnehezíti e változatok relevanciájának értelmezését. Ez egyértelműen azt mutatja, hogy olyan módszerekre van szükség, amelyek elfogulatlan módon megjósolhatják a genetikai variáció fenotípusos következményeit. Itt ismertetjük a KidneyNetwork-et, egy olyan eszközt, amely szövetspecifikus expressziót használ a vese-specifikus génfunkciók előrejelzésére. A KidneyNetwork alkalmazása nem diagnosztizált esetek csoportjában az ALG6-ot jelölték génként azonosították cisztás vesében ésmájbetegség. Összefoglalva, a KidneyNetwork segítheti a genetikai változatok értelmezését, ezért értékes lehet a transzlációs nefrogenezisben, és segíthet javítani a vesebetegek diagnosztikai eredményét.

KATTINTSON IDE, HA SZEREZZEN CISTANCHE FOR VESEBETEGSÉG

BEVEZETÉS

A feltételezett örökletes vesebetegségben szenvedő betegek genetikai vizsgálata kimutathatja a kiváltó patogén változatokatvesével kapcsolatos gének. Sok esetben azonban a genetikai ok még nem mutatható ki. A genetikailag tesztelt, bármilyen okból kifolyólag krónikus vesebetegségben szenvedő betegek körülbelül 10-30 százalékánál mutatnak ki patogén variánsokat az ismert vesével kapcsolatos génekben [1-3]. Ezek a százalékok azonban valószínűleg alábecsülik a monogén eredetű betegek számát, mivel a vesebetegségben még nem érintett gének változatai észrevétlenek maradnak. Ezekben a génekben potenciálisan káros változatok találhatók, ami megnehezíti e változatok fontossági sorrendjét és értelmezését. Ezért a genomikus medicina jelenlegi korszakában az egyik fő kihívás az ismert gének negatív diagnosztikai eredménye után az új jelölt gének kimutatása és prioritása, amelyek potenciálisan patogén variánsai magyarázhatják a beteg betegségét [4].

Az RNS-szekvenálási adatok felhasználhatók a jelölt előrejelzésérebetegség gének[5]. A közelmúltban fejlesztettük ki a GeneNetwork-et és a GeneNetwork-assisted Diagnostic Optimization (GADO) módszert, hogy az RNS-szekvenálási adatok alapján prioritást állítsunk fel az új jelölt betegséggénekben [6]. Ennek a módszernek az a gondolata, hogy bizonyos ritka rendellenességeket több gén variánsai is okozhatnak. Noha ezek a gének különbözőek, általában hasonló biológiai funkciókat látnak el. Nagyszámú mintából származó génexpressziós adatok tanulmányozásakor ezek a betegséggének általában erős koexpressziót mutatnak [6]. Így, ha vannak más gének is, amelyek erősen együtt expresszálódnak ismert ritka betegségek génjeivel, lehetséges, hogy ezeknek a géneknek a változatai is okozhatják ugyanazt a betegséget.

Ahhoz, hogy ez a fajta eszköz optimálisan működjön, a ko-kifejezési információnak a lehető legpontosabbnak kell lennie. A GADO számára létrehoztunk egy génkoexpressziós hálózatot, amely számos különböző szövetből származó, nyilvánosan elérhető RNS-szekvenálási adatkészleten alapul, és ezt a hálózatot használtuk annak előrejelzésére, hogy mely gének okozhatnak ritka betegségeket. Ezeket az előrejelzéseket a humán fenotípus ontológia (HPO) adatbázis segítségével képezték ki [7]. A HPO adatbázisban a gének fenotípusokhoz – úgynevezett HPO-terminusokhoz – vannak hozzárendelve, amelyek az OMIM [8] és az Orphanet [9] adatbázisokban található génbetegség annotációkon és betegségtüneteken alapulnak. A HPO adatbázisból származó információk integrálásával a génko-expressziós hálózattal minden génre HPO-termékenként számíthattunk előrejelzési pontszámokat. Ezek a pontszámok együtt alkotják a GeneNetwork-et. A GADO ezután prioritást ad a géneknek azáltal, hogy kombinálja a páciens fenotípusát leíró HPO-kifejezések bemeneti listáját azon gének listájával, amelyek az adott betegből származó lehetséges káros változatokat tartalmazzák. A génlista rangsorolása a bemeneti HPO kifejezések kombinált gén-előrejelzési pontszámain alapul [6].

Mivel megfigyeltük, hogy a GeneNetwork előrejelzési teljesítménye a vesével kapcsolatos HPO fenotípusokra korlátozott, egy vese-specifikus hálózat kifejlesztésével igyekeztünk javítani az előrejelzést. Ezt 878 vese RNS-szekvenálási minta felhasználásával tettük, amelyeket egy meglévő, 31 499, más szövetekből származó mintát tartalmazó adatkészlettel gazdagítottunk [6]. Egy új előrejelzési algoritmus kifejlesztésével, amely képes mérlegelni a mindkét adatkészletben található információkat, javítottunk a vesével kapcsolatos útvonalak teljesítményén. Ebben a cikkben bemutatjuk az így létrejött KidneyNetwork-et, egy ko-expressziós hálózatot, amely felhasználható a vesével kapcsolatos HPO kifejezések tekintetében ismeretlen gének gén-fenotípus asszociációinak pontos előrejelzésére. Az elvek bizonyítékaként a KidneyNetwork-et alkalmaztuk egy korábban megoldatlan vesebetegségben szenvedő betegcsoport exome szekvenálási adataihoz.

MÓD

A vesével kapcsolatos fenotípusok előrejelzésének javítása érdekében veséből származó RNS-szekvenálási adatokat gyűjtöttünk, frissítettük a GeneNetwork-et újabb referenciaadatbázisokkal és javított statisztikai elemzésekkel, majd integráltuk a szövetspecifikus információkat.

Adatkészletek a KidneyNetworkben

A különböző eredetű, kiválasztott vesemintákból származó RNS-szekvenálási adatokat, beleértve az elsődleges, a daganatos és a magzati szövetet, kombináltuk egy meglévő többszöveti RNS-szekvenálási adatkészlettel, amelyet a korábban leírt GeneNetwork [6] alapjául használtak (S1, S2 táblázat). . Két okból választottuk a többszövetes adatkészlet felvételét. Először is elegendő számú mintára volt szükségünk az alaphálózat kiépítéséhez. Másodszor, meg akartuk őrizni azt az expressziót, amely több vagy az összes vesesejttípusra jellemző, de más szövetekre nem. Ezt azért tettük, mert a gén-fenotípus pontszámok a minták közötti expressziós különbségeken alapulnak; ha minden génnek magas (vagy alacsony) expressziója van az elemzésbe bevont összes mintában, akkor nem adnak elegendő információt az előrejelzési algoritmushoz. A GeneNetwork kifejlesztéséhez használt humán RNS-szekvenálási minták több szövetből álló adatkészletét a korábban leírtak szerint újra felhasználták és feldolgozták [6]. Az előfeldolgozás után ez az adatkészlet 31 499 mintát és 56 435 gént tartalmazott.

3194 vese eredetű RNS-szekvenciamintát töltöttek le az Európai Nucleotid Archívumból (ENA) és a Genotype-Tissue Expression (GTEx) projektből (S1 megjegyzés). A vese adatkészlet előfeldolgozása a többszövetes adatkészlethez hasonlóan történt [6] (S2 megjegyzés, S3 megjegyzés). A minta- és génkiválasztás után 58 283 gén és 878 veseminta maradt. A fennmaradó 878 RNS-szekvenálási mintát az UMAP klaszterező algoritmussal vizsgáltuk (S4 megjegyzés).

HPO szűrés. A KidneyNetwork felépítéséhez a HPO adatbázis [7] 1268-as verziójából származó gén-fenotípus asszociációkat használtunk. A HPO adatbázisban a gének annotációja a HPO által meghatározott fenotípusokhoz az OMIM [8] morbid gén-betegség annotációin alapul. térképet (letöltve 2018. március 26-án) és az Orphanet [9] „en_product6.xml” fájl 1.3.1-es verzióját. Ezekben az adatbázisokban a génbetegség annotációi több tényezőn alapulhatnak, beleértve a statisztikai asszociációkat és a nagy léptékű kópiaszám-variációkat. A KidneyNetwork-et csak olyan gének felhasználásával akartuk képezni, amelyeknél a gén és a ritka betegség közötti kapcsolat jól megalapozott. Ezért kizártuk a multigenikus szindrómákat, mivel gyakran nem világos, hogy a kópiaszám-változatokban lévő gének melyik fenotípushoz járulnak hozzá. Kizártuk a puszta fogékonysági géneket is (S5 megjegyzés).

Kifejezés normalizálása. A minta- és génminőség-ellenőrzés (QC) után a fennmaradó minták és gének expressziós mátrixát log2- transzformáltuk, és a génszámokat DESeq segítségével normalizáltuk a medián arányok módszerét követve. Ezután korrigáltuk a génexpressziós adatokat a kovariánsokra (S6 megjegyzés).

Bomlás

A teljes adatkészlet szűrése és minőségellenőrzése után a következő lépés az adathalmaz sajátvektorainak kiszámításához szükséges dekompozíció volt (S7 megjegyzés). Mind a GeneNetwork, mind a vese-eredetű adatokon alapuló génszabályozó hálózat esetében meghatároztuk az optimális komponensek számát (S8 megjegyzés). A GeneNetwork első 165 sajátvektorát és a veséből származó adatok első 170 sajátvektorát azonosították, és egy nagyobb mátrixba egyesítették, amely mind a 335 sajátvektort tartalmazza.

Gene‒HPO-term pontszám számítás A gén-fenotípus pontszám kiszámítása több lépésben történt (S5. ábra). Először logisztikus regressziót hajtottunk végre a kombinált sajátvektorok és a gén-fenotípus annotációs fájl bemeneteként. Az eredményül kapott értékeket és a sajátvektor pontszámokat használtuk a gén log-odds pontszámának kiszámításához minden génre minden sajátvektorban (S9 megjegyzés).

A már annotált gének gén log-odds-pontszámainak túlillesztésének elkerülése érdekében egy elhagyható keresztellenőrzési megközelítést alkalmaztunk (S10 megjegyzés). A log odds-t ezt követően a gén z-pontszámaira fordítottuk, permutált null-eloszlást használva minden fenotípushoz (S11 megjegyzés).

Az előrejelzés pontosságának meghatározásához kiszámítottuk a ROC görbe alatti területet (AUC). Az AUC-t HPO-termékenként számítottuk ki a megjósolt gén z-pontszámok és az ismert annotációk felhasználásával. Az előrejelzések szignifikanciáját a kétoldalú Mann-Whitney rangteszt segítségével számítottuk ki. Bonferroni-korrekció után egy előrejelzést szignifikánsnak tekintettünk p < 0,05 értéknél.

Az előrejelzési teljesítmény összehasonlítása

Négy különböző hálózat előrejelzési teljesítményét hasonlítottuk össze: (1) az eredeti GeneNetwork, (2) a frissített GeneNetwork, (3) a vese-specifikus génszabályozó hálózat, amely kizárólag vese-eredetű mintákon alapul, és végül (4) a KidneyNetwork, amely egyesíti az utóbbi kettő. Az e hálózatok által készített HPO előrejelzések minőségét az egyes vesével kapcsolatos fenotípusok AUC-értéke alapján értékelték (S3 táblázat). A hálózat minőségének javulását a vesével kapcsolatos kifejezések jobb előrejelzési pontosságaként határozták meg, amelyeket szignifikánsan előre jeleztek két hálózat összehasonlításakor, valamint a szignifikánsan előrejelzett, vesével kapcsolatos kifejezések megnövekedett számával. Az egyik hálózat előrejelzési pontosságának javulásának jelentőségét a prOC R csomagba [11] integrált DeLong teszt [10] segítségével értékelték.

A KidneyNetwork alkalmazása 13 örökletes vesebetegség gyanújában szenvedő betegnél A KidneyNetwork egyik alkalmazása a jelölt gének prioritása a megoldatlan vesebetegségben szenvedő betegeknél. Ennek a klinikai alkalmazásnak a kiértékeléséhez a KidneyNetwork segítségével rangsoroltuk a különböző vesebetegségben szenvedő betegek jelölt génjeit a GADO módszerrel [6]. A GADO egyesíti a KidneyNetwork-en keresztül megjelenített gén-előrejelzési z-pontszámokat egy adott HPO-kifejezéshez. Azokat a géneket, amelyek kombinált z-pontszáma 5-nél nagyobb vagy egyenlő az egyes betegekhez társított egyedi HPO-kifejezések készletéhez, potenciális jelölt géneknek számítottak az adott beteg számára.

1. ábra A veséből származó expressziós adatok UMAP-vizualizációja. 878 mintát három fő klaszterbe csoportosítottak: egészséges primer szövet (középen és alul), fejlődési minták (balra) és vesesejtes karcinóma (RCC) minták (jobbra). Az ábra bal oldalán a pluripotens őssejtből (PSC) származó podociták és PSC-eredetű organoidok klaszterezése látható primer magzati mintákkal és nephron progenitor sejtekkel. A jobb oldalon az RCC-minták a proximális tubulusmintákhoz közel helyezkednek el, az egészséges primer szövetmintákhoz legközelebbi RCC-klaszter pedig nem tiszta sejtes RCC (nccRCC) mintákból áll. Középen és alul az egészséges elsődleges veseminták a származási szövetük alapján csoportosulnak.

A vizsgálatba bevont 13 beteget monogén vesebetegségre gyanították, de nem volt genetikai diagnózisuk (S12 megjegyzés). A HPO kifejezéseket ezekhez az esetekhez rendeltük fenotípusuk alapján. Minden egyes beteg esetében a teljes exome szekvenálási adatokat CAPICE [12] segítségével elemeztük, hogy azonosítsuk a potenciálisan patogén variánsokat. GnomAD Popmax szűrő AF-vel rendelkező változatokat tartalmazó gének [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

A GADO-ban a KidneyNetwork integrációja által azonosított gének és a CAPICE által azonosított gének átfedése az egyes betegekhez tartozó gének listáját eredményezte. Ezeket a géneket és ezekben a génekben lévő variánsokat egy nefrogenezis szakértői testület (AMvE, LRC, NVAMK) manuálisan felülvizsgálta patogenetikai potenciáljuk szempontjából a populációmetrikák, az előrejelző eszközök, a rendelkezésre álló irodalom és a szegregáció alapján (S13 megjegyzés). Az eredményül kapott jelölt gén esetében további, ugyanabban a génben variánsokat hordozó betegeket azonosítottak a munkatársak és a 100,000 Genomes Project [14] révén. Ezenkívül a GeneMatcher eszközt [15] használták, amely 2023. február 15-ig nem hozott további betegeket.

További betegek azonosítása A korábban leírt, megoldatlan policisztás vese- és májbetegség kohorszát [16] használtuk a ritka változatok értékelésére (S14 megjegyzés). Fisher-féle egzakt tesztet használtunk az azonosított változat(ok) gyakoriságának összehasonlítására a nem finn európaiak európai részhalmazával a gnomAD adatbázisban [17]. Továbbá a 100,000 Genomes Project [14] segítségével további betegeket azonosítottunk az azonosított változat(ok) alapján (S15 megjegyzés).

EREDMÉNYEK

Adatkeresés és mintacsoportosítás 878 vesemintát választottunk ki (S2. ábra), amelyeket az UMAP algoritmussal csoportosítottunk és ábrázoltunk (1. ábra). Az adatok általában három fő klaszterbe csoportosulnak: primer, nem daganatos vese adatok, vesefejlődési minták, valamint proximális tubulus, glomerulus és vesesejtes karcinóma (RCC) minták.

A KidneyNetwork javítja a gén-fenotípus előrejelzéseit Először is frissítettük a GeneNetwork-et a frissített HPO adatbázissal (S6. ábra), és optimalizáltuk a génhálózat-építő folyamatot (S7. ábra). Ezek a változtatások javulást eredményeztek az általános GeneNetworkben az előző verzióhoz képest (S8. ábra). Ezután a továbbfejlesztett csővezetéket használtuk a vese-specifikus génszabályozó hálózat kiépítésére. Amint az várható volt, tekintettel a kis mintaméretre, a vese-specifikus hálózat ezen verziója kevésbé teljesített jól, mint a GeneNetwork (S9. ábra). Ezt követően a GeneNetwork és a vese-specifikus gén-koexpressziós hálózat KidneyNetwork-be való kombinálása a legjobb eredményt hozta a vesével kapcsolatos HPO kifejezések tekintetében (2A ábra; S5 táblázat). Az egyes előrejelzett útvonalak előrejelzési AUC-ja, pontossága, érzékenysége és f{11}}pontszáma megtalálható (S6. táblázat).

A vesével kapcsolatos HPO-kifejezések javulásának két példája a hypomagnesemia és a tubulointerstitialis rendellenesség (2B. ábra). Ezeknek a fenotípusoknak a sűrűségdiagramokon való megjelenítése magasabb prioritási z-pontszámokat mutat az ismert betegséggel kapcsolatos gének esetében, mint a nem jegyzett géneknél. Ismeretlen gének esetében minél magasabb a predikciós z-pontszám, annál valószínűbb, hogy a betegség génjei lehetnek. Az ismert betegséggének génkölcsönhatási hálózatainak az előrejelzési pontszámok alapján történő megjelenítése ismét azt mutatja, hogy a KidneyNetwork segítségével kapott interakciók száma és erőssége nőtt a GeneNetwork-hez képest.

2. ábra A KidneyNetwork jobban teljesít a vesével kapcsolatos HPO kifejezéseknél, mint a frissített GeneNetwork. A vesével kapcsolatos fenotípusok 27 százaléka szignifikánsan jobb a KidneyNetwork használatával, mint a GeneNetwork. B A gén-előrejelzési pontszámok sűrűségdiagramja a két legfejlettebb fenotípuson, a hipomagnézián és a tubulointersticiális abnormalitáson belül magasabb predikciós értékeket mutat a fenotípusra annotált gének esetében, és előrejelzi a lehetséges ismeretlen jelölt géneket is. A KidneyNetwork segítségével megjósolt hálózatok több és erősebb korrelációt mutatnak az annotált gének között, mint a GeneNetwork segítségével megjósolt hálózatok.

Azt is tapasztaltuk, hogy a KidneyNetwork (n=71) szignifikáns, előre jelzett vesével kapcsolatos HPO-kifejezései száma nőtt a GeneNetwork-hez (n=63) képest. Ez arra késztetett bennünket, hogy feltételezzük, hogy a KidneyNetwork összességében nagyobb pontossággal jósolja meg a vesével kapcsolatos kifejezéseket, és ezért több, a vesével kapcsolatos, nagyobb jelentőségű fenotípust képes előre jelezni. Egy páros t-teszt azt mutatja, hogy összességében a HPO AUC pontszáma szignifikánsan jobb volt a KidneyNetwork esetében, mint a GeneNetwork esetében (átlagos AUC: 0,76 versus 0,74; t-teszt p-értéke: 4,5 × 10 −8). Ez az eredmény azt sugallja, hogy a KidneyNetwork több vese-specifikus HPO-kifejezést jósol meg nagyobb előrejelzési pontossággal, mint a GeneNetwork.

A KidneyNetwork prioritásként kezeli az ALG6-ot, mint a vese- és májcisztákban szenvedő betegek génjelöltjét A KidneyNetwork klinikai használhatóságának vizsgálata érdekében 13 olyan beteg génjeit helyeztük előtérbe, akiknek feltételezhetően örökletes vesebetegségük van, de nincs genetikai diagnózisuk, és ezeket kereszteztük a potenciálisan patogén változatokat tartalmazó génekkel. Az így kapott génlisták 1-4 jelölt gént tartalmaztak a 13 beteg közül 9 esetében (S7. táblázat). Egy betegnél (6. MINTA) ennek a listának a manuális kezelése az ALG6-ot (ALG6 alfa-1,3-glükoziltranszferáz) azonosította, mint potenciális jelölt gént, amely megmagyarázza a páciens vese- és májcisztáit (3. ábra). Az ALG6 kombinált z-pontszáma az imputált HPO-kifejezéseknél szignifikáns volt a KidneyNetwork-ben többszöri vizsgálati korrekció után (z=5.43). Ez a gén kimaradt volna, ha a GeneNetwork-et használjuk: ott az ALG6 nem érte el az 5-nél nagyobb vagy azzal egyenlő z-pontszám szignifikanciaküszöbét.

Az ALG6 mint jelölt gén vese- és májcisztában szenvedő betegeknél A SAMPLE6 által hordozott c.680 plusz 2 T > G ALG6 variáns heterozigóta. Ez egy ismert patogén illesztési hely variáns, amely az Ic típusú glikozilációs (CDG) veleszületett rendellenességét eredményezi, ha a patogén variánsok mindkét allélen jelen vannak [18, 19]. Az ALG6 erősen hasonlít az ALG8-ra, amely szerepet játszik a vese és máj ciszta fenotípusában [20], és a KidneyNetwork szerint az ALG6 és ALG8 erősen együtt szabályozott (z-score=8,59).

Tekintettel erre a biológiai elfogadhatóságra, a policisztás vese- és májbetegség 120 nem összefüggő esetéből álló csoportot kérdeztünk le a ritka variánsok (MAF < 0.001) tekintetében az ALG6-ban. Ez a kohorsz kismértékben frissült, mivel korábban leírták, és kizárták az exome szekvenálási analízissel a funkciómutációk elvesztésére vagy a jelentett patogén nem csonkolódó variánsokra a PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 vagy DNAJB11 [16]. Három független eset (YU372, YU378, YU481) ritka ALG6-változatokat hordozott; mindegyikben ugyanaz az ALG6 c.257 plusz 5 G > Egy nem kanonikus splice variáns, amelyről ismert, hogy patogén az ALG6-CDG-re és in vitro splice-módosító [19, 21]. A közös mutáció ellenére ez a három eset arról számolt be, hogy egyetlen ismert érintett családtagot sem vettek fel az Egyesült Államok különböző államaiból, és nincs összefüggésben a VCFtools relatedness2 algoritmussal való legjobb észlelési határértékkel, Relatedness_PHI < 0,005.

Tekintettel arra, hogy ebben a fenotípusosan meghatározott kohorszban ez a variáns három európai származású esetben szerepel, a gyakoriságát az esetek európai részhalmazában (n=105) összehasonlítottuk a nem finn európaiakkal a gnomAD-ban [17], a lefedettséggel ez a pozíció (n=64,466) [17]. A betegcsoportban a 210 allélból 3 tartalmazta ezt a variánst, míg a gnomAD-ban, a vese- vagy májcisztaterhelés szempontjából nem szelektált kohorszban 128 932 allélból 121-ben találták meg. Ez a hozzávetőlegesen 10-szeres dúsulás statisztikailag szignifikáns Fisher-féle egzakt teszt alapján, p=0.0011. Ez a mutáció az ALG6-CDG [19] eseteiben is visszatérő volt.

Megvizsgáltuk a 100,000 Genomes Project adatkészletét is [14], és felvettük a kapcsolatot az együttműködőkkel, akik három további adatot azonosítottak a vesebetegségekre való alkalmazáshoz. A feltételezett genetikai vesebetegségben szenvedő betegek jelentős része genetikai diagnózis nélkül marad, mivel számos betegség gének listája nem teljes. A vesebetegségben részt vevő gének azonosítása elengedhetetlen a vesebetegek diagnosztikai hozamának javításához és a betegség patogenezisének tanulmányozásához a kezelési lehetőségek megközelítéséhez. Az új betegséggének megállapítása gondos biológiai validálást igényel. Az ilyen vizsgálatokra érdemes gének bevonása kritikus fontosságú. A KidneyNetwork alkalmazása a WES- vagy GWAS-adatokkal együtt nefrológusok, klinikai genetikusok vagy kutatók által segíti ezeknek a csoportoknak a génimplikációban való részvételét. A KidneyNetwork egy veseminta-adatkészleten alapuló koexpressziós hálózatot egyesít a GeneNet munka felépítéséhez használt, korábban közzétett többszövetes adatkészlettel. Az adatkészletek KidneyNetwork-be való kombinálása javította a vesebetegséggel kapcsolatos fenotípus-előrejelzéseket, összehasonlítva a két adatkészleten külön-külön alapuló hálózatokkal. Az alapelv bizonyításaként megmutatjuk, hogy a KidneyNetwork által generált vese- és májciszták kombinált fenotípusának jelölt génlistája előnyben részesítette az ezzel a fenotípusú páciensünkben ritka variánsokat tartalmazó gének hosszú listájából a jelölt gének kezelhető listáját.

Megvizsgáltuk a 100,000 Genomes Project adatkészletét is [14], és felvettük a kapcsolatot munkatársainkkal, akik további genetikai magyarázat nélkül azonosítottak három további vese- és/vagy májcisztában szenvedő beteget, akik heterozigóta, potenciálisan káros változatot hordoztak az ALG6-ban.

3. ábra A GADO-módszerbe beépített vesehálózat a SAMPLE6-ban, egy vese- és májcisztában szenvedő betegnél. A KidneyNetwork az összes gén közül 89 jelölt gént rangsorolt ​​a GADO segítségével, a „veseciszták” (HP:0000107) és „májciszták” (HP:0001407) HPO-kifejezései alapján. A CAPICE exome-szekvenálás adatértelmezési módszere 322 gént eredményezett, amelyek potenciálisan patogén variánsokat tartalmaztak a páciens exome szekvenálási adataiban. A génlisták átfedésekor három olyan gént azonosítottunk, amelyek megfeleltek a szelekciós kritériumoknak, az egyik az ALG6.

Összességében hét olyan beteget azonosítottunk, akiknek ismert splice helyváltozatai voltak, amelyekről számoltak be, hogy betegséget okoztak súlyosan érintett CDG-betegeknél homozigóta vagy összetett heterozigóta esetén, és egy betegnél valószínűsíthető a patogén illesztési hely variáns (1. táblázat). Ellentétben a súlyosan érintett ALG6-CDG-betegekkel (amelyek több szerv érintettségével, beleértve a fejlődési késleltetést és a többszörös neurológiai tünetet is), betegeink több vese- és/vagy májciszták fenotípusával jelentkeztek (4. ábra). . Míg a PCLD kiterjedt lehet, a vese fenotípusa enyhének tűnik, és az előrehaladott életkor ellenére nem jelentettek eGFR-csökkenést (vagyis az egyik beteg a harmincas éveiben jár, a többiek 45 és 80 év közöttiek). Továbbá azt találtuk, hogy az ALG6 variáns néhány szintén érintett családtagban szegregált (1. táblázat; 4. ábra).

Támogató szolgáltatás:

E-mail:wallence.suen@wecistanche.com

Whatsapp/Tel: plusz 86 15292862950

Üzlet:

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