KidneyNetwork: uso de datos de expresión génica derivados del riñón para predecir y priorizar nuevos genes implicados en la enfermedad renal

DISCUSIÓN

Nosotros presentamosRiñónRed, una red de coexpresión disponible públicamente con expresión optimizada y datos de anotación de fenotipo para su aplicación aenfermedades renales. un signifífiproporción de pacientes con sospecha genéticanefropatíapermanecen sin un diagnóstico genético, ya que las listas de genes de enfermedades para muchas condiciones están incompletas. Identificar qué genes están implicados ennefropatíaes fundamental para mejorar larendimiento diagnóstico en pacientes con enfermedad renaly paraestudiar la patogenia de la enfermedadacercarseavenidas de tratamiento. El establecimiento de nuevos genes de enfermedades requiere una cuidadosa validación biológica. La implicación de genes dignos de tales investigaciones es fundamental. La aplicación de KidneyNetwork junto con los datos de WES o GWAS por parte de nefrólogos, genetistas clínicos o investigadores ayudará a cada uno de estos grupos a participar en la implicación de genes. KidneyNetwork combina una red de coexpresión basada en un conjunto de datos de muestra de riñón con el conjunto de datos de múltiples tejidos publicado anteriormente que se usa para construir el trabajo de GeneNet. La combinación de los conjuntos de datos en KidneyNetwork mejoró las predicciones de fenotipo relacionadas con la enfermedad renal en comparación con las redes basadas en los dos conjuntos de datos por separado. Como prueba de principio, mostramos que la lista de genes candidatos para el fenotipo combinado de quistes renales y hepáticos generada por KidneyNetwork priorizó una lista manejable de genes candidatos de una larga lista de genes que contenían variantes raras en nuestro paciente con este fenotipo.

HAGA CLIC AQUÍ PARA OBTENER CITANCHE PARA LA FUNCIÓN RENAL

Nuestra implicación y exploración de ALG6 como un gen candidato potencial pararesultado de quistes renales y hepáticosen un gen candidato plausible, respaldado por la co-ocurrencia de las variantes de pérdida de función ALG6 y enfermedad poliquística hepática y renal en varios pacientes con segregación familiar de apoyo de pacientes afectados en dos familias, y por el enriquecimiento estadísticamente significativo de ALG6 truncado c .257 más 5 G > Una variante en una cohorte fenotípicamente definida de casos de ADPKD/PCLD sin resolver. Será necesaria una validación biológica para determinar finalmente si ALG6 es un gen de la enfermedad para los fenotipos poliquísticos autosómicos dominantes de riñón e hígado.

La plausibilidad biológica es sugerida por las similitudes funcionales conocidas y la fuerte corregulación transcripcional de ALG6 con genes de enfermedades establecidas, como lo destaca KidneyNetwork. ALG6, similar al gen ALG8 establecido para la enfermedad poliquística renal y hepática, es un miembro de la familia 3-glucosiltransferasa [22]. Además de ALG8 [20], las variantes heterocigóticas de ALG9 también se han implicado recientemente en la etiología de los fenotipos de quistes renales y hepáticos [16]. Cada uno de estos tres genes juega un papel esencial en la vía biosintética de los oligosacáridos ligados a lípidos antes de su transferencia a los residuos de asparagina (N) de las proteínas nacientes como los llamados N-glucanos en el retículo endoplásmico [23]. Curiosamente, aunque se han descrito quistes renales o hepáticos, entre la afectación multiorgánica en fetos o niños con ALG9-CDG o con poca frecuencia en ALG8-CDG, no se han descrito quistes para ALG{{16} }CDG [19]. Los padres de pacientes con CDG aún no han sido estudiados para detectar quistes. Dado el fenotipo leve, es probable que los quistes pasen desapercibidos en muchos casos, especialmente en la paternidad temprana, que es cuando a los niños se les diagnostica con mayor frecuencia CDG.

Fig. 4 Imágenes de pacientes. Una TC abdominal que ilustra riñones poliquísticos e hígado en MUESTRA6. Algunos quistes están resaltados con flechas rojas; el quiste hepático más grande mide 7,7 cm (asterisco rojo). B Resonancia magnética abdominal de un niño afectado de SAMPLE6 que muestra múltiples quistes en el riñón izquierdo (varios resaltados con flechas rojas), algunos hipointensos en T2 y algunos quistes en el riñón derecho. La resonancia magnética abdominal C de YU378 mostró enfermedad hepática poliquística extensa y dos quistes renales. D resonancia magnética abdominal de YU481 muestra múltiples quistes hepáticos. El riñón izquierdo tiene un quiste de 9 cm y algunos quistes pequeños, y el riñón derecho no tiene quistes. E resonancia magnética abdominal que ilustra enfermedad poliquística del hígado en LE1. Los quistes hepáticos están resaltados con flechas rojas, con el quiste más grande ubicado en el segmento IV del hígado (asterisco rojo), lo que requiere una intervención quirúrgica para la colestasis progresiva. Cabe destacar que ambos riñones presentaban morfología normal en ausencia de lesiones quísticas.

El fenotipo en lo genéticamente no resuelto.pacientes poliquísticos renales y hepáticosque identificamos para portar variantes ALG6 es relativamente leve, en muchos casos con predominio hepático y asintomático, consistente con el fenotipo descrito para pacientes que portan una variante patogénica heterocigota ALG8 o ALG9. Las variantes potencialmente patogénicas que identificamos también se encuentran en individuos en la base de datos gnomAD [17]. Una explicación para esta observación podría ser la penetrancia incompleta de la enfermedad. El hecho de que algunos de los individuos de nuestra cohorte no reportaran familiares afectados conocidos, podría ser una indicación de penetrancia incompleta, aunque la segregación no existe en muchas familias. Sin embargo, no identificamos individuos no afectados que portaran la variante. Una explicación alternativa podría ser que el fenotipo observado es relativamente leve y subclínico. Por ejemplo, los quistes renales y hepáticos observados en SAMPLE6 se descubrieron como un hallazgo incidental. Si no se realizan imágenes abdominales en personas que portan estas variantes, los quistes pueden pasar desapercibidos. También para ALG8 y ALG9 Besse et al. contemplar el fenotipo relativamente suave y proponer que esto probablemente puede ser determinado por dos factores [16, 20]. Primero, se espera que se necesite un segundo golpe somático para obtener un fenotipo quístico. Se espera que la relativa poca frecuencia de estas mutaciones somáticas de segundo golpe que inactivan la copia normal de ALG8/ALG9 y el efecto incompleto que esto tiene sobre la policistina-1 provoque un fenotipo relativamente leve.

Se ha sugerido previamente que ALG6 está involucrado en un individuo con ADPKD [24]. Sin embargo, ese paciente, que portaba dos variantes sin sentido con predicciones no concluyentes que no se han evaluado funcionalmente, tenía un fenotipo muy grave que no coincidía con el fenotipo esperado para ALG6.

Fortalezas y limitaciones

La construcción de redes de coexpresión de genes requiere una gran cantidad de muestras de secuenciación de ARN [6] derivadas de varios tipos de células y etapas de desarrollo para lograr predicciones de función precisas. Esta diversidad de muestras, combinada con un gran número de muestras, no suele estar disponible para tejidos específicos. Para superar este problema, un enfoque anterior utilizó similitudes jerárquicas entre los tipos de tejido [25]. Sin embargo, esta solución requiere una selección de genes a priori debido a su carga computacional. Por el contrario, nuestro método se puede utilizar para hacer predicciones imparciales de todo el genoma. Además, el enfoque jerárquico tendría que repetirse para cada nuevo tejido de interés, mientras que el conjunto de datos de múltiples tejidos se puede reutilizar para construir una red específica de tejido diferente utilizando nuestro método. Otro enfoque utilizó la expresión diferencial entre diferentes tipos de tejido [26]. Aquí, el 10 por ciento superior de la mayoría de los genes expresados ​​diferencialmente se correlacionaron con loci GWAS relacionados con el riñón. El uso de la expresión diferencial permite realizar predicciones independientemente del conocimiento previo sobre las interacciones gen-fenotipo. Sin embargo, esto también requiere aplicar un límite de expresión diferencial. Por el contrario, nuestro enfoque hace uso de las estructuras biológicas subyacentes en los datos de secuenciación de ARN para obtener una puntuación de predicción para cada gen. Si bien la combinación de la expresión diferencial con las estadísticas de resumen de GWAS permite predicciones de genes imparciales, la confiabilidad de las anotaciones de HPO validadas experimentalmente es mayor que la de los resultados de GWAS. La integración de la base de datos HPO da como resultado predicciones más fiables. Además, hacemos predicciones simultáneas para todos los términos de HPO, mientras que el enfoque basado en GWAS debe repetirse para cada GWAS de interés.

La combinación de muestras de secuenciación de ARN específicas de riñón con el conjunto de datos de múltiples tejidos nos permitió superar tanto el problema del tamaño de la muestra como los desafíos de observar la expresión diferencial específica de tejido cuando se utilizan solo conjuntos de datos de expresión específicos de tejido. Además, durante el desarrollo de KidneyNetwork, no tuvimos que limitar la cantidad de genes sobre los que se construye la red. Además, los usuarios de KidneyNetwork pueden obtener predicciones para todos los genes posibles en un enfoque imparcial, y se pueden obtener prioridades de genes para una combinación de términos HPO.

Una desventaja de usar datos de secuenciación de ARN a granel es que tenemos un poder limitado para hacer inferencias para genes poco expresados, lo cual es particularmente importante para genes que son específicos de tipos de células raras. A medida que haya más datos de secuenciación de ARN de una sola célula y específicos del tipo de célula disponibles en el futuro, la creación de redes de coexpresión basadas en diferentes tipos de células renales podría resolver este problema para los genes que se expresan más abundantemente dentro de tipos de células específicos. Otra limitación de usar solo datos de secuenciación de ARN es que nuestro modelo de predicción no considera actualmente otros procesos biológicos potencialmente involucrados en el desarrollo de enfermedades, por ejemplo, modificaciones postraduccionales e interacciones proteína-proteína.

Además de identificar nuevos genes candidatos plausibles, Kidney Network también se puede utilizar para priorizar genes conocidos de enfermedades renales. Esto puede ser particularmente útil después de un resultado de diagnóstico negativo inicial después de realizar un análisis de panel de genes basado en el exoma, que podría no incluir el análisis de todos los genes de enfermedad renal conocidos.

Actualmente, KidneyNetwork está optimizado para la enfermedad renal intrínseca. Sin embargo, la enfermedad renal también puede estar presente debido a un proceso patogénico en otros sistemas, como el sistema inmunológico. Si bien también podemos hacer inferencias sobre la priorización de genes para fenotipos no renales, estas predicciones pueden mejorar al construir redes específicas para diferentes tejidos en el futuro.

Nos damos cuenta de que, basándonos solo en la literatura actual, ALG6 sería un gen candidato para el fenotipo de quiste en SAMPLE6. Para demostrar la implicación de ALG6 en este fenotipo es necesario un seguimiento funcional. Sin embargo, esto también prueba la fuerza de nuestro método; de 322 genes con variantes potencialmente dañinas, este gen candidato plausible se priorizó entre los 3 primeros, lo que hizo que entrar en datos de secuenciación de todo el exoma, para más pacientes, con varios fenotipos, fuera eficiente en el tiempo y valiera la pena.

Predicciones mejoradas de la función genética

Mostramos que nuestro método mejorado para asignar funciones genéticas y términos HPO relacionados con el riñón a los genes supera nuestro modelo publicado anteriormente. Nuestro enfoque de validación cruzada de exclusión garantiza que las predicciones no se ajusten en exceso, que los valores de AUC informados no se inflen y que nuestro método sea sólido. Además, antes de predecir las asociaciones gen-fenotipos, excluimos las asociaciones gen-enfermedad de la base de datos HPO que tenían poca evidencia experimental, porque la precisión de la predicción depende de la precisión de las asociaciones gen-fenotipo anotadas. La precisión de la predicción se basa en predicciones genéticas positivas verdaderas y negativas verdaderas, lo que significa que un mapeo más preciso de genes conocidos a fenotipos da como resultado mejores predicciones. La precisión de la asociación gen-fenotipo mejorará una vez que se anoten y validen más genes para cada fenotipo. Por lo tanto, esperamos una mejora en la precisión de la predicción de la red a medida que aumenta el conocimiento de la asociación gen-fenotipo y se agrega a la base de datos HPO.

Aplicaciones de KidneyNetwork

Hemos desarrollado https://kidney.genenetwork.nl/ a través del cual proporcionamos la predicción del término gen-HPO. Usando el mismo algoritmo de predicción que usamos para asignar genes a los términos HPO, también predijimos qué genes probablemente estarían involucrados en las vías GO, KEGG y Reactoma. Aquí también proporcionamos una versión en línea de GADO que se puede usar para priorizar genes relevantes para pacientes con sospecha de enfermedad renal rara. Es posible especificar el fenotipo de un paciente utilizando términos HPO y proporcionar una lista de genes que albergan posibles variantes causantes de enfermedades. Luego, estos genes se clasificarán utilizando KidneyNetwork, lo que permitirá identificar los genes que tienen más probabilidades de estar involucrados en la enfermedad del paciente. Dado que no es necesario cargar información genética personal, este método respeta la privacidad del paciente. Recomendamos utilizar las puntuaciones de KidneyNetwork junto con los datos WES o GWAS para aumentar la precisión de la predicción.

Direcciones futuras

La aplicación de KidneyNetwork a casos no resueltos de diagnósticos, grandes cohortes de investigación y, por ejemplo, conjuntos de datos GWAS dará como resultado una mayor comprensión de la fisiología y fisiopatología renal. Para mejorar aún más la precisión de la predicción del fenotipo renal, planeamos construir redes específicas de tipo celular mediante la incorporación de datos de secuenciación de ARN de una sola célula, que esperamos produzcan predicciones de fenotipo genético más detalladas y precisas. Conclusión Presentamos KidneyNetwork, una red de coexpresión específica de riñón que predice con precisión qué genes tienen funciones específicas de riñón. El método que desarrollamos para combinar datos de múltiples tejidos con datos específicos de tejido se puede extender fácilmente a otros tejidos, lo que permite mejores predicciones para otras enfermedades específicas de tejido. Usando KidneyNetwork, destacamos ALG6 como un gen candidato para quistes renales y/o hepáticos. KidneyNetwork proporciona una herramienta útil para ayudar con la interpretación de las variantes genéticas. Por lo tanto, puede ser de gran valor en la nefrogénesis traslacional y, en última instancia, mejorar el rendimiento diagnóstico en pacientes con enfermedad renal. DISPONIBILIDAD DE DATOS Los conjuntos de datos disponibles públicamente analizados durante el estudio actual están disponibles en el repositorio del Archivo Europeo de Nucleótidos (ENA) (https://www.ebi.ac.uk/ena/browser/home). Los conjuntos de datos derivados de GTEx están disponibles en la base de datos de genotipos y fenotipos (dbGaP), pero se aplican restricciones a la disponibilidad de estos datos, que se usaron bajo licencia para el estudio actual y, por lo tanto, no están disponibles públicamente. Sin embargo, los datos están disponibles en dbGaP con el número de acceso phs000424.v8.p2. Los conjuntos de datos WES derivados del paciente analizados durante el estudio actual no están disponibles públicamente por razones de privacidad. Los resultados están disponibles en renal.genenetwork.nl.

REFERENCIAS

1. Groopman EE, Marasa M, Cameron-Christie S, Petrovski S, Aggarwal VS, Milo Rasouly H, et al. Utilidad diagnóstica de la secuenciación del exoma para la enfermedad renal. N. Engl J Med. 2019;380:142–51.

2. Snoek R, van Jaarsveld RH, Nguyen TQ, Peters EDJ, Elferink MG, Ernst RF, et al. El enfoque de la genética primero mejora el diagnóstico de los pacientes con ESKD menores de 50 años. Trasplante Nephrol Dial. 2020;37:349–57.

3. Connaughton DM, Kennedy C, Shril S, Mann N, Murray SL, Williams PA, et al. Causas monogénicas de enfermedad renal crónica en adultos. Riñón Int. 2019;95:914–28. 4. Cooper GM, Shendure J. Agujas en pilas de agujas: búsqueda de variantes causales de enfermedades en una gran cantidad de datos genómicos. Nat Rev. Genet. 2011;12:628–40. 5. van Dam S, Võsa U, van der Graaf A, Franke L, de Magalhães JP. Análisis de coexpresión de genes para clasificación funcional y predicciones de enfermedades genéticas. Breve Bioinforme. 2017;19:575–92. 6. Deelen P, van Dam S, Herkert JC, Karjalainen JM, Brugge H, Abbott KM, et al. Mejora del rendimiento diagnóstico de la secuenciación del exoma mediante la predicción de asociaciones gen-fenotipo mediante análisis de expresión génica a gran escala. Nat Comun. 2019;10:2837. 7. Köhler S, Carmody L, Vasilevsky N, Jacobsen JOB, Danis D, Gourdine JP, et al. Expansión de la base de conocimientos y recursos de Human Phenotype Ontology (HPO). Ácidos Nucleicos Res. 2019;47:D1018–27. 8. Herencia mendeliana en línea en el hombre, OMIM®. Instituto McKusick-Nathans de Medicina Genética, Universidad Johns Hopkins (Baltimore, MD) [Internet]. Disponible en: https://omim.org/ 9. Orphanet: una base de datos en línea de enfermedades raras y medicamentos huérfanos. Copyright, INSERM 1997. [Internet]. Disponible en: http://www.orpha.net 10. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparación de las áreas bajo dos o más curvas características operativas del receptor correlacionadas: un enfoque no paramétrico. Biometría. 1988; 44: 837–45.

Servicio de apoyo:

Correo electrónico:wallence.suen@wecistanche.com

Whatsapp/Tel: más 86 15292862950

Comercio:

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