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

Pruebas genéticas en pacientes con sospecha hereditarianefropatíaes posible que no revele la causa genética del trastorno, ya que las variantes potencialmente patogénicas pueden residir en genes que aún no se sabe que estén involucrados ennefropatía. Hemos desarrollado Kidney Network, que utiliza expresión específica de tejido para informar la priorización de genes candidatos específicamente para enfermedades renales. KidneyNetwork es un método novedoso construido mediante la integración de una red de coexpresión de secuenciación de ARN de riñón de 878 muestras con una red de múltiples tejidos de 31 499 muestras. Utiliza patrones de expresión y asociaciones gen-fenotipo establecidas para predecir qué genes podrían estar relacionados con qué fenotipos (enfermedad) de manera imparcial. Aplicamos KidneyNetwork a variantes raras en los datos de secuenciación del exoma de 13 pacientes con enfermedad renal sin diagnóstico genético para priorizar los genes candidatos. KidneyNetwork puede predecir con precisión funciones genéticas específicas del riñón y fenotipos (enfermedad renal) para genes asociados a enfermedades. La intersección de genes priorizados con genes que portan variantes raras en un paciente con quistes renales y hepáticos identificó a ALG6 como un gen candidato plausible. Reforzamos esta plausibilidad al identificar variantes de ALG6 en varios casos de enfermedad renal y hepática quística sin explicaciones genéticas alternativas. Presentamos KidneyNetwork, una red de coexpresión específica de riñón disponible públicamente con predicciones optimizadas de fenotipo genético para fenotipos de enfermedad renal.

Diseñamos una interfaz en línea fácil de usar que permite a los médicos e investigadores usar datos de expresión génica y corregulación yconexiones gen-fenotipo para acelerar los avances en el diagnóstico y la investigación de la enfermedad renal hereditaria.

DECLARACIÓN TRADUCIDA:Pruebas genéticas en pacientes con sospecha hereditarianefropatíapuede no revelar la causa genética del trastorno del paciente. Las variantes potencialmente patogénicas pueden residir en genes que aún no se sabe que estén involucrados en la enfermedad renal, lo que dificulta la interpretación de la relevancia de estas variantes. Esto revela una clara necesidad de métodos para predecir las consecuencias fenotípicas de la variación genética de manera imparcial. Aquí describimos KidneyNetwork, una herramienta que utiliza expresión específica de tejido para predecir funciones genéticas específicas de riñón. La aplicación de KidneyNetwork a un grupo de casos no diagnosticados identificó a ALG6 como un gen candidato en el riñón quístico yenfermedad del higado. En resumen, KidneyNetwork puede ayudar en la interpretación de variantes genéticas y, por lo tanto, puede ser valioso en la nefrogénesis traslacional y ayudar a mejorar el rendimiento diagnóstico en pacientes con enfermedad renal.

HAGA CLIC AQUÍ PARA OBTENER CITANCHE PARA RIÑONESENFERMEDAD

INTRODUCCIÓN

Las pruebas genéticas en pacientes con sospecha de enfermedad renal hereditaria pueden revelar variantes patogénicas causales engenes relacionados con el riñón. Sin embargo, en muchos casos, aún no se puede detectar una causa genética. Las variantes patogénicas en genes conocidos relacionados con el riñón se detectan en aproximadamente el 10-30 por ciento de los pacientes genéticamente probados con enfermedad renal crónica de cualquier causa [1-3]. Sin embargo, es probable que estos porcentajes sean subestimaciones del número de pacientes con una causa monogénica, ya que las variantes en genes que aún no están implicadas en la enfermedad renal pasarán desapercibidas. Las variantes potencialmente dañinas pueden residir en estos genes, lo que dificulta priorizar e interpretar la relevancia de estas variantes. Por tanto, en la era actual de la medicina genómica, uno de los principales retos tras un resultado diagnóstico negativo en genes conocidos es detectar y priorizar nuevos genes candidatos con variantes potencialmente patogénicas que puedan explicar la enfermedad del paciente [4].

Los datos de secuenciación de ARN se pueden utilizar para predecir candidatosgenes de enfermedades[5]. Recientemente desarrollamos GeneNetwork y el método GeneNetwork-Assisted Diagnostic Optimization (GADO) para priorizar nuevos genes de enfermedades candidatos basados ​​en datos de secuenciación de ARN [6]. La idea detrás de este método es que ciertos trastornos raros pueden ser causados ​​por variantes en varios genes. Si bien estos genes son diferentes, por lo general tienen funciones biológicas similares. Cuando se estudian los datos de expresión génica de un gran número de muestras, estos genes de enfermedades suelen mostrar una fuerte coexpresión [6]. Por lo tanto, si hay otros genes que se coexpresan fuertemente con genes de enfermedades raras conocidas, es posible que las variantes en estos otros genes también puedan causar la misma enfermedad.

Para que este tipo de herramienta funcione de manera óptima, la información de coexpresión debe ser lo más precisa posible. Para GADO, construimos una red de coexpresión de genes basada en conjuntos de datos de secuenciación de ARN disponibles públicamente de muchos tejidos diferentes y usamos esta red para predecir qué genes podrían estar causando enfermedades raras. Estas predicciones fueron entrenadas utilizando la base de datos de ontología de fenotipo humano (HPO) [7]. En la base de datos HPO, los genes se asignan a fenotipos, denominados términos HPO, que se basan en anotaciones de genes y enfermedades y síntomas de enfermedades presentes en las bases de datos OMIM [8] y Orphanet [9]. Al integrar la información de la base de datos de HPO con la red de coexpresión de genes, pudimos calcular las puntuaciones de predicción para cada gen por término de HPO. Juntas, estas puntuaciones constituyen GeneNetwork. Luego, GADO prioriza los genes al combinar una lista de entrada de términos HPO que describen el fenotipo del paciente con una lista de genes con posibles variantes perjudiciales de ese paciente. La priorización de la lista de genes se basa en las puntuaciones de predicción de genes combinadas para los términos HPO de entrada [6].

Debido a que observamos que el rendimiento de predicción de GeneNetwork para los fenotipos de HPO relacionados con el riñón era limitado, buscamos mejorar la predicción mediante el desarrollo de una red específica para el riñón. Hicimos esto usando 878 muestras de secuenciación de ARN de riñón que enriquecimos con un conjunto de datos existente de 31 499 muestras de otros tejidos [6]. Al desarrollar un nuevo algoritmo de predicción que puede sopesar la información que está presente en ambos conjuntos de datos, mejoramos el rendimiento de las vías relacionadas con los riñones. En este documento, presentamos KidneyNetwork resultante, una red de coexpresión que se puede utilizar para predecir con precisión asociaciones gen-fenotipo de genes desconocidos para los términos HPO relacionados con el riñón. Como prueba de principio, aplicamos KidneyNetwork a los datos de secuenciación del exoma de un grupo de pacientes con enfermedades renales no resueltas previamente.

MÉTODOS

Para mejorar la predicción de los fenotipos relacionados con el riñón, recopilamos datos de secuenciación de ARN derivados del riñón, actualizamos GeneNetwork con bases de datos de referencia más recientes y mejoramos los análisis estadísticos, seguidos de la integración de información específica del tejido.

Conjuntos de datos en KidneyNetwork

Los datos de secuenciación de ARN de muestras renales seleccionadas de varios orígenes, incluido tejido primario, tumoral y fetal, se combinaron con un conjunto de datos existente de secuenciación de ARN de múltiples tejidos que se usó como base para nuestra GeneNetwork descrita anteriormente [6] (Tabla S1, S2) . Elegimos incluir el conjunto de datos de múltiples tejidos por dos razones. Primero, necesitábamos una cantidad suficiente de muestras para construir una red de referencia. En segundo lugar, queríamos preservar la expresión que es específica de varios o todos los tipos de células renales, pero no de otros tejidos. Hicimos esto porque las puntuaciones de genes y fenotipos se basan en las diferencias de expresión entre las muestras; si todos los genes tienen una expresión alta (o baja) en todas las muestras incluidas en el análisis, no agregarán suficiente información al algoritmo de predicción. El conjunto de datos de múltiples tejidos de muestras de secuenciación de ARN humano utilizado para desarrollar GeneNetwork se reutilizó y procesó como se describió anteriormente [6]. Después del procesamiento previo, este conjunto de datos contenía 31 499 muestras y 56 435 genes.

Se descargaron 3194 muestras secuenciadas de ARN derivadas de riñón del Archivo Europeo de Nucleótidos (ENA) y del Proyecto de Expresión de Genotipo-Tejido (GTEx) (Nota S1). El preprocesamiento del conjunto de datos de riñón se realizó de manera similar al conjunto de datos de múltiples tejidos [6] (Nota S2, Nota S3). Después de la selección de muestras y genes, quedaron 58.283 genes y 878 muestras de riñón. Investigamos las 878 muestras de secuenciación de ARN restantes utilizando el algoritmo de agrupamiento UMAP (Nota S4).

Filtrado HPO. Para la construcción de KidneyNetwork, utilizamos asociaciones gen-fenotipo de la base de datos HPO [7] versión 1268. En la base de datos HPO, la anotación de genes a fenotipos definidos por HPO se basa en las anotaciones gen-enfermedad en el OMIM [8] morbid map (descargado el 26 de marzo de 2018) y el archivo Orphanet [9] "en_product6.xml" versión 1.3.1. Las anotaciones de genes y enfermedades en estas bases de datos pueden basarse en varios factores, incluidas asociaciones estadísticas y variaciones en el número de copias a gran escala. Queríamos entrenar KidneyNetwork usando solo genes para los cuales el vínculo entre el gen y la enfermedad rara está bien establecido. Por lo tanto, excluimos los síndromes multigénicos, ya que a menudo no está claro cuáles de los genes en las variantes del número de copias contribuyen a qué fenotipos. También excluimos los genes de mera susceptibilidad (Nota S5).

Normalización de expresiones. Después del control de calidad (QC) de la muestra y el gen, la matriz de expresión de las muestras y los genes restantes se transformó log2- y los recuentos de genes se normalizaron mediante DESeq siguiendo el método de la mediana de las proporciones. Luego corregimos los datos de expresión génica para las covariables (Nota S6).

Descomposición

Después del filtrado y control de calidad de todo el conjunto de datos, el siguiente paso fue realizar una descomposición para calcular los vectores propios del conjunto de datos (Nota S7). Tanto para GeneNetwork como para la red reguladora de genes basada en datos derivados de riñones, definimos la cantidad óptima de componentes (Nota S8). Los primeros 165 vectores propios para GeneNetwork y los primeros 170 vectores propios para los datos derivados del riñón se identificaron y fusionaron en una matriz más grande que contenía los 335 vectores propios.

Cálculo de la puntuación gen-Término HPO El cálculo de la puntuación gen-fenotipo se realizó en varios pasos (Fig. S5). Primero, realizamos una regresión logística utilizando los vectores propios combinados y el archivo de anotaciones gen‒fenotipo como entrada. Usamos los valores resultantes y las puntuaciones de los vectores propios para calcular una puntuación de probabilidad de registro de genes para cada gen en cada vector propio (Nota S9).

Para evitar el sobreajuste de las puntuaciones de probabilidades de registro de genes de genes ya anotados, aplicamos un enfoque de validación cruzada de exclusión (Nota S10). Las probabilidades logarítmicas se tradujeron posteriormente a puntuaciones z de genes utilizando una distribución nula permutada para cada fenotipo (nota S11).

Para determinar la precisión de la predicción, calculamos el área bajo la curva ROC (AUC). El AUC se calculó por término de HPO utilizando las puntuaciones z del gen previstas y las anotaciones conocidas. La importancia de las predicciones se calculó utilizando la prueba de rango de Mann-Whitney de dos caras. Después de la corrección de Bonferroni, una predicción se consideró significativa en p < 0.05.

Comparación del rendimiento de la predicción

Comparamos el rendimiento de predicción de cuatro redes distintas: (1) la GeneNetwork original, (2) la GeneNetwork actualizada, (3) la red reguladora de genes específica del riñón basada únicamente en muestras derivadas del riñón y, finalmente, (4) KidneyNetwork, que combina los dos últimos. La calidad de las predicciones de HPO realizadas por estas redes se evaluó en función del AUC para cada fenotipo relacionado con el riñón (Tabla S3). La calidad mejorada de una red se definió como una precisión de predicción mejorada para los términos relacionados con el riñón que se predijeron significativamente en cada comparación de dos redes y por un mayor número de términos relacionados con el riñón significativamente predichos. La importancia de la mejora en la precisión de la predicción de una red frente a otra se evaluó mediante la prueba DeLong [10] integrada en el paquete pROC R [11].

Aplicación de KidneyNetwork a 13 pacientes con sospecha de enfermedad renal hereditaria Una de las aplicaciones de KidneyNetwork es priorizar genes candidatos en pacientes con enfermedad renal no resuelta. Para evaluar esta aplicación clínica, utilizamos KidneyNetwork para priorizar genes candidatos para pacientes con diversas enfermedades renales utilizando el método GADO [6]. GADO combina los puntajes z de predicción de genes presentados a través de KidneyNetwork para un conjunto dado de términos de HPO. Los genes con una puntuación z combinada mayor o igual a 5 para el conjunto único de términos HPO asociados con cada paciente se consideraron genes candidatos potenciales para ese paciente.

Fig. 1 Visualización UMAP de los datos de expresión derivados del riñón. Se agruparon 878 muestras en tres grupos principales: tejido primario sano (centro e inferior), muestras de desarrollo (izquierda) y muestras de carcinoma de células renales (RCC) (derecha). En el lado izquierdo de la figura, se puede ver la agrupación de podocitos derivados de células madre pluripotentes (PSC) y organoides derivados de PSC con muestras fetales primarias y células progenitoras de nefronas. En el lado derecho, las muestras de RCC se agrupan cerca de las muestras del túbulo proximal, y el grupo de RCC más cercano a las muestras de tejido primario sano consta de muestras de RCC de células no claras (nccRCC). En el medio y en la parte inferior, las muestras de riñones primarios sanos se agrupan en función de su tejido de origen.

Se sospechaba que los 13 pacientes incluidos en el estudio tenían enfermedad renal monogénica pero no tenían diagnóstico genético (nota S12). Los términos HPO se asignaron a estos casos en función de su fenotipo. Para cada paciente, los datos completos de secuenciación del exoma se analizaron utilizando CAPICE [12] para identificar variantes potencialmente patogénicas. Genes que contienen variantes con un AF de filtrado gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

La superposición de los genes identificados por la integración de KidneyNetwork en GADO con los identificados por CAPICE resultó en una lista de genes para cada paciente. Estos genes y variantes en estos genes fueron revisados ​​manualmente por un panel de expertos en nefrogénesis (AMvE, LRC, NVAMK) por su potencial patogénico basado en métricas de población, herramientas de predicción, literatura disponible y segregación (Nota S13). Para el gen candidato resultante, se identificaron pacientes adicionales portadores de variantes en el mismo gen a través de colaboradores y el Proyecto 100,000 Genomas [14]. Además, se utilizó la herramienta GeneMatcher [15] y no hubo pacientes adicionales hasta el 15 de febrero de 2023.

Identificación de pacientes adicionales La cohorte de poliquistosis hepática y renal no resuelta descrita anteriormente [16] se utilizó para evaluar las variantes raras (nota S14). Usamos la prueba exacta de Fisher para comparar la frecuencia de las variantes identificadas con el subconjunto europeo de europeos no finlandeses en la base de datos gnomAD [17]. Además, utilizamos el Proyecto 100,000 Genomas [14] para la identificación de pacientes adicionales en función de las variantes identificadas (Nota S15).

RESULTADOS

Recuperación de datos y agrupación de muestras Seleccionamos 878 muestras de riñón (Fig. S2), que agrupamos y trazamos utilizando el algoritmo UMAP (Fig. 1). En general, los datos se agrupan en tres grupos principales: datos primarios de riñón no tumoral, muestras de desarrollo de riñón y muestras de túbulo proximal, glomérulo y carcinoma de células renales (RCC).

KidneyNetwork mejora las predicciones de genes y fenotipos Primero, actualizamos GeneNetwork con la base de datos HPO actualizada (Fig. S6) y optimizamos la canalización de creación de redes de genes (Fig. S7). Estos cambios produjeron una mejora en GeneNetwork general en comparación con la versión anterior (Fig. S8). Luego usamos la tubería mejorada para construir la red reguladora de genes específicos del riñón. Como era de esperar, dado el pequeño tamaño de la muestra, esta versión de la red específica de riñón se desempeñó menos que GeneNetwork (Fig. S9). Posteriormente, la combinación de GeneNetwork y la red de coexpresión génica específica del riñón en KidneyNetwork produjo nuestros mejores resultados para los términos HPO relacionados con el riñón (Fig. 2A; Tabla S5). Se proporcionan el AUC de predicción, la precisión, la sensibilidad y las puntuaciones f1-para cada ruta predicha (Tabla S6)

Dos ejemplos de términos mejorados de HPO relacionados con los riñones son la hipomagnesemia y la anomalía tubulointersticial (Fig. 2B). La visualización de estos fenotipos en gráficos de densidad muestra puntuaciones z de priorización más altas para genes conocidos relacionados con enfermedades en comparación con genes no anotados. Para genes desconocidos, cuanto mayor sea la puntuación z de predicción, más probable es que sean un gen de enfermedad candidato. La visualización de las redes de interacción de genes de genes de enfermedades conocidas en función de las puntuaciones de predicción muestra nuevamente el aumento en el número y la fuerza de las interacciones obtenidas con KidneyNetwork en comparación con GeneNetwork.

Fig. 2 KidneyNetwork funciona mejor para los términos HPO relacionados con el riñón que GeneNetwork actualizado. Un 27 por ciento de los fenotipos relacionados con los riñones se predicen significativamente mejor usando KidneyNetwork, en comparación con GeneNetwork. B Los gráficos de densidad de las puntuaciones de predicción de genes dentro de dos de los fenotipos más mejorados, la hipomagnesemia y la anomalía tubulointersticial, muestran valores de predicción más altos para los genes anotados para el fenotipo y también predicen posibles genes candidatos desconocidos. Las redes predichas usando KidneyNetwork muestran más y más fuertes correlaciones entre los genes anotados que las redes predichas usando GeneNetwork.

También vimos un aumento en el número de términos HPO relacionados con el riñón significativos previstos para KidneyNetwork (n=71) en comparación con GeneNetwork (n=63). Esto nos llevó a plantear la hipótesis de que KidneyNetwork predice términos relacionados con el riñón con mayor precisión en general y, por lo tanto, es capaz de predecir más fenotipos relacionados con el riñón con mayor importancia. Una prueba t pareada muestra que, en general, la puntuación HPO AUC fue significativamente mejor para KidneyNetwork versus GeneNetwork (AUC media: 0.76 versus 0.74; prueba t valor p: 4.5 × 10 −8 ). Este resultado sugiere que KidneyNetwork predice más términos HPO específicos de riñón con una mayor precisión de predicción que GeneNetwork.

KidneyNetwork prioriza ALG6 como gen de enfermedad candidato en pacientes con quistes renales y quistes hepáticos Para examinar la utilidad clínica de KidneyNetwork, priorizamos genes para 13 pacientes con sospecha de enfermedad renal hereditaria pero sin diagnóstico genético y los cruzamos con genes que contenían variantes potencialmente patogénicas. Las listas de genes resultantes contenían de 1 a 4 genes candidatos para 9 de los 13 pacientes (Tabla S7). En un paciente (SAMPLE6), la selección manual de esta lista identificó ALG6 (ALG6 alfa-1,3-glucosiltransferasa) como un posible gen candidato para explicar los quistes renales y hepáticos del paciente (Fig. 3). La puntuación z combinada para ALG6 para los términos HPO imputados fue significativa en KidneyNetwork después de la corrección de múltiples pruebas (z=5.43). Este gen se habría perdido si hubiéramos utilizado GeneNetwork: allí ALG6 no alcanzó el umbral de significación de la puntuación z Mayor que o igual a 5.

ALG6 como gen candidato para pacientes con quistes renales y hepáticos La variante ALG6 c.680 más 2 T > G que porta SAMPLE6 es heterocigota. Esta es una variante patogénica conocida del sitio de empalme que da como resultado un trastorno congénito de la glicosilación (CDG) tipo Ic cuando las variantes patogénicas están presentes en ambos alelos [18, 19]. ALG6 se parece mucho a ALG8, que se ha implicado en fenotipos de quistes renales y hepáticos [20] y, según KidneyNetwork, ALG6 y ALG8 están altamente co-regulados (puntuación z=8.59).

Dada esta plausibilidad biológica, consultamos una cohorte de 120 casos no relacionados de poliquistosis renal y hepática para variantes raras, MAF < 0.001, en ALG6. Esta cohorte se actualizó levemente ya que se describió previamente y se excluyó mediante el análisis de secuenciación del exoma por mutaciones de pérdida de función o variantes patogénicas no truncadas informadas en PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 o ADNJB11 [16]. Tres casos no relacionados (YU372, YU378, YU481) portaban variantes raras de ALG6; cada uno tenía el mismo ALG6 c.257 más 5 G > Una variante de empalme no canónica que se sabe que es patógena para ALG6-CDG y que altera el empalme in vitro [19, 21]. A pesar de una mutación compartida, cada uno de estos tres casos informa que no se inscribió a familiares afectados conocidos de diferentes estados de los Estados Unidos, y no están relacionados con el mejor límite de detección utilizando el algoritmo de relación2 de VCFtools con Parentesco_PHI < 0,005.

Dada la representación de esta variante en tres casos de ascendencia europea en esta cohorte definida fenotípicamente, comparamos su frecuencia en el subconjunto europeo de casos (n=105) con europeos no finlandeses en gnomAD [17] con cobertura en esta posición (n=64,466) [17]. En la cohorte de pacientes, 3 de 210 alelos contenían esta variante, mientras que en gnomAD, una cohorte no seleccionada con respecto a la carga de quistes renales o hepáticos, se encontró en 121 de 128 932 alelos. Este enriquecimiento de aproximadamente 10-veces es estadísticamente significativo mediante la prueba exacta de Fisher, p=0,0011. Esta mutación también fue recurrente en casos de ALG6-CDG [19].

También investigamos el conjunto de datos 100,000 Genomes Project [14] y nos pusimos en contacto con colaboradores que identificaron tres datos adicionales para su aplicación a las enfermedades renales. Una proporción significativa de pacientes con sospecha de enfermedad renal genética permanece sin un diagnóstico genético, ya que las listas de genes de enfermedades para muchas afecciones están incompletas. Identificar qué genes están involucrados en la enfermedad renal es esencial para mejorar el rendimiento diagnóstico en pacientes con enfermedad renal y para estudiar la patogénesis de la enfermedad para abordar las vías 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.

También investigamos el conjunto de datos 100,000 Genomes Project [14] y nos pusimos en contacto con colaboradores que identificaron tres pacientes adicionales con quistes renales o hepáticos que portaban una variante heterocigota potencialmente nociva en ALG6, sin una explicación genética alternativa.

Figura 3 KidneyNetwork incorporada en el método GADO en SAMPLE6, paciente con quistes renales y hepáticos. KidneyNetwork priorizó 89 genes candidatos de todos los genes utilizando GADO, según los términos HPO "quistes renales" (HP: 0000107) y "quistes hepáticos" (HP: 0001407). El método de interpretación de datos de secuenciación del exoma CAPICE arrojó 322 genes que contenían variantes potencialmente patogénicas en los datos de secuenciación del exoma del paciente. Al superponer estas listas de genes, se identificaron tres genes que cumplían los criterios de selección, siendo uno ALG6.

En total, identificamos siete pacientes con variantes conocidas del sitio de empalme que se informó que causaban enfermedades en pacientes con CDG gravemente afectados en homocigosidad o heterocigosidad compuesta y un paciente con una variante patógena probable del sitio de empalme (Tabla 1). A diferencia de los pacientes ALG6-CDG gravemente afectados (que presentaban afectación multiorgánica, incluido retraso en el desarrollo y múltiples síntomas neurológicos), nuestros pacientes presentaban un fenotipo de múltiples quistes renales y/o quistes hepáticos (Fig. 4) . Si bien la PCLD puede ser extensa, el fenotipo renal parece ser leve sin que se haya informado una disminución de la TFGe a pesar de la edad avanzada (es decir, una paciente tiene treinta y tantos años, las otras tienen entre 45 y 80 años). Además, encontramos que la variante ALG6 se segregó en algunos miembros de la familia que también estaban afectados (Tabla 1; Fig. 4).

Servicio de apoyo:

Correo electrónico:wallence.suen@wecistanche.com

Whatsapp/Tel: más 86 15292862950

Comercio:

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