KidneyNetwork: neerudest pärinevate geeniekspressiooniandmete kasutamine neeruhaigusega seotud uudsete geenide ennustamiseks ja tähtsuse järjekorda seadmiseks Ⅰ

Geneetiline testimine patsientidel, kellel kahtlustatakse pärilikkustneeruhaigusei pruugi paljastada häire geneetilist põhjust, kuna potentsiaalselt patogeensed variandid võivad asuda geenides, mis ei ole veel teadaolevalt seotudneeruhaigus. Oleme välja töötanud Kidney Network, mis kasutab koespetsiifilist ekspressiooni, et teavitada kandidaatgeenide prioriteetidest konkreetselt neeruhaiguste korral. KidneyNetwork on uudne meetod, mis on loodud 878 proovist koosneva neeru RNA sekveneerimise koekspressioonivõrgu integreerimisega 31 499 proovist koosneva mitme koe võrguga. See kasutab ekspressioonimustreid ja väljakujunenud geeni-fenotüübi seoseid, et ennustada, millised geenid võivad olla seotud milliste (haiguse) fenotüüpidega erapooletult. Kandidaatgeenide tähtsuse järjekorda seadmiseks rakendasime KidneyNetworki haruldastele variantidele 13 geneetilise diagnoosita neeruhaigusega patsiendi eksoomide sekveneerimise andmetes. KidneyNetwork suudab täpselt ennustada haigusega seotud geenide neeruspetsiifilisi geenifunktsioone ja (neeruhaiguse) fenotüüpe. Prioriteetsete geenide ristumiskoht haruldasi variante kandvate geenidega neeru- ja maksatsüstidega patsiendil tuvastas ALG6 kui usutava kandidaatgeeni. Me tugevdame seda usutavust, tuvastades ALG6 variandid mitmete tsüstiliste neeru- ja maksahaiguste korral ilma alternatiivsete geneetiliste selgitusteta. Esitleme KidneyNetworki, avalikult kättesaadavat neeruspetsiifilist kaasekspressioonivõrku, millel on optimeeritud geenifenotüübi ennustused neeruhaiguste fenotüüpide jaoks.

Oleme loonud hõlpsasti kasutatava veebiliidese, mis võimaldab arstidel ja teadlastel kasutada geeniekspressiooni ja kaasregulatsiooni andmeid ninggeeni-fenotüübi seosed, et kiirendada edusamme päriliku neeruhaiguse diagnoosimisel ja uurimisel.

TÕLKEVÄIDE:Geneetiline testimine patsientidel, kellel kahtlustatakse pärilikkustneeruhaigusei pruugi paljastada patsiendi häire geneetilist põhjust. Potentsiaalselt patogeensed variandid võivad asuda geenides, mis ei ole veel teadaolevalt seotud neeruhaigusega, mistõttu on nende variantide asjakohasuse tõlgendamine raske. See näitab selget vajadust meetodite järele, et ennustada erapooletult geneetilise variatsiooni fenotüüpseid tagajärgi. Siin kirjeldame KidneyNetworki, tööriista, mis kasutab neeruspetsiifiliste geenifunktsioonide ennustamiseks koespetsiifilist ekspressiooni. KidneyNetworki rakendamine diagnoosimata juhtude rühmale tuvastas ALG6 kandidaatgeenina tsüstilistes neerudes jamaksahaigus. Kokkuvõttes võib KidneyNetwork aidata geneetiliste variantide tõlgendamisel ja võib seetõttu olla väärtuslik translatsiooni nefrogeneesis ja aidata parandada neeruhaigusega patsientide diagnostilist saagikust.

KLIKKAKE SIIA, ET HANKIDA NEERUSTE TASUTAHAIGUS

SISSEJUHATUS

Päriliku neeruhaiguse kahtlusega patsientide geneetiline testimine võib tuvastada patogeenseid varianteneerudega seotud geenid. Kuid paljudel juhtudel ei ole geneetilist põhjust veel võimalik tuvastada. Teadaolevate neerudega seotud geenide patogeensed variandid tuvastatakse ligikaudu 10–30 protsendil geneetiliselt testitud patsientidest, kellel on mis tahes põhjusega krooniline neeruhaigus [1–3]. Need protsendid on aga tõenäoliselt monogeense põhjusega patsientide arvu alahinnangud, kuna geenide variandid, mis ei ole veel neeruhaigusega seotud, jäävad märkamatuks. Nendes geenides võivad asuda potentsiaalselt kahjulikud variandid, mis muudab nende variantide tähtsuse järjekorda seadmise ja tõlgendamise keeruliseks. Seetõttu on praegusel genoommeditsiini ajastul üks peamisi väljakutseid pärast teadaolevate geenide negatiivset diagnostilist tulemust uute kandidaatgeenide tuvastamine ja tähtsuse järjekorda seadmine potentsiaalselt patogeensete variantidega, mis võivad selgitada patsiendi haigust [4].

RNA sekveneerimise andmeid saab kasutada kandidaadi ennustamisekshaiguse geenid[5]. Hiljuti töötasime välja GeneNetworki ja GeneNetwork-Assisted Diagnostic Optimization (GADO) meetodi, et seada prioriteediks uued kandidaathaiguse geenid RNA sekveneerimisandmete põhjal [6]. Selle meetodi idee seisneb selles, et teatud haruldasi häireid võivad põhjustada mitme geeni variandid. Kuigi need geenid on erinevad, on neil tavaliselt sarnased bioloogilised funktsioonid. Uurides suure hulga proovide geeniekspressiooni andmeid, näitavad need haigusgeenid tavaliselt tugevat koosekspressiooni [6]. Seega, kui on teisi geene, mis on tugevalt koos ekspresseeritud tuntud haruldaste haiguste geenidega, on võimalik, et ka nende teiste geenide variandid võivad põhjustada sama haigust.

Seda tüüpi tööriista optimaalseks toimimiseks peab kaasväljenduse teave olema võimalikult täpne. GADO jaoks ehitasime geenide koekspressioonivõrgu, mis põhines paljudest erinevatest kudedest avalikult kättesaadavatel RNA järjestuse andmekogudel, ja kasutasime seda võrku, et ennustada, millised geenid võivad põhjustada haruldasi haigusi. Neid ennustusi treeniti inimese fenotüübi ontoloogia (HPO) andmebaasi [7] abil. HPO andmebaasis omistatakse geenid fenotüüpidele, mida nimetatakse HPO-terminiteks, mis põhinevad andmebaasides OMIM [8] ja Orphanet [9] esinevatel geenihaiguse annotatsioonidel ja haigussümptomidel. Integreerides HPO andmebaasi teabe geenide koekspressioonivõrguga, saaksime arvutada iga geeni ennustusskoorid HPO termini kohta. Need hinded koos moodustavad GeneNetworki. Seejärel seab GADO prioriteediks geenid, kombineerides patsiendi fenotüüpi kirjeldavate HPO terminite sisendloendi geenide loendiga, millel on selle patsiendi võimalikud kahjulikud variandid. Geeniloendi prioritiseerimine põhineb HPO sisendterminite kombineeritud geeniennustusskooridel [6].

Kuna täheldasime, et GeneNetworki ennustusvõime neerudega seotud HPO fenotüüpide puhul oli piiratud, püüdsime ennustamist parandada neeruspetsiifilise võrgu väljatöötamisega. Tegime seda, kasutades 878 neeru RNA sekveneerimise proovi, mida rikastasime olemasoleva andmekogumiga, mis koosnes 31 499 proovist teistest kudedest [6]. Töötades välja uue ennustusalgoritmi, mis suudab kaaluda mõlemas andmekogumis sisalduvat teavet, parandasime neerudega seotud radade toimivust. Selles artiklis tutvustame saadud KidneyNetworki, kaasekspressioonivõrku, mida saab kasutada neerudega seotud HPO terminite jaoks tundmatute geenide geeni-fenotüübi seoste täpseks ennustamiseks. Põhimõtte tõestuseks rakendasime KidneyNetworki eksoomide sekveneerimise andmetele varem lahendamata neeruhaigustega patsientide rühmast.

MEETODID

Neeruga seotud fenotüüpide prognoosimise parandamiseks kogusime neerudest pärinevaid RNA-sekveneerimise andmeid, uuendasime GeneNetworki uuemate võrdlusandmebaasidega ja täiustatud statistilisi analüüse, millele järgnes koespetsiifilise teabe integreerimine.

Andmekogumid KidneyNetworkis

Mitme päritoluga valitud neeruproovide RNA-sekveneerimise andmed, sealhulgas primaarne, kasvaja ja lootekude, kombineeriti olemasoleva mitmekoelise RNA sekveneerimise andmekogumiga, mida kasutati meie varem kirjeldatud geenivõrgu [6] alusena (tabel S1, S2) . Valisime mitme koe andmestiku kaasamise kahel põhjusel. Esiteks vajasime baasvõrgu loomiseks piisavat arvu näidiseid. Teiseks soovisime säilitada ekspressiooni, mis on spetsiifiline mitmele või kõigile neerurakkude tüübile, kuid mitte teistele kudedele. Tegime seda seetõttu, et geenifenotüübi hinded põhinevad proovidevahelisel ekspressioonierinevusel; kui kõigil geenidel on kõigis analüüsi kaasatud proovides kõrge (või madal) ekspressioon, ei lisa nad ennustusalgoritmile piisavalt teavet. GeneNetworki väljatöötamiseks kasutatud inimese RNA sekveneerimise proovide mitme koe andmekogumit kasutati uuesti ja töödeldi, nagu eelnevalt kirjeldatud [6]. Pärast eeltöötlust sisaldas see andmestik 31 499 proovi ja 56 435 geeni.

Euroopa nukleotiidide arhiivist (ENA) ja genotüübi-koe ekspressiooni (GTEx) projektist laaditi alla 3194 neerust pärinevat RNA-sekveneeritud proovi (märkus S1). Neerude andmekogumi eeltöötlus viidi läbi sarnaselt mitme koe andmekogumiga [6] (märkus S2, märkus S3). Pärast proovide ja geenide valimist jäi alles 58 283 geeni ja 878 neeruproovi. Uurisime ülejäänud 878 RNA-sekveneerimise proovi, kasutades UMAP-i klastrite algoritmi (märkus S4).

HPO filtreerimine. KidneyNetworki ehitamiseks kasutasime geeni-fenotüübi seoseid HPO andmebaasi [7] versioonist 1268. HPO andmebaasis põhineb geenide annoteerimine HPO-ga määratletud fenotüüpidele geenihaiguse annotatsioonidel OMIM [8] morbiidis. kaart (allalaaditud 26. märtsil 2018) ja Orphaneti [9] "en_product6.xml" versioon 1.3.1. Geenihaiguste annotatsioonid nendes andmebaasides võivad põhineda mitmel teguril, sealhulgas statistilistel seostel ja suuremahulistel koopiate arvu variatsioonidel. Tahtsime KidneyNetworki koolitada, kasutades ainult geene, mille seos geeni ja haruldase haiguse vahel on hästi teada. Seetõttu välistasime multigeensed sündroomid, kuna sageli pole selge, millised koopiaarvu variantide geenid aitavad kaasa millistele fenotüüpidele. Välistasime ka pelgalt vastuvõtlikkuse geenid (märkus S5).

Väljendi normaliseerimine. Pärast proovide ja geenide kvaliteedikontrolli (QC) muudeti ülejäänud proovide ja geenide ekspressioonimaatriks log2- ning geenide arv normaliseeriti, kasutades DESeqi, järgides suhete mediaanmeetodit. Seejärel parandasime geeniekspressiooni andmeid ühismuutujate jaoks (märkus S6).

Lagunemine

Pärast kogu andmestiku filtreerimist ja QC-d oli järgmiseks etapiks andmestiku omavektorite arvutamiseks dekomponeerimine (märkus S7). Nii GeneNetworki kui ka neerudest saadud andmetel põhineva geeniregulatsioonivõrgu jaoks määratlesime optimaalse komponentide arvu (märkus S8). GeneNetworki esimesed 165 omavektorit ja neerust saadud andmete esimesed 170 omavektorit tuvastati ja liideti suuremaks maatriksiks, mis sisaldas kõiki 335 omavektorit.

Geeni-HPO-termin skoori arvutamine Geeni-fenotüübi skoori arvutamine viidi läbi mitmes etapis (joonis S5). Esiteks teostasime logistilise regressiooni, kasutades sisendina kombineeritud omavektoreid ja geeni fenotüübi annotatsioonide faili. Kasutasime saadud väärtusi ja omavektori skoori, et arvutada geeni logaritmi skoori iga omavektori iga geeni jaoks (märkus S9).

Et vältida juba annoteeritud geenide geenide log-koefitsientide skooride ülepaigutamist, rakendasime ristvalideerimise meetodit, mille puhul jäta üks-välja (märkus S10). Seejärel tõlgiti logaritmiline koefitsient geeni z-skoorideks, kasutades iga fenotüübi jaoks permuteeritud nulljaotust (märkus S11).

Ennustuse täpsuse määramiseks arvutasime välja ROC kõvera aluse pindala (AUC). AUC arvutati HPO termini kohta, kasutades ennustatud geeni z-skoore ja teadaolevaid annotatsioone. Prognooside olulisus arvutati kahepoolse Mann-Whitney järgu testi abil. Pärast Bonferroni korrigeerimist peeti ennustust oluliseks p < 0,05.

Ennustuste tulemuslikkuse võrdlus

Võrdlesime nelja erineva võrgu ennustusjõudlust: (1) algne GeneNetwork, (2) uuendatud GeneNetwork, (3) neeruspetsiifiline geeniregulatsioonivõrk, mis põhineb ainult neerudest saadud proovidel, ja lõpuks (4) KidneyNetwork, mis ühendab kaks viimast. Nende võrkude tehtud HPO prognooside kvaliteeti hinnati iga neeruga seotud fenotüübi AUC põhjal (tabel S3). Võrgu paremat kvaliteeti defineeriti kui neerudega seotud terminite paremat ennustustäpsust, mida ennustati märkimisväärselt kahe võrgu igas võrdluses, ja suurenenud arvu märkimisväärselt ennustatud neerudega seotud termineid. Ühe võrgu ennustustäpsuse paranemise olulisust võrreldes teisega hinnati DeLongi testi [10] abil, mis on integreeritud pROC R paketti [11].

KidneyNetworki rakendamine 13 päriliku neeruhaiguse kahtlusega patsiendile Üks KidneyNetworki rakendusi on kandidaatgeenide eelistamine lahendamata neeruhaigusega patsientidel. Selle kliinilise rakenduse hindamiseks kasutasime KidneyNetworki, et eelistada kandidaatgeene erinevate neeruhaigustega patsientidele, kasutades GADO meetodit [6]. GADO ühendab geeniennustuse z-skoorid, mis on antud neeruvõrgu kaudu antud HPO terminite komplekti jaoks. Geene, mille kombineeritud z-skoor oli suurem või võrdne iga patsiendiga seotud HPO terminite kogumi jaoks, peeti selle patsiendi potentsiaalseteks kandidaatgeenideks.

Joonis fig 1 UMAP-i visualiseerimine neerudest pärinevate ekspressiooniandmete kohta. 878 proovi rühmitati kolme põhiklastrisse: terve primaarne kude (keskel ja all), arenguproovid (vasakul) ja neerurakulise kartsinoomi (RCC) proovid (paremal). Joonise vasakus servas on näha pluripotentsetest tüvirakkudest (PSC) pärinevate podotsüütide ja PSC-st pärinevate organoidide koondumist primaarsete looteproovide ja nefroni eellasrakkudega. Paremal küljel koonduvad RCC proovid proksimaalsete tuubulite proovide lähedale ja tervetele primaarsetele koeproovidele kõige lähemal asuv RCC klaster koosneb mitteselgete rakkude RCC (nccRCC) proovidest. Keskel ja allosas koonduvad terved primaarsed neeruproovid nende päritolukoe põhjal.

Kõigil uuringus osalenud 13 patsiendil kahtlustati monogeenset neeruhaigust, kuid neil puudus geneetiline diagnoos (märkus S12). Nendele juhtumitele määrati HPO terminid nende fenotüübi põhjal. Potentsiaalselt patogeensete variantide tuvastamiseks analüüsiti iga patsiendi täielikke eksoomide sekveneerimise andmeid kasutades CAPICE [12]. GnomAD Popmaxi filtreeriva AF-ga variante sisaldavad geenid [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

GADO-s KidneyNetworki integreerimisega tuvastatud geenide kattumine CAPICE identifitseeritud geenidega andis iga patsiendi jaoks geenide loendi. Nefrogeneesi ekspertpaneel (AMvE, LRC, NVAMK) vaatas need geenid ja nendes geenides olevad variandid käsitsi läbi nende patogeneetilise potentsiaali osas, tuginedes populatsioonimõõdikutele, ennustusvahenditele, saadaolevale kirjandusele ja segregatsioonile (märkus S13). Saadud kandidaatgeeni jaoks tuvastati kaastöötajate ja 100,000 genoomiprojekti [14] kaudu täiendavaid patsiente, kellel oli sama geeni variante. Samuti kasutati tööriista GeneMatcher [15] ja see ei andnud kuni 15. veebruarini 2023 täiendavaid patsiente.

Täiendavate patsientide tuvastamine Haruldaste variantide hindamiseks kasutati eelnevalt kirjeldatud lahendamata polütsüstiliste neeru- ja maksahaiguste kohordi [16] (märkus S14). Kasutasime Fisheri täpset testi, et võrrelda tuvastatud variandi(de) sagedust mitte-soome eurooplaste Euroopa alamhulgaga gnomAD andmebaasis [17]. Lisaks kasutasime 100,{5}} genoomiprojekti [14], et tuvastada tuvastatud variandi(de) põhjal täiendavaid patsiente (märkus S15).

TULEMUSED

Andmete otsimine ja proovide rühmitamine Valisime 878 neeruproovi (joonis S2), mille me rühmitasime ja joonistasime UMAP-algoritmi abil (joonis 1). Üldiselt koonduvad andmed kolme põhiklastrisse: primaarsed mittekasvajalised neeruandmed, neerude arengu proovid ning proksimaalsete tuubulite, glomeruluste ja neerurakulise kartsinoomi (RCC) proovid.

KidneyNetwork parandab geeni-fenotüübi ennustusi Esiteks uuendasime GeneNetworki uuendatud HPO andmebaasiga (joonis S6) ja optimeerisime geenivõrgu ehitamise torujuhet (joonis S7). Need muudatused andsid üldise GeneNetworki paranemise võrreldes eelmise versiooniga (joonis S8). Seejärel kasutasime täiustatud torujuhet neeruspetsiifilise geeniregulatsioonivõrgu ehitamiseks. Ootuspäraselt, arvestades väikest valimi suurust, toimis see neeruspetsiifilise võrgu versioon vähem hästi kui GeneNetwork (joonis S9). Seejärel andis GeneNetworki ja neeruspetsiifilise geenide koekspressioonivõrgustiku ühendamine KidneyNetworkiks meie parimad tulemused neerudega seotud HPO terminite osas (joonis 2A; tabel S5). Esitatakse iga prognoositava raja prognoositav AUC, täpsus, tundlikkus ja f{11}}skoor (tabel S6)

Kaks näidet paranenud neerudega seotud HPO-terminitest on hüpomagneseemia ja tubulointerstitsiaalne anomaalia (joonis 2B). Nende fenotüüpide visualiseerimine tihedusgraafikutel näitab teadaolevate haigusega seotud geenide puhul kõrgemaid prioriteedi z-skoore võrreldes märkusteta geenidega. Tundmatute geenide puhul, mida kõrgem on prognoositav z-skoor, seda tõenäolisem on, et need on haiguse kandidaatgeenid. Teadaolevate haigusgeenide geenide interaktsioonivõrkude visualiseerimine ennustusskooride põhjal näitab taas KidneyNetworki abil saadud interaktsioonide arvu ja tugevuse suurenemist võrreldes GeneNetworkiga.

Joonis 2 KidneyNetwork toimib neerudega seotud HPO terminite puhul paremini kui uuendatud GeneNetwork. 27 protsenti neerudega seotud fenotüüpidest ennustatakse KidneyNetworki kasutamisel oluliselt paremini, võrreldes GeneNetworkiga. B Geenide ennustusskooride tihedusgraafikud kahes enim täiustatud fenotüübis, hüpomagneseemias ja tubulointerstitsiaalses anomaalias, näitavad fenotüübile märgitud geenide kõrgemaid ennustusväärtusi ja ennustavad ka potentsiaalseid tundmatuid kandidaatgeene. KidneyNetworki abil ennustatud võrgud näitavad rohkem ja tugevamat korrelatsiooni annoteeritud geenide vahel kui GeneNetworki abil ennustatud võrgud.

Võrreldes GeneNetworkiga (n=63) nägime ka oluliste prognoositavate neerudega seotud HPO-terminite arvu suurenemist KidneyNetworki (n=71) jaoks. See pani meid oletama, et KidneyNetwork ennustab neerudega seotud termineid üldiselt suurema täpsusega ja on seetõttu võimeline ennustama rohkem neeruga seotud fenotüüpe, millel on suurem tähtsus. Paaritud t-test näitab, et üldiselt oli HPO AUC skoor neeruvõrgu puhul märkimisväärselt parem võrreldes GeneNetworkiga (keskmine AUC: 0,76 versus 0,74; t-testi p-väärtus: 4,5 × 10 –8). See tulemus viitab sellele, et KidneyNetwork ennustab rohkem neeruspetsiifilisi HPO-termineid suurema ennustustäpsusega kui GeneNetwork.

KidneyNetwork seab prioriteediks ALG6 kui kandidaathaiguse geeni neerutsüstide ja maksatsüstidega patsientidel. KidneyNetworki kliinilise kasulikkuse uurimiseks seadsime esikohale geenid 13 patsiendil, kellel kahtlustatakse pärilikku neeruhaigust, kuid kellel puudub geneetiline diagnoos, ja lõigasime need potentsiaalselt patogeenseid variante sisaldavate geenidega. Saadud geeniloendid sisaldasid 1–4 kandidaatgeeni 9 patsiendi jaoks 13-st (tabel S7). Ühel patsiendil (SAMPLE6) tuvastati selle loendi käsitsi kureerimine ALG6 (ALG6 alfa-1, 3-glükosüültransferaas) potentsiaalse kandidaatgeenina, mis selgitab patsiendi neeru- ja maksatsüste (joonis 3). Kaudsete HPO terminite ALG6 kombineeritud z-skoor oli KidneyNetworkis märkimisväärne pärast mitmekordse testimise korrigeerimist (z=5.43). See geen oleks vahele jäänud, kui oleksime kasutanud GeneNetworki: ALG6 ei jõudnud z-skoori olulisuse läveni, mis on suurem või võrdne 5-ga.

ALG6 kui kandidaatgeen neeru- ja maksatsüstidega patsientidele ALG6 variant c.680 pluss 2 T > G, mida kannab SAMPLE6, on heterosügootne. See on teadaolev patogeense splaissimiskoha variant, mille tulemuseks on Ic tüüpi glükosüülimise (CDG) kaasasündinud häire, kui patogeensed variandid esinevad mõlemal alleelil [18, 19]. ALG6 sarnaneb tugevalt ALG8-ga, mis on seotud neeru- ja maksatsüstide fenotüüpidega [20], ning KidneyNetworki andmetel on ALG6 ja ALG8 tugevalt kaasreguleeritud (z-skoor=8.59).

Arvestades seda bioloogilist usutavust, uurisime ALG6-s haruldaste variantide, MAF < 0.001, polütsüstilise neeru- ja maksahaiguse 120 sõltumatut juhtumit. Seda kohorti värskendatakse vähesel määral, kuna seda kirjeldati varem ja see on välistatud eksoomide sekveneerimise analüüsiga funktsioonimutatsioonide kadumise või teatatud patogeensete mittekärbivate variantide osas PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 või DNAJB11 [16]. Kolm mitteseotud juhtumit (YU372, YU378, YU481) kandsid haruldasi ALG6 variante; mõlemal oli sama ALG6 c.257 pluss 5 G > mittekanooniline splaissingu variant, mis on teadaolevalt patogeenne ALG6-CDG ja splaissimist muutva in vitro [19, 21]. Vaatamata ühisele mutatsioonile teatasid need kolm juhtumit, et Ameerika Ühendriikide erinevatest osariikidest ei registreeritud ühtegi teadaolevat mõjutatud pereliiget ja need ei ole seotud VCFtoolsi seostumisalgoritmi 2 parima tuvastamispiiriga, mille seostus_PHI < 0,005.

Arvestades selle variandi esindatust kolmel Euroopa esivanemate juhtumil selles fenotüüpselt määratletud kohordis, võrdlesime selle esinemissagedust Euroopa juhtude alamhulgas (n=105) mitte-soome eurooplastega gnomAD-is [17], mille leviala oli see positsioon (n=64,466) [17]. Patsiendikohordis sisaldas seda varianti 3 alleelist 210-st, samas kui gnomAD-s, neeru- või maksatsüsti koormuse suhtes valimata kohordis, leiti see 121 alleelist 128 932-st. See ligikaudu 10-kordne rikastumine on Fisheri täpse testi järgi statistiliselt oluline, p=0.0011. See mutatsioon kordus ka ALG6-CDG [19] puhul.

Uurisime ka 100000 genoomiprojekti andmestikku [14] ja võtsime ühendust kaastöötajatega, kes tuvastasid kolm lisaandmeid neeruhaiguste puhul. Märkimisväärne osa geneetilise neeruhaiguse kahtlusega patsientidest jääb ilma geneetilise diagnoosita, kuna paljude haigusseisundite haiguste geenide loendid on puudulikud. Neeruhaigusega seotud geenide tuvastamine on oluline neeruhaigusega patsientide diagnostilise saagikuse parandamiseks ja haiguse patogeneesi uurimiseks, et läheneda ravivõimalustele. Uute haigusgeenide loomine nõuab hoolikat bioloogilist valideerimist. Selliseid uuringuid väärivate geenide kaasamine on kriitiline. KidneyNetworki rakendamine koos WES-i või GWAS-i andmetega nefroloogide, kliiniliste geneetikute või teadlaste poolt aitab kõigil neil rühmadel geenimõjus osaleda. KidneyNetwork ühendab neeruproovi andmestikul põhineva kaasekspressioonivõrgu ja varem avaldatud mitme koe andmestiku, mida kasutatakse GeneNeti töö koostamiseks. Andmekogumite ühendamine KidneyNetworkiga parandas neeruhaigustega seotud fenotüübi ennustusi, võrreldes võrkudega, mis põhinesid kahel andmekogumil eraldi. Põhimõtte tõestuseks näitame, et KidneyNetworki genereeritud neeru- ja maksatsüstide kombineeritud fenotüübi kandidaatgeenide loendis eelistati hallatavat kandidaatgeenide loendit pikast geenide loendist, mis sisaldasid selle fenotüübiga patsiendil haruldasi variante.

Uurisime ka 100,000 genoomiprojekti andmestikku [14] ja võtsime ühendust kaastöötajatega, kes tuvastasid kolm täiendavat neeru- ja/või maksatsüstiga patsienti, kellel oli ALG6 heterosügootne potentsiaalselt kahjulik variant, ilma alternatiivse geneetilise seletuseta.

Joonis 3 Neeruvõrk, mis on kaasatud GADO meetodisse SAMPLE6, neeru- ja maksatsüstidega patsiendil. KidneyNetwork seadis GADO abil prioriteediks 89 kandidaatgeeni kõigist geenidest, tuginedes HPO terminitele "Neeru tsüstid" (HP: 0000107) ja "Maksa tsüstid" (HP: 0001407). Eksoomide sekveneerimise andmete tõlgendamise meetod CAPICE andis patsiendi eksoomide sekveneerimise andmetes 322 geeni, mis sisaldasid potentsiaalselt patogeenseid variante. Nende geeniloendite kattumisel tuvastati kolm geeni, mis vastasid valikukriteeriumidele, millest üks oli ALG6.

Kokku tuvastasime seitse patsienti, kellel olid teadaolevad splaissimiskoha variandid, mis olid homosügootsuse või ühendi heterosügootsuse tõttu haigust põhjustavad raskelt kahjustatud CDG patsientidel ja ühe patsiendi, kellel oli tõenäoline patogeense splaissimiskoha variant (tabel 1). Erinevalt raskelt kahjustatud ALG6-CDG-patsientidest (mitu elundi kaasatud, sealhulgas arengupeetus ja mitmed neuroloogilised sümptomid) esines meie patsientidel mitme neerutsüsti ja/või maksatsüstide fenotüüp (joonis 4). . Kuigi PCLD võib olla ulatuslik, näib neeru fenotüüp olevat kerge ja eGFR-i langust ei ole teatatud vaatamata kõrgele vanusele (st üks patsient on kolmekümnendates, teised 45–80-aastased). Lisaks leidsime, et ALG6 variant eraldus mõnes mõjutatud pereliikmes (tabel 1; joonis 4).

Tugiteenus:

E-post:wallence.suen@wecistanche.com

Whatsapp/Tel: pluss 86 15292862950

Pood:

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