KidneyNetwork: استفاده از داده های بیان ژن مشتق از کلیه برای پیش بینی و اولویت بندی ژن های جدید دخیل در بیماری کلیوی Ⅰ

آزمایش ژنتیک در بیماران مشکوک به وراثتبیماری کلیویممکن است علت ژنتیکی این اختلال را آشکار نکند زیرا انواع بالقوه بیماری زا می توانند در ژن هایی وجود داشته باشند که هنوز مشخص نیست که در آن نقش دارند.بیماری کلیوی. ما شبکه کلیه را توسعه داده‌ایم که از بیان خاص بافت برای اطلاع‌رسانی اولویت‌بندی ژن کاندید به‌طور خاص برای بیماری‌های کلیوی استفاده می‌کند. KidneyNetwork یک روش جدید است که با ادغام یک شبکه هم بیان توالی RNA کلیه از 878 نمونه با یک شبکه چند بافتی از 31499 نمونه ساخته شده است. از الگوهای بیان و ارتباطات ژن- فنوتیپ برای پیش بینی اینکه کدام ژن می تواند به فنوتیپ (بیماری) به شیوه ای بی طرفانه مرتبط باشد، استفاده می کند. ما KidneyNetwork را برای انواع نادر در داده‌های توالی‌یابی اگزوم از 13 بیمار بیماری کلیوی بدون تشخیص ژنتیکی برای اولویت‌بندی ژن‌های کاندید استفاده کردیم. KidneyNetwork می تواند عملکردهای ژنی خاص کلیه و فنوتیپ های (بیماری کلیوی) را برای ژن های مرتبط با بیماری به طور دقیق پیش بینی کند. تلاقی ژن‌های اولویت‌دار با ژن‌های حامل انواع نادر در بیمار مبتلا به کیست‌های کلیه و کبد، ALG6 را به‌عنوان یک ژن کاندید قابل قبول شناسایی کرد. ما این احتمال را با شناسایی انواع ALG6 در چندین مورد بیماری کلیه و کبد کیستیک بدون توضیحات ژنتیکی جایگزین تقویت می کنیم. ما KidneyNetwork را ارائه می‌کنیم، یک شبکه هم‌بیان کلیوی در دسترس عموم با پیش‌بینی‌های فنوتیپ ژن بهینه‌شده برای فنوتیپ‌های بیماری کلیوی.

ما یک رابط آنلاین با کاربری آسان طراحی کردیم که به پزشکان و محققان اجازه می‌دهد از بیان ژن و داده‌های تنظیمی مشترک استفاده کنند.اتصالات ژن- فنوتیپ برای تسریع پیشرفت در تشخیص و تحقیقات بیماری کلیوی ارثی

بیانیه ترجمه:آزمایش ژنتیک در بیماران مشکوک به وراثتبیماری کلیویممکن است علت ژنتیکی اختلال بیمار را آشکار نکند. واریانت های بالقوه بیماری زا می توانند در ژن هایی وجود داشته باشند که هنوز در بیماری کلیوی دخیل نیستند و تفسیر ارتباط این گونه ها را دشوار می کند. این نیاز آشکار به روش هایی را برای پیش بینی پیامدهای فنوتیپی تنوع ژنتیکی به شیوه ای بی طرفانه نشان می دهد. در اینجا ما KidneyNetwork را توصیف می کنیم، ابزاری که از بیان خاص بافت برای پیش بینی عملکردهای ژن خاص کلیه استفاده می کند. با استفاده از KidneyNetwork برای گروهی از موارد تشخیص داده نشده، ALG6 به عنوان یک ژن کاندید در کلیه کیستیک شناسایی شد.بیماری کبد. به طور خلاصه، KidneyNetwork می تواند به تفسیر واریانت های ژنتیکی کمک کند و بنابراین می تواند در نفروژنز ترجمه ای مفید باشد و به بهبود عملکرد تشخیصی در بیماران مبتلا به بیماری کلیوی کمک کند.

برای دریافت CISTANCHE FOR KIDNEY اینجا را کلیک کنیدبیماری

معرفی

آزمایش ژنتیک در بیماران مشکوک به بیماری کلیوی ارثی می‌تواند انواع بیماری‌زای مسبب آن را نشان دهدژن های مرتبط با کلیه. با این حال، در بسیاری از موارد، هنوز نمی توان علت ژنتیکی را تشخیص داد. انواع بیماری زا در ژن های شناخته شده مرتبط با کلیه در تقریباً 10 تا 30 درصد از بیماران آزمایش شده ژنتیکی مبتلا به بیماری مزمن کلیوی به هر علتی شناسایی می شوند [1-3]. با این حال، این درصدها احتمالاً تعداد بیماران دارای علت تک ژنی را دست کم گرفته اند، زیرا انواع ژن هایی که هنوز در بیماری کلیوی دخیل نیستند، مورد توجه قرار نمی گیرند. واریته‌های بالقوه مضر می‌توانند در این ژن‌ها باشند، که اولویت‌بندی و تفسیر ارتباط این گونه‌ها را دشوار می‌کند. بنابراین، در عصر کنونی پزشکی ژنومیک، یکی از چالش‌های اصلی پس از یک نتیجه تشخیصی منفی در ژن‌های شناخته شده، شناسایی و اولویت‌بندی ژن‌های کاندید جدید با انواع بالقوه بیماری‌زا است که می‌توانند بیماری بیمار را توضیح دهند [4].

داده های توالی RNA را می توان برای پیش بینی نامزد استفاده کردژن های بیماری[5]. ما اخیراً GeneNetwork و روش بهینه‌سازی تشخیصی به کمک شبکه ژنی (GADO) را برای اولویت‌بندی ژن‌های بیماری کاندید جدید بر اساس داده‌های توالی‌یابی RNA توسعه داده‌ایم [6]. ایده پشت این روش این است که برخی از اختلالات نادر می تواند توسط انواع مختلفی در چندین ژن ایجاد شود. در حالی که این ژن ها متفاوت هستند، معمولاً عملکردهای بیولوژیکی مشابهی دارند. هنگام مطالعه داده های بیان ژن از تعداد زیادی نمونه، این ژن های بیماری معمولاً هم بیان قوی را نشان می دهند [6]. بنابراین، اگر ژن‌های دیگری وجود داشته باشند که به شدت با ژن‌های بیماری‌های نادر شناخته‌شده بیان می‌شوند، این امکان وجود دارد که انواع این ژن‌های دیگر نیز باعث ایجاد همان بیماری شوند.

برای اینکه این نوع ابزار به طور بهینه کار کند، اطلاعات هم بیانی باید تا حد امکان دقیق باشد. برای GADO، ما یک شبکه هم‌اظهار ژنی را بر اساس مجموعه داده‌های توالی RNA در دسترس عموم از بسیاری از بافت‌های مختلف ساختیم و از این شبکه برای پیش‌بینی اینکه کدام ژن‌ها ممکن است باعث بیماری‌های نادر شوند، استفاده کردیم. این پیش‌بینی‌ها با استفاده از پایگاه‌داده هستی‌شناسی فنوتیپ انسانی (HPO) آموزش داده شدند [7]. در پایگاه داده HPO، ژن ها به فنوتیپ هایی اختصاص داده می شوند - اصطلاحات HPO نامیده می شوند - که بر اساس حاشیه نویسی های بیماری ژنی و علائم بیماری موجود در پایگاه های داده OMIM [8] و Orphanet [9] هستند. با ادغام اطلاعات از پایگاه داده HPO با شبکه هم‌بیان ژن، می‌توانیم امتیازهای پیش‌بینی را برای هر ژن در هر عبارت HPO محاسبه کنیم. این نمرات با هم GeneNetwork را تشکیل می دهند. سپس GADO ژن ها را با ترکیب یک لیست ورودی از اصطلاحات HPO که فنوتیپ بیمار را توصیف می کند با لیستی از ژن ها با انواع مضر احتمالی آن بیمار اولویت بندی می کند. اولویت بندی لیست ژن ها بر اساس نمرات ترکیبی پیش بینی ژن برای عبارت های HPO ورودی است [6].

از آنجایی که مشاهده کردیم که عملکرد پیش‌بینی GeneNetwork برای فنوتیپ‌های HPO مرتبط با کلیه محدود بود، به دنبال بهبود پیش‌بینی با توسعه یک شبکه ویژه کلیه بودیم. ما این کار را با استفاده از 878 نمونه توالی‌یابی RNA کلیه که با مجموعه داده‌ای از 31499 نمونه از بافت‌های دیگر غنی‌سازی کردیم، انجام دادیم. با توسعه یک الگوریتم پیش‌بینی جدید که می‌تواند اطلاعات موجود در هر دو مجموعه داده را وزن کند، عملکرد مسیرهای مرتبط با کلیه را بهبود بخشیم. در این مقاله، شبکه کلیوی به‌دست‌آمده را ارائه می‌کنیم، یک شبکه هم‌ابراز که می‌تواند برای پیش‌بینی دقیق ارتباطات فنوتیپ ژنی ژن‌های ناشناخته برای اصطلاحات HPO مرتبط با کلیه استفاده شود. به‌عنوان اثبات اصل، ما KidneyNetwork را برای داده‌های توالی‌یابی exome از گروهی از بیمارانی که قبلاً بیماری‌های کلیوی حل‌نشده داشتند، اعمال کردیم.

مواد و روش ها

برای بهبود پیش‌بینی فنوتیپ‌های مرتبط با کلیه، داده‌های توالی‌یابی RNA مشتق‌شده از کلیه را جمع‌آوری کردیم، GeneNetwork را با پایگاه‌های داده مرجع جدیدتر و تجزیه و تحلیل‌های آماری بهبودیافته به‌روزرسانی کردیم و به دنبال آن اطلاعات بافت خاص را ادغام کردیم.

مجموعه داده ها در شبکه کلیه

داده‌های توالی‌یابی RNA از نمونه‌های کلیه منتخب از چندین منشاء، از جمله بافت اولیه، تومور و جنین، با مجموعه داده‌های موجود از توالی‌یابی RNA چند بافتی که به‌عنوان پایه‌ای برای شبکه ژنی که قبلاً توضیح داده شد، ترکیب شدند (جدول S1، S2). . ما به دو دلیل انتخاب کردیم که مجموعه داده چند بافتی را شامل شود. ابتدا به تعداد کافی نمونه برای ایجاد یک شبکه پایه نیاز داشتیم. دوم، ما می‌خواستیم بیانی را حفظ کنیم که مختص چندین یا همه انواع سلول‌های کلیه است، اما نه برای سایر بافت‌ها. ما این کار را انجام دادیم زیرا امتیازات ژن- فنوتیپ بر اساس تفاوت در بیان بین نمونه ها است. اگر همه ژن‌ها در تمام نمونه‌های موجود در آنالیز بیان بالا (یا کم) داشته باشند، اطلاعات کافی به الگوریتم پیش‌بینی اضافه نمی‌کنند. مجموعه داده چند بافتی نمونه های توالی یابی RNA انسانی مورد استفاده برای توسعه GeneNetwork مجدداً مورد استفاده قرار گرفت و همانطور که قبلاً توضیح داده شد پردازش شد [6]. پس از پیش پردازش، این مجموعه داده شامل 31499 نمونه و 56435 ژن بود.

3194 نمونه توالی RNA مشتق شده از کلیه از آرشیو نوکلئوتید اروپا (ENA) و پروژه بیان ژنوتیپ بافت (GTEx) (یادداشت S1) دانلود شد. پیش پردازش مجموعه داده کلیه به طور مشابه با مجموعه داده چند بافتی [6] انجام شد (یادداشت S2، یادداشت S3). پس از انتخاب نمونه و ژن، 58283 ژن و 878 نمونه کلیه باقی ماند. ما 878 نمونه توالی RNA باقیمانده را با استفاده از الگوریتم خوشه‌بندی UMAP (یادداشت S4) بررسی کردیم.

فیلتر HPO برای ساخت KidneyNetwork، از پیوندهای ژن- فنوتیپ از پایگاه داده HPO [7] نسخه 1268 استفاده کردیم. در پایگاه داده HPO، حاشیه نویسی ژن ها به فنوتیپ های تعریف شده توسط HPO بر اساس حاشیه نویسی ژن-بیماری در بیماری OMIM [8] است. نقشه (دانلود شده در 26 مارس 2018) و فایل Orphanet [9] "en{9}}product6.xml" نسخه 1.3.1. حاشیه نویسی بیماری ژن در این پایگاه های داده می تواند بر اساس عوامل متعددی از جمله ارتباط های آماری و تغییرات تعداد کپی در مقیاس بزرگ باشد. ما می‌خواستیم KidneyNetwork را فقط با استفاده از ژن‌هایی آموزش دهیم که ارتباط بین ژن و بیماری نادر برای آنها به خوبی ثابت شده است. بنابراین، ما سندرم‌های چند ژنی را حذف کردیم، زیرا اغلب مشخص نیست که کدام یک از ژن‌های موجود در گونه‌های تعداد کپی به کدام فنوتیپ کمک می‌کنند. ما همچنین ژن های حساسیت صرف را حذف کردیم (یادداشت S5).

عادی سازی بیان پس از کنترل کیفیت نمونه و ژن (QC)، ماتریس بیان نمونه‌ها و ژن‌های باقی‌مانده log2- تبدیل شد و شمارش ژن‌ها با استفاده از روش DESeq به روش میانگین نسبت‌ها نرمال شد. سپس داده‌های بیان ژن را برای متغیرهای کمکی تصحیح کردیم (یادداشت S6).

تجزیه

پس از فیلتر و QC کل مجموعه داده، مرحله بعدی انجام تجزیه برای محاسبه بردارهای ویژه مجموعه داده بود (یادداشت S7). هم برای GeneNetwork و هم برای شبکه تنظیم ژن بر اساس داده های مشتق شده از کلیه، تعداد بهینه اجزا را تعریف کردیم (یادداشت S8). اولین 165 بردار ویژه برای GeneNetwork و 170 اولین بردار ویژه برای داده های مشتق شده از کلیه شناسایی و در یک ماتریس بزرگتر شامل تمام 335 بردار ویژه ادغام شدند.

محاسبه امتیاز مدت ژن-HPO محاسبه امتیاز ژن- فنوتیپ در چند مرحله انجام شد (شکل S5). ابتدا یک رگرسیون لجستیک با استفاده از بردارهای ویژه ترکیبی و فایل حاشیه نویسی ژن- فنوتیپ به عنوان ورودی انجام دادیم. ما از مقادیر به‌دست‌آمده و امتیازهای بردار ویژه برای محاسبه امتیاز شانس احتمالی ژن برای هر ژن در هر بردار ویژه استفاده کردیم (یادداشت S9).

برای جلوگیری از تطبیق بیش از حد امتیازات احتمال شانس ژنی ژن‌هایی که قبلاً مشروح شده‌اند، ما یک رویکرد اعتبار سنجی متقاطع را ترک کردیم (یادداشت S10). شانس ورود به سیستم متعاقبا با استفاده از توزیع پوچ تغییر یافته برای هر فنوتیپ به امتیازهای z ژن ترجمه شد (یادداشت S11).

برای تعیین دقت پیش‌بینی، سطح زیر منحنی ROC (AUC) را محاسبه کردیم. AUC در هر ترم HPO با استفاده از نمرات z پیش‌بینی‌شده ژن و حاشیه‌نویسی‌های شناخته شده محاسبه شد. اهمیت پیش بینی ها با استفاده از آزمون رتبه دو طرفه من ویتنی محاسبه شد. پس از تصحیح بونفرونی، یک پیش‌بینی در p < 0.05 معنی‌دار در نظر گرفته شد.

مقایسه عملکرد پیش بینی

ما عملکرد پیش‌بینی چهار شبکه مجزا را با هم مقایسه کردیم: (1) شبکه اصلی ژن، (2) شبکه ژنی به‌روزشده، (3) شبکه تنظیم‌کننده ژن خاص کلیه بر اساس نمونه‌های مشتق شده از کلیه، و در نهایت (4) شبکه کلیوی، که ترکیبی است. دو مورد آخر کیفیت پیش‌بینی‌های HPO ساخته شده توسط این شبکه‌ها بر اساس AUC برای هر فنوتیپ مرتبط با کلیه ارزیابی شد (جدول S3). کیفیت بهبود یافته یک شبکه به عنوان دقت پیش‌بینی بهبود یافته برای اصطلاحات مربوط به کلیه تعریف شد که به طور قابل‌توجهی در هر مقایسه دو شبکه و با افزایش تعداد عبارات مرتبط با کلیه پیش‌بینی‌شده قابل‌توجهی پیش‌بینی شد. اهمیت بهبود در دقت پیش‌بینی یک شبکه در مقابل شبکه دیگر با استفاده از آزمون DeLong [10] ادغام شده در بسته pROC R [11] ارزیابی شد.

استفاده از KidneyNetwork برای 13 بیمار مشکوک به بیماری کلیوی ارثی یکی از کاربردهای KidneyNetwork اولویت بندی ژن های کاندید در بیماران مبتلا به بیماری کلیوی حل نشده است. برای ارزیابی این کاربرد بالینی، از KidneyNetwork برای اولویت‌بندی ژن‌های کاندید برای بیماران مبتلا به بیماری‌های کلیوی مختلف با استفاده از روش GADO استفاده کردیم [6]. GADO امتیازهای z پیش‌بینی ژن ارائه شده از طریق KidneyNetwork را برای مجموعه معینی از اصطلاحات HPO ترکیب می‌کند. ژن‌هایی با z-score ترکیبی بیشتر یا مساوی 5 برای مجموعه منحصر به فرد اصطلاحات HPO مرتبط با هر بیمار، ژن‌های کاندید بالقوه برای آن بیمار در نظر گرفته شدند.

شکل 1 تجسم UMAP از داده های بیان مشتق شده از کلیه. 878 نمونه در سه خوشه اصلی گروه‌بندی شدند: بافت اولیه سالم (وسط و پایین)، نمونه‌های رشدی (چپ) و نمونه‌های سرطان سلول کلیوی (RCC) (راست). در سمت چپ شکل، خوشه‌بندی پودوسیت‌های مشتق از سلول‌های بنیادی پرتوان (PSC) و ارگانوئیدهای مشتق از PSC با نمونه‌های اولیه جنین و سلول‌های پیش‌ساز نفرون دیده می‌شود. در سمت راست، نمونه‌های RCC نزدیک به نمونه‌های توبول پروگزیمال، و خوشه RCC نزدیک‌ترین به نمونه‌های بافت اولیه سالم، از نمونه‌های RCC سلول غیر شفاف (nccRCC) تشکیل شده است. در وسط و پایین، نمونه‌های کلیه اولیه سالم بر اساس بافت منشأ آنها خوشه می‌شوند.

13 بیمار مشمول این مطالعه مشکوک به بیماری کلیوی تک ژنی بودند اما هیچ تشخیص ژنتیکی نداشتند (یادداشت S12). اصطلاحات HPO بر اساس فنوتیپ به این موارد اختصاص داده شد. برای هر بیمار، داده های توالی یابی کامل اگزوم با استفاده از CAPICE [12] برای شناسایی انواع بالقوه بیماری زا تجزیه و تحلیل شد. ژن های حاوی انواع با AF فیلتر کننده gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

همپوشانی ژن های شناسایی شده توسط ادغام شبکه کلیه در GADO با ژن های شناسایی شده توسط CAPICE منجر به ایجاد لیستی از ژن ها برای هر بیمار شد. این ژن‌ها و واریانت‌های موجود در این ژن‌ها به‌صورت دستی توسط یک پانل متخصص نفروژنز (AMvE، LRC، NVAMK) برای پتانسیل بیماری‌زایی آن‌ها بر اساس معیارهای جمعیت، ابزارهای پیش‌بینی، ادبیات موجود و تفکیک بررسی شدند (یادداشت S13). برای ژن کاندید به دست آمده، بیماران اضافی حامل انواع در همان ژن از طریق همکاران و پروژه 100،{2}} ژنوم [14] شناسایی شدند. همچنین، ابزار GeneMatcher [15] مورد استفاده قرار گرفت و تا 15 فوریه 2023 هیچ بیمار دیگری ارائه نکرد.

شناسایی بیماران دیگر گروه بیماری کلیه پلی کیستیک و کبد حل نشده [16] که قبلا توضیح داده شد برای ارزیابی انواع نادر مورد استفاده قرار گرفت (یادداشت S14). ما از آزمون دقیق فیشر برای مقایسه فراوانی انواع (های) شناسایی شده با زیرمجموعه اروپایی اروپایی های غیرفنلاندی در پایگاه داده gnomAD استفاده کردیم [17]. علاوه بر این، ما از پروژه 100،{5}} ژنوم [14] برای شناسایی بیماران اضافی بر اساس نوع(های) شناسایی شده استفاده کردیم (یادداشت S15).

نتایج

بازیابی داده ها و خوشه بندی نمونه ما 878 نمونه کلیه (شکل S2) را انتخاب کردیم که آنها را با استفاده از الگوریتم UMAP خوشه بندی و رسم کردیم (شکل 1). به طور کلی، داده‌ها در سه خوشه اصلی دسته‌بندی می‌شوند: داده‌های اولیه کلیه غیرتوموری، نمونه‌های رشد کلیه، و نمونه‌های توبول پروگزیمال، گلومرول و کارسینوم سلول کلیوی (RCC).

KidneyNetwork پیش بینی های فنوتیپ ژن را بهبود می بخشد ابتدا، GeneNetwork را با پایگاه داده HPO به روز شده (شکل S6) به روز کردیم و خط لوله ساخت شبکه ژن را بهینه کردیم (شکل S7). این تغییرات باعث بهبودی در GeneNetwork عمومی نسبت به نسخه قبلی شد (شکل S8). سپس از خط لوله بهبود یافته برای ساختن شبکه تنظیم کننده ژن ویژه کلیه استفاده کردیم. همانطور که انتظار می رفت، با توجه به حجم نمونه کوچک، این نسخه از شبکه ویژه کلیه عملکرد کمتری نسبت به GeneNetwork داشت (شکل S9). متعاقباً، ترکیب GeneNetwork و شبکه هم‌بیان ژن خاص کلیه در KidneyNetwork بهترین نتایج ما را برای اصطلاحات HPO مرتبط با کلیه به همراه داشت (شکل 2A؛ جدول S5). امتیازهای پیش‌بینی AUC، دقت، حساسیت و f{11}}برای هر مسیر پیش‌بینی‌شده ارائه شده است (جدول S6)

دو نمونه از اصطلاحات HPO مربوط به کلیه بهبود یافته هیپومنیزیمی و ناهنجاری توبولو بینابینی هستند (شکل 2B). تجسم این فنوتیپ‌ها در نمودارهای چگالی، امتیاز z اولویت‌بندی بالاتری را برای ژن‌های شناخته شده مرتبط با بیماری در مقایسه با ژن‌های بدون حاشیه‌نویسی نشان می‌دهد. برای ژن‌های ناشناخته، هرچه امتیاز z پیش‌بینی بالاتر باشد، احتمال بیشتری وجود دارد که ژن کاندید بیماری باشند. تجسم شبکه‌های تعامل ژنی ژن‌های بیماری شناخته‌شده بر اساس امتیازهای پیش‌بینی مجدداً افزایش تعداد و قدرت برهمکنش‌های به‌دست‌آمده با استفاده از KidneyNetwork را در مقایسه با GeneNetwork نشان می‌دهد.

شکل 2 KidneyNetwork برای شرایط HPO مرتبط با کلیه بهتر از GeneNetwork به روز شده عمل می کند. 27 درصد از فنوتیپ های مرتبط با کلیه در مقایسه با GeneNetwork با استفاده از KidneyNetwork به طور قابل توجهی بهتر پیش بینی می شوند. B نمودارهای چگالی امتیازهای پیش‌بینی ژن در دو فنوتیپ بهبودیافته، هیپومنیزیمی، و ناهنجاری توبولو بینابینی، مقادیر پیش‌بینی بالاتری را برای ژن‌های مشروح‌شده برای فنوتیپ نشان می‌دهند و همچنین ژن‌های نامزد ناشناخته بالقوه را پیش‌بینی می‌کنند. شبکه‌های پیش‌بینی‌شده با استفاده از KidneyNetwork، همبستگی‌های بیشتر و قوی‌تری را بین ژن‌های مشروح‌شده نسبت به شبکه‌های پیش‌بینی‌شده با استفاده از GeneNetwork نشان می‌دهند.

ما همچنین شاهد افزایش معنی‌دار عبارت‌های HPO مرتبط با کلیه پیش‌بینی‌شده برای KidneyNetwork (n=71) در مقایسه با GeneNetwork (n=63) بودیم. این ما را به این فرض سوق داد که KidneyNetwork اصطلاحات مربوط به کلیه را با دقت بالاتری در کل پیش‌بینی می‌کند و بنابراین می‌تواند فنوتیپ‌های مرتبط با کلیه را با اهمیت بالاتر پیش‌بینی کند. آزمون t زوجی نشان می‌دهد که به طور کلی، امتیاز HPO AUC به طور قابل‌توجهی برای KidneyNetwork در مقابل GeneNetwork بهتر بود (میانگین AUC: 0.76 در مقابل 0.74؛ t-test p-value: 4.5 × 10 -8). این نتیجه نشان می‌دهد که KidneyNetwork اصطلاحات HPO خاص کلیه را با دقت پیش‌بینی بالاتری نسبت به GeneNetwork پیش‌بینی می‌کند.

KidneyNetwork ALG6 را به عنوان ژن کاندید بیماری در بیماران مبتلا به کیست کلیه و کیست های کبدی در اولویت قرار می دهد. لیست های ژنی به دست آمده شامل 1 تا 4 ژن کاندید برای 9 بیمار از 13 بیمار بود (جدول S7). در یک بیمار (SAMPLE6)، تنظیم دستی این فهرست، ALG6 (ALG6 آلفا{10}}،3-گلوکوزیل ترانسفراز) را به عنوان یک ژن کاندید بالقوه برای توضیح کیست های کلیه و کبد بیمار شناسایی کرد (شکل 3). امتیاز z ترکیبی برای ALG6 برای عبارت‌های HPO منتسب شده در KidneyNetwork پس از تصحیح آزمایش‌های چندگانه معنی‌دار بود (z=5.43). اگر از GeneNetwork استفاده می کردیم، این ژن از دست می رفت: در آنجا ALG6 به آستانه معناداری z-score بزرگتر یا مساوی 5 نمی رسید.

ALG6 به عنوان یک ژن کاندید برای بیماران مبتلا به کیست های کلیوی و کبدی نوع ALG6 c.680 به اضافه 2 T > G که توسط SAMPLE6 حمل می شود هتروزیگوت است. این یک نوع محل اتصال بیماریزای شناخته شده است که منجر به اختلال مادرزادی گلیکوزیلاسیون (CDG) نوع Ic می شود، زمانی که انواع بیماری زا در هر دو آلل وجود دارد [18، 19]. ALG6 به شدت شبیه ALG8 است که در فنوتیپ های کیست کلیه و کبد نقش دارد [20]، و طبق KidneyNetwork، ALG6 و ALG8 به شدت با هم تنظیم می شوند (z-score=8.59).

با توجه به این احتمال بیولوژیکی، ما گروهی از 120 مورد نامرتبط از بیماری کلیه پلی کیستیک و کبد را برای انواع نادر MAF < 0.001، در ALG6 بررسی کردیم. این گروه از آنجایی که قبلاً توضیح داده شده بود، اندکی به روز شده است و با تجزیه و تحلیل توالی اگزوم برای از دست دادن جهش های عملکردی یا گونه های بیماریزای غیرقطعی گزارش شده در PKD1، PKD2، PRKCSH، SEC63، GANAB، ALG8، ALG9، SEC61B، PKHD1 یا حذف شده است. DNAJB11 [16]. سه مورد نامربوط (YU372، YU378، YU481) دارای انواع نادر ALG6 بودند. هر کدام دارای همان ALG6 c.257 به اضافه 5 G> یک نوع اتصال غیر متعارف شناخته شده برای بیماری زا بودن برای ALG{21}}CDG و تغییر اتصال در شرایط آزمایشگاهی [19، 21] بود. علیرغم یک جهش مشترک، این سه مورد هر کدام گزارش می‌کنند که هیچ یک از اعضای خانواده آسیب‌دیده شناخته‌شده از ایالت‌های مختلف در سراسر ایالات متحده ثبت‌نام نشده‌اند، و با بهترین حد تشخیص با استفاده از الگوریتم VCFtools relatedness2 با Relatedness_PHI <0.005 ارتباطی ندارند.

با توجه به نمایش این نوع در سه مورد از اجداد اروپایی در این گروه فنوتیپی تعریف شده، ما فراوانی آن را در زیرمجموعه موارد اروپایی (n=105) با اروپایی های غیرفنلاندی در gnomAD [17] با پوشش در مقایسه کردیم. این موقعیت (n=64,466) [17]. در گروه بیمار، گروه 3 از 210 آلل حاوی این نوع بود، در حالی که در gnomAD، گروهی که با توجه به بار کیست کلیه یا کبد انتخاب نشده بود، در 121 آلل از 128932 آلل یافت شد. این غنی‌سازی تقریباً 10-برابر با آزمون دقیق فیشر، p=0.0011، از نظر آماری معنی‌دار است. این جهش در موارد ALG{15}}CDG [19] نیز عود کننده بود.

ما همچنین 100،{1}} مجموعه داده پروژه ژنوم [14] را بررسی کردیم و با همکارانی که سه داده اضافی را برای کاربرد در بیماری‌های کلیوی شناسایی کردند، تماس گرفتیم. بخش قابل توجهی از بیماران مشکوک به بیماری کلیوی ژنتیکی بدون تشخیص ژنتیکی باقی می مانند، زیرا فهرست ژن های بیماری برای بسیاری از شرایط ناقص است. شناسایی ژن‌هایی که در بیماری کلیوی دخیل هستند برای بهبود عملکرد تشخیصی در بیماران کلیوی و برای مطالعه پاتوژنز بیماری برای نزدیک شدن به راه‌های درمان ضروری است. ایجاد ژن های بیماری جدید نیاز به اعتبارسنجی بیولوژیکی دقیق دارد. دخالت دادن ژن‌هایی که شایسته چنین تحقیقاتی هستند بسیار مهم است. استفاده از KidneyNetwork در ارتباط با داده‌های WES یا GWAS توسط نفرولوژیست‌ها، متخصصین ژنتیک بالینی یا محققان به هر یک از این گروه‌ها کمک می‌کند تا در مفهوم ژن شرکت کنند. KidneyNetwork یک شبکه هم‌اثر بر اساس مجموعه داده‌های نمونه کلیه را با مجموعه داده‌های چند بافتی که قبلاً منتشر شده بود برای ساخت کار GeneNet ترکیب می‌کند. ترکیب مجموعه‌های داده در KidneyNetwork در مقایسه با شبکه‌های مبتنی بر دو مجموعه داده جداگانه، پیش‌بینی‌های فنوتیپ مربوط به بیماری کلیوی را بهبود بخشید. به‌عنوان اثبات اصل، نشان می‌دهیم که فهرست ژنی کاندید برای فنوتیپ ترکیبی کیست‌های کلیه و کبد تولید شده توسط KidneyNetwork، فهرست قابل مدیریت ژن‌های کاندید را از فهرست طولانی ژن‌های حاوی انواع نادر در بیمار ما با این فنوتیپ اولویت‌بندی می‌کند.

ما همچنین 100،{1}} مجموعه داده پروژه ژنوم [14] را بررسی کردیم و با همکارانی تماس گرفتیم که سه بیمار دیگر با کیست‌های کلیه و/یا کبد حامل یک نوع هتروزیگوت بالقوه مضر در ALG6 را شناسایی کردند، بدون توضیح ژنتیکی جایگزین.

شکل 3 شبکه کلیه که در روش GADO در SAMPLE6، یک بیمار مبتلا به کیست های کلیوی و کبدی گنجانده شده است. 89 ژن کاندید از همه ژن ها توسط KidneyNetwork با استفاده از GADO بر اساس اصطلاحات HPO "کیست کلیه" (HP:0000107) و "کیست کبدی" (HP:0001407) اولویت بندی شدند. روش تفسیر داده‌های توالی‌یابی اگزوم CAPICE 322 ژن حاوی انواع بالقوه بیماری‌زا را در داده‌های توالی‌یابی اگزوم بیمار به‌دست آورد. هنگام همپوشانی این فهرست‌های ژنی، سه ژن مشخص شد که معیارهای انتخاب را برآورده می‌کنند، یکی ALG6.

در مجموع، ما هفت بیمار با واریانت های محل اتصال شناخته شده را شناسایی کردیم که در بیماران CDG شدیداً مبتلا به هموزیگوسیتی یا هتروزیگوسیتی مرکب عامل بیماری بودند و یک بیمار با واریانت محل اتصال احتمالی بیماری زا (جدول 1). برخلاف بیماران مبتلا به ALG{2}}CDG شدید (با درگیری چند عضوی از جمله تاخیر رشد و علائم عصبی متعدد)، بیماران ما با یک فنوتیپ از کیست‌های متعدد کلیه و/یا کیست‌های کبدی (شکل 4) مراجعه کردند. . در حالی که PCLD می تواند گسترده باشد، به نظر می رسد فنوتیپ کلیه خفیف است و علیرغم سن بالا، کاهش eGFR گزارش نشده است (یعنی یک بیمار در 30 سالگی است، بقیه بین 45 تا 80 سال سن دارند). علاوه بر این، ما دریافتیم که نوع ALG6 در تعداد کمی از اعضای خانواده که نیز تحت تأثیر قرار گرفته بودند، جدا شد (جدول 1؛ شکل 4).

خدمات پشتیبانی:

ایمیل:wallence.suen@wecistanche.com

Whatsapp/Tel: plus 86 15292862950

فروشگاه:

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