KidneyNetwork: Böbrek Hastalığına Dahil Olan Yeni Genleri Öngörmek ve Önceliklendirmek için Böbrekten Türetilen Gen İfade Verilerini Kullanma Ⅰ

Kalıtsal olduğundan şüphelenilen hastalarda genetik testlerböbrek hastalığıPotansiyel olarak patojenik varyantlar, hastalığa dahil olduğu henüz bilinmeyen genlerde bulunabileceğinden, bozukluğun genetik nedenini ortaya çıkarmayabilir.böbrek hastalığı. Özellikle böbrek hastalıkları için aday gen önceliklendirmesini bilgilendirmek için dokuya özgü ifadeyi kullanan Böbrek Ağı'nı geliştirdik. KidneyNetwork, 878 örnekten oluşan böbrek RNA-dizileme ortak ifade ağını 31.499 örnekten oluşan çoklu doku ağıyla entegre ederek oluşturulan yeni bir yöntemdir. Hangi genlerin hangi (hastalık) fenotiplerle ilişkili olabileceğini tarafsız bir şekilde tahmin etmek için ifade modellerini ve yerleşik gen-fenotip ilişkilerini kullanır. Aday genlere öncelik vermek için genetik tanı koymayan 13 böbrek hastalığı hastasından alınan ekzom dizileme verilerindeki nadir değişkenlere KidneyNetwork uyguladık. KidneyNetwork, hastalıkla ilişkili genler için böbreğe özgü gen fonksiyonlarını ve (böbrek hastalığı) fenotiplerini doğru bir şekilde tahmin edebilir. Böbrek ve karaciğer kistleri olan bir hastada nadir varyantlar taşıyan genlerle öncelikli genlerin kesişmesi, ALG6'yı makul bir aday gen olarak tanımladı. Alternatif genetik açıklamalar olmadan birkaç kistik böbrek ve karaciğer hastalığı vakasında ALG6 varyantlarını tanımlayarak bu olasılığı güçlendiriyoruz. Böbrek hastalığı fenotipleri için optimize edilmiş gen fenotip tahminlerine sahip, halka açık bir böbreğe özgü ortak ifade ağı olan KidneyNetwork'ü sunuyoruz.

Klinisyenlerin ve araştırmacıların gen ekspresyonu ve eş-düzenleme verilerini kullanmasına olanak tanıyan kullanımı kolay bir çevrimiçi arayüz tasarladık veKalıtsal böbrek hastalığı teşhis ve araştırmasındaki ilerlemeleri hızlandırmak için gen-fenotip bağlantıları.

ÇEVİRİ BEYANI:Kalıtsal olduğundan şüphelenilen hastalarda genetik testlerböbrek hastalığıhastanın bozukluğunun genetik nedenini ortaya çıkarmayabilir. Potansiyel olarak patojenik varyantlar, böbrek hastalığına dahil olduğu henüz bilinmeyen genlerde bulunabilir ve bu, bu varyantların alaka düzeyinin yorumlanmasını zorlaştırır. Bu, genetik varyasyonun fenotipik sonuçlarını tarafsız bir şekilde tahmin etmek için yöntemlere açık bir ihtiyaç olduğunu ortaya koymaktadır. Burada, böbreğe özgü gen fonksiyonlarını tahmin etmek için dokuya özgü ifadeyi kullanan bir araç olan KidneyNetwork'ü açıklıyoruz. KidneyNetwork'ü teşhis edilmemiş bir grup vakaya uygulamak, ALG6'yı kistik böbrekte bir aday gen olarak tanımladı vekaraciğer hastalığı. Özetle, KidneyNetwork genetik varyantların yorumlanmasına yardımcı olabilir ve bu nedenle translasyonel nefrogenezde değerli olabilir ve böbrek hastalığı olan hastalarda teşhis verimini artırmaya yardımcı olabilir.

BÖBREK İÇİN CİSTANCHE ALMAK İÇİN TIKLAYINIZHASTALIK

GİRİİŞ

Kalıtsal böbrek hastalığından şüphelenilen hastalarda yapılan genetik testler, böbrek hastalığına neden olan patojenik varyantları ortaya çıkarabilir.böbrekle ilgili genler. Ancak birçok vakada henüz genetik bir neden tespit edilememektedir. Böbrekle ilgili bilinen genlerdeki patojenik varyantlar, herhangi bir nedenle kronik böbrek hastalığı olan genetik olarak test edilmiş hastaların yaklaşık yüzde 10-30'unda saptanır [1-3]. Bununla birlikte, bu yüzdeler, böbrek hastalığına henüz dahil olmayan genlerdeki varyantlar fark edilmeyeceğinden, muhtemelen tek genli bir nedeni olan hasta sayısının eksik tahminleridir. Potansiyel olarak zararlı varyantlar bu genlerde bulunabilir, bu da bu varyantların alaka düzeyinin önceliklendirilmesini ve yorumlanmasını zorlaştırır. Bu nedenle, genomik tıbbın mevcut çağında, bilinen genlerde negatif bir teşhis sonucunun ardından ana zorluklardan biri, hastanın hastalığını açıklayabilen potansiyel olarak patojenik varyantlara sahip yeni aday genleri tespit etmek ve önceliklendirmektir [4].

RNA sıralama verileri adayı tahmin etmek için kullanılabilirhastalık genleri[5]. Yakın zamanda, RNA dizileme verilerine dayalı olarak yeni aday hastalık genlerine öncelik vermek için GeneNetwork ve GeneNetwork-Assisted Diagnostic Optimization (GADO) yöntemini geliştirdik [6]. Bu yöntemin arkasındaki fikir, bazı nadir hastalıklara birkaç gendeki varyantların neden olabileceğidir. Bu genler farklı olmakla birlikte, genellikle benzer biyolojik işlevlere sahiptirler. Çok sayıda örnekten alınan gen ifade verilerini incelerken, bu hastalık genleri genellikle güçlü birlikte ifade gösterir [6]. Bu nedenle, bilinen nadir hastalık genleriyle güçlü bir şekilde birlikte ifade edilen başka genler varsa, bu diğer genlerdeki varyantların da aynı hastalığa neden olması mümkündür.

Bu tür bir aracın en iyi şekilde çalışması için, birlikte ifade bilgisinin olabildiğince doğru olması gerekir. GADO için, birçok farklı dokudan elde edilen halka açık RNA dizileme veri kümelerine dayalı bir gen ortak ifade ağı oluşturduk ve bu ağı, hangi genlerin nadir hastalıklara neden olabileceğini tahmin etmek için kullandık. Bu tahminler, insan fenotipi ontolojisi (HPO) veri tabanı [7] kullanılarak eğitildi. HPO veritabanında, genler, OMIM [8] ve Orphanet [9] veritabanlarında bulunan gen-hastalık ek açıklamalarına ve hastalık semptomlarına dayalı olarak - HPO terimleri olarak adlandırılan - fenotiplere atanır. HPO veri tabanından gelen bilgileri gen ortak ifade ağıyla entegre ederek, HPO terimi başına her bir gen için tahmin puanlarını hesaplayabiliriz. Birlikte, bu puanlar GeneNetwork'ü oluşturur. GADO daha sonra hastanın fenotipini tanımlayan HPO terimlerinin bir giriş listesini o hastadan olası zararlı varyantları olan genlerin bir listesiyle birleştirerek genlere öncelik verir. Gen listesinin önceliklendirilmesi, girdi HPO terimleri [6] için birleştirilmiş gen tahmin puanlarına dayanmaktadır.

GeneNetwork'ün böbrekle ilgili HPO fenotipleri için tahmin performansının sınırlı olduğunu gözlemlediğimiz için böbreğe özgü bir ağ geliştirerek tahmini iyileştirmeye çalıştık. Bunu, diğer dokulardan alınan 31.499 örnekten oluşan mevcut bir veri seti ile zenginleştirdiğimiz 878 böbrek RNA dizileme örneğini kullanarak yaptık [6]. Her iki veri setinde bulunan bilgileri tartabilen yeni bir tahmin algoritması geliştirerek, böbrekle ilgili yollar için performansı iyileştirdik. Bu yazıda, böbrekle ilgili HPO terimleri için bilinmeyen genlerin gen-fenotip ilişkilerini doğru bir şekilde tahmin etmek için kullanılabilen bir ortak ifade ağı olan ortaya çıkan KidneyNetwork'ü sunuyoruz. İlkenin kanıtı olarak, daha önce çözülmemiş böbrek hastalıkları olan bir grup hastadan sıralama verilerini çıkarmak için KidneyNetwork'ü uyguladık.

YÖNTEMLER

Böbrekle ilgili fenotiplerin tahminini geliştirmek için, böbrekten türetilen RNA dizileme verilerini topladık, GeneNetwork'ü daha yeni referans veritabanları ve gelişmiş istatistiksel analizlerle güncelledik, ardından dokuya özgü bilgilerin entegrasyonunu sağladık.

KidneyNetwork'teki veri kümeleri

Birincil, tümör ve fetal doku dahil olmak üzere çeşitli kökenlerden seçilmiş böbrek örneklerinden alınan RNA dizilimi verileri, daha önce açıklanan GeneNetwork [6] (Tablo S1, S2) için temel olarak kullanılan mevcut bir çok dokulu RNA dizilimi veri seti ile birleştirildi. . Çoklu doku veri setini iki nedenden dolayı dahil etmeyi seçtik. Öncelikle, temel bir ağ oluşturmak için yeterli sayıda örneğe ihtiyacımız vardı. İkinci olarak, birkaç veya tüm böbrek hücre tiplerine özgü olan ancak diğer dokulara özgü olmayan ifadeyi korumak istedik. Bunu yaptık çünkü gen fenotip puanları örnekler arasındaki ifade farklılıklarına bağlıdır; analize dahil edilen tüm örneklerde tüm genlerin yüksek (veya düşük) ifadesi varsa, tahmin algoritmasına yeterli bilgi eklemezler. GeneNetwork'ü geliştirmek için kullanılan insan RNA dizileme örneklerinin çoklu doku veri seti, daha önce açıklandığı gibi yeniden kullanıldı ve işlendi [6]. Ön işlemeden sonra, bu veri seti 31.499 örnek ve 56.435 gen içeriyordu.

Avrupa Nükleotid Arşivi'nden (ENA) ve Genotip-Doku İfadesi (GTEx) Projesi'nden (Not S1) 3.194 böbrekten türetilmiş RNA dizili numune indirilmiştir. Böbrek veri setinin ön işlemesi, çoklu doku veri setine [6] benzer şekilde yapıldı (Not S2, Not S3). Numune ve gen seçiminden sonra 58.283 gen ve 878 böbrek numunesi kaldı. Kalan 878 RNA dizileme örneğini UMAP kümeleme algoritmasını kullanarak araştırdık (Not S4).

HPO filtreleme. KidneyNetwork'ün inşası için, HPO veri tabanından [7] sürüm 1268'den gen-fenotip ilişkilendirmelerini kullandık. HPO veri tabanında, genlerin HPO tanımlı fenotiplere ek açıklaması, OMIM'deki [8] morbid gen-hastalık açıklamalarına dayanır. map (26 Mart 2018'de indirildi) ve Orphanet [9] "en_product6.xml" dosya sürümü 1.3.1. Bu veritabanlarındaki gen hastalığı ek açıklamaları, istatistiksel ilişkilendirmeler ve büyük ölçekli kopya sayısı varyasyonları dahil olmak üzere çeşitli faktörlere dayanabilir. KidneyNetwork'ü yalnızca gen ve nadir hastalık arasındaki bağlantının iyi kurulduğu genleri kullanarak eğitmek istedik. Bu nedenle, kopya sayısı varyantlarındaki genlerden hangisinin hangi fenotiplere katkıda bulunduğu genellikle net olmadığı için multigenik sendromları hariç tuttuk. Ayrıca sadece duyarlılık genlerini de hariç tuttuk (Not S5).

İfade normalleştirmesi. Numune ve gen kalite kontrolünden (QC) sonra, kalan numunelerin ve genlerin ekspresyon matrisi log2- transforme edildi ve oranlar medyanı yöntemi izlenerek DESeq kullanılarak gen sayıları normalleştirildi. Daha sonra ortak değişkenler için gen ifade verilerini düzelttik (Not S6).

ayrışma

Tüm veri setinin filtrelenmesinden ve KK'sinden sonra, bir sonraki adım, veri setinin özvektörlerini hesaplamak için bir ayrıştırma yapmaktı (Not S7). Hem GeneNetwork hem de böbrek kaynaklı verilere dayanan gen düzenleyici ağ için, optimum bileşen sayısını tanımladık (Not S8). GeneNetwork için ilk 165 özvektör ve böbrekten türetilen veriler için ilk 170 özvektör tanımlandı ve 335 özvektörün tümünü içeren daha büyük bir matriste birleştirildi.

Gen‒HPO terim puanı hesaplaması Gen fenotip puanı hesaplaması birkaç adımda yapıldı (Şekil S5). İlk olarak, birleşik özvektörleri ve gen-fenotip açıklama dosyasını girdi olarak kullanarak bir lojistik regresyon gerçekleştirdik. Her özvektördeki her gen için bir gen log-olasılık puanı hesaplamak için elde edilen değerleri ve özvektör puanlarını kullandık (Not S9).

Halihazırda açıklamalı genlerin gen log-olasılık-skorlarının fazla takılmasını önlemek için, bir tanesini dışarıda bırak çapraz doğrulama yaklaşımı uyguladık (Not S10). Log olasılıkları daha sonra her bir fenotip için izin verilen bir boş dağılım kullanılarak gen z-skorlarına çevrildi (Not S11).

Tahmin doğruluğunu belirlemek için ROC eğrisinin altındaki alanı (AUC) hesapladık. AUC, tahmin edilen gen z-skorları ve bilinen ek açıklamalar kullanılarak HPO terimi başına hesaplandı. Tahminlerin önemi, iki taraflı Mann-Whitney sıra testi kullanılarak hesaplandı. Bonferroni düzeltmesinden sonra, p < 0.05'te bir tahmin önemli kabul edildi.

Tahmin performansının karşılaştırılması

Dört farklı ağın tahmin performansını karşılaştırdık: (1) orijinal GeneNetwork, (2) güncellenmiş GeneNetwork, (3) yalnızca böbrekten türetilen örneklere dayanan böbreğe özgü gen düzenleyici ağ ve son olarak (4) bir araya getiren KidneyNetwork son ikisi. Bu ağlar tarafından yapılan HPO tahminlerinin kalitesi, böbrekle ilgili her fenotip için AUC'ye dayalı olarak değerlendirildi (Tablo S3). Bir ağın iyileştirilmiş kalitesi, iki ağın her karşılaştırmasında önemli ölçüde tahmin edilen böbrekle ilgili terimler için gelişmiş tahmin doğruluğu ve artan sayıda önemli ölçüde tahmin edilen böbrekle ilgili terimler olarak tanımlandı. Bir ağın diğerine göre tahmin doğruluğundaki iyileşmenin önemi, pROC R paketine [11] entegre edilmiş DeLong testi [10] kullanılarak değerlendirildi.

KidneyNetwork'ün kalıtsal böbrek hastalığı olduğundan şüphelenilen 13 hastaya uygulanması KidneyNetwork'ün uygulamalarından biri, çözülmemiş böbrek hastalığı olan hastalarda aday genlere öncelik vermektir. Bu klinik uygulamayı değerlendirmek için, GADO yöntemini [6] kullanarak çeşitli böbrek hastalıkları olan hastalar için aday genleri önceliklendirmek üzere KidneyNetwork'ü kullandık. GADO, belirli bir HPO terimleri kümesi için KidneyNetwork aracılığıyla oluşturulan gen tahmini z-skorlarını birleştirir. Her hastayla ilişkili benzersiz HPO terimleri kümesi için birleşik z-skoru 5'e eşit veya daha büyük olan genler, o hasta için potansiyel aday genler olarak kabul edildi.

Şekil 1 böbrekten türetilen ekspresyon verilerinin UMAP görselleştirmesi. 878 numune üç ana kümede gruplandırılmıştır: sağlıklı primer doku (orta ve alt), gelişim numuneleri (solda) ve renal hücreli karsinom (RCC) numuneleri (sağda). Şeklin sol tarafında, pluripotent kök hücre (PSC) türevli podositler ve PSC türevli organoidlerin birincil fetal numuneler ve nefron progenitör hücreleri ile kümelenmesi görülebilir. Sağ tarafta, proksimal tübül örneklerine yakın RCC örnekleri kümesi ve sağlıklı birincil doku örneklerine en yakın RCC kümesi, şeffaf olmayan hücreli RCC (nccRCC) örneklerinden oluşur. Ortada ve altta, sağlıklı birincil böbrek örnekleri, menşe dokularına göre kümelenir.

Çalışmaya dahil edilen 13 hastanın hepsinin monogenik böbrek hastalığına sahip olduğundan şüpheleniliyordu ancak genetik tanıları yoktu (Not S12). HPO terimleri, fenotiplerine göre bu vakalara atanmıştır. Her hasta için, tam ekzom sıralama verileri, potansiyel olarak patojenik varyantları belirlemek için CAPICE [12] kullanılarak analiz edildi. Bir gnomAD Popmax filtreleme AF'si olan varyantları içeren genler [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

GADO'daki KidneyNetwork entegrasyonu tarafından tanımlanan genlerin CAPICE tarafından tanımlananlarla örtüşmesi, her hasta için bir gen listesiyle sonuçlandı. Bu genler ve bu genlerdeki varyantlar, bir nefrogenez uzman paneli (AMvE, LRC, NVAMK) tarafından, popülasyon ölçümleri, tahmin araçları, mevcut literatür ve ayrışmaya dayalı olarak patogenetik potansiyelleri açısından manuel olarak incelendi (Not S13). Ortaya çıkan aday gen için, ortak çalışanlar ve 100,000 Genom Projesi [14] aracılığıyla aynı gende varyantlar taşıyan ek hastalar belirlendi. Ayrıca, GeneMatcher aracı [15] kullanılmış ve 15 Şubat 2023'e kadar başka hasta verilmemiştir.

Ek hastaların belirlenmesi Nadir varyantları değerlendirmek için daha önce açıklanan çözülmemiş polikistik böbrek ve karaciğer hastalığı kohortu [16] kullanıldı (Not S14). Belirlenen değişken(ler)in sıklığını gnomAD veri tabanındaki Finlandiyalı olmayan Avrupalıların Avrupa alt kümesiyle karşılaştırmak için Fisher'in kesinlik testini kullandık [17]. Ayrıca, tanımlanan varyant(lar)a dayalı ek hastaların tanımlanması için 100,000 Genom Projesini [14] kullandık (Not S15).

SONUÇLAR

Veri alma ve numune kümeleme UMAP algoritması (Şekil 1) kullanılarak kümelendirdiğimiz ve çizdiğimiz 878 böbrek örneğini seçtik (Şekil S2). Genel olarak, veriler üç ana küme halinde kümelenir: birincil tümör olmayan böbrek verileri, böbrek gelişim örnekleri ve proksimal tübül, glomerulus ve renal hücreli karsinom (RCC) örnekleri.

KidneyNetwork, gen-fenotip tahminlerini geliştiriyor İlk olarak, GeneNetwork'ü güncellenmiş HPO veritabanıyla güncelledik (Şekil S6) ve gen ağı oluşturma boru hattını optimize ettik (Şekil S7). Bu değişiklikler, önceki sürüme kıyasla genel GeneNetwork'te bir gelişme sağladı (Şekil S8). Daha sonra, böbreğe özgü gen düzenleme ağını oluşturmak için geliştirilmiş boru hattını kullandık. Beklendiği gibi, küçük örneklem boyutu göz önüne alındığında, böbreğe özgü ağın bu versiyonu GeneNetwork'ten daha az performans gösterdi (Şekil S9). Daha sonra, GeneNetwork ve böbreğe özgü gen ortak ifade ağını KidneyNetwork'te birleştirmek, böbrekle ilgili HPO terimleri için en iyi sonuçlarımızı verdi (Şekil 2A; Tablo S5). Tahmin edilen her yol için tahmin AUC, kesinlik, hassasiyet ve f1-skorları sağlanır (Tablo S6)

İyileştirilmiş böbrekle ilişkili HPO terimlerinin iki örneği, hipomagnezemi ve tubulointerstisyel anormalliktir (Şekil 2B). Bu fenotiplerin yoğunluk grafiklerinde görselleştirilmesi, açıklamalı olmayan genlere kıyasla bilinen hastalıkla ilgili genler için daha yüksek önceliklendirme z-skorları gösterir. Bilinmeyen genler için tahmin z-skoru ne kadar yüksekse, aday hastalık geni olma olasılıkları o kadar yüksektir. Tahmin puanlarına dayalı olarak bilinen hastalık genlerinin gen etkileşim ağlarının görselleştirilmesi, yine GeneNetwork'e kıyasla KidneyNetwork kullanılarak elde edilen etkileşimlerin sayısındaki ve gücündeki artışı gösterir.

Şekil 2 KidneyNetwork böbrekle ilgili HPO terimleri için güncellenmiş GeneNetwork'ten daha iyi performans gösterir. Böbrekle ilgili fenotiplerin yüzde 27'si, GeneNetwork'e kıyasla KidneyNetwork kullanılarak önemli ölçüde daha iyi tahmin ediliyor. B En iyileştirilmiş fenotiplerden ikisi olan hipomagnezemi ve tubulointerstisyel anormallik içindeki gen tahmin puanlarının yoğunluk grafikleri, fenotip için açıklama eklenmiş genler için daha yüksek tahmin değerleri gösterir ve ayrıca potansiyel bilinmeyen aday genleri tahmin eder. KidneyNetwork kullanılarak tahmin edilen ağlar, açıklamalı genler arasında GeneNetwork kullanılarak tahmin edilen ağlardan daha fazla ve daha güçlü korelasyonlar gösteriyor.

Ayrıca, GeneNetwork'e (n=63) kıyasla KidneyNetwork (n=71) için böbrekle ilgili önemli tahmin edilen HPO terimlerinin sayısında bir artış gördük. Bu, KidneyNetwork'ün genel olarak böbrekle ilgili terimleri daha yüksek doğrulukla tahmin ettiğini ve bu nedenle böbrekle ilgili daha fazla fenotipi daha yüksek anlamlılıkla tahmin edebildiğini varsaymamıza yol açtı. Eşleştirilmiş bir t-testi, genel olarak HPO EAA puanının, KidneyNetwork için GeneNetwork'e göre önemli ölçüde daha iyi olduğunu gösterir (ortalama EAA: 0,76'ya karşı 0,74; t-testi p-değeri: 4,5 × 10 -8 ). Bu sonuç, KidneyNetwork'ün GeneNetwork'ten daha yüksek tahmin doğruluğu ile böbreğe özgü HPO terimlerini daha fazla tahmin ettiğini göstermektedir.

KidneyNetwork, böbrek kistleri ve karaciğer kistleri olan hastalarda aday hastalık geni olarak ALG6'ya öncelik veriyor KidneyNetwork'ün klinik faydasını incelemek için, kalıtsal böbrek hastalığı olduğundan şüphelenilen ancak genetik tanısı olmayan 13 hastanın genlerine öncelik verdik ve bunları potansiyel olarak patojenik varyantlar içeren genlerle kesiştirdik. Ortaya çıkan gen listeleri, 13 hastanın 9'u için 1-4 aday gen içeriyordu (Tablo S7). Bir hastada (SAMPLE6), bu listenin manuel olarak düzenlenmesi, ALG6'yı (ALG6 alfa-1,3-glukosiltransferaz) hastanın böbrek ve karaciğer kistlerini açıklamak için potansiyel bir aday gen olarak tanımladı (Şekil 3). Atfedilen HPO terimleri için ALG6 için birleşik z-skoru, çoklu test düzeltmesinden sonra KidneyNetwork'te önemliydi (z=5.43). GeneNetwork'ü kullansaydık bu gen gözden kaçabilirdi: orada ALG6, 5'e eşit veya daha büyük z-skorunun anlamlılık eşiğine ulaşmadı.

Böbrek ve karaciğer kistleri olan hastalar için aday gen olarak ALG6 SAMPLE6 tarafından taşınan ALG6 varyantı c.680 artı 2 T > G heterozigottur. Bu, her iki allelde de patojenik varyantlar mevcut olduğunda konjenital glikosilasyon (CDG) tip Ic bozukluğu ile sonuçlanan, bilinen bir patojenik ek yeri varyantıdır [18, 19]. ALG6, böbrek ve karaciğer kisti fenotiplerinde yer alan ALG8'e güçlü bir şekilde benzer [20] ve KidneyNetwork'e göre, ALG6 ve ALG8 yüksek oranda birlikte düzenlenir (z-skoru=8.59).

Bu biyolojik akla yatkınlık göz önüne alındığında, ALG6'da MAF < 0.001 olan nadir değişkenler için 120 ilişkisiz polikistik böbrek ve karaciğer hastalığı vakasından oluşan bir kohortu sorguladık. Bu kohort, daha önce tanımlandığı ve PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 veya DNAJB11 [16]. İlişkisiz üç vaka (YU372, YU378, YU481) nadir ALG6 varyantları taşıyordu; her biri aynı ALG6 c.257 artı 5 G'ye sahipti > ALG6-CDG için patojenik olduğu bilinen kanonik olmayan bir ek varyantı ve in vitro ek yerini değiştiren [19, 21]. Ortak bir mutasyona rağmen, bu üç vakanın her biri, Amerika Birleşik Devletleri'ndeki farklı eyaletlerden etkilenen bilinen aile üyelerinin kayıtlı olmadığını ve İlişkililik_PHI < 0,005 olan VCFtools ile ilgililik2 algoritmasının kullanıldığı en iyi tespit sınırıyla ilgili olmadığını bildiriyor.

Bu fenotipik olarak tanımlanmış kohorttaki üç Avrupa soyunda bu varyantın temsili göz önüne alındığında, Avrupa vaka alt kümesindeki (n=105) sıklığını gnomAD'deki [17] Finlandiyalı olmayan Avrupalılarla karşılaştırdık. bu pozisyon (n=64,466) [17]. Hasta kohortunda 210 alelden 3'ü bu varyantı içerirken böbrek veya karaciğer kisti yükü açısından seçilmemiş bir kohort olan gnomAD'de 128.932 alelin 121'inde bulundu. Bu yaklaşık 10- kat zenginleştirme, Fisher'in kesin testi p=0.0011 ile istatistiksel olarak anlamlıdır. Bu mutasyon ALG6-CDG [19] vakalarında da tekrarlıyordu.

Ayrıca 100,000 Genom Projesi veri setini [14] araştırdık ve böbrek hastalıklarına uygulanmak üzere üç ek veri belirleyen ortak çalışanlarla temasa geçtik. Genetik böbrek hastalığından şüphelenilen hastaların önemli bir kısmı, birçok durum için hastalık genlerinin listeleri eksik olduğundan, genetik bir tanı olmaksızın kalmaktadır. Böbrek hastalığına hangi genlerin dahil olduğunu belirlemek, böbrek hastalığı olan hastalarda teşhis verimini artırmak ve tedavi yollarına yaklaşmak için hastalık patogenezini incelemek için gereklidir. Yeni hastalık genlerinin oluşturulması, dikkatli biyolojik doğrulama gerektirir. Bu tür araştırmalara değer genleri dahil etmek çok önemlidir. KidneyNetwork'ün nefrologlar, klinik genetikçiler veya araştırmacılar tarafından WES veya GWAS verileriyle birlikte uygulanması, bu grupların her birinin gen uygulamasına katılmasına yardımcı olacaktır. KidneyNetwork, böbrek örneği veri kümesine dayalı bir ortak ifade ağını, GeneNet çalışmasını oluşturmak için kullanılan önceden yayınlanmış çok dokulu veri kümesiyle birleştirir. Veri kümelerini KidneyNetwork'te birleştirmek, iki veri kümesini ayrı ayrı temel alan ağlarla karşılaştırıldığında, böbrek hastalığıyla ilgili fenotip tahminlerini iyileştirdi. Prensip kanıtı olarak, böbrek ve karaciğer kistlerinin birleşik fenotipi için KidneyNetwork tarafından oluşturulan aday gen listesinin, bu fenotipe sahip hastamızda nadir varyantlar içeren uzun bir gen listesinden yönetilebilir bir aday gen listesine öncelik verdiğini gösteriyoruz.

Ayrıca 100,000 Genom Projesi veri setini [14] araştırdık ve alternatif bir genetik açıklama olmaksızın, ALG6'da potansiyel olarak zararlı bir heterozigot varyant taşıyan böbrek ve/veya karaciğer kistleri olan üç ek hasta belirleyen ortak çalışanlarla temasa geçtik.

Şekil 3 Renal ve hepatik kistleri olan bir hasta olan SAMPLE6'da GADO yöntemine dahil edilen KidneyNetwork. Tüm genlerden 89 aday gen, "Böbrek kistleri" (HP:0000107) ve "Hepatik kistler" (HP:0001407) HPO terimlerine dayalı olarak GADO kullanılarak KidneyNetwork tarafından önceliklendirildi. Ekzom dizileme veri yorumlama yöntemi CAPICE, hastanın ekzom dizileme verilerinde potansiyel olarak patojenik varyantlar içeren 322 gen verdi. Bu gen listeleri örtüştüğünde, biri ALG6 olmak üzere seçim kriterlerini karşılayan üç gen tanımlandı.

Toplamda, homozigotluk veya bileşik heterozigotluk üzerine ciddi şekilde etkilenmiş CDG hastalarında hastalığa neden olduğu bildirilen, bilinen ek yeri varyantlarına sahip yedi hasta ve muhtemel bir patojenik ek yeri varyantına sahip bir hasta belirledik (Tablo 1). Ciddi şekilde etkilenmiş ALG6-CDG hastalarının aksine (gelişimsel gecikme ve çoklu nörolojik semptomlar dahil çoklu organ tutulumu ile başvuran), bizim hastalarımız çoklu böbrek kistleri ve/veya karaciğer kistleri fenotipi ile başvurdu (Şekil 4) . PCLD yaygın olabilse de, böbrek fenotipi hafif gibi görünmektedir ve ileri yaşa rağmen eGFR düşüşü bildirilmemiştir (yani bir hasta otuzlu yaşlarında, diğerleri 45 ila 80 yaş arasındadır). Ayrıca, ALG6 varyantının, etkilenen birkaç aile üyesinde de ayrıldığını bulduk (Tablo 1; Şekil 4).

Destekleyici Hizmet:

E-posta:wallence.suen@wecistanche.com

Whatsapp/Tel: artı 86 15292862950

Mağaza:

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