Mapping Alzheimer-Krankheit Varianten zu ihren Zielgenen mit Hilfe der Berechnung der Chromatin-Konfiguration
9. Januar 2020
Wir präsentieren ein Protokoll zur Identifizierung funktioneller Implikationen nicht-kodierender Varianten, die durch genomweite Assoziationsstudien (GWAS) anhand dreidimensionaler Chromatin-Wechselwirkungen identifiziert wurden.
Während Die GWAS erfolgreich genomische Regionen identifiziert hat, die mit menschlichen Merkmalen und Krankheiten in Verbindung stehen, sind die biologischen Auswirkungen dieser Risikovarianten unklar. Hier skizzieren wir ein Protokoll zur rechnerisch vorhersagen von vermeintlichen Zielgenen von GWAS-Risikovarianten unter Verwendung von Chromatin-Interaktionsprofilen. Oft ist die Identifizierung von Risikogenen ein erster Schritt, um Krankheitsmechanismen zu verstehen und normale therapeutische Ansätze zu ermöglichen.
Wir hoffen, dass die Ergebnisse dieser Arbeit schließlich zu endgültigen Strategien zur Diagnose und Behandlung der Alzheimer-Krankheit führen könnten. Der Hauptvorteil dieser Technik ist, dass wir durch die Verwendung von 3D-Chromoton-Kontaktfrequenzen die Gene identifizieren können, die von der Risikovarianz der Alzheimer-Krankheit betroffen sind, selbst wenn sie Tausende oder sogar Millionen von Basenpaaren entfernt sind. Beim Versuch dieses Protokolls ist die Vertrautheit mit R oder einem X-Paarsystem von entscheidender Bedeutung, da vom Benutzer erwartet wird, dass er das gesamte Protokoll mit dem System durchführt.
Um dieses Rechenprotokoll auszuführen, beziehen Sie sich auf den Code im Textmanuskript oder auf dem Bildschirm. Beginnen Sie, indem Sie in R einrichten, um ein G-Bereich-Objekt für glaubwürdige, einzelne Nukleatide-Polymorphismen oder SNPS zu generieren. Für die Positionszuordnung wird in R der Promotor und der exonic-Bereich geladen und ein G-Bereichsobjekt generiert.
Überlappen Sie die glaubwürdige SNPS mit den exonischen Regionen und mit den Förderregionen. Um SNPS mithilfe von Chromaton-Interaktionen mit ihren vermeintlichen Zielgenen zu verknüpfen, laden Sie das Hi C-Dataset und generieren Sie ein G-Bereichsobjekt. Überlappen Sie das glaubwürdige SNPS mit dem Hi C G-Bereichsobjekt.
Und kompilieren AD-Kandidatengene, definiert durch Positionskartierung und Chromoton-Interaktionsprofile. Als nächstes erkunden Sie Entwicklungspfade. Richten Sie in R ein, und verarbeiten Sie die Ausdrucksmetadaten.
Geben Sie Entwicklungsstadien an, und wählen Sie kortikale Regionen aus. Extrahieren Sie die Entwicklungsexpressionsprofile von AD-Risikogenen und vergleichen Sie pränatale und postnatale Expressionsniveaus. Untersuchen Sie Zelltyp-Expressionsprofile, indem Sie in R einrichten und zelluläre Expressionsprofile des AD-Risikos extrahieren.
Führen Sie schließlich eine Analyse der Genannotationsanreicherung von AD-Risikogenen durch. Herunterladen und Konfigurieren von Homer. Führen Sie dann Homer aus und zeichnen Sie die angereicherten Begriffe mit R Studio.
Ein Satz von 800 glaubwürdigen SNPs wurde mit diesem Verfahren untersucht. Die Positionskartierung ergab, dass sich 103 SNPs mit Promotern und 42 SNPs mit Exons überschnitten, während 84 % der SNPs unkommentiert blieben. Mithilfe von Hi-C-Datensätzen im erwachsenen Gehirn wurden weitere 208 SNPs mit 64 Genen verknüpft, die auf physischer Nähe basieren.
Insgesamt wurden 284 AD-glaubwürdige SNPs 112 AD-Risikogenen zugeordnet. AD-Risikogene wurden mit Amyloid-Vorläuferproteinen, Amyloid-Beta-Bildung und Immunantwort assoziiert, die die bekannte Biologie der Krankheit widerspiegelt. Entwicklungsexpressionsprofile von AD-Risikogenen zeigten eine deutliche postnatale Anreicherung, die auf das altersassoziierte erhöhte Risiko der Krankheit hindeutet.
Schließlich wurden die Gene in Mikroglia stark exprimiert die primären Immunzellen im Gehirn, die die wiederkehrenden Erkenntnisse unterstützt, dass AD eine starke Immunbasis hat. Hier verwenden wir Hi-C-Daten aus dem Hirngewebe, um eine biologische Auswirkung der Risikovarianz der Alzheimer-Krankheit zu analysieren. Um diese Methode jedoch auf eine andere GWAS-Studie anzuwenden, ist das Niveau der neuen Hi-C-Daten im relevanten Gewebe von entscheidender Bedeutung.
Diese Ergebnisse können weiter untersucht und validiert werden, indem crisper-based-Technologien, Enhancer-Reporter-Assays oder durch Überschneiden mit anderen funktionellen genomischen Datensätzen wie EQTLs, weiter untersucht und validiert werden. Hier identifizieren wir Dutzende von Risikogenen der Alzheimer-Krankheit und wir erwarten, dass die Identifizierung dieser Gene uns helfen kann, ihre bisher unbekannte Rolle bei der Alzheimer-Krankheit zu verstehen.
Übersicht
Diese Studie stellt ein Protokoll zur Identifizierung der funktionellen Auswirkungen von Nicht-Kodier-Varianten vor, die durch genomweite Assoziationsstudien (GWAS) mit der Alzheimer-Krankheit verknüpft sind. Mithilfe dreidimensionaler Chromatin-Interaktionen zielt das Protokoll darauf ab, Zielgene vorherzusagen, die von diesen Risikovarianten betroffen sind.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Neurowissenschaften
- Genomik
- Bioinformatik
Hintergrund
- GWAS haben genomische Regionen identifiziert, die mit menschlichen Merkmalen und Erkrankungen assoziiert sind.
- Die biologische Wirkung von Risikovarianten bleibt unklar.
- Das Verständnis von Risikogenen ist entscheidend, um Krankheitsmechanismen aufzuklären.
- Diese Forschung konzentriert sich auf die Alzheimer-Krankheit und ihre genetischen Risikofaktoren.
Zweck der Studie
- Entwicklung eines rechnergestützten Protokolls zur Vorhersage der Zielgene von GWAS-Risikovarianten.
- Verknüpfung von SNPs mit Genen mithilfe von Chromatin-Interaktionsprofilen.
- Untersuchung der expressionsmuster während der Entwicklung bei Alzheimer-Risikogenen.
Verwendete Methoden
- Einrichten von R zur Erzeugung von G-Bereichsobjekten für SNPs.
- Positionsabbildung von SNPs auf Promotor- und exonische Regionen.
- Verwendung von Hi-C-Datensätzen, um SNPs basierend auf räumlicher Nähe mit Zielgenen zu verknüpfen.
- Durchführung einer Genanreicherungsanalyse mittels Homer.
Hauptergebnisse
- 284 glaubwürdige SNPs wurden 112 AD-Risikogenen zugeordnet.
- Die identifizierten Gene waren mit Amyloid-Vorläuferproteinen und der Immunantwort assoziiert.
- Entwicklungsbedingte Expressionsprofile zeigten eine postnatale Anreicherung von AD-Risikogenen.
- Eine hohe Expression in Mikroglia stützt die immunologische Grundlage der Alzheimer-Krankheit.
Schlussfolgerungen
- Das Protokoll identifiziert effektiv Gene, die mit Risikovarianten der Alzheimer-Krankheit verknüpft sind.
- Die Ergebnisse können zukünftige therapeutische Strategien und Diagnoseverfahren maßgeblich beeinflussen.
- Weitere Validierungen können mithilfe von CRISPR-basierten Technologien erreicht werden.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Die Zuordnung nicht-kodierender GWAS-Varianten zu Zielgenen ermöglicht eine frühzeitige Absicherung von Alzheimer-Krankheits-Hypothesen, indem statistische Assoziationen mit biologischen Mechanismen verknüpft werden. Dieser rechnergestützte Ansatz unterstützt die Target-Validierung, indem Gene priorisiert werden, deren expressionsmuster während der Entwicklung und in bestimmten Zelltypen mit der Krankheitspathologie übereinstimmen. Er unterstützt Portfolio-Entscheidungen, indem mechanistisch plausible Zielstrukturen für die nachgeschaltete therapeutische Erforschung identifiziert werden.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Verknüpft nicht-kodierende Varianten mit möglichen Zielgenen unter Verwendung von Chromatin-Interaktionsdaten, wodurch Hypothesen zu Risikomechanismen der Alzheimer-Krankheit generiert werden können.
- Operationaler Wert: Nutzt Fein-Mapping und Überlappung mit Hi-C-Daten, um Gene für funktionelle Nachuntersuchungen zu priorisieren, und verringert so falsch-positive Ergebnisse bei der Zielgenauswahl.
- Wissenschaftlicher Wert: Identifiziert Gene, die an der Amyloidverarbeitung und an der Immunantwort beteiligt sind, und stimmt damit mit der etablierten Biologie der Alzheimer-Krankheit überein, was das Vertrauen in die Relevanz der Zielgene erhöht.
Screening und Assay-Entwicklung
- Wissenschaftlicher Wert: Erzeugt einen kuratierten Gensatz (112 AD-Risikogene) zur Verwendung bei der Entwicklung phänotypischer oder Biomarker-basierter Assays, die für AD-spezifische Signalwege relevant sind.
- Operationaler Wert: Stellt reproduzierbare genomische Koordinaten und Genlisten bereit, die zwischen verschiedenen Teams standardisiert werden können, um die Identifizierung von Zielstrukturen zu ermöglichen.
- Wissenschaftlicher Wert: Ermöglicht die Vorbereitung von Screening-Verfahren durch die Definition genetisch fundierter Zielgene mit postnatalen und mikroglialen Expressionsprofilen.
Translationale und präklinische Forschung
- Wissenschaftlicher Wert: Verbindet genetische Risiken mit Entwicklungs-Expressionsmustern und zeigt eine postnatale Anreicherung, die dem altersabhängigen Auftreten der Alzheimer-Krankheit entspricht.
- Operationaler Wert: Unterstützt die translationale Kontinuität, indem GWAS-Treffer mit in Mikroglia exprimierten Genen verknüpft werden, einer zentralen Zellart bei neuroinflammatorischen Prozessen.
- Wissenschaftlicher Wert: Erleichtert die mechanistische Risikominderung, indem immunbezogene Gene hervorgehoben werden, was Biomarker-Strategien und die Zielstruktur-Auswahl für präklinische Modelle informiert.
Pipeline- und Workflow-Integration
Die Methode fügt sich in die Entdeckungskette von der genetischen Assoziation bis zur Zielidentifizierung ein und ermöglicht den Fortschritt von GWAS-Treffern hin zu biologisch begründeten Kandidaten für die Lead-Identifizierung.
- Entdeckungsbiologie: Unterstützt die Hypothesenprüfung, indem nicht-kodierende SNPs über 3D-Chromatin-Kontakte genetischen Genen zugeordnet werden, wodurch regulatorische Mechanismen geklärt werden.
- Screening: Stellt einen standardisierten Gensatz mit Expressionsvalidierung bereit, der die reproduzierbare Assay-Entwicklung für die Wirkstoffscreening ermöglicht.
- Analysen: Erzeugt quantitative Ergebnisse (SNP-Gen-Verbindungen, Anreicherungsbegriffe), die einen Vergleich über verschiedene Bedingungen hinweg sowie die Priorisierung von Zielgenen erlauben.
- Translationale Forschung: Verbindet genetische Befunde mit der Expression in Mikroglia und der Entwicklungsdynamik, wodurch die Abstimmung von Biomarkern und die präklinische Validität unterstützt werden.
- Unternehmensweite Wiederverwendung: Das Protokoll ist an beliebige GWAS- und Hi-C-Datensätze anpassbar und stellt somit eine skalierbare Plattform für die Entdeckung von Zielgenen bei verschiedenen Erkrankungen dar.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit, indem statistische Genetik mit 3D-Genomik- und Expressionsdaten verknüpft wird, wodurch mechanistische Uneindeutigkeiten reduziert werden.
- Operationaler Wert: Standardisiert die Zuordnung von Varianten zu Genen mithilfe von R-basierten Workflows und öffentlichen Datensätzen und verbessert so die Reproduzierbarkeit zwischen verschiedenen Standorten.
- Strategischer Wert: Verbessert Entscheidungen über Fortführung oder Abbruch, indem Ziele mit konvergierenden Belegen aus Genetik, Chromatin und Expression priorisiert werden.
- Portfolio-Wirkung: Ermöglicht eine risikoadjustierte Weiterentwicklung, indem Gene hervorgehoben werden, die in AD-Wegen biologisch plausibel sind.
Durchführungsüberlegungen
- Erfordert Fachkenntnisse in R, der Manipulation genomischer Bereiche und der Interpretation von Chromatin-Interaktionsdaten.
- Setzt den Zugang zu hochauflösenden Hi-C-Daten aus krankheitsrelevanten Geweben voraus (z. B. erwachsenes menschliches Gehirn).
- Benötigt eine Standardisierung der SNP-Filterung sowie der Definitionen von Promotoren und Exonen über verschiedene Arbeitsgruppen hinweg, um konsistente Ergebnisse zu erzielen.
- Muss bei der Anwendung auf andere Krankheiten oder Modelle die Gewebe- und Entwicklungsabhängigkeit berücksichtigen.
- Ist durch die Auflösung und Verfügbarkeit von Chromatindatensätzen begrenzt; eine Validierung mit unabhängigen Methoden (z. B. CRISPR, eQTLs) wird empfohlen.
Biopharma-Häufig gestellte Fragen
Chapters in this video
0:05
Title
1:00
Generation of a Granges Object for Credible SNPs and Positional Mapping
1:53
Developmental Expression Trajectories
2:18
Cell-type Expression Profiles and Gene Annotation Enrichment Analysis
2:46
Results: Determination and Characterization of Putative Target Genes of AD GWS Loci
3:52
Conclusion
