El Estudio de Asociación Integrativa a Nivel del Transcriptoma y la Aleatorización Mendeliana identifican LYNX1 y MS4A14 como objetivos terapéuticos para la osteomielitis

Summary

Este estudio integra análisis de asociación a nivel transcriptoma y aleatorización mendeliana para identificar sistemáticamente objetivos farmacológicos para la osteomielitis. Aprovechando bases de datos genéticas, los autores identificaron LYNX1 y MS4A14 como genes candidatos clave, destacando vías moleculares críticas e informando estrategias terapéuticas precisas para el manejo de infecciones óseas.

Abstract

La osteomielitis es una enfermedad infecciosa grave caracterizada por una inflamación profunda del hueso y la médula ósea, y está causada principalmente por patógenos bacterianos como Staphylococcus aureus (S. aureus). Sin embargo, los regímenes de tratamiento actuales se ven significativamente obstaculizados por la aparición de resistencia a los antibióticos e infecciones recurrentes, impulsadas por la formación robusta de biofilm y la persistencia intracelular bacteriana. Por ello, es urgente identificar nuevos objetivos terapéuticos más allá de los antimicrobianos convencionales. Se aplicó un enfoque computacional integrativo que combina un estudio de asociación a nivel transcriptoma (TWAS) con un análisis de aleatorización mendeliana basada en resumen (SMR) para identificar sistemáticamente los genes de susceptibilidad causal subyacentes a la osteomielitis. Se utilizaron variantes genéticas a gran escala como variables instrumentales para predecir la expresión génica en los tejidos, permitiendo explorar las asociaciones causales entre estos objetivos y el riesgo de enfermedad. El marco integrativo identificó LYNX1 y MS4A14 como genes candidatos clave y posibles objetivos terapéuticos. Específicamente, LYNX1 se asoció con una mayor susceptibilidad a la osteomielitis, mientras que MS4A14 mostró propiedades potenciales protectoras. Estos hallazgos ponen de relieve el papel regulador de estos genes en la respuesta inmunitaria del huésped y en la modulación inflamatoria durante la infección ósea. Este estudio conecta los hallazgos de asociación genómica y la interpretación biológica, avanzando en la comprensión de la base genética de la osteomielitis y apoyando el desarrollo de estrategias de medicina de precisión dirigidas para mejorar la defensa del huésped y superar la resistencia terapéutica.

Introduction

La osteomielitis es una enfermedad infecciosa grave caracterizada por una inflamación profunda del hueso y la médula ósea. Frecuentemente se inicia por invasión bacteriana, siendo Staphylococcus aureus (S. aureus) un patógeno común en presentaciones hematógenas agudas^{y crónicas 1,2}. Aunque S. aureus es prominente, la osteomielitis suele ser polimicrobiana, y la erradicación de S. aureus por sí sola no siempre resuelve la infección debido a la persistencia de microorganismos no cultivables e interacciones dinámicas de biofilm ^3,4. En hospedadores susceptibles, los patógenos emplean estrategias de evasión complejas, incluyendo la persistencia intracelular dentro de macrófagos y la formación de biopelículas densas. Estas biopelículas, compuestas por ADN extracelular, polisacáridos y proteínas especializadas, crean barreras físicas formidables que resisten las defensas inmunitarias del huésped y limitan la penetración de agentes antimicrobianos^{convencionales 5,6}. En consecuencia, aunque el manejo clínico suele implicar un desbridamiento quirúrgico agresivo y una terapia antibiótica prolongada, la presencia de biopelículas resilientes y comunidades polimicrobianas reduce significativamente la eficacia del tratamiento, lo que conduce a morbilidad prolongada e infecciones^{recurrentes 7,8}. La elucidación de la arquitectura molecular subyacente a las interacciones huésped-patógeno sigue siendo fundamental para identificar nuevos objetivos terapéuticos⁹.

Los estudios de asociación genómica a nivel genómico (GWAS) han avanzado en la comprensión de la osteomielitis al identificar múltiples loci genéticos asociados con la susceptibilidad a^{la enfermedad 10}. Sin embargo, debido a los estrictos umbrales múltiples de prueba y limitaciones en la potencia estadística y el tamaño de la muestra, muchos loci críticos que influyen en la susceptibilidad a la osteomielitis probablemente permanecerán sin^detectar. Además, la interpretación de los hallazgos GWAS sigue siendo un reto, ya que la mayoría de las variantes identificadas se encuentran en regiones no codificantes o intergénicas, lo que sugiere efectos reguladores sobre la expresión génica más que alteraciones directas en la estructura^{proteica 11}. Además, los datos GWAS primarios carecen de especificidad tisular directa, lo que requiere análisis complementarios posteriores para determinar los contextos celulares en los que estas variantes ejercen sus efectos. Los estudios de asociación a nivel de transcriptoma (TWAS) abordan estas limitaciones integrando la expresión génica genéticamente predicha de paneles de referencia en conjuntos de datos GWAS existentes, permitiendo la identificación sistemática de genes asociados a enfermedades funcionalmente relevantes en múltiples^{tejidos 12}.

Para reforzar la inferencia causal, la aleatorización mendeliana (RM) emplea variantes genéticas como variables instrumentales, aprovechando la asignación aleatoria de alelos en la concepción para reducir la confusión e inversa la^{causalidad 13,14}. Los análisis de loci de rasgos cuantitativos de expresión (eQTL) vinculan además variantes GWAS con la transcripción^{génica 15}, mientras que la aleatorización mendeliana basada en resumen (SMR) integra conjuntos de datos GWAS y QTL para priorizar genes causales y distinguirlos de asociaciones impulsadas por el desequilibrio de ligamiento mediante pruebas^{de heterogeneidad 16}.

Este estudio representa la primera aplicación de un marco integrativo de TWAS y RM centrado específicamente en la osteomielitis, abordando la brecha entre los hallazgos del GWAS y los conocimientos clínicamente aplicables. Al combinar datos transcriptómicos experimentales con datos genéticos poblacionales a gran escala, se mapearon sistemáticamente los genes de susceptibilidad a la enfermedad e infirieron relaciones causales. Esta estrategia integradora tiene como objetivo descubrir vías moleculares previamente no reconocidas implicadas en la resistencia del huésped a la osteomielitis e identificar objetivos candidatos para un desarrollo terapéutico de precisión.

Protocol

Todas las estadísticas resumen utilizadas en los análisis de Randomización Mendeliana (MR) y Estudio de Asociación Transcriptoma Amplia (TWAS) se derivaron estrictamente de conjuntos de datos previamente publicados y desidentificados. La aprobación ética y el consentimiento individual para los estudios originales están documentados en sus respectivas publicaciones. En consecuencia, la aprobación ética adicional para este estudio de minería de datos fue eximida por la Junta de Revisión Institucional del Hospital Tongde de la provincia de Zhejiang (Zhe Tongde Lunshen 2024 [Yan] No. 028-JY). Las herramientas utilizadas para esta investigación se enumeran en la Tabla de Materiales.

1. Adquisición y procesamiento de datos RNA-seq

Los datos transcriptómicos se obtuvieron de la base de datos Gene Expression Omnibus (GEO) (GSE272198) para evaluar la conservación de las vías inmunitarias innatas en especies de mamíferos para la validación^{inicial 17}. Los macrófagos derivados de la médula ósea (BMDM) se infectaron con S. aureus (multiplicidad de la infección, MOI = 10) durante 1 hora, seguido de tratamiento con lisosafina (20 μg/mL) y gentamicina (50 μg/mL) para eliminar bacterias extracelulares. Tras tres lavados con solución salina tamponada con fosfato (PBS), las BMDM se cultivaron durante 24 horas, se lisaron en un reactivo de extracción total de ARN y se secuenciaron.

La calidad del ARN se evaluó mediante un sistema automatizado de electroforesis para garantizar su integridad. Las bibliotecas se prepararon a partir de tres experimentos independientes y se secuenciaron en una plataforma de secuenciación de alto rendimiento. Las lecturas en bruto se alinearon con el genoma del ratón (GRCm38, mm10) usando STAR (v2.7.10a). Se identificaron genes (DEGs) expresados diferencialmente mediante DESeq2 (v1.38.0). Para mitigar los falsos positivos, la significación estadística se definió como un valor p ajustado (FDR) < 0,05 y un cambio de fold |log₂| > 1. El análisis de Ontología Génica (GO) se realizó usando clusterProfiler (v4.6.0), y el Análisis de Enriquecimiento de Conjuntos Génicos (GSEA) se realizó usando GseaVis (v0.0.5). Los mapas de calor se generaban usando el paquete pheatmap (v1.0.12) en R (v4.2.0).

Análisis TWAS

Se obtuvieron datos de secuenciación de ARN de sangre entera y secuenciación del genoma completo (WGS) del proyecto Genotype-Tissue Expression (GTEx) (V8)¹⁸. Se utilizaron modelos de expresión génica preentrenados de un repositorio público (https://doi.org/10.5281/zenodo.3842289). Las estadísticas resumen de osteomielitis para TWAS se obtuvieron del consorcio FinnGen, que comprende 2.336 casos y 473.264 controles¹².

TWAS se llevó a cabo utilizando tres algoritmos: imputación de tejido articular (JTI), PrediXcan¹⁹ y UTMOST ^12,20. JTI estima la similitud en la expresión génica y la accesibilidad epigenética a la cromatina para optimizar la precisión de la predicción. PrediXcan aplica regresión neta elástica con validación cruzada de cinco veces, mientras que UTMOST mejora la precisión aprovechando datos de expresión multitisular utilizando LASO de grupo disperso. El marco modificado de UTMOST descrito por Zhou et ^al.12 estandariza los hiperparámetros para una estimación imparcial. Se retuvieron como imputables genes con puntuaciones estables de validación cruzada—predefinidos como un coeficiente de correlación r > 0,1 y una significación predictiva p < 0,05²¹. Se establecieron modelos de transcriptoma de sangre entera utilizando matrices de covarianza SNP del conjunto de datos de referencia 1000 Genomes.

Posteriormente se analizaron las asociaciones entre la expresión génica prevista y el riesgo de osteomielitis. Para tener en cuenta las pruebas múltiples, la significación estadística para TWAS se definió principalmente utilizando un umbral de Tasa de Descubrimiento de Falsos (FDR) de < 0,05. Dada la naturaleza generadora de hipótesis de este estudio en varias etapas, también se priorizaron loci que cumplían con un umbral sugestivo (nominal) de p < 0,05 para análisis posteriores de aleatorización mendeliana (SMR) y colocalización. Esta estrategia integradora pretende maximizar la captura de posibles factores regulatorios mientras se basa en la validación cruzada multi-ómica (TWAS + SMR) para garantizar la robustez de los candidatos priorizados.

Análisis SMR

Este estudio se ajustó a las directrices STROBE (Fortalecimiento de la Notificación de Estudios Observacionales en Epidemiología^{) 22}. Para definir computacionalmente un fenotipo que representa la predisposición genética a la disfunción mitocondrial (en adelante denominada "mitodys" para fines de análisis), se extrajeron transcripciones correspondientes a todos los genes relacionados con mitocondrias conocidos de la base de datos MitoCarta3.0²³. Este conjunto de genes sirvió como base predefinida e informada por la biología para la predicción posterior del riesgo poligénico. Todas las interpretaciones funcionales posteriores relacionadas con las "mitodias" se derivan de esta inferencia computacional y deben considerarse predictivas y generadoras de hipótesis.

Los instrumentos de loci de rasgos cuantitativos de expresión (eQTL) se generaron utilizando variantes dentro de 1000 kb de las secuencias codificantes (cis-eQTLs). Las estadísticas resumen se obtuvieron del consorcio eQTLGen y del GTEx V8²⁴. Se seleccionaron un total de 8.932.843 SNPs vinculados a 1.013 transcritos relacionados con las mítoldias basándose en un umbral de significación genómica P < 5E-8. Las estadísticas basales de GWAS para los resultados de osteomielitis se obtuvieron de FinnGen²⁰.

Se realizó un análisis de Randomización Mendeliana (SMR) basado en datos resumidos utilizando SMR (versión 1.0.3) con parámetros por defecto para estimar asociaciones pleiotrópicas entre rasgos de expresión génica y resultados de osteomielitis. El efecto causal beta_mitodys–osteomielitis representa el tamaño estimado del efecto log-odds de la disfunción mitocondrial en la osteomielitis y se calcula como:

Las razones de probabilidad (OR) representan el cambio por cada aumento logarítmico natural de una unidad en los niveles estandarizados de expresión génica. La colocalización se evaluó más a fondo utilizando la prueba de heterogeneidad en instrumentos dependientes (HEIDI).

Results

Caracterización de la secuenciación de ARN a granel y enriquecimientos funcionales

Siguiendo la metodología utilizada para aislar BMDMs no infectados (control) frente a infectados con S. aureus, se identificaron 3.775 DEGs en el grupo experimental, comprendiendo 1.686 genes regulados al alza y 2.089 genes regulados a la baja. El análisis GO reveló una red fuertemente enriquecida para la activación inmune innata, incluyendo regulación ...

Discussion

Al integrar análisis TWAS y SMR en conjuntos de datos traduccionales, este estudio identificó una red central de loci genéticos asociados a fenotipos de osteomielitis. La identificación de LYNX1 y MS4A14 como objetivos génicos candidatos representa una contribución clave, proporcionando una visión mecanicista más allá de los hallazgos convencionales de GWAS al incorporar contexto transcriptómico. Este enfoque integrador pone de manifiesto el potencial de las estrategias de medicina de pr...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
clusterProfiler	Equipo de Guangchuang Yu (Universidad Sun Yat-sen)	NA	Usado para el análisis de enriquecimiento funcional del Gen Ontología (GO) de genes expresados diferencialmente.
DESeq2	Proyecto Bioconductor (Código abierto)	NA	Usado para identificar genes expresados diferencialmente (DEGs)
GSEA / GseaVis	Instituto Broad / Comunidad de código abierto	NA	Usado para el Análisis de Enriquecimiento de Conjunto de Genes (GSEA) para identificar conjuntos de genes expresados de manera coordinada. GseaVis es probablemente utilizado para la visualización.
HEIDI (Prueba de Heterogeneidad en Instrumentos Dependientes)	Función integrada dentro del software SMR	NA	Usado para probar si la asociación observada en SMR está impulsada por el desequilibrio de ligamiento en lugar de una variante causal compartida. P_HEIDI > 0.05 indica ninguna heterogeneidad mayor
JTI (Imputación de Tejidos Conjuntos)	Zhou et al. (Modelo de código abierto)	NA	Un algoritmo TWAS que estima la similitud de la expresión génica y la accesibilidad epigenética de la cromatina para optimizar la precisión de la predicción.
pheatmap	Raivo Kolde (Paquete R)	NA	Usado para generar mapas de calor de genes expresados diferencialmente para la visualización de datos.
PrediXcan	Gamazon et al. (Modelo de código abierto)	NA	Un algoritmo TWAS que aplica regresión de red elástica con validación cruzada de cinco veces para imputar la expresión génica y probar la asociación con el riesgo de enfermedad.
SMR (Randomización Mendeliana basada en datos de resumen)	Desarrollado por un equipo de la Universidad Fudan (Software de código abierto)	NA	Usado para realizar un análisis de randomización mendeliana basado en resumen para explorar las asociaciones causales entre la expresión génica y el riesgo de osteomielitis. Se utilizó la versión 1.0.3.
STAR	Alexander Dobin (Laboratorio Cold Spring Harbor)	NA	Usado para alinear lecturas de RNA-seq al genoma de referencia (genoma de ratón GRCm38/mm10).
UTMOST	Hu et al. (Modelo de código abierto)	NA	Un algoritmo TWAS que mejora la precisión de la predicción aprovechando los datos de expresión multi-tejidos utilizando un marco LASSO escaso de grupo.