Method Article

Identification et classification de variantes faux-sens de la sous-unité du récepteur GABAA spécifiques à la position pour leur rôle dans les neurones pyramidaux de l’hippocampe

DOI:

10.3791/67833

⸱

June 6th, 2025

 , 
1Department of Molecular Biology and Genetics, Faculty of Engineering and Natural Sciences, Üsküdar University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude introduit un cadre multi-échelle, allant de l’ADN à la fonction des protéines et au comportement neuronal. Il présente une nouvelle approche pour étudier les mutations pathogènes prédites dans la sous-unité du récepteur GABAA , en émettant l’hypothèse que les mutations épileptogènes et les mutations proximales, prédites comme pathogènes, peuvent produire des effets similaires sur le modèle de neurone pyramidal CA1.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Comprendre les effets de variantes fonctionnellement inconnues dans les gènes associés à l’épilepsie est crucial pour élucider la physiopathologie de la maladie et développer des thérapies personnalisées. Avec un cadre multi-échelle, allant de la séquence d’ADN à la fonction des protéines et au comportement neuronal, nous décrivons une nouvelle approche pour prédire et étudier les mutations pathogènes, en émettant l’hypothèse que les mutations épileptogènes dans la sous-unité du récepteur GABAA et les mutations prédites à proximité peuvent produire des effets similaires sur le modèle de neurone pyramidal CA1. En explorant les relations caractéristiques entre les mutations pathogènes prédites et les mutations épileptogènes proximales, l’étude vise à estimer les effets des mutations prédites sur la base des effets des mutations épileptogènes sur les simulations de neurones pyramidaux de l’hippocampe.

La méthodologie commence par la collecte des données génétiques des sous-unités du récepteur GABAA γ2, suivie d’un nettoyage et d’un formatage des données effectués en R à l’aide d’un script personnalisé. Ensuite, des prédicteurs d’ensemble seront appliqués pour identifier et hiérarchiser les variants faux-sens pathogènes de la sous-unité γ2 . La cartographie d’un variant pathogène spécifique (prédit) aux domaines structurels des sous-unités partagées par les mutations épileptogènes sera illustrée, accompagnée d’une modélisation moléculaire de leurs effets et d’une prise en compte de la conservation évolutive. Ensuite, une méta-analyse spécifique aux variants et une normalisation des paramètres seront effectuées, suivies d’une analyse de corrélation pour identifier toute relation significative entre les mutations prédites et les mutations épileptogènes proximales. À l’aide d’un simulateur neuronal basé sur Python, un modèle de neurones basé sur la conductance multicompartimentale, reflétant l’effet des mutants de type sauvage et épileptogènes, sera décrit. La simulation des réponses neuronales générées par le sous-type épileptogène du récepteur GABAA sera prise en compte pour l’estimation approximative de l’effet des variants pathogènes prédits sur la réponse neuronale. À notre connaissance, il s’agit du premier protocole explorant un cadre multi-échelle pour estimer les effets des variantes du récepteur GABAA sur le comportement neuronal, crucial pour la recherche sur l’épilepsie. Ce protocole peut servir de base pour améliorer les prédictions des phénotypes cellulaires causés par des variantes potentiellement pathogènes des récepteurs GABAA associées à l’épilepsie.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Pour presque toutes les maladies humaines, la variation génétique joue un rôle important dans la susceptibilité individuelle. Par conséquent, comprendre comment les variations de séquence sont liées au risque de maladie offre un moyen précieux de découvrir les processus clés impliqués dans le développement de la maladie et d’identifier de nouvelles approches de prévention et de traitement1. Cela s’applique également aux troubles neurodéveloppementaux, qui se classent parmi les affections chroniques les plus répandues en soins primaires pédiatriques2. Des conditions telles que les troubles du spectre autistique, la déficience intellectuelle et l’épilepsie illustrent comment la variation génétique influence de manière significative la susceptibilité individuelle au cours du développement3.

Le cerveau en développement est plus sensible aux crises d’épilepsie que le cerveau adulte en raison d’un décalage neurodéveloppemental génétiquement programmé dans l’équilibre critique entre l’excitation et l’inhibition4. Le GABA (acide gamma-aminobutyrique), principal neurotransmetteur inhibiteur du cerveau adulte, étant excitateur au cours du développement embryonnaire et postnatal précoce, cela n’est pas favorable à la stabilité nécessaire pour prévenir les crises dans les jeunes cerveaux. Cet état temporaire, causé par l’absence d’expression suffisante des co-transporteurs K-Cl5, peut contribuer à un risque accru d’activité convulsive en présence de récepteurs GABAA dysfonctionnels. Les récepteurs GABAA médient les actions excitatrices et inhibitrices du GABA, en fonction de la concentration intracellulaire de l’ion6. Ainsi, à mesure que le cerveau mûrit, les mutations dans les gènes codant pour le récepteur GABAA, ainsi que dans d’autres canaux ioniques, déforment l’excitabilité, et les mutations dans les gènes impliqués dans le métabolisme neuronal, la signalisation cellulaire et la formation des synapses7, peuvent provoquer des conditions telles que l’épilepsie d’absence chez l’enfant8.

Les interventions cliniques s’appuient de plus en plus sur l’analyse génétique pour améliorer la précision du traitement des troubles neurodéveloppementaux2. Les tests génétiques dans l’épilepsie pédiatrique présentent des cibles potentielles pour les approches de médecine de précision9, soulignant l’importance des variantes génétiques dans l’orientation des décisions de traitement. De plus, ~25 % des patients épileptiques présentant des mutations de novo reçoivent un diagnostic génétique qui identifie des cibles potentielles pour la médecine de précision, soulignant la valeur significative des variantes génétiques dans l’orientation des décisions de traitement10. Cela a été alimenté par les progrès des technologies de séquençage de nouvelle génération, telles que les panels de gènes ciblés, le séquençage de l’exome entier et le séquençage du génome entier, qui ont considérablement accéléré les découvertes génétiques11. Cependant, le nombre croissant de nouvelles découvertes de gènes s’accompagne d’un défi lorsque les résultats produisent un variant de signification inconnue (VUS), une classification qui reflète des preuves contradictoires ou des informations insuffisantes concernant le rôle moléculaire du variant dans la pathogenèse de la maladie. Les variants classés comme VUS correspondent à une catégorie dans le système de classification des variants à cinq niveaux proposé par l’American College of Medical Genetics and Genomics (ACMG) et l’Association for Molecular Pathology (AMP)12.

Relever le défi des variantes génétiques fonctionnellement inconnues nécessite des efforts dans deux dimensions clés : la pratique clinique et la recherche. Sur le plan clinique, l’incertitude entourant l’UVV peut compliquer la prise en charge et la prise de décisiondes patients 13. Du point de vue de la recherche scientifique, il est crucial d’identifier les variants pathogènes parmi le nombre croissant de variants de signification incertaine et de déterminer leur rôle dans la physiopathologie et les effets phénotypiques de la maladie1. Un scénario idéal consisterait à prédire avec précision les effets moléculaires, neuronaux et au niveau du réseau de tous les variants non caractérisés sur le plan fonctionnel, minimisant ainsi les ressources, le temps et les efforts nécessaires aux investigations en laboratoire. Ces aspects soulignent l’importance de classer avec précision les variantes génétiques pour permettre un diagnostic précis des épilepsies génétiques, soutenir un traitement personnalisé et faciliter la découverte de cibles pharmacologiques potentielles. Les outils prédictifs actuels 14,15,16,17 sont relativement précis, mais ne fournissent généralement que des classifications binaires (pathogène ou bénin) et manquent d’informations spécifiques à la maladie sur la physiopathologie moléculaire, les conséquences phénotypiques et les mécanismes sous-jacents. En se concentrant sur les variantes faux-sens inconnues de certains gènes codant pour des sous-unités du récepteur GABAA, cet article présente un cadre visant à améliorer l’orientation de la recherche en incorporant des facteurs contextuels de variantes tels que les aspects moléculaires, évolutifs et structurels, ainsi que des simulations de pathologie neuronale dérivées de données biophysiques in vitro de mutations associées à l’épilepsie. Notre méthodologie porte sur l’identification de variants pathogènes inconnus de la sous-unité γ2 du récepteur GABAA, une sous-unité clé impliquée dans la physiopathologie de l’épilepsie 18,19,20. S’ensuit l’exploration de l’appariement spécifique à la position de ces variants prédits avec les mutations associées à l’épilepsie caractérisées par des données structurales et électrophysiologiques. Ces données sont ensuite utilisées pour estimer l’effet variant sur un modèle de neurone pyramidal de l’hippocampe exprimant un sous-type de récepteur GABAA, composé de sous-unités γ2, α1 et β3 (récepteurs γ2-GABAA), responsables de l’inhibition synaptique rapide6. Il est important de noter que les récepteurs GABAA s’assemblent à partir d’un grand pool de sous-unités (α1-α6, β1-β3, γ1-γ3, δ, Ε, θ, π et ρ1-ρ3) et selon la composition des sous-unités, les récepteurs GABAA diffèrent par leur modulation, leurs caractéristiques biophysiques, ainsi que leurs modèles d’expression régionaux, cellulaires et subcellulaires couplés à des fonctions spécifiques 6,21,22,23, 24,25. Ainsi, la présente étude se concentre sur les récepteurs γ2-GABAA ou les récepteurs GABAA contenant γ2 uniquement.

Les sous-unités du récepteur GABAA sont composées de caractéristiques structurelles caractéristiques - un long domaine extracellulaire N-terminal (ECD), quatre domaines transmembranaires couvrant (TM1 à TM4), un linker intracellulaire reliant TM1 et TM2, un linker extracellulaire reliant TM2 et TM3, une grande boucle intracellulaire entre TM3 et TM4 (boucle TM3-TM4) et une courte terminaison C extracellulaire 6,26, N° 27. Il est suggéré que le récepteur GABAA fonctionne via un mécanisme complexe de « verrouillage et de traction », où la liaison GABA verrouille les sous-unités β et α, les amenant à tirer sur les domaines extracellulaires (ECD) des sous-unités, en les faisant pivoter dans le sens inverse des aiguilles d’une montre27. Ce mouvement plie les domaines transmembranaires (TMD), ouvrant ainsi le canal ionique27. Ainsi, l’activité du canal semble être coordonnée avec les cassettes structurelles dans les récepteurs GABAA. Il s’avère que les mutations de l’épilepsie provoquent un dysfonctionnement de l’activité des canaux via la distorsion de ces cassettes structurelles28. Par conséquent, notre étude est basée sur l’idée que les variants pathogènes prédits à proximité de mutations épileptogènes fonctionnellement identifiées dans les cassettes structurelles spécifiques des sous-unités du récepteur GABAA peuvent présenter des modèles similaires de distorsion électrophysiologique ou biophysique dans la fonction des canaux, comme observé dans les cas de ces mutations épileptogènes. Alors que la présence de cassettes structurales épileptogènes dans les sous-unités28 du récepteur GABAA soutient indirectement cette notion, notre étude démontre la complexité et le défi de corréler les paramètres biophysiques des mutations épileptogènes avec ceux des mutations pathogènes prédites. Pour démasquer ces relations complexes, notre cadre est important car il met en évidence une approche multi-échelle allant de l’ADN à la fonction des protéines et au comportement neuronal essentiel pour la recherche sur l’épilepsie. Cette approche intègre la génétique computationnelle à la modélisation moléculaire et aux simulations neuronales tout en soulignant l’importance des méthodes complémentaires, telles que l’apprentissage automatique formé sur de grands ensembles de données, qui pourraient capturer les effets des mutations sur la structure des canaux, l’activité et l’excitabilité neuronale. De plus, la simulation de l’activité épileptogène du récepteur γ2-GABAA sur le modèle de neurone pyramidal de l’hippocampe permet la réplication du phénotype cellulaire in vitro associé à la canalopathie du récepteur GABAA et la mise en évidence de réponses mononeuronales altérées au centre du dysfonctionnement du réseau.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Prédiction in silico des variants pathogènes

  1. Collecte de données sur les variantes
    1. À l’aide de la base de données ClinVar29, recherchez des variants de signification incertaine (VUS) dans la région codante du gène d’intérêt via le site web : https://www.ncbi.nlm.nih.gov/clinvar/. Entrez le symbole du gène (par exemple, GABRG2) dans la barre de recherche et filtrez les résultats pour n’inclure que les types de variantes souhaités, tels que les variantes mononucléotidiques, les variantes faux-sens de signification incertaine. Téléchargez et enregistrez les données au format data.xlxs (Fichier supplémentaire 4 : Tableau supplémentaire S1). Enregistrez la date des données téléchargées.
      REMARQUE : Dans le présent protocole, la sous-unité γ2 humaine du récepteur GABAA , en particulier la sous-unité gamma2 du récepteur de l’acide gamma-aminobutyrique de type A d’Homo sapiens gamma2 (GABRG2), la variante de transcription 1, l’ARNm (NCBI Ref. seq. : NM_198904.4), également connue sous le nom de γ2L, sera analysée. Il est important d’enregistrer le transcrit de référence du gène d’intérêt ainsi que d’autres identificateurs correspondants dans différentes bases de données (UniProt, ENSEMBL, PDB), car différentes méthodes de calcul peuvent nécessiter des identificateurs différents (Fichier supplémentaire 4 : Tableau supplémentaire S2). Si la base de données ou l’outil de calcul ne reconnaît pas les numéros de version des identificateurs de séquence, essayez à la fois l’ID avec le numéro de version (NM_198904.4) et sans le numéro de version (NM_198904).
    2. Informations de base sur les protéines de référence
      1. Dans la base de données NCBI https://www.ncbi.nlm.nih.gov/, sélectionnez Nucleotide dans les options de recherche et entrez la référence NCBI Seq. ID du gène d’intérêt (NM_198904.4). Ensuite, en faisant défiler la colonne de droite, cliquez sur la protéine sous la catégorie Informations connexes pour trouver la protéine (NP_944494.1) codée par le transcrit NM_198904.4. À l’aide des informations fournies pour la protéine NP_944494.1, enregistrer les positions de séquence des régions spécifiques sous la forme d’un tableau (Fichier supplémentaire 4 : Tableau supplémentaire S3).
        REMARQUE : Il est important de déterminer les informations préliminaires connues pour la position de séquence de régions, de motifs ou de résidus critiques sur le plan fonctionnel et structurel, tels que les domaines protéiques, les sites de phosphorylation, les sites de liaison des ligands et les interfaces d’interaction moléculaire. Cela peut être réalisé en combinant des bases de données (NCBI, ENSEMBL, UniProt...) et des recherches documentaires.
  2. Organisation des données de variantes
    1. Organisez les données de manière à répondre aux exigences d’entrée des prédicteurs choisis. Assurez-vous que le format des données extraites est organisé pour correspondre aux exigences du serveur dbNSFP http://database.liulab.science/dbNSFP. Pour ce faire, supprimez les colonnes inutiles du fichier data.xlsx (Fichier supplémentaire 4 : Table supplémentaire S1 de l’étape 1.1.1), en ne conservant que les colonnes suivantes dans l’ordre spécifié :
      « Chromosome GRCh38 », « Emplacement GRCh38 », « Nom », « Changement de protéine ».
    2. Enregistrez le fichier sous un nouveau nom de fichier : « data1.xlsx » (tableau supplémentaire S4). Formatez le fichier data1.xlsx en R en exécutant le code (Fichier supplémentaire 1 : Data_GABAA. R), qui enregistrera les données formatées en tant que data1_output.xlsx (Fichier supplémentaire 4 : Table supplémentaire S5) dans le répertoire de travail pertinent pour le projet R.
      REMARQUE : Différentes méthodes de calcul nécessitent différents types et formats de données. La collecte et l’organisation des données en fonction d’exigences de format spécifiques, même pour une douzaine de variantes, peuvent être sujettes à des erreurs et prendre du temps, cette étape est donc importante à moins que le pool de variantes ne soit composé que de quelques variantes. Dans ce cas, l’organisation manuelle des données peut être possible.
  3. Prédiction de la pathogénicité
    1. Transférez le contenu du fichier data1_output.xlsx dans la version académique du serveur dbNSFP30,31 accessible via http://database.liulab.science/dbNSFP. Pour ce faire, copiez/collez ou téléchargez directement le fichier au format .txt.
    2. Assurez-vous que les options suivantes sont présélectionnées et confirmées sur le serveur : HG38 (construction du génome), ClinPred32 et BayesDEL33 avant de les soumettre. En quelques minutes, le serveur générera les résultats.
      REMARQUE : Dans le présent protocole, deux prédicteurs d’ensemble, à savoir BayesDEL33 et ClinPred32, ont été sélectionnés pour leur grande précision34 et leur praticité. Cependant, d’autres prédicteurs, tels que AlphaMissense, qui est disponible dans la base de données dbNSFP30,31, peuvent également être sélectionnés. Le choix des outils in silico dépend de plusieurs facteurs, notamment de la génération de plusieurs lignes de preuves informatiques suffisantes pour une prédiction puissante12. Les prédicteurs d’ensemble intégrant l’analyse de plusieurs algorithmes prédictifs peuvent servir à cette fin.
    3. Téléchargez le fichier de sortie (au format .txt) et enregistrez-le sous data2.xlsx (Fichier supplémentaire 4 : Tableau supplémentaire S6).
    4. Définissez les filtres dans data2.xlsx (Fichier supplémentaire 4 : Tableau supplémentaire S6) en cliquant sur l’option de filtre dans le menu et en déterminant les variantes consensuelles dans les deux colonnes en filtrant pour D. Cela donnera la liste des variants les plus pathogènes ; enregistrez-le (voir l’onglet Consensus dans le tableau supplémentaire S6 [ Fichier supplémentaire 4]).
  4. Sélection des variantes
    1. Parmi les prédictions pathogènes consensuelles, déterminer les variants à proximité des mutations épileptogènes obtenues dans la littérature. S’assurer que ces derniers disposent de paramètres structurels et biophysiques adaptés à la modélisation des neurones.
      REMARQUE : Cette étape est exploratoire et est également liée à l’étude de la protéine d’intérêt en termes de paramètres structurels, physicochimiques et biophysiques. Dans la présente étude, ces données ont été obtenues auprès de Brünger et al.35 et de Guo et al.36, en plus d’une enquête sur les mutations associées à l’épilepsie. En outre, en option, les scores AlphaMissense37 ont été consultés à partir de la base de données dbNSFP 30,31 en répétant l’étape 1.3 (Fichier supplémentaire 4 : Tableau supplémentaire S7). De plus amples détails sont fournis dans les sections 2.1.1 et 2.1.2 du protocole et dans les résultats (voir « Clustering Variants for Structural and Biophysical Parameters »).
    2. Pour une visualisation de base, utilisez les serveurs Protter38 (https://wlab.ethz.ch/protter/start/) et HOPE39 (https://www3.cmbi.umcn.nl/hope/) pour examiner les variants de l’étape précédente dans le contexte des mutations du gène GABRG2 sélectionnées : P302L40 et K328M (ou K289M41, en excluant le peptide signal de 39 résidus).
      REMARQUE : En raison de l’énorme complexité, l’évaluation structurelle des effets des variants doit être effectuée à plusieurs niveaux d’analyse. Des outils tels que Protter38 permettront de visualiser clairement les variants dans le contexte des caractéristiques topologiques de la protéine et des serveurs conviviaux tels que HOPE39 donneront un aperçu de l’effet des variants par modélisation moléculaire. De plus, une revue complète de la littérature sur la protéine d’intérêt est essentielle pour identifier et intégrer l’information sur les mutations associées à l’épilepsie.
    3. Analyse de la conservation évolutive et des connaissances structurelles
      1. Ouvrez Jalview 42,43,44, un programme open source pour l’édition, la visualisation et l’analyse des protéines.
      2. Importez des séquences pour l’alignement. Cliquez sur Fichier dans le menu supérieur | Récupération de séquences ; sélectionner la base de données dans la boîte de dialogue (par exemple, UniProt) ; cliquez sur l’onglet Récupérer les identifiants ; et, comme décrit dans la boîte de dialogue, entrez les ID d’accession UniProt du gène d’intérêt (GABRG2) de l’homme et d’autres espèces de vertébrés : P18507, P22723, Q6PW52, A0A2I3TKX0, F1RR72, A0A8I3MDZ2, A0A8M1P4D6. Cliquez sur OK.
        REMARQUE : Les numéros d’accession UniProt des protéines codées par GABRG2 sont les suivants : P18507 (P18507-2) pour Homo sapiens, P22723 pour Mus musculus, A0A2I3TKX0 pour Pan troglodytes, F1RR72 pour Sus scrofa, A0A8I3MDZ2 pour Canis familiaris et A0A8M1P4D6 pour Danio rerio.
      3. Selon le gène d’intérêt, certaines séquences peuvent ne pas être annotées ; par conséquent, effectuez une recherche BLAST pour identifier les informations pertinentes et les homologues potentiels pour une meilleure compréhension contextuelle. Dans ce cas, téléchargez le format FASTA des séquences de protéines via l’option de zone de texte Ajouter des séquences/À partir de du menu Fichier pour produire plusieurs alignements de séquences des séquences souhaitées.
      4. Une fois l’alignement chargé, observez les séquences affichées pour la comparaison de plusieurs séquences. Chaque ligne représente une séquence et chaque colonne représente une position dans l’alignement. Pour déterminer la meilleure méthode d’alignement, utilisez différentes approches ; par exemple, cliquez sur les services Web dans le menu Séquence et sélectionnez l’option Exécuter T-Coffee avec préréglage , qui permet un alignement optimal.
      5. Faites un clic droit sur la séquence P18507 Homo sapiens (la séquence de référence dans la présente étude) et définissez-la comme séquence de référence. Choisissez Format dans le menu supérieur et cliquez sur Habiller pour visualiser l’alignement complet à l’écran. Dans le même menu Format, cliquez sur l’échelle ci-dessus pour améliorer la visualisation de numéros de résidus spécifiques. Pour améliorer encore la visualisation, ajustez les schémas de couleurs en allant dans Couleur et en sélectionnant différentes options (par exemple, Couleur Clustal, Propriété chimique) ; Modifiez la taille de la police si nécessaire.
      6. Cliquez sur Calculer dans la barre de menu et sélectionnez Calcul automatique du consensus pour mettre en évidence les régions conservées.
      7. Concentrez-vous sur la position des variants d’intérêt identifiés dans l’étape de prédiction in-silico et examinez les positions spécifiques des variants. Annotez des résidus spécifiques en cliquant dessus avec le bouton droit de la souris et en sélectionnant Ajouter une annotation. Écrivez l’étiquette (par exemple, l’ID de la variante) avec le code de couleur approprié et enregistrez.
        REMARQUE : Dans la présente analyse, P302L (violet) et A303T (rouge) ont été sélectionnés pour les visualiser dans l’alignement de séquences multiples avec les données structurelles (voir la section suivante).
    4. Reconstruction tridimensionnelle de la protéine complète avec les résidus conservés sélectionnés
      1. Dans le fichier obtenu à partir de l’étape précédente, faites un clic droit sur la séquence de référence (GABRG2 humain) et sélectionnez les données de structure 3D.
      2. Identifiez les données structurelles appropriées (7QNE, Chaîne C)26 dans le menu déroulant et sélectionnez Ouvrir une nouvelle vue de structure avec Jmol.
        REMARQUE : Cela permettra l’incorporation des résidus sélectionnés dans l’alignement de séquences multiples dans les données structurelles par Jmol, un visualiseur open source basé sur Java pour les structures chimiques 3D.

2. Sélection des paramètres et modélisation biophysique

  1. Méta-analyse spécifique aux variants et normalisation des paramètres
    1. Examiner la littérature actuelle pour recueillir des variantes de sous-unités identifiées avec la conductance du canal de données électrophysiologiques (gGABAA), le temps de désactivation (τdésactivation), le temps de montée (τmontée) et l’amplitude maximale du courant (Imax). Indiquez la composition des sous-unités, le type de cellule et les mesures de type sauvage pour chaque cas. Étiquetez les variants et leurs témoins en conséquence (p. ex., connu pour les variants ayant des caractéristiques biophysiques identifiées et contrôle connu pour les mesures de type sauvage pour chaque variant).
    2. Obtenir les scores de pathogénicité d’AlphaMissense pour les variants présentant des caractéristiques biophysiques identifiées.
      REMARQUE : Voir la section 1.3 du protocole pour plus de détails.
    3. Créez un cadre de données avec la position des sous-unités et des acides aminés pour chaque variant, les acides aminés originaux et modifiés, le score de pathogénicité et les paramètres biophysiques obtenus à partir de la littérature. Pour éviter les divergences expérimentales, normalisez les paramètres biophysiques des variants identifiés sous forme de changements x-x sur les mesures de type sauvage.
  2. Analyse comparative des variantes par caractéristiques structurelles et fonctionnelles
    1. Organiser les variants prédits sur une trame de données ; étiqueter en conséquence (p. ex., prédit pour les variants sans documentation sur leurs caractéristiques biophysiques).
    2. Classez les variants en fonction de leur emplacement dans la séquence d’acides aminés et la structure tertiaire. Ajoutez des paramètres de classification structurale (par exemple, localisation dans les hélices alpha, les bobines, les feuillets bêta, les domaines extracellulaires, intracellulaires ou transmembranaires, la muqueuse des pores, la liaison des agonistes, les interactions protéine-protéine) sur le cadre de données et fournissez des informations pour chaque variant en ce qui concerne leur position d’acides aminés.
    3. Classez les variantes en fonction de leur distance au centre de la membrane et de l’axe des pores. Ajoutez les paramètres de distance à l’axe des pores et de distance au centre de la membrane sur le cadre de données.
    4. Analysez la corrélation entre les paramètres structurels et biophysiques par rapport aux variants connus. Si possible, évaluez les variants prédits par rapport aux corrélations obtenues.
  3. Construction de modèles de synapses et de neurones
    1. Utilisez le Brian245, un simulateur neuronal open source développé en Python pour la modélisation et la simulation de réseaux neuronaux de pointe, pour construire un modèle biophysique multicompartimental de la synapse GABAergique sur un neurone pyramidal hippocampique basé sur la conductance multicompartimentale.
    2. Concevez le modèle basé sur la conductance en définissant la cinétique de déclenchement des canaux ioniques, les paramètres passifs et actifs et les conductances postsynaptiques. Définir le modèle basé sur la conductance tel qu’il est donné dans le fichier supplémentaire 2, qui décrit les équations utilisées dans le modèle.
      1. Réglez la capacité membranaire (Cm) à 1 μF/cm2 et la résistance intracellulaire (Ra) à 200 Ω.cm.
      2. Utilisez les conductances modifiées de type Hodgkin-Huxley pour les neurones pyramidaux de l’hippocampe39 avec gL = 0,0003 S/cm2, gK = 0,036 S/cm2, EL = -76,5 mV, ENa = 50 mV et EK = -90 mV.
      3. Ajustez la distribution de la densitédes canaux Na V sur gNa à 0,05 S/cm2 pour le soma, 0,5 S/cm2 pour le segment initial de l’axone (AIS) et le nœud de Ranvier (NR), et 0,005 S/cm2 pour les dendrites. Définissez gK et gNa sur 0 dans les segments myélinisés.
      4. Construire la cinétique de déclenchement du canal ionique pour NaV et KV comme décrit dans le fichier supplémentaire 2.
      5. Introduire les courants synaptiques (Isyn) comme la somme de toutes les synapses glutamatergiques et GABAergiques dans un compartiment. Inclure à la fois le courant rapide médié par le récepteur AMPA (IAMPA) et le courant lent médié par le récepteur NMDA (INMDA) dans le courant glutamatergique (Iglu). N’inclure que le courant rapide médié par le récepteur GABAA dans le courant GABAergique (IGABA). Supposons qu’une quantité constante de glutamate est libérée dans la synapse pour chaque pic présynaptique ; par conséquent, l’activation des récepteurs dépend du temps de pointe (sAMPA et sNMDA) et les conductances totales des récepteurs (gAMPA et gNMDA) reflètent la quantité de glutamate libérée par chaque événement.
      6. Utilisez le modèle synaptique comme décrit dans le fichier supplémentaire 2.
        REMARQUE : Pour une explication détaillée des équations, voir le fichier supplémentaire 2 décrivant les équations utilisées dans le modèle.
    3. Obtenez le diamètre mesuré expérimentalement pour le soma et les neurites et la longueur de chaque compartiment de neurites et les motifs de ramification à partir de la littérature antérieure46,47. Réduire la morphologie réelle des neurones en un modèle multicompartimental, en divisant la cellule en plusieurs compartiments, qui préserve avec précision la structure ramifiée principale et maintient la symétrie bilatérale.
    4. Réglez la morphologie (longueur et diamètre du segment, c’est-à-dire d_soma : 30 μm ; l_AH : 5 μm ; d_AH_i : 1,5 μm ; d_AH_f : 1,3 μm ; l_AIS : 40 μm ; d_axon : 1 μm l_myseg : 100 μm ; l_NR : 2 μm l_AxTer : 4 μm ; d_AxTer : 2 μm ; l_approx : 100 μm ; l_apmed : 100 μm ; l_apdis : 200 μm ; d_approx_i : 4 μm ; d_approx_f : 3 μm ; d_apmed : 2 μm ; d_apdis : 2 μm ; l_apLM : 70 μm ; d_apLM : 2 μm ; l_nAcDbasal : 400 μm ; d_nAcDbasal : 1,4 μm ; l_nAcDbasal_stem : 20 μm ; d_nAcDbasal_stem : 1,5 μm) et les paramètres biophysiques (comme indiqué dans la section 2.3.2) pour chaque compartiment du modèle de neurone pyramidal 46,47 comme également détaillé dans le script Python (Fichier supplémentaire 3 : GABAAvar.py).
    5. Déterminer les paramètres biophysiques du modèle de synapse GABAergique en évaluant les mesures de contrôle de type sauvage obtenues à l’étape 2.1.1.
  4. Concevoir la topologie du modèle neuronal et attribuer des paramètres morphologiques et biophysiques, ce qui inclut la spécification de la disposition spatiale et des interconnexions des compartiments, sur la base des informations morphologiques et ramifiées précédemment obtenues. Attribuez les paramètres morphologiques (p. ex. longueur et diamètre du segment) et biophysiques (section 2.3.2) appropriés à chaque compartiment du modèle, comme il est indiqué dans la fiche supplémentaire 3 : GABAAvar.py.
  5. Construction des synapses et injection de courant
    1. Créez l’activité présynaptique à l’aide de SpikeGeneratorGroup (une classe de la bibliothèque Brian2) comme indiqué dans « GABAAvar.py » (Fichier supplémentaire 3). Connectez le générateur de pointes au compartiment cible du neurone modèle à l’aide de la classe Synapses pour modéliser les connexions synaptiques.
    2. Définissez un courant constant soutenu (Iinj) à 0,85 nA et placez-le au niveau du soma pour imiter l’activité sous-seuil entraînée par la charge de courant ionique de base à un moment donné, comme indiqué dans le fichier supplémentaire 3 : GABAAvar.py.
  6. Pour construire des moniteurs d’enregistrement, enregistrez les traces de tension à partir des compartiments cibles à l’aide de StateMonitor.
  7. Construisez et exécutez le réseau.
    1. Construisez le réseau avec le neurone modèle, les connexions et les moniteurs à l’aide de Réseau.
    2. Définissez le pas de temps de la simulation par defaultclock.dt (par exemple, 0,01 ms).
    3. Exécutez la simulation sur le réseau avec network.run(T*ms), où T est défini sur 1 000 ms dans l’exemple.
  8. Test de l’impact des mutations faux-sens du récepteur GABAA
    1. Définir l’impact de chaque mutation faux-sens sur la cinétique des canaux à l’aide des paramètres biophysiques collectés à l’étape 2.1.1.
    2. Exécutez la stimulation en modifiant ces paramètres et tracez les résultats à l’aide de « matplotlib.pyplot » comme indiqué dans « GABAAvar.py » (Fichier supplémentaire 3).
  9. Testez des combinaisons de paramètres pour analyser les changements dans les modèles et les cadences de tir. Tracez les résultats à des fins de comparaison.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude utilise une approche multi-échelle pour prédire et caractériser les variants pathogènes dans la sous-unité γ2 du récepteur GABAA , un composant clé de la physiopathologie de l’épilepsie. Grâce à l’utilisation de modèles prédictifs, de la modélisation moléculaire, de la conservation évolutive, de l’examen structurel, de l’analyse de corrélation et des simulations neuronales, cette approche améliore la classification des variants, avec une pertinence significative pou...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En appliquant une combinaison de génétique computationnelle, de modélisation moléculaire et de simulations neuronales, l’approche présentée dans cet article a le potentiel d’améliorer la classification des variantes du récepteur GABAA, offrant des informations précieuses pour la recherche sur l’épilepsie et les applications cliniques. Une analyse complète pour l’identification et la hiérarchisation des mutations pathogènes prédites est présentée et étendue dans un cadre qui po...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tous les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts lié à ce travail.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nous remercions Çağla Koca pour son aide dans la construction du neurone modèle.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Brian2  ;Sorbonne Universit, INSERM, CNRS, Institut de la Vision, France ; Imperial College London, Royaume-Uni2.8.0.4Stimberg et al., 2019 (https://pypi.org/project/Brian2/ )
serveur dbNSFP  ;   ;Genos Bioinformatics LLC, États-Unisv3.0Liu et al., 2020 (http://database.liulab.science/dbNSFP) (https://sites.google.com/site/jpopgen/dbNSFP)
L’ESPOIR  ;   ;Centre d’informatique moléculaire et biomoléculaire CMBI, Université Radboud, Pays-Bas  ;1.1.1Venselaar et al., 2010 (https://www3.cmbi.umcn.nl/hope/)
Jalview  ;   ;Université de Dundee, Royaume-UniJV2Waterhouse et al., 2009 (https://www.jalview.org/)
Carnet JupyterProjet Jupyter, États-Unishttps://jupyter.org/install  ;
PhytonPython Software Foundation, États-Unis3.13https://www.python.org/downloads/
Protter  ;   ;ETH Zurich, SuisseVersion 1.0Omasits, et al., 2014 (https://wlab.ethz.ch/protter/start/)
R  ;Fondation R pour l’informatique statistique, États-UnisR version 4.3.2  ;  ; https://www.r-project.org/  ;
RStudioPosit software, PBC, États-UnisSortie de RStudio 2023.12.1+402 « Ocean Storm »https://posit.co/downloads/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Claussnitzer, M., et al. A brief history of human disease genetics. Nature. 577 (7789), 179-189 (2020).
  2. Savatt, J. M., Myers, S. M. Genetic testing in neurodevelopmental disorders. Front Pediatr. 9, 526779(2021).
  3. Hoischen, A., Krumm, N., Eichler, E. Prioritization of neurodevelopmental disease genes by discovery of new mutations. Nat Neurosci. 17, 764-772 (2014).
  4. Holmes, G., Ben-Ari, Y. The neurobiology and consequences of epilepsy in the developing brain. Pediatr Res. 49, 320-325 (2001).
  5. Rivera, C., Voipio, J., Kaila, K. Developmental switches in GABAergic signalling: the K+-Cl- cotransporter KCC2 and carbonic anhydrase CAVII. J Physiol. 562, 27-36 (2005).
  6. Goetz, T., et al. GABA(A) receptors: structure and function in the basal ganglia. Prog Brain Res. 160, 21-41 (2007).
  7. Guerrini, R., et al. Monogenic epilepsies: disease mechanisms, clinical phenotypes, and targeted therapies. Neurology. 97 (17), 817-831 (2021).
  8. Matricardi, S., et al. Current advances in childhood absence epilepsy. Pediatr Neurol. 50 (3), 205-212 (2014).
  9. Sands, T. T., Choi, H. Genetic testing in pediatric epilepsy. Curr Neurol Neurosci Rep. 17 (5), 45(2017).
  10. Møller, R. S., et al. The contribution of next generation sequencing to epilepsy genetics. Expert Rev Mol Diagn. 15 (12), 1531-1538 (2015).
  11. Møller, R. S., et al. From next-generation sequencing to targeted treatment of non-acquired epilepsies. Expert Rev Mol Diagn. 19 (3), 217-228 (2019).
  12. Richards, S., et al. Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genet Med. 17 (5), 405-424 (2015).
  13. Rehm, H. L., et al. The landscape of reported VUS in multi-gene panel and genomic testing: time for a change. Genet Med. 25 (12), 100947(2023).
  14. Katsonis, P., et al. Genome interpretation using in silico predictors of variant impact. Hum Genet. 141 (10), 1549-1577 (2022).
  15. Arslan, A. Pathogenic variants of human GABRA1 gene associated with epilepsy: a computational approach. Heliyon. 9 (9), e20218(2023).
  16. Abdullah, N. K., Arslan, A. Integrated bioinformatic approach for precision medicine: prediction of human GABRG2 gene pathogenic variants, characterized with cellular pathology and epilepsy phenotype severity. SDU J Nat Appl Sci. 28 (33), 300-315 (2024).
  17. Arslan, A. Algorithmic assessment reveals functional implications of GABRD gene variants linked to idiopathic generalized epilepsy. Int J Neurosci. 135 (5), 533-543 (2025).
  18. Kang, J. Q., Macdonald, R. L. Molecular pathogenic basis for GABRG2 mutations associated with a spectrum of epilepsy syndromes, from generalized absence epilepsy to Dravet syndrome. JAMA Neurol. 73 (8), 1009-1016 (2016).
  19. Komulainen-Ebrahim, J., et al. Novel variants and phenotypes widen the phenotypic spectrum of GABRG2-related disorders. Seizure. 69, 99-104 (2019).
  20. Lorenz-Guertin, J. M., et al. γ2 GABA(A)R trafficking and the consequences of human genetic variation. Front Cell Neurosci. 12, 265(2018).
  21. Korpi, E. R., Gründer, G., Luddens, H. Drug interactions at GABA(A) receptors. Prog Neurobiol. 67 (2), 113-159 (2002).
  22. Rudolph, U., Möhler, H. GABA-based therapeutic approaches: GABAA receptor subtype functions. Curr Opin Pharmacol. 6, 18-23 (2006).
  23. Whiting, P. J. GABAA receptors: a viable target for novel anxiolytics. Curr Opin Pharmacol. 6, 24-29 (2006).
  24. Arslan, A. Extrasynaptic δ-subunit containing GABAA receptors. J Integr Neurosci. 20 (1), 173-184 (2021).
  25. Arslan, A. Distinct roles of gamma-aminobutyric acid type A receptor subtypes: a focus on phasic and tonic inhibition. J Neurobehav Sci. 2, 72-76 (2015).
  26. Sente, A., et al. Differential assembly diversifies GABAA receptor structures and signalling. Nature. 604 (7904), 190-194 (2022).
  27. Masiulis, S., et al. GABAA receptor signalling mechanisms revealed by structural pharmacology. Nature. 565 (7740), 454-459 (2019).
  28. Hernandez, C. C., Macdonald, R. L. A structural look at GABAA receptor mutations linked to epilepsy syndromes. Brain Res. 1714, 234-247 (2019).
  29. Landrum, M. J., et al. ClinVar: improving access to variant interpretations and supporting evidence. Nucleic Acids Res. 46 (D1), 1062-1067 (2018).
  30. Liu, X., Jian, X., Boerwinkle, E. dbNSFP: a lightweight database of human non-synonymous SNPs and their functional predictions. Hum Mutat. 32 (8), 894-899 (2011).
  31. Liu, X., et al. dbNSFP v4: a comprehensive database of transcript-specific functional predictions and annotations for human nonsynonymous and splice-site SNVs. Genome Med. 12 (1), 103(2020).
  32. Alirezaie, N., et al. ClinPred: prediction tool to identify disease-relevant nonsynonymous single-nucleotide variants. Am J Hum Genet. 103 (4), 474-483 (2018).
  33. Feng, B. J. PERCH: a unified framework for disease gene prioritization. Hum Mutat. 38 (3), 243-251 (2017).
  34. Tian, Y., et al. REVEL and BayesDel outperform other in silico meta-predictors for clinical variant classification. Sci Rep. 9 (1), 2204(2019).
  35. Brünger, T., et al. Conserved patterns across ion channels correlate with variant pathogenicity and clinical phenotypes. Brain. 146 (3), 923-934 (2023).
  36. Guo, F., et al. Identifying protein-protein interface via a novel multi-scale local sequence and structural representation. BMC Bioinformatics. 20 (Suppl 15), 483(2019).
  37. Cheng, J., et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 381 (6664), eadg7492(2023).
  38. Omasits, U., et al. Protter: interactive protein feature visualization and integration with experimental proteomic data. Bioinformatics. 30 (6), 884-886 (2014).
  39. Venselaar, H., et al. Protein structure analysis of mutations causing inheritable diseases: an e-Science approach with life scientist friendly interfaces. BMC Bioinformatics. 11 (548), 548(2010).
  40. Hernandez, C. C., et al. Altered channel conductance states and gating of GABAA receptors by a pore mutation linked to Dravet syndrome. eNeuro. 4 (1), (2017).
  41. Baulac, S., Huberfeld, G., Gourfinkel-An, I. First genetic evidence of GABA(A) receptor dysfunction in epilepsy: a mutation in the γ2-subunit gene. Nat Genet. 28 (1), 46-48 (2001).
  42. Waterhouse, A. M., et al. Jalview version 2-a multiple sequence alignment editor and analysis workbench. Bioinformatics. 25 (9), 1189-1191 (2009).
  43. Troshin, P. V., et al. Java bioinformatics analysis web services for multiple sequence alignment-JABAWS:MSA. Bioinformatics. 27 (14), 2001-2002 (2011).
  44. Troshin, P. V., et al. JABAWS 2.2 distributed web services for bioinformatics: protein disorder, conservation and RNA secondary structure. Bioinformatics. 34 (11), 1939-1940 (2018).
  45. Stimberg, M., Brette, R., Goodman, D. F. M. Brian 2, an intuitive and efficient neural simulator. eLife. 8, e47314(2019).
  46. Traub, R. D., et al. A model of a CA3 hippocampal pyramidal neuron incorporating voltage-clamp data on intrinsic conductances. J Neurophysiol. 66 (2), 635-650 (1991).
  47. Hodapp, A., et al. Dendritic axon origin enables information gating by perisomatic inhibition in pyramidal neurons. Science. 377 (6613), 1448-1452 (2022).
  48. Abdulzahir, A., et al. Changes in memory, sedation, and receptor kinetics imparted by the β2-N265M and β3-N265M GABAA receptor point mutations. Int J Mol Sci. 24 (6), 5637(2023).
  49. Fisher, J. L. A mutation in the GABAA receptor alpha1 subunit linked to human epilepsy affects channel gating properties. Neuropharmacology. 46 (5), 629-637 (2004).
  50. Gallagher, M. J., et al. The juvenile myoclonic epilepsy GABAA receptor alpha1 subunit mutation A322D produces asymmetrical, subunit position-dependent reduction of heterozygous receptor currents and α1 subunit protein expression. J Neurosci. 24 (24), 5570-5578 (2004).
  51. Hernandez, C. C., et al. Dravet syndrome-associated mutations in GABRA1, GABRB2 and GABRG2 define the genetic landscape of defects of GABAA receptors. Brain Commun. 3 (2), fcab033(2021).
  52. Lin, S. X. N., et al. Correlations of receptor desensitization of gain-of-function GABRB3 variants with clinical severity. Brain. 147 (1), 224-239 (2024).
  53. Krampfl, K., et al. Molecular analysis of the A322D mutation in the GABA receptor α-subunit causing juvenile myoclonic epilepsy. Eur J Neurosci. 22 (1), 10-20 (2005).
  54. Shen, D., et al. De novo GABRG2 mutations associated with epileptic encephalopathies. Brain. 140 (1), 49-67 (2017).
  55. Janve, V. S., et al. Epileptic encephalopathy de novo GABRB mutations impair γ-aminobutyric acid type A receptor function. Ann Neurol. 79 (5), 806-825 (2016).
  56. Scheller, M., Forman, S. A. Coupled and uncoupled gating and desensitization effects by pore domain mutations in GABAA receptors. J Neurosci. 22 (19), 8411-8421 (2002).
  57. Hernandez, C. C., et al. GABAA receptor coupling junction and pore GABRB3 mutations are linked to early-onset epileptic encephalopathy. Sci Rep. 7 (1), 15903(2017).
  58. Homanics, G. E., et al. A gain-of-function mutation in the GABA receptor produces synaptic and behavioral abnormalities in the mouse. Genes Brain Behav. 4 (1), 10-19 (2005).
  59. Jatczak-Śliwa, M., et al. GABAA receptor β2E155 residue located at the agonist-binding site is involved in the receptor gating. Front Cell Neurosci. 14 (2), 2(2020).
  60. Đurišić, N., et al. SAHA (vorinostat) corrects inhibitory synaptic deficits caused by missense epilepsy mutations to the GABAA receptor γ2 subunit. Front Mol Neurosci. 11, 89(2018).
  61. Bai, Y. F., et al. Pathophysiology of and therapeutic options for a GABRA1 variant linked to epileptic encephalopathy. Mol Brain. 12 (1), 92(2019).
  62. Macdonald, R. L., et al. Mutations linked to generalized epilepsy in humans reduce GABA(A) receptor current. Exp Neurol. 184 (Suppl 1), S58-S67 (2003).
  63. Buhr, A., et al. Functional characterization of the new human GABA(A) receptor mutation β3(R192H). Hum Genet. 111 (2), 154-160 (2002).
  64. Jumper, J. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  65. Sperk, G., et al. GABA(A) receptor subunits in the rat hippocampus I: immunocytochemical distribution of 13 subunits. Neuroscience. 80 (4), 987-1000 (1997).
  66. Connor, J. X., et al. A GABAA receptor α1 subunit tagged with green fluorescent protein requires a β subunit for functional surface expression. J Biol Chem. 273 (44), 28906-28911 (1998).
  67. Kittler, J. T., et al. Analysis of GABAA receptor assembly in mammalian cell lines and hippocampal neurons using γ2 subunit green fluorescent protein chimeras. Mol Cell Neurosci. 16 (4), 440-452 (2000).
  68. Oflaz, F. E., Son, ÇD., Arslan, A. Oligomerization and cell surface expression of recombinant GABAA receptors tagged in the δ subunit. J Integr Neurosci. 18 (4), 341-350 (2019).
  69. Arslan, A., et al. Cytoplasmic domain of δ subunit is important for the extra-synaptic targeting of GABAA receptor subtypes. J Integr Neurosci. 13, 617-631 (2014).
  70. Lombardi, J. P., et al. Visualizing GABAA receptor trafficking dynamics with fluorogenic protein labeling. Curr Protoc Neurosci. 92 (1), 97(2020).
  71. Gadhia, A., et al. Functional analysis of epilepsy-associated GABAA receptor mutations using Caenorhabditis elegans. Epilepsia Open. 9 (4), 1458-1466 (2024).
  72. Ritter, D. M., et al. In silico predictions of KCNQ variant pathogenicity in epilepsy. Pediatr Neurol. 118, 48-54 (2021).
  73. Holland, K. D., et al. Comparison and optimization of in silico algorithms for predicting the pathogenicity of sodium channel variants in epilepsy. Epilepsia. 58 (7), 1190-1198 (2017).
  74. Leong, I. U., et al. Assessment of the predictive accuracy of five in silico prediction tools, alone or in combination, and two metaservers to classify long QT syndrome gene mutations. BMC Med Genet. 16, 34(2015).
  75. Tang, B. Optimization of in silico tools for predicting genetic variants: individualizing for genes with molecular sub-regional stratification. Brief Bioinform. 21 (5), 1776-1786 (2020).
  76. Dong, C., et al. Comparison and integration of deleteriousness prediction methods for nonsynonymous SNVs in whole exome sequencing studies. Hum Mol Genet. 24 (8), 2125-2137 (2015).
  77. Kircher, M., et al. A general framework for estimating the relative pathogenicity of human genetic variants. Nat Genet. 46 (3), 310-315 (2014).
  78. Anderson, D., Lassmann, T. An expanded phenotype centric benchmark of variant prioritisation tools. Hum Mutat. 43 (5), 539-546 (2022).
  79. Roy, R., Al-Hashimi, H. M. AlphaFold3 takes a step toward decoding molecular behavior and biological computation. Nat Struct Mol Biol. 31, 997-1000 (2024).
  80. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  81. Imrie, F., et al. AutoPrognosis 2.0: democratizing diagnostic and prognostic modeling in healthcare with automated machine learning. PLOS Digit Health. 2 (6), e0000276(2023).
  82. Zhu, S., et al. Structure of a human synaptic GABAA receptor. Nature. 559 (7712), 67-72 (2018).
  83. Sun, C., Zhu, H., Clark, S. Cryo-EM structures reveal native GABAA receptor assemblies and pharmacology. Nature. 622, 195-201 (2023).
  84. Scott, S., Aricescu, A. R. A structural perspective on GABAA receptor pharmacology. Curr Opin Struct Biol. 54, 189-197 (2019).
  85. Kim, J. J., et al. Shared structural mechanisms of general anaesthetics and benzodiazepines. Nature. 585 (7824), 303-308 (2020).
  86. Stimberg, M., et al. Equation-oriented specification of neural models for simulations. Front Neuroinform. 8, 6(2014).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

GABAa Receptor VariantsMissense VariantsEpileptogenic MutationsHippocampal Pyramidal NeuronsPathogenic Mutation PredictionMolecular ModelingNeural SimulationEnsemble PredictorsEvolutionary ConservationConductance Based Model

Related Articles