Name: Cartographier les variantes de la maladie dAlzheimer à leurs gènes cibles à laide de lanalyse computationnelle de la configuration de la chromatine (Vidéo) | JoVE Journal
Uploaded: 2020-01-09T13:00:00.000+00:00
Duration: 4 min 41 s
Description: Découvrez comment prédire les gènes cibles des variants de risque GWAS liés à la maladie d'Alzheimer en utilisant les profils d'interactions chromatiniennes 3D et les données Hi-C. Cette méthode computationnelle permet d'identifier 112 gènes de risque.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ce travail a été soutenu par la subvention des NIH R00MH13823 (à H.W.) et R35GM128645 (à D.H.P.), le prix NARSAD jeune chercheur (à H.W.), et la subvention SPARK de la Simons Foundation Autism Research Initiative (SFARI, à N.M. et H.W.).

1. Configuration de poste de travail
<ol><li>Installez R (version 3.5.0) et RStudio Desktop. Ouvrez RStudio.</li>
	<li>Installez les bibliothèques suivantes en R en tapant le code suivant dans la fenêtre de la console dans RStudio. si (!" BiocManager" %in% rownames (installed.packages())) install.packages("BiocManager", repos'"https://cran.r-project.org") BiocManager::install("GenomicRanges") BiocManager::install("biomaRt") BiocManager::install("WGCNA") install.packages ("reshape") install.packages ("ggplot2") install.packages ("corrplot") install.packages ("gProfileR") install.packages ("tidyverse") install.packages ("ggpubr")</li>
	<li>Téléchargez des fichiers. REMARQUE : Dans ce protocole, tous les fichiers doivent être téléchargés vers l'annuaire de travail.<ol>
<li>Téléchargez les fichiers suivants en cliquant sur les liens fournis dans tableau des matériaux.<ol>
<li>Télécharger des SNP crédibles pour AD (tableau complémentaire 8 de Jansen etal.14). REMARQUE : Avant l'analyse, ouvrez la feuille huit dans 41588_2018_311_MOESM3_ESM.xlsx, retirez les trois premières rangées et enregistrez la feuille comme Supplementary_Table_8_Jansen.txt avec le format séparé d'onglet.</li>
			<li>Téléchargez des profils d'interaction Hi-C de résolution de 10 kb dans le cerveau adulte à partir de psychencode (décrit comme Promoteur-anchored_chromatin_loops.ld ci-dessous). REMARQUE : Ce fichier a le format suivant : chromosome, TSS_start, TSS_end, Enhancer_start et Enhancer_end. Dans le cas où d'autres jeux de données Hi-C sont utilisés, ce protocole nécessite des jeux de données Hi-C traités à haute résolution (5 à 20 kb).</li>
			<li>Téléchargez des jeux de données d'expression cellulaire unique à partir du PsychENCODE. REMARQUE : Il s'agit d'échantillons témoins neurotypiques.</li>
			<li>Téléchargez les ensembles de données d'expression développementale du BrainSpan (décrit comme devExpr.rda ci-dessous). REMARQUE: 267666527 est un fichier zippé, donc décompresser le 267666527 pour extraire "columns_metadata.csv", "expression_matrix.csv", et "rows_metadata.csv" pour générer devExpr.rda (voir section 3).</li>
		</ol>
</li>
		<li>Téléchargez les coordonnées exoniques (voir Fichiers supplémentaires, décrits comme Gencode19_exon.ld et Gencode19_promoter.ld ci-dessous) à partir de Gencode version 19. REMARQUE : Les promoteurs sont définis comme étant de 2 kb en amont du site de démarrage de la transcription (TSS). Ces fichiers ont le format suivant : chromosome, début, fin et gène.</li>
		<li>Télécharger le fichier d'annotation génétique (voir Fichiers supplémentaires, décrit comme geneAnno.rda ci-dessous) à partir de biomart. REMARQUE : Ce fichier peut être utilisé pour faire correspondre les gènes basés sur les ID génétiques Ensembl et le symbole DU Comité de Nomenclature génique HUGO (HGNC).</li>
	</ol>
</li>
</ol>2. Génération d'un objet GRanges pour les SNP crédibles
<ol><li>Configurez en R en tapant le code suivant dans la fenêtre de la console dans RStudio. bibliothèque (GenomicRanges) options (stringsAsFactors ' F) setwd (" / travail ") - C'est le chemin vers le répertoire de travail. credSNP - read.delim ("Supplementary_Table_8_Jansen.txt", header-T) credSNP - credSNP[credSNP$Credible.Causal"Oui",]</li>
	<li>Faites un objet GRanges en tapant le code suivant dans la fenêtre de la console dans RStudio. credranges - GRanges (credSNP$Chr, IRanges(credSNP$bp, credSNP$bp), rsid-credSNP$SNP, P-credSNP$P) enregistrer (credranges, fichier "AD_credibleSNP.rda")</li>
</ol>3. Cartographie positionnelle
REMARQUE : Pour chaque étape, tapez le code correspondant dans la fenêtre de la console dans RStudio.
<ol><li>Installé en R. options (stringsAsFactors-F) bibliothèque (GenomicRanges) charge ("AD_credibleSNP.rda") (voir 2)</li>
	<li>Cartographie positionnelle des SNP promoteurs/exoniques aux gènes<ol>
<li>Chargez le promoteur et la région exonique et génèrez un objet GRange. exon -read.table ("Gencode19_exon.bed") exonranges - GRanges (exon[,1],IRanges(exon[,2],exon[,3]),gene-exon[,4]) promoteur - read.table ("Gencode19_promoter.bed") promoterranges - GRanges (promoteur[,1], IRanges (promoteur[,2], promoteur[,3]), gene-promoteur[,4])</li>
		<li>Overlap SNPs crédibles avec des régions exoniques. olap - findOverlaps (credranges, exonranges) credexon - credranges[queryHits(olap)] mcols (credexon) ' cbind(mcols(credexon), mcols(exonranges[subjectHits(olap))))</li>
		<li>Chevauchez les SNP crédibles avec les régions promoteurs. olap - findOverlaps (credranges, promoterranges) credpromoter - credranges[queryHits(olap)] mcols (credpromoter) ' cbind(mcols(credpromoter), mcols(promoterranges[subjectHits(olap)))) )</li>
	</ol>
</li>
	<li>Liez les SNP à leurs gènes cibles putatifs à l'aide d'interactions de chromatine.<ol>
<li>Chargez le jeu de données Hi-C et générez un objet GRange. hic - read.table("Promoteur-anchored_chromatin_loops.ld ", skip 1) colnames (hic) 'c("chr", "TSS_start", "TSS_end", "Enhancer_start", "Enhancer_end") hicranges - GRanges (hic$chr, IRanges (hic$TSS_start, hic$TSS_end), enhancer'hic$Enhancer_start) olap - findOverlaps (hicranges, promoterranges) hicpromoter - hicranges[queryHits(olap)] mcols (hicpromoter) ' cbind(mcols(hicpromoter), mcols(promoterranges[subjectHits(olap)))) hicenhancer - GRanges (seqnames(hicpromoter), IRanges (hicpromoter$enhancer, hicpromoter$enhancer-10000), gene-hicpromoter$gene)</li>
		<li>Overlap SNPs crédibles avec l'objet Hi-C GRange. olap - findOverlaps (credranges, hicenhancer) credhic - credranges[queryHits(olap)] mcols (credhic) - cbind (mcols(credhic), mcols(hicenhancer[subjectHits(olap)))) )</li>
	</ol>
</li>
	<li>Compiler les gènes candidats AD définis par la cartographie positionnelle et les profils d'interaction de chromatine. Les gènes candidats résultants pour l'AD : ADgenes - Réduire (union, liste(gène credhic$, credexon$gene, credpromoter$gene)) Pour convertir l'ID Gène Ensembl en symbole HGNC charge ("geneAnno.rda") ADhgnc - geneAnno1[match(ADgenes, geneAnno$ensembl_gene_id), "hgnc_symbol"] ADhgnc - ADhgnc[ADhgnc! enregistrer (ADgenes, ADhgnc, fichier "ADgenes.rda") write.table (ADhgnc, fichier "ADgenes.txt", row.names-F, col.names-F, devisF, sep'"t")</li>
</ol>4. Trajectoires d'expression développementale
REMARQUE : Pour chaque étape, tapez le code correspondant dans la fenêtre de la console dans RStudio.
<ol><li>Installé en R. bibliothèque (remodelage); bibliothèque(ggplot2); bibliothèque (GenomicRanges); bibliothèque (biomaRt) bibliothèque ("WGCNA") options (stringsAsFactors-F)</li>
	<li>Expression du processus et méta données. datExpr - read.csv ("expression_matrix.csv", en-tête - FALSE) datExpr et datExpr[,-1] datMeta - read.csv ("columns_metadata.csv") datProbes - read.csv ("rows_metadata.csv") datExpr - datExpr[datProbes$ensembl_gene_id! datProbes - datProbes[datProbes$ensembl_gene_id! datExpr.crSD collapseRows(datExpr, rowGroup - datProbes$ensembl_gene_id, rowIDMD rownames (datExpr)) datExpr - datExpr.cr$datETcollapsed gename - data.frame (datExpr.cr$group2row) rownames (datExpr) - gename$group<ol>
<li>Spécifier les stades de développement. datMeta$Unité - "Postnatal" idx et grep ("pcw", datMeta$age) datMeta$Unit[idx] - "Prénatal" idx et grep ("yrs", datMeta$age) datMeta$Unit[idx] - "Postnatal" datMeta$Unit -facteur (datMeta$Unit, levels'c("Prenatal", "Postnatal"))</li>
		<li>Sélectionnez les régions corticales. datMeta$Region - "SubCTX" c ("A1C", "STC", "ITC", "TCx", "OFC", "DFC", "VFC", "MFC", "M1C", "S1C", "IPC", "M1C-S1C", "PCx", "V1C", "Ocx") datMeta$Region[datMeta$structure_acronym %in% r] - "CTX" datExpr - datExpr[,qui(datMeta$Region" "CTX")] datMeta et datMeta[qui(datMeta$Region" "CTX"),] enregistrer (datExpr, datMeta, fichier "devExpr.rda")</li>
	</ol>
</li>
	<li>Extraire les profils d'expression développementale des gènes de risque d'AD. charge ("ADgenes.rda") exprdat - appliquer(datExpr[match(ADgenes, rownames(datExpr)),2,mean,na.rm-T) dat -data.frame (Region-datMeta$Region, Unit-datMeta$Unit, Expr-exprdat)</li>
	<li>Comparez les niveaux d'expression prénatale par rapport aux niveaux postnatals des gènes à risque de MA. pdf (fichier"developmental_expression.pdf") ggplot (dat,aes(x-Unit, y-Expr, fill-Unit, alpha-Unit)) - ylab ("Normalized expression") - geom_boxplot (outlier.size - NA) - ggtitle ("Brain Expression") - xlab ("") - scale_alpha_manual (values-c(0.2, 1)theme_classic) ) dev.off()</li>
</ol>5. Profils d'expression de type cellulaire
REMARQUE : Pour chaque étape, tapez le code correspondant dans la fenêtre de la console dans RStudio.
<ol><li>Installé en R. options (stringsAsFactors-F) charge ("ADgenes.rda") charge ("geneAnno.rda") nom de cible 'AD' targetgene - ADhgnc cellexp - read.table ("DER-20_Single_cell_expression_processed_TPM_backup.tsv", header-T,fill-T) cellexp[1121,1] - cellexp[1120,1] cellexp - cellexp[-1120,] rownames (cellexp) - cellexp[,1] cellexp et cellexp[,-1] datExpr -échelle (cellexp,centre-T, échelle F) datExpr - datExpr[,789:ncol(datExpr)]</li>
	<li>Extraire les profils d'expression cellulaire des gènes de risque d'ANNONCE. exprdat - appliquer(datExpr[match(targetgene, rownames(datExpr)),2,mean,na.rm-T) dat 'data.frame(Group'targetname, cell-names(exprdat), Expr'exprdat) dat$celltype -unlist(lapply(strsplit(dat$cell, split"[.]"), '[[',1))) dat et dat[-grep) («Ex» In"dat$celltype),] dat$celltype 'gsub',"Dev","Fetal,"dat$celltype) dat$celltype - facteur (dat$celltype, levels'c("Neurons","Astrocytes","Microglia","Endothelial", Oligodendrocytes","OPC","Fetal")) pdf (fichier"singlecell_expression_ADgenes.pdf") ggplot (dat,aes(x-celltype, y-Expr, fill-celltype)) ylab (« Expression normalisée ») ' xlab(« » - geom_violin () - thème (axis.text.x -element_text (angle 90, hjust-1)) - thème (legend.position ' "no") ggtitle (paste0("Profils d'expression cellulaire des gènes de risque de la MA")) dev.off()</li>
</ol>6. Analyse de l'enrichissement de l'annotation génétique des gènes de risque de la MA
<ol><li>Téléchargez et configurez HOMER en tapant les commandes ci-dessous en terminal. homer mkdir cd homer wget http://homer.ucsd.edu/homer/configureHomer.pl perl ./configureHomer.pl -installer perl ./configureHomer.pl -installer humain-p perl ./configureHomer.pl -installer humain-o</li>
	<li>Exécutez HOMER en tapant les commandes ci-dessous en terminal. exportation DE PATH-$PATH : '/travail/homer/bin' findMotifs.pl '/travail/ADgenes.txt humain'/travail/</li>
	<li>Tracez les termes enrichis en tapant le code suivant dans la fenêtre de la console dans RStudio. bibliothèque (ggpubr) options (stringsAsFactors-F) pdf ("GO_enrichment.pdf", largeur 15,hauteur 8) plot_barplot fonction (dbname,name,color) entrée - read.delim (paste0(dbname,".txt"),header-T) entrée [,c(-1,-10,-11)] entrée unique (entrée) entrée$FDR ' p.adjust(exp(input$logP)) input_sig ' input[input$FDR 'lt; 0.1,] input_sig$FDR -log10(input_sig$FDR) input_sig et input_sig[commande(input_sig $FDR),] p ggbarplot (input_sig, x ' "Term", y ' 'FDR', 'remplir', couleur - "blanc", sort.val -"asc", ylab - expression (-log[10](italique (FDR))), xlab -paste0 (nom," Conditions"), rotation - TRUE, étiquette 'paste0(input_sig$Target.Genes.in.Term,"/"input_sig$Genes.in.Term), police.label 'list(color '"white", taille '9), lab.vjust '0.5, lab.hjust p ' p 'geom_hline(yintercept ' -log10(0.05), linetype '2, couleur 'lightgray') retour(p) } p1 - plot_barplot ("biological_process","GO Biological Process","#00AFBB") p2 - plot_barplot ("kegg","KEGG","#E7B800") p3 - plot_barplot ("reactome","Reactome","#FC4E07") ggarrange(p1, p2, p3, étiquettes 'c("A", "B", "C"), ncol '2, nrow '2) dev.off()</li>
</ol>

<ol><li>Dekker, J., Misteli, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Long-Range+Chromatin+Interactions%5BTitle%5D)+AND+%22Cold+Spring+Harbor+Perspectives+in+Biology%22%5BJournal%5D)">Long-Range Chromatin Interactions.</a> Cold Spring Harbor Perspectives in Biology. 7 (10), a019356(2015).</li>
<li>Sanyal, A., Lajoie, B. R., Jain, G., Dekker, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+long-range+interaction+landscape+of+gene+promoters%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">The long-range interaction landscape of gene promoters.</a> Nature. 489 (7414), 109-113 (2012).</li>
<li>Plank, J. L., Dean, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Enhancer+function%3A+mechanistic+and+genome-wide+insights+come+together%5BTitle%5D)+AND+%22Molecular+Cell%22%5BJournal%5D)">Enhancer function: mechanistic and genome-wide insights come together.</a> Molecular Cell. 55 (1), 5-14 (2014).</li>
<li>Dekker, J., Marti-Renom, M. A., Mirny, L. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+the+three-dimensional+organization+of+genomes%3A+interpreting+chromatin+interaction+data%5BTitle%5D)+AND+%22Nature+Reviews+Genetics%22%5BJournal%5D)">Exploring the three-dimensional organization of genomes: interpreting chromatin interaction data.</a> Nature Reviews Genetics. 14 (6), 390-403 (2013).</li>
<li>Martin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Capture+Hi-C+reveals+novel+candidate+genes+and+complex+long-range+interactions+with+related+autoimmune+risk+loci%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Capture Hi-C reveals novel candidate genes and complex long-range interactions with related autoimmune risk loci.</a> Nature Communications. 6, 10069(2015).</li>
<li>Won, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chromosome+conformation+elucidates+regulatory+relationships+in+developing+human+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Chromosome conformation elucidates regulatory relationships in developing human brain.</a> Nature. 538 (7626), 523-527 (2016).</li>
<li>Jäger, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Capture+Hi-C+identifies+the+chromatin+interactome+of+colorectal+cancer+risk+loci%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Capture Hi-C identifies the chromatin interactome of colorectal cancer risk loci.</a> Nature Communications. 6, 6178(2015).</li>
<li>Chen, J. A. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Joint+genome-wide+association+study+of+progressive+supranuclear+palsy+identifies+novel+susceptibility+loci+and+genetic+correlation+to+neurodegenerative+diseases%5BTitle%5D)+AND+%22Molecular+Neurodegeneration%22%5BJournal%5D)">Joint genome-wide association study of progressive supranuclear palsy identifies novel susceptibility loci and genetic correlation to neurodegenerative diseases.</a> Molecular Neurodegeneration. 13 (1), 41(2018).</li>
<li>Wang, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comprehensive+functional+genomic+resource+and+integrative+model+for+the+adult+brain%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Comprehensive functional genomic resource and integrative model for the adult brain.</a> Science. 362 (6420), eaat8464(2018).</li>
<li>Demontis, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Discovery+of+the+first+genome-wide+significant+risk+loci+for+attention+deficit%2Fhyperactivity+disorder%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Discovery of the first genome-wide significant risk loci for attention deficit/hyperactivity disorder.</a> Nature Genetics. 51 (1), 63-75 (2019).</li>
<li>Grove, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+common+genetic+risk+variants+for+autism+spectrum+disorder%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Identification of common genetic risk variants for autism spectrum disorder.</a> Nature Genetics. 51 (3), 431-444 (2019).</li>
<li>Lee, P. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome+wide+meta-analysis+identifies+genomic+relationships%2C+novel+loci%2C+and+pleiotropic+mechanisms+across+eight+psychiatric+disorders%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Genome wide meta-analysis identifies genomic relationships, novel loci, and pleiotropic mechanisms across eight psychiatric disorders.</a> bioRxiv. , 528117(2019).</li>
<li>Mah, W., Won, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+three-dimensional+landscape+of+the+genome+in+human+brain+tissue+unveils+regulatory+mechanisms+leading+to+schizophrenia+risk%5BTitle%5D)+AND+%22Schizophrenia+Research%22%5BJournal%5D)">The three-dimensional landscape of the genome in human brain tissue unveils regulatory mechanisms leading to schizophrenia risk.</a> Schizophrenia Research. , In press (2019).</li>
<li>Jansen, I. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+meta-analysis+identifies+new+loci+and+functional+pathways+influencing+Alzheimer%27s+disease+risk%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Genome-wide meta-analysis identifies new loci and functional pathways influencing Alzheimer's disease risk.</a> Nature Genetics. 51 (3), 404-413 (2019).</li>
<li>Viola, K. L., Klein, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Amyloid+%CE%B2+oligomers+in+Alzheimer%27s+disease+pathogenesis%2C+treatment%2C+and+diagnosis%5BTitle%5D)+AND+%22Acta+Neuropathologica%22%5BJournal%5D)">Amyloid β oligomers in Alzheimer's disease pathogenesis, treatment, and diagnosis.</a> Acta Neuropathologica. 129 (2), 183-206 (2015).</li>
<li>Mroczko, B., Groblewska, M., Litman-Zawadzka, A., Kornhuber, J., Lewczuk, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Amyloid+%CE%B2+oligomers+%28A%CE%B2Os%29+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neural+Transmission%22%5BJournal%5D)">Amyloid β oligomers (AβOs) in Alzheimer's disease.</a> Journal of Neural Transmission. 125 (2), 177-191 (2018).</li>
<li>Heneka, M. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroinflammation+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Lancet+Neurology%22%5BJournal%5D)">Neuroinflammation in Alzheimer's disease.</a> Lancet Neurology. 14 (4), 388-405 (2015).</li>
<li>Minter, M. R., Taylor, J. M., Crack, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+contribution+of+neuroinflammation+to+amyloid+toxicity+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neurochemistry%22%5BJournal%5D)">The contribution of neuroinflammation to amyloid toxicity in Alzheimer's disease.</a> Journal of Neurochemistry. 136 (3), 457-474 (2016).</li>
<li>Hansen, D. V., Hanson, J. E., Sheng, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microglia+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22The+Journal+of+Cell+Biology%22%5BJournal%5D)">Microglia in Alzheimer's disease.</a> The Journal of Cell Biology. 217 (2), 459-472 (2018).</li>
<li>Gjoneska, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conserved+epigenomic+signals+in+mice+and+humans+reveal+immune+basis+of+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Conserved epigenomic signals in mice and humans reveal immune basis of Alzheimer's disease.</a> Nature. 518 (7539), 365-369 (2015).</li>
<li>Benner, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FINEMAP%3A+efficient+variable+selection+using+summary+data+from+genome-wide+association+studies%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">FINEMAP: efficient variable selection using summary data from genome-wide association studies.</a> Bioinformatics. 32 (10), 1493-1501 (2016).</li>
<li>Hormozdiari, F., Kostem, E., Kang, E. Y., Pasaniuc, B., Eskin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+causal+variants+at+loci+with+multiple+signals+of+association%5BTitle%5D)+AND+%22Genetics%22%5BJournal%5D)">Identifying causal variants at loci with multiple signals of association.</a> Genetics. 198 (2), 497-508 (2014).</li>
<li>Tewhey, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Direct+Identification+of+Hundreds+of+Expression-Modulating+Variants+using+a+Multiplexed+Reporter+Assay%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Direct Identification of Hundreds of Expression-Modulating Variants using a Multiplexed Reporter Assay.</a> Cell. 165 (6), 1519-1529 (2016).</li>
<li>Arnold, C. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+quantitative+enhancer+activity+maps+identified+by+STARR-seq%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Genome-wide quantitative enhancer activity maps identified by STARR-seq.</a> Science. 339 (6123), 1074-1077 (2013).</li>
<li>Kent, W. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+human+genome+browser+at+UCSC%5BTitle%5D)+AND+%22Genome+Research%22%5BJournal%5D)">The human genome browser at UCSC.</a> Genome Research. 12 (6), 996-1006 (2002).</li>
<li>Kang, H. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+transcriptome+of+the+human+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Spatio-temporal transcriptome of the human brain.</a> Nature. 478 (7370), 483-489 (2011).</li>
</ol>

Les auteurs n'ont rien à révéler.

Ici, nous décrivons un cadre analytique qui peut être utilisé pour annoter fonctionnellement GWS loci basé sur la cartographie positionnelle et les interactions de chromatine. Ce processus comporte plusieurs étapes (pour plus de détails voir cet examen13). Tout d'abord, étant donné que les profils d'interaction de chromatine sont fortement de type cellulaire spécifique, les données Hi-C obtenues à partir des types appropriés de cellules/tissus qui capturent le mieux la biologie sous-jacente du trouble doivent être utilisées. Étant donné que la MA est un trouble neurodégénératif, nous avons utilisé le cerveau adulte Hi-C données9 pour annoter GWS loci. Deuxièmement, chaque locus GWS a souvent jusqu'à des centaines de SNP qui sont associés au trait en raison du déséquilibre de liaison (LD), il est donc important d'obtenir des SNP causals putatifs (« crédibles ») en prédisant causalité par l'utilisation d'algorithmes de cartographie fine21,22 ou de tester expérimentalement des activités de réglementation en utilisant des approches à haut débit telles que des essais de reporter massivement parallèles (MPRA)23 ou l'auto-transcrire le séquençage actif de la région réglementaire ( STARR-seq)24. Pour le travail décrit ici, nous avons utilisé des SNP crédibles rapportés dans Jansen et al.14. Troisièmement, les SNP promoteurs et exoniques sont annotés en fonction de la cartographie de position. Nous avons utilisé une stratégie de cartographie positionnelle simple dans laquelle les SNP ont été cartographiés aux gènes lorsqu'ils se chevauchaient avec des promoteurs (définis comme 2 kb en amont du site de démarrage de transcription) ou des exons. Cependant, cette approche peut être plus approfondie en évaluant les conséquences fonctionnelles des SNP exoniques, telles que si le SNP induit la décomposition médiatisée de non-sens, la variation de mauvais sens, ou la variation absurde. Quatrièmement, les profils d'interaction de chromatine du type approprié de tissu/cellule peuvent être employés pour assigner des SNP à leurs gènes cibles putatifs basés sur la proximité physique. Nous avons utilisé des profils d'interaction ancrés aux promoteurs, mais nous pouvons affiner ou élargir davantage les profils d'interaction en tenant compte des activités d'amélioration (guidées par l'acétylation ou l'accessibilité de la chromatine h3 K27) ou des interactions exoniques. Une considération importante dans ce processus est d'utiliser la construction cohérente du génome humain. Par exemple, si les positions génomiques des statistiques sommaires ne sont pas fondées sur hg19 (c.-à-d. hg18 ou hg38), une version appropriée du génome de référence devrait être obtenue ou les statistiques sommaires doivent être converties en hg19 à l'aide de l'élévateur25.
Nous avons appliqué ce cadre pour identifier les gènes cibles putatifs pour AD GWAS, en attribuant 284 SNP à 112 gènes de risque ad. En utilisant les profils d'expression développementale26 et les profils d'expression spécifiques de type cellulaire9, nous avons alors démontré que cet ensemble de gènes était compatible avec ce que l'on sait sur la pathologie de la MA, révélant les types cellulaires (microglies), les fonctions biologiques (réponse immunitaire et bêta amyloïde), et le risque élevé à l'âge.
Bien que nous ayons présenté un cadre qui délimite les gènes cibles potentiels de la MA et de sa biologie sous-jacente, il est à noter que l'annotation basée sur le Hi-C peut être élargie pour annoter toute variation non codante. Au fur et à mesure que de plus en plus de données sur le séquençage du génome entier seront disponibles et que notre compréhension de la variation rare non codante s'accroît, Le Hi-C constituera une ressource clé pour l'interprétation des variantes génétiques associées à la maladie. Un recueil de ressources Hi-C obtenues à partir de plusieurs types de tissus et de cellules sera donc essentiel pour faciliter une large application de ce cadre afin d'obtenir des informations biologiques sur divers traits humains et maladies.

Les études d'association à l'échelle du génome (GWAS) ont joué un rôle essentiel en révélant la base génétique d'une gamme de traits et de maladies humains. Ce génotypage à grande échelle a mis au jour des milliers de variantes génomiques associées à des phénotypes allant de la hauteur au risque de schizophrénie. Cependant, en dépit de l'énorme succès de GWAS dans l'identification des loci associés à la maladie et au trait, une compréhension mécaniste de la façon dont ces variantes contribuent au phénotype a été difficile parce que la plupart des variantes associées au phénotype résident dans le non-codage fraction du génome humain. Étant donné que ces variantes se chevauchent souvent avec les éléments réglementaires prévus, elles sont susceptibles de modifier le contrôle transcriptionnel d'un gène voisin. Cependant, les loci non codants peuvent influencer la transcription des gènes à des distances linéaires dépassant une mégabase, ce qui rend les gènes affectés par chaque variante difficiles à identifier. La structure tridimensionnelle (3D) de chromatine joue un rôle important dans la médiation des connexions entre les loci régulateurs éloignés et les promoteurs de gènes et peut être utilisée pour identifier les gènes affectés par les polymorphismes mononucléotides associés au phénotype (SNP).
La régulation génique est médiée par un processus complexe, qui implique l'activation de l'améliorateur et la formation de boucles de chromatine qui relient physiquement les exhausteurs aux promoteurs de gènes auxquels la machinerie transcriptionnelle peut être dirigée1,2,3. Étant donné que les boucles de chromatine couvrent souvent plusieurs centaines de kilobases (kb), des cartes détaillées de l'architecture de chromatine 3D sont nécessaires pour déchiffrer les mécanismes de régulation des gènes. Plusieurs technologies de capture de conformation de chromatine ont été inventées pour identifier l'architecture de chromatine 3D4. Parmi ces technologies, Hi-C fournit l'architecture la plus complète, car elle capture des profils d'interaction de chromatine 3D à l'échelle du génome. Les ensembles de données Hi-C ont été rapidement adaptés pour interpréter les variantes non codantes significatives (GWS) loci5,7,8,9,10,11,12,13, car il peut lier les variantes non codantes à leurs gènes cibles putatives basées sur des profils d'interaction de chromatine.
Dans cet article, nous énoncions un protocole pour prévoir computationnellement les gènes cibles putatifs des variantes de risque de GWAS utilisant des profils d'interaction de chromatine. Nous appliquons ce protocole pour cartographier AD GWS loci14 à leurs gènes cibles en utilisant des ensembles de données Hi-C dans le cerveau humain adulte9. Les gènes de risque de la MA qui en résultent sont caractérisés par d'autres ensembles de données génomiques fonctionnelles qui comprennent des profils d'expression transcriptomique et développementale à cellule unique.

<table><tbody><tr><td>Profils d’interaction Hi-C d’une résolution de 10 kb dans le cerveau adulte à partir de psychencode</td><td></td><td></td><td><a target="_blank » href="http://adult.psychencode.org/Datasets/Integrative/Promoter-anchored_chromatin_loops.bed">http://adult.psychencode.org/</a></td></tr><tr><td>Ensembles de données d’expression développementale</td><td></td><td></td><td><a target="_blank » href="http://www.brainspan.org/api/v2/well_known_file_download/267666527">http://www.brainspan.org/</a></td></tr><tr><td>SNP crédibles pour la DA (Tableau supplémentaire 8 de Jansen et al.14)</td><td></td><td></td><td><a target="_blank » href="https://static-content.springer.com/esm/art%3A10.1038%2Fs41588-018-0311-9/MediaObjects/41588_2018_311_MOESM3_ESM.xlsx » >https://static-content.springer.com/</a></td></tr><tr><td>HOMER</td><td></td><td></td><td><a target="_blank » href="http://homer.ucsd.edu/homer/configureHomer.pl">http://homer.ucsd.edu/</a></td></tr><tr><td>R (version 3.5.0)</td><td></td><td></td><td><a target="_blank » href="https://www.r-project.org/">https://www.r-project.org/</a></td></tr><tr><td>RStudio Desktop</td><td></td><td></td><td><a target="_blank » href="https://www.rstudio.com/products/rstudio/download/">https://www.rstudio.com/</a></td></tr><tr><td>Ensembles de</td><td></td><td></td> données d’expression de cellule unique<td><a target="_blank » href="http://adult.psychencode.org/Datasets/Derived/SC_Decomp/DER-20_Single_cell_expression_processed_TPM_backup.tsv">http://adult.psychencode.org/</a></td></tr></tbody></table>

cartographier les variantes de la maladie d'alzheimer à leurs gènes cibles à l'aide de l'analyse computationnelle de la configuration de la chromatine

Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration

Des études d'association à l'échelle du génome (GWAS) ont permis d'identifier avec succès des centaines de loci génomiques qui sont associés à des traits humains et à des maladies. Cependant, parce que la majorité des loci significatifs de génome (GWS) tombent sur le génome non-codant, l'impact fonctionnel de beaucoup restent inconnus. Les interactions tridimensionnelles de chromatine identifiées par Hi-C ou ses dérivés peuvent fournir des outils utiles pour annoter ces loci en reliant les variantes non codantes à leurs gènes exploitables. Ici, nous énoncions un protocole pour cartographier les variantes non codantes gWAS à leurs gènes putatifs en utilisant la maladie d'Alzheimer (MA) GWAS et Hi-C ensembles de données à partir de tissu cérébral adulte humain. Les polymorphismes causals putatifs à un seul nucléotide (SNP) sont identifiés par l'application d'algorithmes de cartographie fine. Les SNP sont ensuite cartographiés selon leurs gènes cibles putatifs à l'aide d'interactions enhancer-promoteur basées sur Hi-C. L'ensemble de gènes qui en résulte représente les gènes de risque de la MA, car ils sont potentiellement réglementés par des variantes de risque aD. Afin d'obtenir d'autres connaissances biologiques sur les mécanismes moléculaires sous-jacents à la MA, nous caractérisons les gènes à risque de la MA à l'aide de données sur l'expression cérébrale développementale et de profils d'expression monocellulaire du cerveau. Ce protocole peut être étendu à n'importe quel ensemble de données GWAS et Hi-C afin d'identifier les gènes cibles putatifs et les mécanismes moléculaires sous-jacents à divers traits et maladies humains.

Le processus décrit ici a été appliqué à un ensemble de 800 SNP crédibles qui ont été définis par l'étude originale14. La cartographie de position a révélé que 103 SNP chevauchaient les promoteurs (43 gènes uniques) et 42 SNP chevauchés avec des exons (27 gènes uniques). Après cartographie positionnelle, 84 % (669) SNP sont restés sans annotated. En utilisant des ensembles de données Hi-C dans le cerveau adulte, nous avons pu relier 208 SNP supplémentaires à 64 gènes basés sur la proximité physique. Au total, nous avons cartographié 284 SNP crédibles adm. 100 à 112 gènes à risque AD(figure 1A). Les gènes de risque d'AD ont été associés aux protéines de précurseur amyloïde, à la formation amyloïde-bêta, et à la réponse immunitaire, reflétant la biologie connue de l'AD15,16,17,18 ( figure1B-D). Les profils d'expression développementale des gènes de risque de MA ont montré l'enrichissement postnatal marqué, indicatif du risque élevé associé à l'âge de la MA (figure 2A). Enfin, les gènes du risque de MA ont été fortement exprimés dans les microglies, les cellules immunitaires primaires du cerveau (Figure 2B). Ceci est en accord avec les résultats récurrents que la MA a une base immunitaire forte et les microglies sont l'acteur central dans la pathogénie AD14,19,20.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/60428/60428fig1b.jpg"> Figure 1 : Définir les gènes cibles putatifs des loci AD GWS. (A) Les SNP crédibles dérivés des 29 principaux loci ads ont été classés dans les SNP promoteurs, les SNP exoniques et les SNP non codants non annotés. Le promoteur et les SNP exoniques ont été directement affectés à leurs gènes cibles par cartographie positionnelle, tandis que les profils d'interaction de chromatine dans le cerveau adulte ont été en outre utilisés pour cartographier les SNP en fonction des interactions physiques. (B-D) L'enrichissement de GO (B), KEGG (C), et Reactome (D) termes dans les gènes de risque de LA D a été effectué en utilisant HOMER comme décrit dans la section 6 du protocole. L'axe x représente le faux taux de découverte (FDR) corrigé -log10 (valeur P). Des termes enrichis avec FDR et 0,1 ont été tracés. Les lignes verticales grises représentent le FDR 0,05. Protéine précurseur amyloïde d'APP. Numérateur, le nombre de gènes de risque de MA représentés dans chaque terme ; dénominateur, le nombre de gènes dans chaque terme. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig1alarge.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/60428/60428fig2.jpg"> Figure 2 : Caractérisation des gènes à risque de la MA. (A) les gènes de risque d'AD sont fortement exprimés dans le cortex postnatal comparé au cortex prénatal. (B) Des parcelles de violon représentant des distributions de valeurs d'expression génique (expression normalisée) dans différents types de cellules du cortex. Ces résultats montrent que les gènes de risque de LAD sont fortement exprimés dans les microglies, conformément aux études précédentes14. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig2large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de ce chiffre.</a>
Dossier supplémentaire 1. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_exon.bed" target="_blank">S'il vous plaît cliquez ici pour voir ce fichier (Clic droit pour télécharger).</a>
Dossier supplémentaire 2. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_promoter.bed" target="_blank">S'il vous plaît cliquez ici pour voir ce fichier (Clic droit pour télécharger).</a>
Dossier supplémentaire 3. <a href="https://www.jove.com/files/ftp_upload/60428/geneAnno.rda" target="_blank">S'il vous plaît cliquez ici pour voir ce fichier (Clic droit pour télécharger).</a>

Nous présentons un protocole pour identifier les implications fonctionnelles des variantes non codantes identifiées par des études d'association à l'échelle du génome (GWAS) utilisant des interactions tridimensionnelles de chromatine.

Cartographier les variantes de la maladie d'Alzheimer à leurs gènes cibles à l'aide de l'analyse computationnelle de la configuration de la chromatine

Genome-wide association studies (GWAS) have successfully identified hundreds of genomic loci that are associated with human traits and disease. However, ...

Bien que le GWAS aient réussi à identifier les régions génomiques associées aux traits et aux maladies humains, l’impact biologique de ces variantes de risque n’est pas clair. Ici, nous décrivons un protocole pour prédire de façon computationnelle les gènes cibles putatifs des variantes de risque GWAS à l’aide de profils d’interaction chromatine. Souvent, l’identification des gènes à risque est une première étape pour comprendre les mécanismes de la maladie et permettre des approches thérapeutiques normales.Nous espérons que les résultats de ces travaux pourraient éventuellement mener à des stratégies finales pour diagnostiquer et traiter la maladie d’Alzheimer. Le principal avantage de cette technique est qu’en utilisant des fréquences de contact chromoton 3D, nous pouvons identifier les gènes affectés par la variance du risque de la maladie d’Alzheimer, même si elles sont des milliers, voire des millions de paires de base. Lorsque vous essayez ce protocole, la familiarité avec R ou un système de paire X est essentielle parce que l’utilisateur est censé effectuer l’ensemble du protocole avec le système.Pour effectuer ce protocole computationnel, consultez le code dans le manuscrit du texte ou à l’écran. Commencez, en s’installant en R, à générer un objet de gammes G pour des polymorphismes nucléatides simples crédibles ou SNPS. Pour la cartographie positionnelle, configurer en R puis charger le promoteur et la région exonique et générer un objet de plage G.Chevaucher le SNPS crédible avec les régions exoniques et avec les régions promoteurs. Pour relier SNPS à leurs gènes cibles putatifs à l’aide des interactions Chromaton, chargez l’ensemble de données Hi C et générez un objet de plage G. Chevauchez le SNPS crédible avec l’objet hi c g.Et compiler les gènes candidats à la MA, définis par la cartographie positionnelle et les profils d’interaction chromoton. Ensuite, explorez les trajectoires de développement. Configurer en R et traiter les métadonnées d’expression.Spécifiez les stades de développement et sélectionnez les régions corticales. Extraire les profils d’expression développementale des gènes à risque de LA et comparer les niveaux d’expression prénatale par rapport aux niveaux d’expression postnatale. Étudier les profils d’expression de type cellulaire en s’installant en R et en extrayant les profils d’expression cellulaire du risque de MA.Enfin, effectuez l’analyse d’enrichissement d’annotation génétique des gènes de risque d’ANNONCE. Téléchargez et configurez Homer. Ensuite, exécutez Homer et tracez les termes enrichis avec R Studio.Un ensemble de 800 SNP crédibles a fait l’objet d’une enquête à l’aide de ce processus. La cartographie positionnelle a révélé que 103 SNP se chevauchaient avec les promoteurs et que 42 SNP se chevauchaient avec les Exons, tandis que 84 % des SNP n’étaient toujours pas annotés. À l’aide d’ensembles de données Hi-C dans le cerveau adulte, 208 SNP supplémentaires ont été associés à 64 gènes basés sur la proximité physique.Au total, 284 SNP crédibles ont été cartographiés sur 112 gènes à risque de MA. Les gènes à risque de la MON ont été associés aux protéines précurseurs amyloïdes, à la formation bêta-amyloïde et à la réponse immunitaire, ce qui reflète la biologie connue de la maladie. Les profils d’expression développementale des gènes à risque de LA ont montré un enrichissement postnatal marqué indiquant le risque élevé associé à l’âge de la maladie.Enfin, les gènes ont été fortement exprimés dans les microglies les cellules immunitaires primaires dans le cerveau qui soutient les résultats récurrents que l’ANNONCE a une base immunitaire forte. Ici, nous utilisons les données Hi-C du tissu cérébral pour analyser un impact biologique de la variance du risque de la maladie d’Alzheimer. Toutefois, il est essentiel d’appliquer cette méthode à une autre étude du GWAS sur le niveau des nouvelles données Hi-C dans le tissu pertinent.Ces résultats peuvent être étudiés et validés à l’aide de technologies plus nettes, d’analyses de journalistes exhausteurs ou en croisant avec d’autres ensembles de données génomiques fonctionnelles tels que les EQTLs. Ici, nous identifions des dizaines de gènes à risque de la maladie d’Alzheimer et nous nous attendons à ce que l’identification de ces gènes puisse nous aider à comprendre leur rôle jusque-là inconnu dans la maladie d’Alzheimer.

mapping-alzheimer-s-disease-variants-to-their-target-genes-using

Research

Recherche

JoVE Journal

Genetics

Génétique

Ici, nous présentons une immunoprécipitation de la chromatine (ChIP) procédure pour analyse de la localisation du génome entier d'isoformes de protéines qui diffèrent dans un domaine histone-contraignant. Nous sommes en l'appliquant à ChIP-Seq analyse pour identifier les cibles de la déméthylase KDM5A/JARID1A/RBP2 histones.

Analyse du génome entier en utilisant ChIP d&#39;identifier les gènes cibles spécifiques Isoform

Nous décrivons ici un essai en couplant l'identification ADN adénine méthyltransférase (DamID) pour le séquençage à haut débit (DamID-seq). Cette méthode améliorée offre une résolution plus élevée et une plage dynamique plus large, et permet l'analyse des données DamID-Seq en conjonction avec d'autres données de séquençage à haut débit tels que ChIP-seq, ARN-Seq, etc.

DamID-seq: L&#39;échelle du génome Cartographie des protéine-ADN Interactions par séquençage à haut débit de fragments d&#39;ADN adénine-méthylé

Nous présentons un plan stratégique et un protocole pour identifier les variants génétiques non codants affectant la liaison à l’ADN du facteur de transcription (TF). Un protocole expérimental détaillé est fourni pour l’analyse du test de déplacement de mobilité électrophorétique (EMSA) et du test de précipitation d’affinité de l’ADN (DAPA) de la liaison de l’ADN TF dépendant du génotype.

Le dépistage de la fonctionnelle non-codant des variants génétiques utilisant mobilité électrophorétique Maj Assay (EMSA) et l&#39;ADN-affinité Précipitations Assay (DAPA)

Ce travail décrit un protocole de séquençage optimisé du domaine de liaison au méthyl-CpG (MBD) et une canalisation de calcul pour identifier des régions riches en CpG différentiellement méthylées chez les patients atteints de leucémie lymphocytaire chronique (CLL).

Analyse approfondie de la méthylation d&#39;ADN en utilisant un procédé de capture de domaine de liaison au méthyl-CpG dans les patients atteints de leucémie lymphocytaire chronique

Ici, nous décrivons une méthode innovante pour déterminer les polymorphismes de la longueur du récepteur 1 (CR1) pour une utilisation dans plusieurs applications, en particulier l'évaluation de la sensibilité à des maladies telles que la maladie d'Alzheimer (AD). Cette méthode pourrait être utile pour mieux comprendre le rôle des isoformes CR1 dans la pathogenèse de l'AD.

PCR de fusion haute résolution pour le complément du récepteur 1 Polymorphisme de longueur Le génotypage: un outil novateur pour l&#39;évaluation de la sensibilité des gènes de la maladie d&#39;Alzheimer

Dosage pour la Transposase Accessible chromatine couplé avec le séquençage haut-débit (ATAC-seq) est une méthode de Génome-large pour découvrir la chromatine accessible. Il s’agit d’un protocole étape par étape de ATAC-seq, du moléculaire à la dernière analyse computationnelle, optimisé pour les lymphocytes humains (Th1/Th2). Ce protocole peut être adopté par les chercheurs sans expérience préalable dans les méthodes de séquençage de prochaine génération.

Cartographie de tout le génome de chromatine Accessible dans les Lymphocytes T humains primaires par ATAC-Seq

Nous décrivons ici un protocole de puce-séquençage haut débit optimisé et pipeline analyses calcul pour la détermination de modèles État pangénomique chromatine de lignées de cellules et tissus tumoraux congelés.

Une plate-forme intégrée pour la cartographie de la Genome-wide, des États de la chromatine, à l’aide de la puce séquençage haut-débit dans les tissus de la tumeur

Séquençage ciblé de nouvelle génération est une approche temps et coût-efficace qui devient de plus en plus populaire en recherche sur les maladies et diagnostic clinique. Le protocole décrit ici présente le flux de travail complexe requis pour le séquençage et le processus de bio-informatique permet d’identifier des variants génétiques qui contribuent à la maladie.

Ciblé le séquençage Next-generation et bioinformatique Pipeline afin d’évaluer les déterminants génétiques de la maladie constitutionnelle

Ce protocole décrit la méthode Capture Hi-C utilisée pour caractériser l’organisation 3D de régions génomiques ciblées de taille mégamétrique à haute résolution, y compris les limites des domaines topologiquement associés (TAD) et les interactions chromatines à longue distance entre les éléments de séquence d’ADN régulateurs et autres.

Déchiffrer l’organisation de la chromatine 3D haute résolution via Capture Hi-C

Un protocole de cartographie de l’organisation tridimensionnelle du génome avec la résolution des nucléosomes à l’aide de la méthode de capture de conformation chromosomique à l’échelle du génome Micro-C-XL est présenté ici.

Cartographie des interactions du génome 3D des mammifères avec Micro-C-XL

Cette étude a analysé les transcriptomes à noyau unique de trente-trois personnes atteintes de la maladie d’Alzheimer (MA), révélant des DEG spécifiques au sexe dans les cellules gliales. L’analyse de l’enrichissement fonctionnel a mis en évidence les voies synaptiques, neuronales et hormonales. Des gènes clés, à savoir NLGN4Y et ses régulateurs, ont été identifiés, et des candidats thérapeutiques potentiels pour la MA spécifique au genre ont été proposés.

Identification de biomarqueurs pour la spécificité du sexe de la maladie d’Alzheimer sur la base des profils de transcriptome glial

Découvrez comment prédire les gènes cibles des variants de risque GWAS liés à la maladie d'Alzheimer en utilisant les profils d'interactions chromatiniennes 3D et les données Hi-C. Cette méthode computationnelle permet d'identifier 112 gènes de risque.

Cartographier les variantes de la maladie dAlzheimer à leurs gènes cibles à laide de lanalyse computationnelle de la configuration de la chromatine (Vidéo) | JoVE Journal

Cartographier les variantes de la maladie d'Alzheimer à leurs gènes cibles à l'aide de l'analyse computationnelle de la configuration de la chromatine

Explorer plus de vidéos