Lo studio di associazione integrativo a livello di trascrizione e la randomizzazione mendeliana identificano LYNX1 e MS4A14 come bersagli terapeutici per l'osteomielite

Summary

Questo studio integra l'analisi di associazioni a livello di trascrizione e la randomizzazione mendeliana per identificare sistematicamente i target dei farmaci per l'osteomielite. Sfruttando i database genetici, gli autori hanno identificato LYNX1 e MS4A14 come geni candidati chiave, evidenziando vie molecolari critiche e informando strategie terapeutiche precise per la gestione delle infezioni ossee.

Abstract

L'osteomielite è una grave malattia infettiva caratterizzata da una profonda infiammazione delle ossa e del midollo osseo ed è causata prevalentemente da patogeni batterici come Staphylococcus aureus (S. aureus). Tuttavia, i regimi terapeutici attuali sono significativamente ostacolati dall'emergere di resistenza agli antibiotici e infezioni ricorrenti, guidate dalla robusta formazione di biofilm e dalla persistenza batterica intracellulare. Pertanto, è urgente identificare nuovi bersagli terapeutici oltre agli antimicrobici convenzionali. Un approccio computazionale integrativo che combina uno studio di associazione a livello di trascristo (TWAS) con un'analisi di randomizzazione mendeliana basata su sommario (SMR) è stato applicato per identificare sistematicamente i geni di suscettibilità causale alla base dell'osteomielite. Varianti genetiche su larga scala sono state utilizzate come variabili strumentali per prevedere l'espressione genica tra i tessuti, permettendo di esplorare le associazioni causali tra questi bersagli e il rischio di malattia. Il quadro integrativo ha identificato LYNX1 e MS4A14 come geni candidati chiave e potenziali bersagli terapeutici. In particolare, LYNX1 era associato a una maggiore suscettibilità all'osteomielite, mentre MS4A14 mostrava potenziali proprietà protettive. Questi risultati evidenziano i ruoli regolatori di questi geni nella risposta immunitaria dell'ospite e nella modulazione infiammatoria durante l'infezione ossea. Questo studio colma il divario tra i risultati dell'associazione genomica a livello genomico e l'interpretazione biologica, promuovendo la comprensione della base genetica dell'osteomielite e supportando lo sviluppo di strategie di medicina di precisione mirate per rafforzare la difesa dell'ospite e superare la resistenza terapeutica.

Introduction

L'osteomielite è una grave malattia infettiva caratterizzata da una profonda infiammazione delle ossa e del midollo osseo. È spesso innescato da invasione batterica, con Staphylococcus aureus (S. aureus) che è un patogeno comune nelle presentazioni ematoide acute e^{croniche 1,2}. Sebbene S. aureus sia prominente, l'osteomielite è spesso polimicrobica e l'eradicazione di S. aureus da sola non risolve sempre l'infezione a causa della persistenza di microrganismi non coltivabili e delle interazioni dinamiche con^{biofilm 3,4}. Negli ospiti suscettibili, i patogeni impiegano strategie di evasione complesse, inclusa la persistenza intracellulare all'interno dei macrofagi e la formazione di biofilm densi. Questi biofilm, composti da DNA extracellulare, polisaccaridi e proteine specializzate, creano barriere fisiche formidabili che resistono alle difese immunitarie dell'ospite e limitano la penetrazione degli agenti antimicrobici^{convenzionali 5,6}. Di conseguenza, sebbene la gestione clinica preveda tipicamente un debridamento chirurgico aggressivo e una terapia antibiotica prolungata, la presenza di biofilm resilienti e comunità polimicrobiche riduce significativamente l'efficacia del trattamento, portando a morbilità prolungata e infezioni^{ricorrenti 7,8}. L'elucidazione dell'architettura molecolare alla base delle interazioni ospite–patogeno rimane fondamentale per identificare nuovi bersagli terapeutici⁹.

Gli studi di associazione a livello genomico (GWAS) hanno fatto avanzare la comprensione dell'osteomielite identificando molteplici loci genetici associati alla suscettibilità alla^{malattia 10}. Tuttavia, a causa delle rigide soglie multiple di test e delle limitazioni nella potenza statistica e nella dimensione del campione, molti loci critici che influenzano la suscettibilità all'osteomielite probabilmente rimangano non^rilevati7. Inoltre, l'interpretazione dei risultati GWAS rimane difficile, poiché la maggior parte delle varianti identificate si trova in regioni non codificanti o intergeniche, suggerendo effetti regolatori sull'espressione genica piuttosto che alterazioni dirette nella struttura^{proteica 11}. Inoltre, i dati GWAS primari mancano di specificità tessutale diretta, rendendo necessarie analisi complementari a valle per determinare i contesti cellulari in cui queste varianti esercitano i loro effetti. Gli studi di associazione a livello di trascrittoma (TWAS) affrontano queste limitazioni integrando l'espressione genica geneticamente prevista dai panel di riferimento nei dataset GWAS esistenti, consentendo l'identificazione sistematica di geni associati a malattie funzionalmente rilevanti su più^{tessuti 12}.

Per rafforzare l'inferenza causale, la randomizzazione mendeliana (MR) impiega varianti genetiche come variabili strumentali, sfruttando l'allocazione casuale degli alleli al momento del concepimento per ridurre la confusione e invertire la^{causalità 13,14}. Le analisi dei loci di tratti quantitativi di espressione (eQTL) collegano ulteriormente le varianti GWAS alla trascrizione^{genica 15}, mentre la randomizzazione mendeliana basata su sommario (SMR) integra dataset GWAS e QTL per dare priorità ai geni causali e distinguerli dalle associazioni guidate da disequilibrio di collegamento tramite test^{di eterogeneità 16}.

Questo studio rappresenta la prima applicazione di un quadro integrativo TWAS e MR specificamente focalizzato sull'osteomielite, affrontando il divario tra i risultati GWAS e le intuizioni clinicamente applicabili. Combinando dati trascritomici sperimentali con dati genetici di popolazione su larga scala, sono stati sistematicamente mappati i geni di suscettibilità alla malattia e sono state inferite relazioni causali. Questa strategia integrativa mira a scoprire vie molecolari precedentemente non riconosciute coinvolte nella resistenza dell'ospite all'osteomielite e a identificare bersagli candidati per uno sviluppo terapeutico di precisione.

Protocol

Tutte le statistiche riassuntive utilizzate nelle analisi Mendelian Randomization (MR) e Transcriptome-Wide Association Study (TWAS) sono state derivate esclusivamente da dataset precedentemente pubblicati e de-identificati. L'approvazione etica e il consenso individuale per gli studi originali sono documentati nelle rispettive pubblicazioni. Di conseguenza, un'ulteriore approvazione etica per questo studio di data mining è stata revocata dal Consiglio di Revisione Istituzionale dell'Ospedale Tongde della provincia di Zhejiang (Zhe Tongde Lunshen 2024 [Yan] No. 028-JY). Gli strumenti utilizzati per questa ricerca sono elencati nella Tabella dei Materiali.

1. Acquisizione e elaborazione dati RNA-seq

I dati trascritomici sono stati ottenuti dal database Gene Expression Omnibus (GEO) (GSE272198) per valutare la conservazione delle vie immunitarie innate tra specie mammiferiche per la validazione^{iniziale 17}. I macrofagi derivati dal midollo osseo (BMDM) sono stati infettati da S. aureus (molteplicità dell'infezione, MOI = 10) per 1 ora, seguiti dal trattamento con lisosofafina (20 μg/mL) e gentamicina (50 μg/mL) per rimuovere i batteri extracellulari. Dopo tre lavaggi con soluzione salina tamponata fosfato (PBS), i BMDM sono stati coltivati per 24 ore, lisati in un reagente di estrazione totale di RNA e sequenziati.

La qualità dell'RNA è stata valutata utilizzando un sistema elettroforesi automatico per garantirne l'integrità. Le librerie furono preparate da tre esperimenti indipendenti e sequenziate su una piattaforma di sequenziamento ad alta produttività. Le letture grezze sono state allineate al genoma del topo (GRCm38, mm10) utilizzando STAR (v2.7.10a). I geni differenzialmente espressi (DEG) sono stati identificati utilizzando DESeq2 (v1.38.0). Per mitigare i falsi positivi, la significatività statistica è stata definita come un valore p (FDR) < 0,05 e |log₂ fold change| > 1. L'analisi Gene Ontology (GO) è stata effettuata utilizzando clusterProfiler (v4.6.0), mentre l'Analisi di Arricchimento del Gene Set (GSEA) è stata condotta usando GseaVis (v0.0.5). Le heatmap venivano generate utilizzando il pacchetto pheatmap (v1.0.12) in R (v4.2.0).

Analisi TWAS

I dati di sequenziamento dell'RNA nel sangue intero e del sequenziamento del genoma intero (WGS) sono stati ottenuti dal progetto Genotype-Tissue Expression (GTEx) (V8)¹⁸. Modelli di espressione genica pre-addestrati sono stati utilizzati da un repository pubblico (https://doi.org/10.5281/zenodo.3842289). Le statistiche riassuntive sull'osteomielite per TWAS sono state recuperate dal consorzio FinnGen, comprendente 2.336 casi e 473.264^{controlli 12}.

TWAS è stato condotto utilizzando tre algoritmi: imputazione del tessuto articolare (JTI), PrediXcan¹⁹ e UTMOST ^12,20. JTI stima la somiglianza nell'espressione genica e l'accessibilità alla cromatina epigenetica per ottimizzare l'accuratezza della previsione. PrediXcan applica la regressione elastica netta con validazione incrociata a cinque volte, mentre UTMOST migliora la precisione sfruttando dati di espressione multitessutale utilizzando LASSO a gruppi scarsi. Il framework UTMOST modificato descritto da Zhou et ^al.12 standardizza gli iperparametri per una stima non distorta. I geni con punteggi stabili di validazione incrociata—predefiniti come coefficiente di correlazione r > 0,1 e significatività predittiva p < 0,05²¹—sono stati mantenuti come imputabili. Sono stati stabiliti modelli trascrimico del sangue intero utilizzando matrici di covarianza SNP dal dataset di riferimento 1000 Genomes.

Successivamente sono state analizzate le associazioni tra espressione genica prevista e rischio di osteomielite. Per tenere conto dei test multipli, la significatività statistica per TWAS è stata definita principalmente utilizzando una soglia di False Discovery Rate (FDR) di < 0,05. Data la natura generatrice di ipotesi di questo studio a più fasi, i loci che soddisfano una soglia (nominale) suggestiva di p < 0,05 sono stati inoltre prioritizzati per analisi di randomizzazione mendeliana a valle (SMR) e colocalizzazione. Questa strategia integrativa mira a massimizzare la cattura dei potenziali fattori regolatori affidandosi al contempo alla validazione incrociata multi-omica (TWAS + SMR) per garantire la robustezza dei candidati prioritari.

Analisi SMR

Questo studio ha rispettato le linee guida Strengthening the Reporting of Observational Studies in Epidemiology (^{STROBE) 22}. Per definire computazionalmente un fenotipo che rappresenta la predisposizione genetica alla disfunzione mitocondriale (d'ora in poi denominata "mitodie" ai fini dell'analisi), sono stati estratti trascrizioni corrispondenti a tutti i geni noti correlati al mitocondrio dal database MitoCarta3.0²³. Questo insieme genico ha servito come base predefinita, informata dalla biologia, per la successiva previsione del rischio poligenico. Tutte le interpretazioni funzionali a valle relative alle "mitodie" derivano da questa inferenza computazionale e dovrebbero essere considerate predittive e generatori di ipotesi.

Gli strumenti di espressione dei loci di tratti quantitativi (eQTL) sono stati generati utilizzando varianti entro 1000 kb dalle sequenze codificanti (cis-eQTLs). Le statistiche riassuntive sono state ricamate dal consorzio eQTLGen e dal GTEx V8²⁴. Sono stati selezionati in totale 8.932.843 SNP collegati a 1.013 trascritti correlati alla mitodia sulla base di una soglia di significatività genomica P < 5E-8. Le statistiche GWAS di base per gli esiti dell'osteomielite sono state ottenute da FinnGen²⁰.

L'analisi Mendelian Randomization (SMR) basata su dati sommari è stata effettuata utilizzando SMR (versione 1.0.3) con parametri predefiniti per stimare le associazioni pleiotrope tra i tratti di espressione genica e gli esiti dell'osteomielite. L'effetto causale beta_mitodys–osteomielite rappresenta la dimensione stimata dell'effetto log-odds della disfunzione mitocondriale sull'osteomielite ed è calcolato come:

I odds ratio (OR) rappresentano la variazione per un aumento logaritmico naturale di un'unità nei livelli standardizzati di espressione genica. La co-localizzazione è stata ulteriormente valutata utilizzando il test di eterogeneità negli strumenti dipendenti (HEIDI).

Results

Caratterizzazione del sequenziamento di RNA in massa e arricchimenti funzionali

Seguendo la metodologia utilizzata per isolare BMDM non infetti (controllo) rispetto a quelli infetti da S. aureus, sono stati identificati 3.775 DEG nel gruppo sperimentale, comprendenti 1.686 geni alzati e 2.089 sottoregolati. L'analisi GO ha rivelato una rete fortemente arricchita per l'attivazione immunitaria innata, inclusa la regolazione positiva (GO...

Discussion

Integrando analisi TWAS e SMR tra dataset traslazionali, questo studio ha identificato una rete centrale di loci genetici associati ai fenotipi di osteomielite. L'identificazione di LYNX1 e MS4A14 come target genici candidati rappresenta un contributo chiave, fornendo una comprensione meccanicistica oltre i risultati convenzionali GWAS incorporando il contesto trascrivomico. Questo approccio integrativo evidenzia il potenziale delle strategie di medicina di precisione per promuovere la g...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
clusterProfiler	Guangchuang Yu's Team (Sun Yat-sen University)	NA	Usato per l'analisi di arricchimento funzionale dell'Ontologia Genica (GO) di geni differenzialmente espressi.
DESeq2	Bioconductor Project (Open Source)	NA	Usato per identificare geni differenzialmente espressi (DEG)
GSEA / GseaVis	Broad Institute / Open Source Community	NA	Usato per l'analisi di arricchimento di set di geni (GSEA) per identificare set di geni espressi in modo coordinato. GseaVis è probabilmente usato per la visualizzazione.
HEIDI (Heterogeneity in Dependent Instruments) test	Funzione integrata nel software SMR	NA	Usato per testare se l'associazione osservata in SMR è guidata da disequilibrio di legame piuttosto che da una variante causale condivisa. P_HEIDI > 0,05 indica assenza di grande eterogeneità
JTI (Joint-Tissue Imputation)	Zhou et al. (Open Source Model)	NA	Un algoritmo TWAS che stima la somiglianza dell'espressione genica e l'accessibilità cromatica epigenetica per ottimizzare la precisione della previsione.
pheatmap	Raivo Kolde (R package)	NA	Usato per generare heatmap di geni differenzialmente espressi per la visualizzazione dei dati.
PrediXcan	Gamazon et al. (Open Source Model)	NA	Un algoritmo TWAS che applica la regressione elastica net con validazione incrociata a cinque gruppi per impute l'espressione genica e testare l'associazione con il rischio di malattia.
SMR (Summary-data-based Mendelian Randomization)	Sviluppato da un team dell'Università Fudan (Software Open Source)	NA	Usato per eseguire l'analisi di randomizzazione mendeliana basata su riepilogo per esplorare le associazioni causali tra l'espressione genica e il rischio di osteomielite. È stata utilizzata la versione 1.0.3.
STAR	Alexander Dobin (Cold Spring Harbor Laboratory)	NA	Usato per allineare le letture RNA-seq al genoma di riferimento (genoma di topo GRCm38/mm10).
UTMOST	Hu et al. (Open Source Model)	NA	Un algoritmo TWAS che migliora la precisione della previsione sfruttando i dati di espressione multi-tessutale utilizzando un framework LASSO a gruppo sparso.