크로마틴 구성의 전산 분석을 사용하여 알츠하이머 병 변이체를 대상 유전자에 매핑
2020년 1월 9일
우리는 3차원 염색질 상호 작용을 사용하여 게놈 전체 협회 연구 (GWAS)에 의해 확인된 비 코딩 이체의 기능적인 연루를 확인하기 위하여 프로토콜을 제시합니다.
GWAS는 성공적으로 인간의 특성 및 질병과 관련 된 게놈 영역을 확인 하는 동안, 이러한 위험 변이체의 생물학적 영향은 불분명. 여기서는 크로마틴 상호 작용 프로파일을 사용하여 GWAS 위험 변이체의 표적 유전자를 계산적으로 예측하는 프로토콜을 간략하게 설명합니다. 종종 위험 유전자의 식별은 질병 메커니즘을 이해하고 정상적인 치료 접근을 허용하는 첫 번째 단계입니다.
우리는이 작품의 결과가 결국 진단하고 알츠하이머 병을 치료하는 최종 전략으로 이어질 수 있기를 바랍니다. 이 기술의 주요 장점은 3D 크로모톤 접촉 주파수를 사용하여 수천 또는 수백만 개의 기본 쌍이 떨어져 있더라도 알츠하이머 병 위험 분산에 의해 영향을받는 유전자를 식별 할 수 있다는 것입니다. 이 프로토콜을 시도할 때 는 사용자가 시스템과 함께 전체 프로토콜을 수행해야 하기 때문에 R 또는 X 쌍 시스템에 대한 친숙함이 중요합니다.
이 계산 프로토콜을 수행하려면 텍스트 원고 또는 화면의 코드를 참조하십시오. R에 설정하여 신뢰할 수 있는 단일 핵다형성 또는 SNPS에 대한 G 범위 개체를 생성합니다. 위치 매핑의 경우 R에서 설정한 다음 프로모터 및 엑소닉 영역을 로드하고 G 범위 오브젝트를 생성합니다.
신뢰할 수 있는 SNPS를 엑소닉 영역및 프로모터 영역과 겹칩니다. CHromaton 상호 작용을 사용하여 SNPS를 푸티드 대상 유전자에 연결하려면 Hi C 데이터 집합을 로드하고 G 범위 개체를 생성합니다. 신뢰할 수 있는 SNPS와 Hi C G 범위 오브젝트를 겹칩니다.
그리고 위치 매핑 및 크로모톤 상호 작용 프로필에 의해 정의된 AD 후보 유전자를 컴파일합니다. 다음으로, 개발 궤적을 탐구한다. R에서 설정하고 식 메타데이터를 처리합니다.
개발 단계를 지정하고 피질 영역을 선택합니다. AD 위험 유전자의 발달 발현 프로파일을 추출하고 산전 과 산후 발현 수준을 비교하십시오. R에 설정하고 AD 위험의 셀룰러 발현 프로파일을 추출하여 세포 유형 식 프로파일을 조사합니다.
마지막으로, AD 위험 유전자의 유전자 기여 농축 분석을 수행합니다. 다운로드 및 호머를 구성합니다. 그런 다음 호머를 실행하고 R 스튜디오와 풍부한 용어를 플롯.
이 프로세스를 사용하여 800개의 신뢰할 수 있는 SN 집합을 조사했습니다. 위치 매핑에 따르면 프로모터와 42개의 SN이 겹치는 103개의 SN이 Exons와 겹치는 반면, SN의 84%는 잘 알려지지 않은 채 남아 있습니다. 성인 두뇌에 있는 Hi-C 데이터 세트를 사용하여, 추가 208 SNPs는 물리적 근접에 근거를 둔 64개의 유전자에 연결되었습니다.
총, 284 AD 신뢰할 수 있는 SN112 AD 위험 유전자에 매핑 되었다. AD 위험 유전자는 아밀로이드 전구체 단백질, 아밀로이드 베타 형성 및 질병의 알려진 생물학을 반영하는 면역 반응과 관련이 있었습니다. AD 위험 유전자의 발달 발현 프로필은 질병의 나이 관련 된 높은 리스크의 표시한 산후 농축을 보여주었습니다.
마지막으로, 유전자는 AD가 강한 면역 기준을 가지고 있다는 재발하는 사실 인정을 지원하는 두뇌에 있는 1 차적인 면역 세포 microglia에서 높게 표현되었습니다. 여기에서 우리는 알츠하이머 병 위험 분산의 생물학적 영향을 분석하기 위해 뇌 조직에서 Hi-C 데이터를 사용합니다. 그러나, 다른 GWAS 연구에 이 방법을 적용하는 것은 관련 조직에서 새로운 Hi-C 데이터의 수준이 중요하다.
이러한 결과는 선명한 기반 기술, 증강 기자 분석 또는 EQTL과 같은 다른 기능적 게놈 데이터 집합과 교차하여 더 연구하고 검증할 수 있습니다. 여기에서 우리는 알츠하이머 병 위험 유전자의 수십을 확인하고 우리는 이 유전자의 확인이 우리가 알츠하이머 병에 있는 그들의 이전에 알려지지 않은 역할을 이해하는 것을 도울 수 있다는 것을 기대합니다.
개요
본 연구는 전장 유전체 연관 분석(GWAS)을 통해 알츠하이머병과 연결된 비코딩 변이의 기능적 영향을 식별하기 위한 프로토콜을 제시합니다. 이 프로토콜은 3차원 염색질 상호작용을 활용하여 이러한 위험 변이에 의해 영향을 받는 표적 유전자를 예측하는 것을 목표로 합니다.
주요 연구 구성 요소
과학 분야
- 신경과학
- 유전체학
- 생물정보학
배경
- GWAS를 통해 인간의 형질 및 질병과 관련된 게놈 영역이 확인되었습니다.
- 위험 변이의 생물학적 영향은 여전히 불분명합니다.
- 위험 유전자를 이해하는 것은 질병 기전을 규명하는 데 매우 중요합니다.
- 본 연구는 알츠하이머병과 그 유전적 위험 요인에 초점을 맞춥니다.
연구 목적
- GWAS 위험 변이의 표적 유전자를 예측하기 위한 계산 프로토콜을 개발한다.
- 염색질 상호작용 프로파일을 사용하여 SNP를 유전자에 연결한다.
- 알츠하이머 위험 유전자의 발달 발현 프로파일을 탐색한다.
사용된 방법
- SNP를 위한 G ranges 객체를 생성하기 위한 R 설정.
- 프로모터 및 엑손 영역을 이용한 SNP의 위치 매핑.
- Hi-C 데이터셋을 사용하여 근접성을 기반으로 SNP를 표적 유전자에 연결.
- Homer를 이용한 유전자 주석 농축 분석 수행.
주요 결과
- 284개의 신뢰할 수 있는 AD SNP가 112개의 AD 위험 유전자에 매핑되었습니다.
- 확인된 유전자들은 아밀로이드 전구체 단백질 및 면역 반응과 연관되어 있었습니다.
- 발달 발현 프로파일은 AD 위험 유전자가 출생 후 시기에 농축되어 있음을 보여주었습니다.
- 미세아교세포에서의 높은 발현은 알츠하이머병의 면역학적 기초를 뒷받침합니다.
결론
- 본 프로토콜은 알츠하이머병 위험 변이와 관련된 유전자를 효과적으로 식별합니다.
- 결과는 향후 치료 전략 및 진단법 수립의 근거가 될 수 있습니다.
- CRISPR 기반 기술을 사용하여 추가적인 검증이 가능합니다.
자주 묻는 질문
산업적 관련성 요약
비코딩(non-coding) GWAS 변이를 표적 유전자와 매핑하면 통계적 연관성을 생물학적 메커니즘과 연결함으로써 알츠하이머병 가설의 조기 위험 제거(de-risking)가 가능해집니다. 이러한 계산 생물학적 접근 방식은 질병 병리와 일치하는 발달 및 세포 유형별 발현 패턴을 가진 유전자를 우선순위화함으로써 표적 검증을 지원합니다. 또한, 이는 하위 단계의 치료제 탐색을 위해 기전적으로 타당한 표적을 식별함으로써 포트폴리오 결정에 유용한 정보를 제공합니다.
바이오 제약 R&D의 전략적 응용
초기 발견 및 타겟 검증
- 과학적 가치: 염색질 상호작용 데이터를 사용하여 비코딩 변이와 추정 표적 유전자를 연결함으로써, AD 위험 기전에 대한 가설 생성을 가능하게 합니다.
- 운영적 가치: 파인 매핑(fine-mapping)과 Hi-C 중첩을 통해 기능적 후속 연구를 위한 우선순위 유전자를 선정하여, 표적 선택 시 위양성 가능성을 줄입니다.
- 과학적 가치: 아밀로이드 처리 및 면역 반응에 관여하는 유전자를 식별하며, 이는 기존의 AD 생물학적 지식과 일치하여 표적 관련성에 대한 신뢰도를 높여줍니다.
스크리닝 및 분석법 개발
- 과학적 가치: AD 경로와 관련된 표현형 또는 바이오마커 분석법 개발에 사용할 수 있도록 큐레이션된 유전자 세트(112개 AD 위험 유전자)를 생성합니다.
- 운영적 가치: 타겟 결합 스크리닝을 위해 팀 간에 표준화할 수 있는 재현 가능한 게놈 좌표와 유전자 목록을 제공합니다.
- 과학적 가치: 출생 후 및 미세아교세포 발현 프로파일을 통해 유전적으로 뒷받침되는 타겟을 정의함으로써 스크리닝 준비 상태를 가능하게 합니다.
중개 및 전임상 연구
- 과학적 가치: 유전적 위험과 발달 단계별 발현 패턴을 연결하여, 연령 의존적 AD 발병 양상과 유사한 출생 후 농축 현상을 보여줍니다.
- 운영적 가치: GWAS 히트(hits)를 신경 염증의 핵심 세포 유형인 미세아교세포에서 발현되는 유전자와 연결함으로써 중개 연구의 연속성을 지원합니다.
- 과학적 가치: 면역 관련 유전자를 강조하여 기전적 리스크 제거(de-risking)를 용이하게 하며, 전임상 모델의 바이오마커 전략 및 표적 선정에 유용한 정보를 제공합니다.
파이프라인 및 워크플로우 통합
이 방법은 유전적 연관성 분석부터 타겟 식별까지의 발견 연속체(discovery continuum)에 부합하며, GWAS 히트(hit)에서 리드 화합물 식별을 위한 생물학적 근거 기반의 후보군으로의 진전을 가능하게 합니다.
- 발견 생물학: 3D 염색질 접촉을 통해 비코딩 SNP를 유전자에 매핑함으로써 가설 검증을 지원하고 조절 메커니즘을 규명합니다.
- 스크리닝: 발현 검증이 완료된 표준화된 유전자 세트를 제공하여 화합물 스크리닝을 위한 재현 가능한 분석 설계를 가능하게 합니다.
- 분석: 조건 간 비교 및 타겟 우선순위 결정을 가능하게 하는 정량적 결과물(SNP-유전자 연결, 농축 용어)을 생성합니다.
- 중개 연구: 유전적 발견을 미세아교세포 발현 및 발달 시점과 연결하여 바이오마커 일치 및 전임상 타당성을 지원합니다.
- 기업적 재사용: 프로토콜을 모든 GWAS 및 Hi-C 데이터셋에 적용할 수 있어, 다양한 질환의 타겟 유전자 발견을 위한 확장 가능한 플랫폼으로 활용 가능합니다.
운영 및 기업 영향
- 과학적 가치: 통계 유전학을 3D 게놈 및 발현 데이터와 연결하여 예측 신뢰도를 높이고 기전적 모호성을 줄입니다.
- 운영적 가치: R 기반 워크플로우와 공공 데이터셋을 사용하여 변이-유전자 매핑을 표준화함으로써 기관 간 재현성을 향상시킵니다.
- 전략적 가치: 유전학, 염색질 및 발현의 수렴적 근거가 있는 타겟에 우선순위를 부여하여 go/no-go 결정 능력을 개선합니다.
- 포트폴리오 영향: AD 경로에서 생물학적 타당성이 있는 유전자를 강조함으로써 리스크가 조정된 개발 추진을 가능하게 합니다.
구현 시 고려 사항
- R, 게놈 범위 조작 및 염색질 상호작용 데이터 해석에 대한 전문 지식이 필요합니다.
- 질병 관련 조직(예: 성인 인간 뇌)의 고해상도 Hi-C 데이터 접근 가능 여부에 따라 달라집니다.
- 일관된 결과 도출을 위해 팀 간 SNP 필터링 및 프로모터/엑손 정의의 표준화가 필요합니다.
- 다른 질병이나 모델에 적용할 때는 조직 및 발달 특이성을 고려해야 합니다.
- 염색질 데이터셋의 해상도와 가용성에 의해 제한되므로, 독립적인 방법(예: CRISPR, eQTL)을 통한 검증이 권장됩니다.
바이오 제약 FAQ
Chapters in this video
0:05
Title
1:00
Generation of a Granges Object for Credible SNPs and Positional Mapping
1:53
Developmental Expression Trajectories
2:18
Cell-type Expression Profiles and Gene Annotation Enrichment Analysis
2:46
Results: Determination and Characterization of Putative Target Genes of AD GWS Loci
3:52
Conclusion
