Artykuł metodologiczny

Mapowanie wariantów choroby Alzheimera do ich docelowych genów przy użyciu obliczeniowej analizy konfiguracji chromatyny

20.4K wyświetleń

⸱

DOI:

10.3791/60428

⸱

9 stycznia 2020

 ,  ,  , 
1Department of Genetics, University of North Carolina, 2Neuroscience Center, University of North Carolina, 3Thurston Arthritis Research Center, University of North Carolina, 4Department of Cell Biology and Physiology, University of North Carolina

* These authors contributed equally

W tym artykule

Podsumowanie

Przedstawiamy protokół do identyfikacji funkcjonalnych implikacji wariantów niekodujących zidentyfikowanych przez badania asocjacyjne całego genomu (GWAS) przy użyciu trójwymiarowych interakcji chromatyny.

Streszczenie

Badania asocjacyjne całego genomu (GWAS) z powodzeniem zidentyfikowały setki genomowych loci, które są związane z ludzkimi cechami i chorobami. Ponieważ jednak większość loci istotnych dla całego genomu (GWS) przypada na genom niekodujący, funkcjonalny wpływ wielu z nich pozostaje nieznany. Trójwymiarowe interakcje chromatyny zidentyfikowane przez Hi-C lub jego pochodne mogą dostarczyć użytecznych narzędzi do opisywania tych loci poprzez łączenie niekodujących wariantów z ich genami, które można wykorzystać. W tym miejscu przedstawiamy protokół mapowania niekodujących wariantów GWAS na ich domniemane geny przy użyciu zestawów danych GWAS i Hi-C choroby Alzheimera (AD) z ludzkiej dorosłej tkanki mózgowej. Przypuszczalne przyczynowe polimorfizmy pojedynczego nukleotydu (SNP) są identyfikowane przez zastosowanie algorytmów precyzyjnego mapowania. SNP są następnie mapowane do ich przypuszczalnych genów docelowych za pomocą interakcji wzmacniacz-promotor opartych na Hi-C. Otrzymany w ten sposób zestaw genów reprezentuje geny ryzyka choroby Alzheimera, ponieważ są one potencjalnie regulowane przez warianty ryzyka choroby Alzheimera. Aby uzyskać dalsze biologiczne informacje na temat mechanizmów molekularnych leżących u podstaw choroby Alzheimera, scharakteryzowaliśmy geny ryzyka choroby Alzheimera za pomocą danych dotyczących rozwojowej ekspresji mózgu i profili ekspresji pojedynczej komórki mózgu. Protokół ten można rozszerzyć na dowolne zestawy danych GWAS i Hi-C w celu zidentyfikowania przypuszczalnych genów docelowych i mechanizmów molekularnych leżących u podstaw różnych cech i chorób człowieka.

Wprowadzenie

Badania asocjacyjne całego genomu (GWAS) odegrały kluczową rolę w odkryciu genetycznych podstaw szeregu ludzkich cech i chorób. To zakrojone na szeroką skalę genotypowanie ujawniło tysiące wariantów genomu związanych z fenotypami, od wzrostu po ryzyko schizofrenii. Jednak pomimo ogromnego sukcesu GWAS w identyfikacji loci związanych z chorobą i cechą, mechanistyczne zrozumienie, w jaki sposób te warianty przyczyniają się do fenotypu, było wyzwaniem, ponieważ większość wariantów związanych z fenotypem znajduje się w niekodującej frakcji ludzkiego genomu. Ponieważ warianty te często pokrywają się z przewidywanymi elementami regulatorowymi, prawdopodobnie zmienią kontrolę transkrypcji pobliskiego genu. Jednak niekodujące loci mogą wpływać na transkrypcję genów w odległościach liniowych przekraczających jedną megazasadę, co utrudnia identyfikację genów dotkniętych każdym wariantem. Trójwymiarowa (3D) struktura chromatyny odgrywa ważną rolę w pośredniczeniu w połączeniach między odległymi loci regulatorowymi a promotorami genów i może być wykorzystana do identyfikacji genów dotkniętych polimorfizmami pojedynczych nukleotydów związanych z fenotypem (SNP).

Regulacja genów odbywa się za pośrednictwem złożonego procesu, który obejmuje aktywację wzmacniacza i tworzenie pętli chromatyny, które fizycznie łączą wzmacniacze z promotorami genów, do których można skierować maszynerię transkrypcyjną1,2,3. Ponieważ pętle chromatyny często obejmują kilkaset kilozasad (kb), do rozszyfrowania mechanizmów regulacji genów potrzebne są szczegółowe mapy architektury chromatyny 3D. Wynaleziono wiele technologii wychwytywania konformacji chromatyny w celu identyfikacji architektury chromatyny 3D4. Spośród tych technologii Hi-C zapewnia najbardziej wszechstronną architekturę, ponieważ rejestruje profile interakcji chromatyny 3D w całym genomie. Zestawy danych Hi-C zostały szybko przystosowane do interpretacji niekodujących loci-istotnych dla całego genomu (GWS) loci5,6,7,8,9,10,11,12,13, ponieważ może łączyć warianty niekodujące z ich przypuszczalnymi genami docelowymi w oparciu o profile interakcji chromatyny.

W tym artykule przedstawiamy protokół do obliczeniowego przewidywania przypuszczalnych docelowych genów wariantów ryzyka GWAS przy użyciu profili interakcji chromatyny. Stosujemy ten protokół do mapowania loci14 do ich docelowych genów przy użyciu zestawów danych Hi-C w mózgu dorosłego człowieka9. Powstałe w ten sposób geny ryzyka choroby Alzheimera są scharakteryzowane przez inne funkcjonalne zestawy danych genomowych, które obejmują profile transkryptomiczne i ekspresji rozwojowej pojedynczej komórki.

Protokół

1. Konfiguracja stacji roboczej

  1. Zainstaluj język R (wersja 3.5.0) i program RStudio Desktop. Otwórz program RStudio.
  2. Zainstaluj następujące biblioteki w języku R, wpisując następujący kod w oknie konsoli w programie RStudio.
    if (!"BiocManager" %w% nazw wierszy(installed.packages())))
    install.packages("BiocManager", repos="https://cran.r-project.org")
    BiocManager::install("ZakresyGenomu")
    BiocManager::install("biomaRt")
    BiocManager::install("WGCNA")
    install.packages("przekształcenie w nowy kształt")
    install.packages("ggplot2")
    install.packages("corrplot")
    install.packages("gProfileR")
    install.packages("tidyverse")
    install.packages("ggpubr")
  3. Pobierz pliki.
    UWAGA: W tym protokole wszystkie pliki muszą zostać pobrane do katalogu ~/work.
    1. Pobierz następujące pliki, klikając linki podane w Tabeli materiałów.
      1. Pobierz precyzyjnie zmapowane wiarygodne SNP dla AD (tabela uzupełniająca 8 od Jansen et al.14).
        UWAGA: Przed analizą otwórz arkusz ósmy w 41588_2018_311_MOESM3_ESM.xlsx, usuń pierwsze trzy wiersze i zapisz arkusz jako Supplementary_Table_8_Jansen.txt w formacie rozdzielanym tabulatorami.
      2. Pobierz profile interakcji Hi-C w dorosłym mózgu o rozdzielczości 10 kb z psychencode (opisanego poniżej jako Promoter-anchored_chromatin_loops.bed).
        UWAGA: Ten plik ma następujący format: chromosom, TSS_start, TSS_end, Enhancer_start i Enhancer_end. W przypadku korzystania z innych zestawów danych Hi-C, protokół ten wymaga zbiorów danych Hi-C przetworzonych w wysokiej rozdzielczości (5−20 kb).
      3. Pobierz zestawy danych z ekspresją pojedynczej komórki z PsychENCODE.
        UWAGA: Pochodzą one z neurotypowych próbek kontrolnych.
      4. Pobierz zestawy danych wyrażeń rozwojowych z narzędzia BrainSpan (opisane poniżej jako devExpr.rda).
        UWAGA: 267666527 jest spakowany plik, więc rozpakuj 267666527, aby wyodrębnić "columns_metadata.csv", "expression_matrix.csv" i "rows_metadata.csv", aby wygenerować devExpr.rda (zobacz sekcję 3).
    2. Pobierz współrzędne egzoniczne (patrz pliki uzupełniające, opisane poniżej jako Gencode19_exon.bed i Gencode19_promoter.bed) z Gencode w wersji 19.
      UWAGA: Promotory są zdefiniowane jako 2 kb przed miejscem rozpoczęcia transkrypcji (TSS). Pliki te mają następujący format: chromosom, początek, koniec i gen.
    3. Pobierz plik adnotacji genów (patrz Pliki uzupełniające, opisane poniżej jako geneAnno.rda) ze strony biomart.
      UWAGA: Ten plik może być używany do dopasowywania genów na podstawie identyfikatorów genów Ensembl i symbolu Komitetu Nomenklatury Genów HUGO (HGNC).

2. Generowanie obiektu GRanges dla wiarygodnych SNP

  1. Skonfiguruj w języku R, wpisując następujący kod w oknie konsoli w programie RStudio.
    biblioteka(ZakresyGenomu)
    opcje(ciągiAsFactors = F)
    setwd("~/work") # To jest ścieżka do katalogu roboczego.
    credSNP = read.delim("Supplementary_Table_8_Jansen.txt", nagłówek=T)
    credSNP = credSNP[credSNP$Credible.Causal=="Tak",]
  2. Utwórz obiekt GRanges, wpisując następujący kod w oknie konsoli w programie RStudio.
    credranges = GRanges(credSNP$Chr, IRanges(credSNP$bp, credSNP$bp), rsid=credSNP$SNP, P=credSNP$P)
    save(credranges, file="AD_credibleSNP.rda")

3. Mapowanie pozycyjne

UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.

  1. Konfiguracja w R.
    opcje(ciągiAsFactors=F)
    biblioteka(ZakresyGenomu)
    load("AD_credibleSNP.rda") # (patrz 2)
  2. Mapowanie pozycyjne promotorów/egzonicznych SNP do genów
    1. Załaduj promotor i region egzoniczny i wygeneruj obiekt GRange.
      exon = read.table("Gencode19_exon.łóżko")
      zakresy eksonów = GRanges(ekson[,1],IRanges(ekson[,2],ekson[,3]),gen=ekson[,4])
      promotor = read.table("Gencode19_promoter.bed")
      promotorranges = GRanges(promotor[,1], IRanges(promotor[,2], promotor[,3]), gene=promotor[,4])
    2. Nakładanie wiarygodnych SNP z regionami egzonicznymi.
      olap = findOverlaps(zakresy wiarygodności, zakresy eksonów)
      credexon = credranges[queryHits(olap)]
      mcols(credexon) = cbind(mcols(credexon), mcols(exonranges[subjectHits(olap)]))
    3. Nakładanie wiarygodnych SNP na regiony promotora.
      olap = findOverlaps(credranges, promoterranges)
      credpromoter = credranges[queryHits(olap)]
      mcols(credpromoter) = cbind(mcols(credpromoter), mcols(promoterranges[subjectHits(olap)]))
  3. Połącz SNP z ich przypuszczalnymi genami docelowymi za pomocą interakcji chromatyny.
    1. Załaduj zestaw danych Hi-C i wygeneruj obiekt GRange.
      hic = read.table("Promotor-anchored_chromatin_loops.bed ", 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(zakresy, promotory)
      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$gene)
    2. Nakładanie wiarygodnych SNP z obiektem Hi-C GRange.
      olap = findOverlaps(credranges, hicenhancer)
      credhic = credranges[queryHits(olap)]
      mcols(credhic) = cbind(mcols(credhic), mcols(hicenhancer[subjectHits(olap)]))
  4. Skompiluj geny kandydujące do choroby Alzheimera zdefiniowane przez mapowanie pozycyjne i profile interakcji chromatyny.
    ### Powstałe geny kandydujące do AD:
    ADgenes = Reduce(związek, lista(credhic$gene, credexon$gene, credpromoter$gen))
    ###, aby przekonwertować identyfikator genu Ensembl na symbol HGNC
    load("geneAnno.rda")
    ADhgnc = geneAnno1[match(ADgenes, geneAnno1$ensembl_gene_id), "hgnc_symbol"]
    ADhgnc = ADhgnc[ADhgnc!=""]
    save(ADgenes, ADhgnc, file="ADgenes.rda")
    write.table(ADhgnc, file="ADgenes.txt", row.names=F, col.names=F, quote=F, sep="\t")

4. Trajektorie ekspresji rozwojowej

UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.

  1. Konfiguracja w R.
    biblioteka (przekształcenie w nowy kształt); biblioteka(ggplot2); biblioteka(GenomicRanges); biblioteka(biomaRt)
    biblioteka("WGCNA")
    options(stringsAsFactors=F)
  2. Wyrażenie procesu i metadane.
    datExpr = read.csv("expression_matrix.csv", nagłówek = FALSE)
    datExpr = 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.cr= collapseRows(datExpr, rowGroup = datProbes$ensembl_gene_id, rowID= rownames(datExpr))
    datExpr = datExpr.cr$datETcollapsed
    gename = data.frame(datExpr.cr$group2row)
    rownames(datExpr) = gename$group
    1. Określ etapy rozwoju.
      datMeta$Unit = "Postnatalne"
      idx = grep("pcw", datMeta$age)
      datMeta$Unit[idx] = "Prenatalny"
      idx = grep("yrs", datMeta$age)
      datMeta$Unit[idx] = "Postnatalny"
      datMeta$Unit = factor(datMeta$Unit, levels=c("Prenatalne", "Postnatalne"))
    2. Wybierz obszary korowe.
      datMeta$Region = "SubCTX"
      r = 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[,which(datMeta$Region=="CTX")]
      datMeta = datMeta[which(datMeta$Region=="CTX"),]
      save(datExpr, datMeta, file="devExpr.rda")
  3. Wyodrębnij profile ekspresji rozwojowej genów ryzyka choroby Alzheimera.
    load("ADgenes.rda")
    exprdat = apply(datExpr[match(ADgenes, nazwy wierszy(datExpr)),],2,średnia,na.rm=T)
    dat = data.frame(Region=datMeta$Region, Unit=datMeta$Unit, Expr=exprdat)
  4. Porównaj prenatalne i postnatalne poziomy ekspresji genów ryzyka choroby Alzheimera.
    pdf(file="developmental_expression.pdf")
    ggplot(dat,aes(x=Jednostka, y=Wyrażenie, wypełnienie=Jednostka, alfa=Jednostka)) + ylab("Wyrażenie znormalizowane") + geom_boxplot(outlier.size = NA) + ggtitle("Wyrażenie mózgu") + xlab("") + scale_alpha_manual(values=c(0.2, 1)) + theme_classic() + theme(legend.position="na")
    dev.off()

5. Profile wyrażeń typu komórkowego

UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.

  1. Konfiguracja w R.
    opcje(ciągiAsFactors=F)
    load("ADgenes.rda")
    load("geneAnno.rda")
    nazwa_celu = "AD"
    gen-docelowy = ADhgnc
    cellexp = read.table("DER-20_Single_cell_expression_processed_TPM_backup.tsv",header=T,fill=T)
    WYRAŻ_komórki[1121,1] = WYRAŻ_komórki[1120,1]
    WYEXP = WYRAŻ_KOMÓRKI[-1120,]
    Nazwy wierszy(wyrażenie_komórki) = wyrażenie_komórki[,1]
    WYRAŻENIE KOMÓRKOWE = WYRAŻENIE_komórki[,-1]
    datExpr = scale(cellexp,center=T, scale=F)
    datExpr = datExpr[,789:ncol(datExpr)]
  2. Wyodrębnij profile ekspresji komórkowej genów ryzyka choroby Alzheimera.
    exprdat = apply(datExpr[match(targetgene, rownames(datExpr)),],2,średnia,na.rm=T)
    dat = data.frame(Grupa=nazwa_celu, komórka=nazwy(wyrażenie), wyrażenie=wyrażenie)
    dat$celltype = unlist(lapply(strsplit(dat$cell, split="[.]"),'[[',1))
    dat = dat[-grep("Przykład|W",dat$typkomórki),]
    dat$celltype = gsub("Dev","Fetal",dat$celltype)
    dat$typkomórka = czynnik(dat$typkomórki, poziomy=c("Neurony","Astrocyty","Mikroglej","Śródbłonek",
    Oligodendrocyty","OPC","Płód"))
    pdf(file="singlecell_expression_ADgenes.pdf")
    ggplot(dat,aes(x=typkomórki, y=wyrażenie, wypełnienie=typkomórki)) +
    ylab("Wyrażenie znormalizowane") + xlab("") + geom_violin() + theme(axis.text.x=element_text(angle = 90, hjust=1)) + theme(legend.position="none") +
    ggtitle(paste0("Profile ekspresji komórkowej genów ryzyka choroby Alzheimera"))
    dev.off()

6. Analiza wzbogacania adnotacji genów w genach ryzyka choroby Alzheimera

  1. Pobierz i skonfiguruj HOMER, wpisując poniższe polecenia w terminal.
    mkdir homer
    cd homer
    wget http://homer.ucsd.edu/homer/configureHomer.pl
    perl ./configureHomer.pl -install
    perl ./configureHomer.pl -install human-p
    perl ./configureHomer.pl -install human-o
  2. Uruchom HOMER, wpisując poniższe polecenia w terminal.
    export PATH=$PATH:~/work/homer/bin
    findMotifs.pl ~/praca/ADgenes.txt człowiek ~/praca/
  3. Wykreśl wzbogacone terminy, wpisując następujący kod w oknie konsoli w programie RStudio.
    biblioteka(ggpubr)
    opcje(ciągiAsFactors=F)
    pdf("GO_enrichment.pdf",szerokość=15,wysokość=8)
    plot_barplot = function(dbname,name,color){
    input = read.delim(paste0(dbname,".txt"),header=T)
    wejście = wejście[,c(-1,-10,-11)]
    input = unikalny(wejście)
    input$FDR = p.adjust(exp(input$logP))
    input_sig = input[input$FDR < 0.1,]
    input_sig$FDR = -log10(input_sig$FDR)
    input_sig = input_sig[order(input_sig$FDR),]
    p = ggbarplot(input_sig, x = "Termin", y = "FDR", fill = kolor, kolor = "biały", sort.val = "asc", ylab = wyrażenie(-log[10](kursywa(FDR))), xlab = paste0(nazwa", Warunki"), rotate = TRUE, label = paste0(input_sig$Target.Genes.in.Term,"/",input_sig$Genes.in.Term), font.label = list(color = "biały", rozmiar = 9), lab.vjust = 0,5, lab.hjust = 1)
    p = p+geom_hline(yintercept = -log10(0,05), rodzaj linii = 2, kolor = "jasnoszary")
    return(p)
    }
    p1 = plot_barplot("biological_process","GO Proces biologiczny","#00AFBB")
    p2 = plot_barplot("kegg","KEGG","#E7B800")
    p3 = plot_barplot("reaktoma","reaktoma","#FC4E07")
    ggarrange(p1, p2, p3, labels = c("A", "B", "C"), ncol = 2, nrow = 2)
    dev.off()

Wyniki

Opisany tutaj proces zastosowano do zestawu 800 wiarygodnych SNP, które zostały zdefiniowane w oryginalnym badaniu14. Mapowanie pozycyjne wykazało, że 103 SNP pokrywały się z promotorami (43 unikalne geny), a 42 SNP pokrywały się z egzonami (27 unikalnych genów). Po mapowaniu pozycyjnym 84% (669) SNP pozostało nieadnotowanych. Wykorzystując zbiory danych Hi-C z dorosłego mózgu, zdołaliśmy powiązać dodatkowe 208 SNP z 64 genami na podstawie bliskości fizycznej. Łącznie zmapowano 284 wiarygodnych SNP związanych z AD do 112 genów ryzyka AD (Rycina 1A). Geny ryzyka AD były powiązane z białkami prekursorowymi amyloidu, tworzeniem amyloidu-beta oraz odpowiedzią immunologiczną, co odzwierciedla znaną biologię AD15,16,17,18 (Rycina 1B-D). Profile ekspresji rozwojowej genów ryzyka AD wykazały wyraźne wzbogacenie w okresie postnatalnym, co wskazuje na związany z wiekiem podwyższony poziom ryzyka AD (Rycina 2A). Wreszcie, geny ryzyka AD wykazywały wysoką ekspresję w mikrogleju, głównych komórkach odpornościowych w mózgu (Rycina 2B). Jest to zgodne z powtarzającymi się odkryciami, że AD ma silne podłoże immunologiczne, a mikroglej odgrywa centralną rolę w patogenezie AD14,19,20.

Badanie genetyczne choroby Alzheimera; analiza KEGG, Reactome, GO; rozkład SNP; wykresy słupkowe, terminy genowe.
Rycina 1: Definiowanie domniemanych genów docelowych loci GWS w chorobie Alzheimera (AD). (A) Wiarygodne SNP pochodzące z 29 czołowych loci AD zostały podzielone na SNP promotorowe, SNP eksonowe oraz nieopisane SNP niekodujące. SNP promotorowe i eksonowe przypisano bezpośrednio do ich genów docelowych poprzez mapowanie pozycyjne, natomiast do mapowania SNP na podstawie oddziaływań fizycznych wykorzystano dodatkowo profile oddziaływań chromatyny w dorosłym mózgu. (B-D) Analizę wzbogacenia terminów GO (B), KEGG (C) i Reactome (D) w genach ryzyka AD przeprowadzono za pomocą programu HOMER, zgodnie z opisem w sekcji 6 protokołu. Oś x reprezentuje skorygowaną o współczynnik fałszywych odkryć (FDR) wartość -log10 (P-value). Wykreślono wzbogacone terminy z FDR < 0,1. Szare linie pionowe reprezentują FDR = 0,05. APP białko prekursor amyloidowy. Licznik: liczba genów ryzyka AD reprezentowanych w każdym terminie; mianownik: liczba genów w każdym terminie. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Analiza ekspresji genów; wykres pudełkowy, wykres skrzypcowy; mózg prenatalny vs postnatalny, profile genów AD.
Rycina 2: Charakterystyka genów ryzyka AD. (A) Geny ryzyka AD wykazują wysoką ekspresję w korze postnatalnej w porównaniu do kory prenatalnej. (B) Wykresy skrzypcowe przedstawiające rozkłady wartości ekspresji genów (ekspresja znormalizowana) w różnych typach komórek kory. Wyniki te wskazują, że geny ryzyka AD wykazują wysoką ekspresję w mikrogleju, co jest zgodne z poprzednimi badaniami14. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Plik uzupełniający 1. Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).

Plik uzupełniający 2. Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).

Plik uzupełniający 3. Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).

Dyskusja

W tym miejscu opisujemy ramy analityczne, które można wykorzystać do funkcjonalnego opisywania loci GWS w oparciu o mapowanie pozycyjne i interakcje chromatyny. Proces ten składa się z wielu etapów (więcej informacji można znaleźć w recenzji13). Po pierwsze, biorąc pod uwagę, że profile interakcji chromatyny są wysoce specyficzne dla typu komórki, należy wykorzystać dane Hi-C uzyskane z odpowiednich typów komórek/tkanek, które najlepiej oddają biologię leżącą u podstaw zaburzenia. Biorąc pod uwagę, że AD jest chorobą neurodegeneracyjną, wykorzystaliśmy dane Hi-C mózgu dorosłego9 do adnotacji loci GWS. Po drugie, każde locus GWS często ma do setek SNP, które są powiązane z cechą z powodu nierównowagi sprzężeń (LD), dlatego ważne jest, aby uzyskać domniemane przyczynowe ("wiarygodne") SNP poprzez obliczeniowe przewidywanie przyczynowości za pomocą algorytmów precyzyjnego mapowania21,22 lub eksperymentalne testowanie działań regulacyjnych przy użyciu podejść o wysokiej przepustowości, takich jak masowo równoległe testy reporterowe (MPRA)23 lub samotranskrypcję aktywnego sekwencjonowania regionu regulatorowego (STARR-seq)24. Do opisanej tu pracy wykorzystaliśmy wiarygodne SNP podane w Jansen et al.14. Po trzecie, SNP promotora i egzonu są anotowane na podstawie mapowania pozycyjnego. Zastosowaliśmy prostą strategię mapowania pozycyjnego, w której SNP zostały zmapowane do genów, gdy nakładały się na promotory (zdefiniowane jako 2 kb przed miejscem rozpoczęcia transkrypcji) lub eksonami. Jednak podejście to można dalej rozwijać, oceniając funkcjonalne konsekwencje egzonicznych SNP, takie jak to, czy SNP indukuje rozpad zapośredniczony przez nonsens, zmienność missense lub zmienność nonsensu. Po czwarte, profile interakcji chromatyny z odpowiedniego typu tkanki/komórki można wykorzystać do przypisania SNP do ich przypuszczalnych genów docelowych na podstawie fizycznej bliskości. Użyliśmy profili interakcji zakotwiczonych w promotorach, ale możemy jeszcze bardziej udoskonalić lub rozszerzyć profile interakcji, biorąc pod uwagę działania wzmacniające (kierowane przez acetylację histonu H3 K27 lub dostępność chromatyny) lub interakcje egzoniczne. Jedną z ważnych kwestii w tym procesie jest stosowanie spójnej budowy ludzkiego genomu. Na przykład, jeśli pozycje genomowe w statystykach podsumowujących nie są oparte na hg19 (tj. hg18 lub hg38), należy uzyskać odpowiednią wersję genomu referencyjnego lub statystyki podsumowujące muszą zostać przekonwertowane na hg19 za pomocą liftover25.

Zastosowaliśmy te ramy do identyfikacji przypuszczalnych genów docelowych dla AD GWAS, przypisując 284 SNP do 112 genów ryzyka AD. Korzystając z rozwojowych profili ekspresji26 i profili ekspresji specyficznych dla typu komórki9, wykazaliśmy, że ten zestaw genów był zgodny z tym, co wiadomo o patologii AD, ujawniając typy komórek (mikroglej), funkcje biologiczne (odpowiedź immunologiczna i beta amyloid) oraz podwyższone ryzyko wraz z wiekiem.

Chociaż przedstawiliśmy ramy, które nakreślają potencjalne geny docelowe AD i leżącą u jego podstaw biologię, warto zauważyć, że adnotacja oparta na Hi-C może być rozszerzona o adnotację dowolnej niekodującej odmiany. W miarę jak dostępnych będzie coraz więcej danych z sekwencjonowania całego genomu, a nasza wiedza na temat rzadkiej zmienności niekodującej rośnie, Hi-C będzie stanowić kluczowe źródło interpretacji wariantów genetycznych związanych z chorobą. Kompendium zasobów Hi-C uzyskanych z wielu typów tkanek i komórek będzie zatem miało kluczowe znaczenie dla ułatwienia szerokiego zastosowania tej struktury w celu uzyskania biologicznego wglądu w różne cechy ludzkie i choroby.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca była wspierana przez granty NIH R00MH113823 (dla H.W.) i R35GM128645 (dla D.H.P.), NARSAD Young Investigator Award (dla H.W.) oraz grant SPARK od Simons Foundation Autism Research Initiative (SFARI, dla N.M. i H.W.).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Rozdzielczość 10 kb Profile interakcji Hi-C w dorosłym mózgu z psychencodehttp://adult.psychencode.org/
Zestawy danych ekspresji rozwojowejhttp://www.brainspan.org/
Precyzyjnie zmapowane wiarygodne SNP dla AD (Tabela uzupełniająca 8 od Jansen et al.14)https://static-content.springer.com/
HOMERa target="_blank" href="http://homer.ucsd.edu/homer/configureHomer.pl">http://homer.ucsd.edu/
R (wersja 3.5.0)https://www.r-project.org/
RStudio Desktophttps://www.rstudio.com/
Zestawy danych wyrażeńhttp://adult.psychencode.org/
< jednokomórkowych

Bibliografia

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

Przedruki i uprawnienia

Tagi

Analiza GWASdane Hi Coddzia ywania chromatynymapowanie SNPadnotacja gen wekspresja rozwojowaprofilowanie pojedynczych kom rekprotok obliczeniowyidentyfikacja gen w ryzyka
Mapowanie wariantów choroby Alzheimera do ich docelowych genów przy użyciu obliczeniowej analizy konfiguracji chromatyny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.