Name: Mapowanie wariantów choroby Alzheimera do ich docelowych genów przy użyciu obliczeniowej analizy konfiguracji chromatyny (Wideo) | JoVE Journal
Uploaded: 2020-01-09T13:00:00.000+00:00
Duration: 4 min 41 s
Description: Odkryj metodę obliczeniową mapowania wariantów ryzyka choroby Alzheimera do docelowych genów przy użyciu danych Hi-C. Protokół ten pozwala zidentyfikować 112 genów ryzyka AD poprzez analizę interakcji chromatyny.

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

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.).

1. Konfiguracja stacji roboczej
<ol>
	<li>Zainstaluj język R (wersja 3.5.0) i program RStudio Desktop. Otwórz program RStudio.</li>
	<li>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")</li>
	<li>Pobierz pliki. 
	UWAGA: W tym protokole wszystkie pliki muszą zostać pobrane do katalogu ~/work.
	<ol>
		<li>Pobierz następujące pliki, klikając linki podane w Tabeli materiałów.
		<ol>
			<li>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.</li>
			<li>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).</li>
			<li>Pobierz zestawy danych z ekspresją pojedynczej komórki z PsychENCODE. 
			UWAGA: Pochodzą one z neurotypowych próbek kontrolnych.</li>
			<li>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).</li>
		</ol>
		</li>
		<li>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.</li>
		<li>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).</li>
	</ol>
	</li>
</ol>
2. Generowanie obiektu GRanges dla wiarygodnych SNP
<ol>
	<li>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$Credible.Causal=="Tak",]</li>
	<li>Utwórz obiekt GRanges, wpisując następujący kod w oknie konsoli w programie RStudio. 
	credranges = GRanges(credSNP$Chr, IRanges(credSNP$bp, credSNP$bp), rsid=credSNP$SNP, P=credSNP$P) 
	save(credranges, file="AD_credibleSNP.rda")</li>
</ol>
3. Mapowanie pozycyjne
UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.
<ol>
	<li>Konfiguracja w R. 
	opcje(ciągiAsFactors=F) 
	biblioteka(ZakresyGenomu) 
	load("AD_credibleSNP.rda") # (patrz 2)</li>
	<li>Mapowanie pozycyjne promotorów/egzonicznych SNP do genów
	<ol>
		<li>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])</li>
		<li>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)]))</li>
		<li>Nakładanie wiarygodnych SNP na regiony promotora. 
		olap = findOverlaps(credranges, promoterranges) 
		credpromoter = credranges[queryHits(olap)] 
		mcols(credpromoter) = cbind(mcols(credpromoter), mcols(promoterranges[subjectHits(olap)]))</li>
	</ol>
	</li>
	<li>Połącz SNP z ich przypuszczalnymi genami docelowymi za pomocą interakcji chromatyny.
	<ol>
		<li>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$gene)</li>
		<li>Nakładanie wiarygodnych SNP z obiektem Hi-C GRange. 
		olap = findOverlaps(credranges, hicenhancer) 
		credhic = credranges[queryHits(olap)] 
		mcols(credhic) = cbind(mcols(credhic), mcols(hicenhancer[subjectHits(olap)]))</li>
	</ol>
	</li>
	<li>Skompiluj geny kandydujące do choroby Alzheimera zdefiniowane przez mapowanie pozycyjne i profile interakcji chromatyny. 
	### Powstałe geny kandydujące do AD: 
	ADgenes = Reduce(związek, lista(credhic$gene, credexon$gene, credpromoter$gen)) 
	###, aby przekonwertować identyfikator genu Ensembl na symbol HGNC 
	load("geneAnno.rda") 
	ADhgnc = geneAnno1[match(ADgenes, geneAnno1$ensembl_gene_id), "hgnc_symbol"] 
	ADhgnc = ADhgnc[ADhgnc!=""] 
	save(ADgenes, ADhgnc, file="ADgenes.rda") 
	write.table(ADhgnc, file="ADgenes.txt", row.names=F, col.names=F, quote=F, sep="\t")</li>
</ol>
4. Trajektorie ekspresji rozwojowej
UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.
<ol>
	<li>Konfiguracja w R. 
	biblioteka (przekształcenie w nowy kształt); biblioteka(ggplot2); biblioteka(GenomicRanges); biblioteka(biomaRt) 
	biblioteka("WGCNA") 
	options(stringsAsFactors=F)</li>
	<li>Wyrażenie procesu i metadane. 
	datExpr = read.csv("expression_matrix.csv", nagłówek = FALSE) 
	datExpr = datExpr[,-1] 
	datMeta = read.csv("columns_metadata.csv") 
	datProbes = read.csv("rows_metadata.csv") 
	datExpr = datExpr[datProbes$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$group
	<ol>
		<li>Określ etapy rozwoju. 
		datMeta$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"))</li>
		<li>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$Region=="CTX"),] 
		save(datExpr, datMeta, file="devExpr.rda")</li>
	</ol>
	</li>
	<li>Wyodrębnij profile ekspresji rozwojowej genów ryzyka choroby Alzheimera. 
	load("ADgenes.rda") 
	exprdat = apply(datExpr[match(ADgenes, nazwy wierszy(datExpr)),],2,średnia,na.rm=T) 
	dat = data.frame(Region=datMeta$Region, Unit=datMeta$Unit, Expr=exprdat)</li>
	<li>Porównaj prenatalne i postnatalne poziomy ekspresji genów ryzyka choroby Alzheimera. 
	pdf(file="developmental_expression.pdf") 
	ggplot(dat,aes(x=Jednostka, y=Wyrażenie, wypełnienie=Jednostka, alfa=Jednostka)) + ylab("Wyrażenie znormalizowane") + geom_boxplot(outlier.size = NA) + ggtitle("Wyrażenie mózgu") + xlab("") + scale_alpha_manual(values=c(0.2, 1)) + theme_classic() + theme(legend.position="na") 
	dev.off()</li>
</ol>
5. Profile wyrażeń typu komórkowego
UWAGA: Dla każdego kroku wpisz odpowiedni kod w oknie konsoli w RStudio.
<ol>
	<li>Konfiguracja w R. 
	opcje(ciągiAsFactors=F) 
	load("ADgenes.rda") 
	load("geneAnno.rda") 
	nazwa_celu = "AD" 
	gen-docelowy = ADhgnc 
	cellexp = read.table("DER-20_Single_cell_expression_processed_TPM_backup.tsv",header=T,fill=T) 
	WYRAŻ_komórki[1121,1] = WYRAŻ_komórki[1120,1] 
	WYEXP = WYRAŻ_KOMÓRKI[-1120,] 
	Nazwy wierszy(wyrażenie_komórki) = wyrażenie_komórki[,1] 
	WYRAŻENIE KOMÓRKOWE = WYRAŻENIE_komórki[,-1] 
	datExpr = scale(cellexp,center=T, scale=F) 
	datExpr = datExpr[,789:ncol(datExpr)]</li>
	<li>Wyodrębnij profile ekspresji komórkowej genów ryzyka choroby Alzheimera. 
	exprdat = apply(datExpr[match(targetgene, rownames(datExpr)),],2,średnia,na.rm=T) 
	dat = data.frame(Grupa=nazwa_celu, komórka=nazwy(wyrażenie), wyrażenie=wyrażenie) 
	dat$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()</li>
</ol>
6. Analiza wzbogacania adnotacji genów w genach ryzyka choroby Alzheimera
<ol>
	<li>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</li>
	<li>Uruchom HOMER, wpisując poniższe polecenia w terminal. 
	export PATH=$PATH:~/work/homer/bin 
	findMotifs.pl ~/praca/ADgenes.txt człowiek ~/praca/</li>
	<li>Wykreśl wzbogacone terminy, wpisując następujący kod w oknie konsoli w programie RStudio. 
	biblioteka(ggpubr) 
	opcje(ciągiAsFactors=F) 
	pdf("GO_enrichment.pdf",szerokość=15,wysokość=8) 
	plot_barplot = function(dbname,name,color){ 
	input = read.delim(paste0(dbname,".txt"),header=T) 
	wejście = wejście[,c(-1,-10,-11)] 
	input = unikalny(wejście) 
	input$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()</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>

Autorzy nie mają nic do ujawnienia.

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.

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.

<table><tbody><tr><td>Rozdzielczość 10 kb Profile interakcji Hi-C w dorosłym mózgu z 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>Zestawy danych ekspresji rozwojowej</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>Precyzyjnie zmapowane wiarygodne SNP dla AD (Tabela uzupełniająca 8 od 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 (wersja 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>Zestawy danych wyrażeń</td><td></td><td></td> jednokomórkowych<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>

mapowanie wariantów choroby alzheimera do ich docelowych genów przy użyciu obliczeniowej analizy konfiguracji chromatyny

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

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.

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.
<img alt="Badanie genetyczne choroby Alzheimera; analiza KEGG, Reactome, GO; rozkład SNP; wykresy słupkowe, terminy genowe." class="xfigimg" src="/files/ftp_upload/60428/60428fig1b.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 1"> 
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 &lt; 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. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig1alarge.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Analiza ekspresji genów; wykres pudełkowy, wykres skrzypcowy; mózg prenatalny vs postnatalny, profile genów AD." class="xfigimg" src="/files/ftp_upload/60428/60428fig2.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 2"> 
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. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig2large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
Plik uzupełniający 1. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_exon.bed" target="_blank">Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).</a>
Plik uzupełniający 2. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_promoter.bed" target="_blank">Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).</a>
Plik uzupełniający 3. <a href="https://www.jove.com/files/ftp_upload/60428/geneAnno2.rda" target="_blank">Kliknij tutaj, aby wyświetlić ten plik (kliknij prawym przyciskiem myszy, aby pobrać).</a>

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

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

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

Chociaż w ramach projektu GWAS udało się zidentyfikować regiony genomu związane z cechami i chorobami ludzkimi, biologiczny wpływ tych wariantów ryzyka jest niejasny. W tym miejscu przedstawiamy protokół do obliczeniowego przewidywania przypuszczalnych genów docelowych wariantów ryzyka GWAS przy użyciu profili interakcji chromatyny. Często identyfikacja genów ryzyka jest pierwszym krokiem do zrozumienia mechanizmów choroby i umożliwienia normalnego podejścia terapeutycznego.Mamy nadzieję, że wyniki tej pracy mogą ostatecznie doprowadzić do ostatecznych strategii diagnozowania i leczenia choroby Alzheimera. Główną zaletą tej techniki jest to, że wykorzystując częstotliwości kontaktu chromotonów 3D, możemy zidentyfikować geny dotknięte zmiennością ryzyka choroby Alzheimera, nawet jeśli są one oddalone od siebie o tysiące, a nawet miliony par zasad. Podczas próby użycia tego protokołu znajomość systemu R lub pary X ma kluczowe znaczenie, ponieważ oczekuje się, że użytkownik przeprowadzi cały protokół z systemem.Aby wykonać ten protokół obliczeniowy, zapoznaj się z kodem w rękopisie tekstowym lub na ekranie. Zacznij, od ustawienia w R, aby wygenerować obiekt zakresów G dla wiarygodnych polimorfizmów pojedynczego nukleatydu lub SNPS. W przypadku mapowania pozycyjnego skonfiguruj w R, a następnie załaduj promotor i region egzoniczny i wygeneruj obiekt zakresu G.Nakładaj wiarygodne SNPS na regiony egzoniczne i regiony promotorowe. Aby połączyć SNPS z ich domniemanymi genami docelowymi za pomocą interakcji chromatonowych, załaduj zestaw danych Hi C i wygeneruj obiekt z zakresu G. Nakładaj na siebie wiarygodny SNPS z obiektem zakresu Hi C G.I skompiluj geny kandydujące na AD, zdefiniowane przez mapowanie pozycyjne i profile interakcji chromotonów. Następnie zbadaj trajektorie rozwoju. Skonfiguruj w języku R i przetwórz metadane wyrażenia.Określ etapy rozwoju i wybierz obszary kory mózgowej. Wyodrębnij profile ekspresji rozwojowej genów ryzyka choroby Alzheimera i porównaj poziomy ekspresji prenatalnej i postnatalnej. Zbadaj profile ekspresji typu komórkowego, konfigurując w języku R i wyodrębniając profile ekspresji komórkowej ryzyka choroby Alzheimera.Na koniec należy przeprowadzić analizę wzbogacania adnotacji genów genów ryzyka choroby Alzheimera. Pobierz i skonfiguruj Homera. Następnie uruchom Homera i wykreśl wzbogacone terminy za pomocą R Studio.Za pomocą tego procesu zbadano zestaw 800 wiarygodnych SNP. Mapowanie pozycyjne ujawniło, że 103 SNP pokrywały się z promotorami, a 42 SNP pokrywały się z eksonami, podczas gdy 84% SNP pozostało nieoznaczonych. Korzystając ze zbiorów danych Hi-C w dorosłym mózgu, dodatkowe 208 SNP powiązano z 64 genami w oparciu o bliskość fizyczną.W sumie 284 wiarygodne SNP choroby Alzheimera zmapowano do 112 genów ryzyka choroby Alzheimera. Geny ryzyka choroby Alzheimera były związane z białkami prekursorowymi amyloidu, tworzeniem beta-amyloidu i odpowiedzią immunologiczną, co odzwierciedla znaną biologię choroby. Rozwojowe profile ekspresji genów ryzyka choroby Alzheimera wykazały wyraźne wzbogacenie pourodzeniowe, co wskazuje na związane z wiekiem podwyższone ryzyko choroby.Wreszcie, geny wykazywały wysoką ekspresję w mikrogleju, głównych komórkach odpornościowych w mózgu, co potwierdza powtarzające się odkrycia, że AD ma silne podstawy immunologiczne. W tym miejscu wykorzystujemy dane Hi-C z tkanki mózgowej do analizy biologicznego wpływu wariancji ryzyka choroby Alzheimera. Jednak, aby zastosować tę metodę do innego badania GWAS, poziom nowych danych Hi-C w odpowiedniej tkance ma kluczowe znaczenie.Wyniki te mogą być dalej badane i walidowane przy użyciu technologii opartych na crisper, testach reporterowych enhancer lub poprzez krzyżowanie z innymi funkcjonalnymi zestawami danych genomicznych, takimi jak EQTL. Identyfikujemy dziesiątki genów ryzyka choroby Alzheimera i spodziewamy się, że identyfikacja tych genów pomoże nam zrozumieć ich nieznaną wcześniej rolę w chorobie Alzheimera.

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

Research

JoVE Journal

Genetics

Genetyka

Przedstawiamy tutaj procedurę immunoprecypitacji chromatyny (ChIP) służącą do analizy lokalizacji w całym genomie izoform białek różniących się domeną wiążącą histony. Zastosowaliśmy ją w analizie ChIP-Seq w celu zidentyfikowania celów demetylazy histonów KDM5A/JARID1A/RBP2.

Analiza całogenomowa z wykorzystaniem metody ChIP w celu identyfikacji specyficznych dla izoform celów genowych

Opisujemy tutaj test polegający na sprzężeniu identyfikacji metylotransferazy adeninowej DNA (DamID) z sekwencjonowaniem o wysokiej przepustowości (DamID-seq). Ta ulepszona metoda zapewnia wyższą rozdzielczość i szerszy zakres dynamiki oraz umożliwia analizowanie danych DamID-seq w połączeniu z innymi danymi sekwencjonowania o wysokiej przepustowości, takimi jak ChIP-seq, RNA-seq itp.

DamID-seq: Mapowanie interakcji białko-DNA w całym genomie poprzez wysokoprzepustowe sekwencjonowanie fragmentów DNA metylowanych adeniną

Przedstawiamy strategiczny plan i protokół identyfikacji niekodujących wariantów genetycznych wpływających na wiązanie DNA czynnika transkrypcyjnego (TF). Przedstawiono szczegółowy protokół eksperymentalny dla testu przesunięcia ruchliwości elektroforetycznej (EMSA) i testu powinowactwa DNA (DAPA) analizy wiązania TF DNA zależnego od genotypu.

Badania przesiewowe w kierunku funkcjonalnych niekodujących wariantów genetycznych przy użyciu testu przesunięcia ruchliwości elektroforetycznej (EMSA) i testu precypitacji powinowactwa DNA (DAPA)

Ta praca opisuje zoptymalizowany protokół sekwencjonowania domeny wiążącej metylo-CpG (MBD) oraz potok obliczeniowy do identyfikacji różnie metylowanych regionów bogatych w CpG u pacjentów z przewlekłą białaczką limfocytową (CLL).

Kompleksowa analiza metylacji DNA przy użyciu metody opartej na wychwytywaniu domeny wiążącej metylo-CpG u pacjentów z przewlekłą białaczką limfocytową

Tutaj opisujemy innowacyjną metodę określania polimorfizmów długości receptora dopełniacza 1 (CR1) do wykorzystania w wielu zastosowaniach, szczególnie w ocenie podatności na choroby takie jak choroba Alzheimera (AD). Metoda ta może być przydatna do lepszego zrozumienia roli izoform CR1 w patogenezie choroby Alzheimera.

Genotypowanie polimorfizmu długości receptora dopełniacza 1 metodą topnienia w wysokiej rozdzielczości: innowacyjne narzędzie do oceny podatności genów choroby Alzheimera

Test chromatyny dostępnej dla transpozy w połączeniu z sekwencjonowaniem wysokoprzepustowym (ATAC-seq) to metoda odkrywania dostępnej chromatyny obejmująca cały genom. Jest to protokół sekwencyjny ATAC-seq krok po kroku, od analizy molekularnej do końcowej analizy obliczeniowej, zoptymalizowany pod kątem ludzkich limfocytów (Th1/Th2). Protokół ten może zostać przyjęty przez badaczy bez wcześniejszego doświadczenia w metodach sekwencjonowania nowej generacji.

Mapowanie chromatyny dostępnej w całym genomie w pierwotnych ludzkich limfocytach T za pomocą ATAC-Seq

Tutaj opisujemy zoptymalizowany protokół sekwencjonowania ChIP o wysokiej przepustowości oraz potok analiz obliczeniowych do określania wzorców stanu chromatyny w całym genomie z zamrożonych tkanek nowotworowych i linii komórkowych.

Zintegrowana platforma do mapowania stanów chromatyny w całym genomie przy użyciu wysokoprzepustowego sekwencjonowania ChIP w tkankach nowotworowych

Ukierunkowane sekwencjonowanie nowej generacji to efektywne czasowo i kosztowo podejście, które staje się coraz bardziej popularne zarówno w badaniach nad chorobami, jak i w diagnostyce klinicznej. Opisany tutaj protokół przedstawia złożony przepływ pracy wymagany do sekwencjonowania i procesu bioinformatycznego wykorzystywanego do identyfikacji wariantów genetycznych, które przyczyniają się do choroby.

Ukierunkowane sekwencjonowanie nowej generacji i bioinformatyka w celu oceny genetycznych uwarunkowań chorób konstytucjonalistycznych

Ten protokół opisuje metodę Capture Hi-C używaną do charakteryzowania organizacji 3D docelowych regionów genomowych o rozmiarach mega w wysokiej rozdzielczości, w tym granic topologicznie asojacujących domen (TADs) i interakcji chromatyny dalekiego zasięgu między regulatorowymi i innymi elementami sekwencji DNA.

Rozszyfrowywanie organizacji chromatyny 3D w wysokiej rozdzielczości za pomocą Capture Hi-C

Protokół mapowania trójwymiarowej organizacji genomu z rozdzielczością nukleosomów przy użyciu metody przechwytywania konformacji chromosomów w całym genomie Micro-C-XL jest przedstawiony tutaj.

Mapowanie interakcji genomu 3D ssaków za pomocą Micro-C-XL

To badanie analizowało transkryptomy pojedynczych jąder trzydziestu trzech osób z chorobą Alzheimera (AD), ujawniając specyficzne dla płci DEG w komórkach glejowych. Analiza wzbogacenia funkcjonalnego uwypukliła szlaki synaptyczne, neuronalne i związane z hormonami. Zidentyfikowano kluczowe geny, a mianowicie NLGN4Y i jego regulatory, a także zaproponowano potencjalnych kandydatów terapeutycznych dla choroby Alzheimera specyficznej dla płci.

Identyfikacja biomarkerów swoistości płciowej choroby Alzheimera na podstawie profili transkryptomu glejowego

Odkryj metodę obliczeniową mapowania wariantów ryzyka choroby Alzheimera do docelowych genów przy użyciu danych Hi-C. Protokół ten pozwala zidentyfikować 112 genów ryzyka AD poprzez analizę interakcji chromatyny.

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

Przeglądaj więcej filmów