Estudo de Associação Integrativa em Transcriptoma Amplo e Randomização Mendeliana identificam LYNX1 e MS4A14 como alvos terapêuticos para osteomielite

Summary

Este estudo integra análise de associação em todo o transcriptoma e randomização mendeliana para identificar sistematicamente alvos de fármacos para osteomielite. Aproveitando bancos de dados genéticos, os autores identificaram LYNX1 e MS4A14 como genes candidatos-chave, destacando vias moleculares críticas e informando estratégias terapêuticas precisas para o manejo de infecções ósseas.

Abstract

A osteomielite é uma doença infecciosa grave caracterizada por inflamação profunda do osso e da medula óssea, sendo predominantemente causada por patógenos bacterianos como Staphylococcus aureus (S. aureus). No entanto, os regimes de tratamento atuais são significativamente prejudicados pelo surgimento de resistência a antibióticos e infecções recorrentes, impulsionadas pela formação robusta de biofilmes e persistência intracelular bacteriana. Assim, há uma necessidade urgente de identificar novos alvos terapêuticos além dos antimicrobianos convencionais. Uma abordagem computacional integrativa que combina um estudo de associação em todo o transcriptoma (TWAS) com a análise de randomização mendeliana baseada em resumo (SMR) foi aplicada para identificar sistematicamente genes de suscetibilidade causal subjacentes à osteomielite. Variantes genéticas em grande escala foram utilizadas como variáveis instrumentais para prever a expressão gênica nos tecidos, permitindo a exploração das associações causais entre esses alvos e o risco de doença. A estrutura integrativa identificou LYNX1 e MS4A14 como genes-chave candidatos e potenciais alvos terapêuticos. Especificamente, LYNX1 esteve associado a maior suscetibilidade à osteomielite, enquanto MS4A14 apresentou potenciais propriedades protetoras. Esses achados destacam os papéis regulatórios desses genes na resposta imune do hospedeiro e na modulação inflamatória durante infecções ósseas. Este estudo faz a ponte entre os achados de associação genômica ampla e a interpretação biológica, avançando na compreensão da base genética da osteomielite e apoiando o desenvolvimento de estratégias direcionadas de medicina de precisão para aprimorar a defesa do hospedeiro e superar a resistência terapêutica.

Introduction

A osteomielite é uma doença infecciosa grave caracterizada por inflamação profunda do osso e da medula óssea. É frequentemente iniciado por invasão bacteriana, sendo Staphylococcus aureus (S. aureus) um patógeno comum em apresentações hematógenas agudas e^{crônicas 1,2}. Embora S. aureus seja proeminente, a osteomielite é frequentemente polimicrobiana, e a erradicação de S. aureus sozinha nem sempre resolve a infecção devido à persistência de microrganismos não cultiváveis e às interações dinâmicas com^{biofilmes 3,4}. Em hospedeiros suscetíveis, patógenos empregam estratégias de evasão complexas, incluindo persistência intracelular dentro de macrófagos e a formação de biofilmes densos. Esses biofilmes, compostos por DNA extracelular, polissacarídeos e proteínas especializadas, criam barreiras físicas formidáveis que resistem às defesas imunes do hospedeiro e limitam a penetração de agentes antimicrobianos^{convencionais 5,6}. Consequentemente, embora o manejo clínico normalmente envolva desbridamento cirúrgico agressivo e terapia antibiótica prolongada, a presença de biofilmes resilientes e comunidades polimicrobianas reduz significativamente a eficácia do tratamento, levando a morbidade prolongada e infecções^{recorrentes 7,8}. A elucidação da arquitetura molecular subjacente às interações hospedeiro-patógeno continua sendo fundamental para identificar novos alvos terapêuticos⁹.

Estudos de associação genômica ampla (GWAS) avançaram a compreensão da osteomielite ao identificar múltiplos loci genéticos associados à suscetibilidade^{à doença 10}. No entanto, devido aos rigorosos limiares múltiplos de teste e limitações no poder estatístico e no tamanho da amostra, muitos loci críticos que influenciam a suscetibilidade à osteomielite provavelmente permanecerão não^{detectados 7}. Além disso, a interpretação dos achados do GWAS continua desafiadora, já que a maioria das variantes identificadas está localizada em regiões não codificantes ou intergênicas, sugerindo efeitos regulatórios sobre a expressão gênica em vez de alterações diretas na estrutura da^{proteína 11}. Além disso, os dados primários GWAS carecem de especificidade tecidual direta, exigindo análises complementares a jusante para determinar os contextos celulares em que essas variantes exercem seus efeitos. Estudos de associação em todo o transcriptoma (TWAS) abordam essas limitações ao integrar a expressão gênica geneticamente prevista de painéis de referência em conjuntos de dados GWAS existentes, permitindo a identificação sistemática de genes associados a doenças funcionalmente relevantes em múltiplos^{tecidos 12}.

Para fortalecer a inferência causal, a randomização mendeliana (RM) utiliza variantes genéticas como variáveis instrumentais, aproveitando a alocação aleatória de alelos na concepção para reduzir a confusão e reverter a^{causalidade 13,14}. As análises de loci quantitativos de traços de expressão (eQTL) ainda vinculam variantes GWAS à transcrição^{gênica 15}, enquanto randomização mendeliana baseada em resumo (SMR) integra conjuntos de dados GWAS e QTL para priorizar genes causais e distingui-los de associações impulsionadas pelo desequilíbrio de ligação por meio do teste^{de heterogeneidade 16}.

Este estudo representa a primeira aplicação de um quadro integrativo de TWAS e RM focado especificamente na osteomielite, abordando a lacuna entre os achados do GWAS e insights clinicamente acionáveis. Ao combinar dados transcriptômicos experimentais com dados genéticos populacionais em larga escala, genes de suscetibilidade à doença foram sistematicamente mapeados e as relações causais foram inferidas. Essa estratégia integrativa visa descobrir vias moleculares anteriormente não reconhecidas envolvidas na resistência do hospedeiro à osteomielite e identificar alvos candidatos para o desenvolvimento terapêutico de precisão.

Protocol

Todas as estatísticas resumidas utilizadas nas análises de Randomização Mendeliana (RM) e Estudo de Associação Extensa do Transcriptoma (TWAS) foram derivadas estritamente de conjuntos de dados previamente publicados e desidentificados. A aprovação ética e o consentimento individual para os estudos originais estão documentados em suas respectivas publicações. Consequentemente, a aprovação ética adicional para este estudo de mineração de dados foi dispensada pelo Conselho de Revisão Institucional do Hospital Tongde, na Província de Zhejiang (Zhe Tongde Lunshen 2024 [Yan] No. 028-JY). As ferramentas utilizadas para esta pesquisa estão listadas na Tabela de Materiais.

1. Aquisição e processamento de dados RNA-seq

Os dados do transcriptoma foram obtidos do banco de dados Gene Expression Omnibus (GEO) (GSE272198) para avaliar a conservação das vias imunes inatas entre espécies de mamíferos para validação^{inicial 17}. Macrófagos derivados da medula óssea (BMDMs) foram infectados com S. aureus (multiplicidade da infecção, MOI = 10) por 1 hora, seguido de tratamento com lisosofafina (20 μg/mL) e gentamicina (50 μg/mL) para remover bactérias extracelulares. Após três lavagens com soro salino tamponado com fosfato (PBS), as BMDMs foram cultivadas por 24 horas, lisadas em um reagente de extração total de RNA e sequenciadas.

A qualidade do RNA foi avaliada usando um sistema automatizado de eletroforese para garantir a integridade. Bibliotecas foram preparadas a partir de três experimentos independentes e sequenciadas em uma plataforma de sequenciamento de alta produtividade. As leituras brutas foram alinhadas ao genoma do camundongo (GRCm38, mm10) usando STAR (v2.7.10a). Genes diferencialmente expressos (DEGs) foram identificados usando DESeq2 (v1.38.0). Para mitigar falsos positivos, a significância estatística foi definida como um valor p ajustado (FDR) < 0,05 e |log₂ fold change| > 1. A análise de Ontologia Gênica (GO) foi realizada usando clusterProfiler (v4.6.0), e a Análise de Enriquecimento de Conjuntos Genéticos (GSEA) foi realizada usando GseaVis (v0.0.5). Os heatmaps foram gerados usando o pacote pheatmap (v1.0.12) em R (v4.2.0).

Análise TWAS

Dados de sequenciamento de RNA de sangue inteiro e sequenciamento do genoma inteiro (WGS) foram obtidos do projeto Genotype-Tissue Expression (GTEx) (V8)¹⁸. Modelos pré-treinados de expressão gênica foram utilizados a partir de um repositório público (https://doi.org/10.5281/zenodo.3842289). Estatísticas resumidas de osteomielite para TWAS foram retiradas do consórcio FinnGen, compreendendo 2.336 casos e 473.264 controles¹².

O TWAS foi conduzido usando três algoritmos: imputação de tecido articular (JTI), PrediXcan¹⁹ e UTMOST ^12,20. O JTI estima a similaridade da expressão gênica e a acessibilidade da cromatina epigenética para otimizar a precisão da previsão. O PrediXcan aplica regressão líquida elástica com validação cruzada por cinco vezes, enquanto o UTMOST aumenta a precisão ao aproveitar dados de expressão multi-tecido usando o LASSO de grupo esparso. O framework UTMOST modificado descrito por Zhou et ^al.12 padroniza hiperparâmetros para estimação imparcial. Genes com escores estáveis de validação cruzada — pré-definidos como um coeficiente de correlação r > 0,1 e significância preditiva p < 0,05²¹ — foram mantidos como imputáveis. Modelos de transcriptoma sanguíneo total foram estabelecidos usando matrizes de covariância SNP do conjunto de dados de referência 1000 Genomes.

As associações entre a expressão gênica prevista e o risco de osteomielite foram posteriormente analisadas. Para considerar testes múltiplos, a significância estatística para TWAS foi definida principalmente usando um limiar de Taxa de Falsa Descoberta (FDR) de < 0,05. Dada a natureza geradora de hipóteses deste estudo em múltiplas etapas, loci que atenderam a um limiar sugestivo (nominal) de p < 0,05 também foram priorizados para análises de randomização mendeliana a jusante (SMR) e colocalização. Essa estratégia integrativa visa maximizar a captura de potenciais fatores regulatórios, ao mesmo tempo em que se baseia na validação cruzada multi-ômica (TWAS + SMR) para garantir a robustez dos candidatos priorizados.

Análise SMR

Este estudo seguiu as diretrizes STROBE (Strengthening the Reporting of Observational Studies in Epidemiology^{) 22}. Para definir computacionalmente um fenótipo que representa a predisposição genética para disfunção mitocondrial (doravante denominados "mitódias" para fins de análise), transcritos correspondentes a todos os genes conhecidos relacionados à mitocondria foram extraídos do banco de dados MitoCarta3.0²³. Esse conjunto de genes serviu como uma base pré-definida e informada pela biologia para a previsão subsequente de risco poligênico. Todas as interpretações funcionais posteriores relacionadas a "mítoldias" são derivadas dessa inferência computacional e devem ser consideradas preditivas e geradoras de hipóteses.

Instrumentos de loci de traços quantitativos de expressão (eQTL) foram gerados usando variantes dentro de 1000 kb das sequências codificantes (cis-eQTLs). As estatísticas resumidas foram obtidas do Consórcio eQTLGen e do GTEx V8²⁴. Um total de 8.932.843 SNPs ligados a 1.013 transcritos relacionados à mídodia foram selecionados com base em um limiar de significância genômica P < 5E-8. Estatísticas GWAS de base para desfechos de osteomielite foram obtidas a partir do FinnGen²⁰.

A análise de Randomização Mendeliana (SMR) baseada em dados resumidos foi realizada usando SMR (versão 1.0.3) com parâmetros padrão para estimar associações pleiotrópicas entre características de expressão gênica e desfechos de osteomielite. O efeito causal beta_mitodys–osteomielite representa o tamanho estimado do efeito log-odds da disfunção mitocondrial na osteomielite e é calculado como:

Razões de probabilidade (ORs) representam a variação por aumento logarítmico natural de uma unidade nos níveis padronizados de expressão gênica. A colocalização foi posteriormente avaliada utilizando o teste de heterogeneidade em instrumentos dependentes (HEIDI).

Results

Caracterização do sequenciamento de RNA em massa e enriquecimentos funcionais

Seguindo a metodologia usada para isolar BMDMs não infectados (controle) versus infectados por S. aureus, foram identificados 3.775 DEGs no grupo experimental, compreendendo 1.686 genes com regulação para cima e 2.089 genes para baixo. A análise GO revelou uma rede fortemente enriquecida para ativação imune inata, incluindo regulação positiva (GO:0045089) e ...

Discussion

Ao integrar análises TWAS e SMR em conjuntos de dados translacional, este estudo identificou uma rede central de loci genéticos associados aos fenótipos da osteomielite. A identificação de LYNX1 e MS4A14 como alvos gene candidatos representa uma contribuição fundamental, fornecendo insights mecanicistas além dos achados convencionais do GWAS, incorporando contexto transcriptômico. Essa abordagem integrativa destaca o potencial das estratégias de medicina de precisão para avançar no manej...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
clusterProfiler	Guangchuang Yu's Team (Sun Yat-sen University)	NA	Usado para análise de enriquecimento funcional de Ontologia de Genes (GO) de genes diferencialmente expressos.
DESeq2	Bioconductor Project (Open Source)	NA	Usado para identificar genes diferencialmente expressos (DEGs)
GSEA / GseaVis	Broad Institute / Open Source Community	NA	Usado para Análise de Enriquecimento de Conjuntos de Genes (GSEA) para identificar conjuntos de genes coordenadamente expressos. GseaVis é provavelmente usado para visualização.
HEIDI (Heterogeneity in Dependent Instruments) test	Função integrada dentro do software SMR	NA	Usado para testar se a associação observada no SMR é impulsionada por desequilíbrio de ligação em vez de uma variante causal compartilhada. P_HEIDI > 0,05 indica nenhuma heterogeneidade maior
JTI (Joint-Tissue Imputation)	Zhou et al. (Open Source Model)	NA	Um algoritmo TWAS que estima a similaridade de expressão gênica e a acessibilidade epigenética da cromatina para otimizar a precisão da predição.
pheatmap	Raivo Kolde (R package)	NA	Usado para gerar mapas de calor de genes diferencialmente expressos para visualização de dados.
PrediXcan	Gamazon et al. (Open Source Model)	NA	Um algoritmo TWAS que aplica regressão elástica com validação cruzada de cinco dobras para imputar expressão gênica e testar a associação com o risco de doença.
SMR (Summary-data-based Mendelian Randomization)	Desenvolvido por uma equipe da Universidade de Fudan (Software de Código Aberto)	NA	Usado para realizar análise de randomização mendeliana baseada em resumos para explorar associações causais entre a expressão gênica e o risco de osteomielite. A versão 1.0.3 foi usada.
STAR	Alexander Dobin (Cold Spring Harbor Laboratory)	NA	Usado para alinhar leituras de RNA-seq ao genoma de referência (genoma de camundongo GRCm38/mm10).
UTMOST	Hu et al. (Open Source Model)	NA	Um algoritmo TWAS que melhora a precisão da predição aproveitando dados de expressão multi-tecidual usando uma estrutura sparse group LASSO.