Summary
Amino asit düzeyi parazit sinyal analizi arka plan için verilen bir popülasyonun genetik varyasyon normalleştirilmiş bir belirli amino asit pozisyonda genetik varyasyon yaygınlığı belirler. Bu varyant "sıcak noktalar" frekans nadir versiyonlarının bir nüfus (gürültü) bulundu yukarıda yükselir bir protein sıra (sinyal) içinde tanımlanması için sağlar.
Abstract
Gelişmeler maliyet ve sonraki nesil genetik sıralama hızını bir patlama klinik tüm exome ve tüm genom test oluşturmuş. Muhtemel patojen mutasyonların genetik sendromlar ile ilişkili artan kimlik yol açmıştır iken, bu da önemli ölçüde sayısı bilinmeyen önem (VUS) genetik varyantların tesadüfen bulundu artmıştır. Bu değişik klinik önemi belirleme bilim adamları ve klinisyenler için büyük bir sorun olduğunu. Patojen olasılığını belirlemede yardımcı olmak için bir yaklaşım protein sıra düzeyinde sinyal-gürültü analizidir. Bu iletişim kuralı her yükseltilmiş olasılığı ile birincil dizinin alanları tanımlamak için bilinen protein topolojisi ile protein amino asit konumunu değişik frekansta güçlendirir amino asit düzeyi parazit sinyal analizi için bir yöntemi açıklar patolojik değişim (göre nüfus "arka plan" varyasyon). Bu yöntem amino asit kalıntı konumu "sıcak noktalar" VUSs tanı ağırlığı bu sonraki nesil genetik test ederek tespit gibi iyileştirmek için kullanılan yüksek patolojik sinyal tanımlayabilirsiniz.
Introduction
Genetik sıralama platformlar hızlı düzelme erişilebilirlik ve rolü genetik tıpta devrim yarattı. Bir kez tek bir gen veya gen bir avuç binayla, maliyet azaltma ve yeni nesil genetik sıralama genom tamamını rutin sıralama açmıştır hızını artış sırası (tüm exome sıralama, WES) kodlama'nın ve tüm genom ( tüm genom sıralama, WGS) klinik ortamda. WES ve WGS sık ağır hasta yenidoğan bebeklerin ve çocukların genetik sendromu için endişe ile ortamda klinik Yönetim1,2değiştirebilirsiniz kanıtlanmış bir tanı aracı nerede kullanılmaktadır. Muhtemel patojen mutasyonların genetik sendromlar ile ilişkili artan kimlik yol açmıştır iken, aynı zamanda önemli ölçüde bu arada bulunan genetik varyantların veya beklenmeyen olumlu sonuçlarını, bilinmeyen tanı sayısı artmıştır önemi (VUS). Bazı bu çeşitleri göz ardı ve türevleri için yerelleştirme rapor değil iken potansiyel olarak ölümcül ya da son derece korkunç hastalıklar ile ilişkili genlerin sık sık rapor edilir. Mevcut kurallar tavsiye kardiyomiyopatiler gibi ani kardiyak ölüm predispozan hastalıkların gelişimi ile ilişkili genlerin de dahil olmak üzere hastanın tıbbi yararı olabilir belirli genler bulundu arızi versiyonlarının raporlama ve channelopathies3. Her ne kadar bu öneriye SCD predispozan hastalığı riskini bireylerin yakalamak için tasarlanmıştır, varyant algılama hassasiyeti çok özgüllüğü aşıyor. Bu VUSs giderek artan sayıda içinde yansıtılır ve bu arada çok aşan bir verilen nüfus4ilgili hastalıklarda sıklığını belirsiz tanılama yardımcı programı ile türevlerini tespit. Bir tür hastalık, uzun QT sendromu (LQTS), kardiyak iyon kanalları kodlamak genler için yerelleştirme mutasyonlar neden kurallı bir kalp channelopathy, ya da kardiyak repolarization5sonuçlanan proteinler, etkileşim kanalı gecikmeli. Elektrokardiyogram, istirahat üzerinde uzun süreli bir QT aralığı tarafından görülen bu gecikmiş repolarization torsades de pointesgibi potansiyel olarak ölümcül ventriküler aritmiler elektrik bir yatkınlık sonuçlanır. Bu hastalık, KCNQ1mutasyonların gelişmesine bağlı gen sayısı ise-kodlanmışKs Potasyum kanal (KCNQ1, Kv7.1) LQTS tip 1 nedeni ve6aşağıda örnek olarak kullanılmaktadır. Varyant yorumunu karmaşıklık gösteren, "arka plan genetik varyasyon" sözde genler, LQTS ilişkili nadir versiyonlarında varlığı önceden açıklanan7,8oldu.
Büyük Özet tarzı veritabanlarına ek olarak bilinen patojen varyantları, etkisi farklı varyantları üretecek tahmin etmek için çeşitli stratejiler vardır. Bazı algoritmalar, SIFT ve Polyphen 2, deleteriousness9,10tahmin için roman eşanlamlı sigara türevleri çok sayıda filtre uygulayabilirsiniz gibi temel alır. "Klinik VUSs11calling" geldiğinde bu araçları geniş kullanılmasına rağmen onların uygulanabilirliği düşük özgüllük sınırlar. "Sinyal-gürültü" analiz nadir genetik varyasyon bir popülasyondan karşı normalleştirilmiş söz konusu loci, bilinen patolojik değişim sıklığı temel hastalığı ile ilişkili olan bir değişken olasılığını tanımlayan bir araçtır. Genetik loci yerelleştirme türevleri olduğu yerde yüksek yaygınlık varyasyon, bir yüksek sinyal-gürültü, nüfus tabanlı göre hastalık ilişkili mutasyonların daha kendilerini hastalık ilişkili olması muhtemeldir. Bu arada bir gen ile nadir nüfus versiyonlarının yüksek frekans için yerelleştirme bulundu Ayrıca, nadir türevleri hastalık ilişkili frekans, bir düşük sinyal-gürültü için karşılaştırıldığında, daha az hastalık ilişkili olması muhtemeldir. Tanılama yardımcı programı parazit sinyal analizi kardiyomiyopatiler ve channelopathies için genetik test etmek için son yönergeleri yılında resimli; Ancak, bu yalnızca bütün gen düzeyinde veya etki alanına özgü düzeyi12istihdam edilmiştir. Son zamanlarda, patolojik türevleri (hastalık veritabanları, kohort çalışmalar literatürde) ve nüfus tabanlı kontrol türevleri (Exome toplama Konsorsiyumu, orada ve genom toplama veritabanı, GnomAD13), artırılmış kullanılabilirlik verilen Bu bir protein birincil dizisi içinde bireysel amino asit pozisyonlar için uygulanmıştır. Amino asit düzeyi parazit sinyal analizi tesadüfen saptanan hastalık ilişkili daha büyük olasılıkla "arka plan" genetik varyasyon olarak LQTS ile ilişkili genlerin versiyonlarında kategorize yararlı olmuştur. KCNQ1, dahil olmak üzere LQTS ile ilişkili üç önemli genler arasında bu çeşitleri bireysel amino asit pozisyonlarda sıklığını nadir yansıtacak düşündüren önemli bir sinyal noise oranları bu tesadüfen tespit çeşitleri yoksun nüfus değişimi yerine hastalık ilişkili mutasyonlar. Ayrıca, ne zaman protein özel etki alanı topolojisi yüksek sinyal gürültü, patolojik mutasyon "lokalize anahtar işlevsel etki alanlarına proteinler14sıcak noktalar" alanlarında karşı overlaid. Bu yöntem 1) olasılığını bir değişken hastalığı veya nüfus ilişkili olduğunu belirleme ve 2) bir proteinin insan hastalığı ile ilişkili roman kritik işlevsel etki alanları tanımlayan söz sahibidir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. gen ve belirli Splice izoformu ilgi tanımlamak
Not: Burada, faiz hastalığın patogenezi ile ilişkili olan faiz gen için fikir birliği sırasını tanımlamak için Ensembl15 kullanımını göstermektedir (yani KCNQ1 mutasyonlar LQTS ile ilişkili). Seçimli-e doğru Ensembl dahil RefSeq biyoteknoloji bilgi (NCBI)16 Ulusal Merkezi ve University of California, Santa Cruz (UCSC) insan genom tarayıcı17 üzerinden ( Tablo malzemelerigörmek).
- Ensembl ana türler (yani insan) açılan menüden seçin ve faiz kısaltma gen alanına (yani KCNQ1) girin. "Git" tıklayın
- Faiz gen için karşılık gelen bağlantıyı seçin (yani "KCNQ1 (insan gen)"
- Faiz kimliği ilgi transkript "transkript tablosundan" karşılık gelen bağlantıyı seçin (yani TranscriptID ENST00000155840.10, NM_000218 [RNA transkript], NP_000209 [RNA transkript protein ürünü]).
Not: Doğru transkript fikir birliği dizisinin seçilir emin olmak için ilgili literatürün gözden geçirilmesi gereklidir. - Not transkript özgü NM ve ileride "Transkript tablo" "RefSeq" sütununda bulunan için NP kimlik numarası.
- NCBI Protein veritabanından yeni bir Web sayfası açmak için NP kimlik numarasıyla ilişkili bağlantıyı seçin.
- Protein (birincil) sıra faiz gen transkript için elde etmek "Köken" bölümü aşağı ilerleyin.
- Protein özellikleri (işlevsel etki alanları, bağlayıcı etki alanları, translasyon modifikasyon siteleri) bir listesini elde etmek için "Özellikler" bölümüne kadar gidin.
Not: Bu bilgileri de NCBI Protein veritabanı üzerinden veya literatürde birincil kaynaklardan edinilebilir. Bu daha fazla adım 5'te ele alınacaktır.
2. deneysel genetik varyant veritabanı ("sinyal") oluşturmak
Not: Burada, biz faiz gen faiz hastalığı olan bireyler arasında hastalık ilişkili versiyonlarının sıklığı ile değişik hastalık ilişkili bir veritabanı oluşturmak nasıl gösterir. Bu veritabanı birçok biçimlerde olabilir ve "Denetim varyant veritabanında normalleştirilmiş olan sinyali" (fenotip pozitif genetik varyasyon) temsil eder. Bu 1) hastalık ilişkili değişik yönlerine karşı hastalık ilişkili olasılığını belirlemek için karşılaştırmak için bu arada tespit roman işlevsel etki alanları protein ve/veya 2) de dahil olmak üzere VUSs, VUSs, tanımlamak için VUSs karşı karşılaştırma içerebilir patojen. KCNQ1 hastalık ilişkili versiyonlarında Gösterim amacıyla sunulacak; Ancak, yöntem tesadüfen tespit VUSs analizi veya deneysel türevleri diğer kümesi için aynıdır.
- Hastalığın kendisi için gen ilgi için tüm probands kapsamlı bir şekilde genotyped ilgi ile ilgisiz Dizin durumlarda/probands cohort(s) belirlemek (yani bir çalışma 24 ilgisiz probands KCNQ1 türevleri 200 dışarı hosting tanımlar KCNQ1 genetik sorgulamaya tabi tutuldu bireyler LQTS ile).
Not: Bu tabur deneysel genetik analiz, edebiyat veya her ikisinin birleşimini tespit edilebilir.- Kohort tabanlı olmayan çalışmalar hariç (yani tek bir mutasyon pozitif kişinin açıklayan bir olgu sunumu), toplam sayisi genotyped faiz gen için sağlamak değil, ya da kapsamlı bir şekilde genetik analiz etmiyorsun gen ( yani sadece KCNQ1 ekzonlar 2-4 bir "hedef" Genetik tarama) Bunlar bir değişken frekans hesaplanması engel.
- İlgisiz probands vardır ve bu aşırı varyant Frekanslar (yani bir çalışma 4 ilgisiz kişilerin bir kohort KCNQ1 mutasyonların 20 LQTS hastalarda tanımlar. tahmin olarak ilgili bireyler hariç bireyler dahil Bu probands biri 5 mutasyon pozitif akraba ile ailenin bir parçası. Tüm aile üyeleri Dışla ve sadece 4 ilgisiz probands Ekle).
- Tespit cohort(s) içinde bulunan tüm deneysel genetik varyantların derlemek
- Vahşi-türü amino asit, amino asit konum ve varyant amino asit (valin, Ala212Val veya A212V değiştiyani alanin amino asit numara 212) içeren adlandırma atayın. Terminoloji bile böyle bir tür Şekil 1' de gösterilmiştir.
- 1.4. adımda belirtilen aynı referans gen transkript tüm deneysel genetik varyantları değişken adlandırma dayalı onaylayın. Deneysel genetik varyantların aynı referans gen transkript üzerinde açıklamalı değil, varyant transkript hizalama kullanarak bir başvuru transkript konumuna reannotate (bkz. Adım 1.2)
- Araştırdı soru bağlı olarak geçerli değildir türevleri hariç.
- Kodlamayan bölgeler genom veya protein değiştirmeyin türevleri için yerelleştirme dışlama türevleri sıra eş anlamlı, intronic türevleri, 5' ya da 3' çevrilmeyen bölgesi [UTR'nin] ve intergenic bölge gibi türevleri (yani bildirilen bir patolojik protein sırasını değiştirmek için tahmin değil gibi 5' yerelleştirir KCNQ1 varyant Kodlayıcı bölge UTR'nin dışlanacak).
- Eklenmesi için çalışma ölçütlerine uymayan türevleri hariç. Hastalık ilişkili türevleri için bu artık patolojik olarak kabul edilir varyantları içerir.
- Her değişken şu anda büyük olasılıkla patojen, kabul edilir onaylamak patojen veya en az değil iyi huylu, değişik ClinVar veritabanı ile çapraz gönderme yapmak tarafından (bkz. Tablo malzeme).
- Gen ve faiz çesidi (yani KCNQ1-Y111C) ClinVar arama alanına girin, "Ara" yı seçin
- Değişken faiz "Değişim/yer" sütununun altında tanımlayın.
- Patojen "Klinik önemi" sütununun altında fikir birliği yorumu unutmayın (yani KCNQ1-Y111C yorumlanır olarak "patojenik").
- Olan türevleri dahil "muhtemel patojen" veya "patojenik."
- Türevleri ile belirtme "patojenitesi, çelişkili Yorumlar" dahil "belirsiz önemi," veya kayıt yok "(sağlanan değil") kullanılabilir olduğunda tarafından çalışma garanti eğer.
- Olarak tasarlanmış türevleri hariç "büyük olasılıkla iyi huylu" (yani KCNQ1-A62T).
- Deneysel her varyant pozisyon küçük gen frekansını (MAF) hesaplamak.
- Nasıl herhangi bir gen (KCNQ1-Y111C Heterozigoz mutasyon 2 ilgili olmayan bireylerde, değişik pozitif gen sayısı bulunur 2 iseyani ) ilgili her değişken için olumlu olduğunu hesaplamak.
- Kohort içinde sıralı allelleri toplam sayısını hesaplamak
- Not her kohort çalışması (adım 2.1) sıralı toplam sayisi
- Toplam sayisi allelleri toplam sayısını belirlemek için 2 ile çarpın.
Not: Bu diploit genleri sayede her alleli ana her bireysel bilgisayarları 2 varsayar.
- Değişik pozitif bireyler için her bir amino asit pozisyon (adım 2.4.1/alleles adım 2.4.2 allelleri) toplam sayısını hesaplayın. Örneğin, 2 ilgisi olmayan bireyler her ev sahipliği Heterozigoz KCNQ1-Y111C mutasyonların tabur LQTS Dertli bireyler, 100 ve 200 sırasıyla, sonra 2 türevleri/((100+200 individuals amino asit pozisyon 111, deneysel türevleri sıklığıdır ) * 2 gen/bireysel) (yani MAF 0.0033 birlikte).
- Bu değer her varyant için deneysel her varyant ilgili MAF hesaplayın. Daha fazla bilgi için bkz: adım 4.2.
3. kontrol genetik varyant veritabanı ("gürültü") oluşturmak
Not: Burada, biz ilişkili bir frekans ile ilgi bir denetim nüfus gen kontrol versiyonlarının bir veritabanı oluşturmak nasıl gösterir. Bu veritabanı ", hangi karşı deneysel varyant veritabanı Normalleştirilmiş arka plan gürültü" (fenotip negatif, nüfus tabanlı genetik varyasyon) temsil eder. Bu "Denetim" varyasyon adlandırılır.
- Büyük nüfus tabanlı çalışmalar verilen nüfus arasında nadir türevlerini tanımlamak için kullanmak veya sağlıklı, alakasız probands cohort(s) belirtin.
Not: Bu veritabanı için kaynakları çeşitlidir ve içerir: 1) sağlıklı bireyler ve/veya aksi takdirde fenotip negatif bireyler tabi Sanger için sıralama veya nüfus tabanlı bireylerin hastalık söz konusu olduğu genel olarak tutulan veritabanları sıklıkla 2 gibi nadir) 1000 genom projesi (N = 1,094 konular)18, 3) Ulusal Kalp, akciğer ve kan Enstitüsü gitmek Exome sıralama proje (ESP, N 5,379 konular =)19, 4) Exome toplama Konsorsiyumu (orada, N 60,706 konular =)13 , ve/veya 5) genom toplama veritabanı (GnomAD, N = 138,632 bireyler)13 ( Tablo malzemelerigörmek). GnomAD veritabanı açıklayıcı örnek olarak kullanılacaktır.- Arama kutusuna ilgilendiğiniz gen GnomAD ana sayfasında (Örneğin KCNQ1) girin.
- Tarayıcının doğru gen ve transkript (adım 1.4) ilgi seçili doğrulayın.
- "Ortalama kapsamı" ve "kapsama arsa." gözden geçirerek locus nın uygun kapsama olduğunu onaylayın
- "Missense + LoF." seçerek sıra genetik varyasyon kodlama için seçin
- "Hangi bir TextEdit dosyası oluşturur select verme tabloya CSV," adlı "Bilinmiyor."
- Dosya tekrar ve yeni uzantı "*.csv" (yani "KCNQ1 denetim Variation.csv") içerir.
- (Bkz. Tablo reçetesi) *.csv dosyaları analiz için uygun yazılım programı kullanarak dosyayı açın.
- "Protein sonuç." etiketli sütunda genetik varyasyon değiştirme protein belirlemek
- Aynı dışlama ölçütleri bu denetim genetik varyantların deneysel genetik varyantların (adım 2.3.1) uygulayın.
- Her denetim değişken MAF tanımlayın.
- Varyant liman bulundu allelleri gösterir "Gen sayısı" sütunu bulun.
- Bu amino asit pozisyon verilen sıralı allelleri toplam sayısını gösterir "Alleli numarası" sütunu bulun.
Not: Sıralı allelleri toplam sayısı bu konumda kapsama bağlı olarak değişir. Yüksek kapsama alanlarında 2 yaklaşım * GnomAD içinde sayisi toplam (yani 138,632 bireyler için tam kapsama 277,264 toplam gen genotyped kapsar). Buna karşılık, alt kapsama alanlarında azaltılmış toplam alleli numarasına sahip olacaktır - Varyant "Gen sıklığı" sütununda önceden hesaplanır ve "Gen"Alleli numarasına göre"bölünmüş Count" temsil eden MAF bulun
Not: Her formda iki insan genleri var (yani 1 tabi buldu 10 kişi heterozigoz varyant için MAF 1/20) - Her değişken için MAF her denetim varyantın MAF ilgili unutmayın.
Not: Değişken belirli MAF GnomAD oluşan her ırk/etnik grup "Gen sıklığı." sağında sütunlar görülebilir
- Nadir türevleri üzerinde denetim türevleri "yaygın olarak." dışlanan MAF eşiğini uygulamak
- MAF eşik de denetim veritabanında görülmektedir (bkz: adım 2) tüm gerçekten hastalık ilişkili değişik eşiğin altına dahil maksimum değere ayarlayın (Örneğin, aynı zamanda GnomAD içinde bulunan tüm hastalık ilişkili KCNQ1 çeşitleri arasında Tüm GnomAD değişik bir eşiğin 0.01 dışlanması gereken en yüksek ortak değişken MAF 0,009, o zaman).
- Deneysel değişken adlandırma denetimine aynı olduğundan emin olun (bkz. Adım 2.2).
- Dosyayı kaydedin. Bazı durumlarda, bu dosya türü/uzantısını değiştirmek gerekebilir.
4. Amino asit düzeyi sinyal-gürültü hesaplama ve eşleme
- Bir denetim değişken her amino asit pozisyonu için bir MAF hesaplamak (örnek KCNQ1 GnomAD türevlerini içeren Şekil 1 bakınız).
- Grafik özellikli bir elektronik tabloda, tüm deneysel değişik pozisyonların bir sütun oluşturun.
- Yalnızca varyant pozisyon terk etmek değişken metni kaldırın.
Not: Çeşitli işlevleri/formüller otomatik olarak hücreleri (Şekil 1, sütun C; bkz: Malzemeler tablo) içinde bu metin öğeleri silmek için yararlı olabilir. - 1'den fazla değişken (Şekil 1, sütun E; kendisiyle ilişkilendirilmiş pozisyonları var tanımlamak için artan değer versiyonlarında sıralamak yani amino asit pozisyon 10 iki kez sütun E hangi konumda 2 benzersiz türevleri ifade eder listelenir).
- MAF verilen pozisyon (Şekil 1, sütun G ve H) için tüm MAFs toplamını alarak belirli bir pozisyonla ilişkili her varyant için birleştirin.
- Deneysel bir değişken her amino asit pozisyonu için bir MAF hesaplamak (bkz: sahte KCNQ1 patolojik türevlerini içeren Şekil 2 ).
- 4.1.1 için benzer bir şekilde, deneysel türevleri (Şekil 2, sütun B) olan amino asit pozisyonların bir sütun oluşturun.
- Varyant her pozisyon için adım 2.4 (Şekil 2, sütun C-G) bu pozisyonla ilişkili tüm versiyonlarının MAF hesaplayın.
- Bir haddeleme oluşturmak MAF deneysel her ikisi için ve denetim varyantların ortalama.
- 4.1 ve 4.2 hiçbir varyantı olarak bir MAF var amino asit pozisyonlar için hücreleri içerecek şekilde oluşturulan sütunları genişletin = 0. (Şekil 3).
- Tüm amino asit pozisyonlarda gen ilgi (yani 1-676 KCNQ1, Şekil 3, sütun C için ve ben) içeren bir sütun oluşturun.
- Bir MAF türevleri kontrol ve deneysel veri kümeleri var mı tüm pozisyonlar için 0 ekleyin.
Not: Bu otomatik olarak (Şekil 3, sütun D ve J, bkz: Malzemeler tablo) yaygın olarak kullanılan yazılım programı "DÜŞEYARA" işlevinde kullanarak yapılabilir.
- Bir haddeleme oluşturmak her ortalama deneysel ve denetim yaygınlık sütun.
Not: Bu bitişik konumu patojenitesi kesmesi için sağlar ve değiştirilmiş veya hatta hariç, çalışma gereksinimlerini karşılamak için.- Her ikisi için MAF çalışırken bir ortalamasını gösteren bir sütun oluşturmak için denetim ve deneysel veri kümeleri (Şekil 3, sütun E ve K).
- N-terminal ve 5 C-terminal belirli konuma konumlandırır 5 varyant pozisyonlar için ilgili MAF ortalamasını çalışırken ortalama sütuna getirin.
Not: Bu bir haddeleme oluşturur +/-5 ortalama. İle 5'ten amino asit kalıntıları eklenmesi yukarıdaki veya aşağıdaki, bir haddeleme ortalama konumu (yani N veya C terminus) pozisyonlar için çalışırken ortalama sadece mevcut olan bu artıkları dikkate alacak (içerisindekiyani , ortalama amino asit pozisyon 3 MAF amino asit pozisyonlarda 1 ortalama 8 de, olur hesaplanan bu MAFs yanında 8 bölü toplamı olarak).
- 4.1 ve 4.2 hiçbir varyantı olarak bir MAF var amino asit pozisyonlar için hücreleri içerecek şekilde oluşturulan sütunları genişletin = 0. (Şekil 3).
- 2 tarafından en düşük yuvarlanma MAF bölerek asgari denetim frekansını hesaplamak.
- Herhangi bir hücreyi bir kumanda ile MAF 0 0 tarafından bir sinyal-gürültü oranı hesaplanırken bölme önlemek için minimum frekans değiştirin.
- Amino asit düzeyi sinyal-gürültü oranı (Şekil 4) hesaplar.
- Her bir amino asit pozisyon ortalama haddeleme ilgili denetim tarafından ortalama haddeleme deneysel bölün.
- Bu oranı (y ekseni) vs amino asit pozisyon (x ekseni) grafikle.
5. protein etki alanı topolojisi yerleşimi
- İşlevsel etki alanları/özellikleri fikir birliği amino asit konumlarını veya faiz (adım 1,7) protein translasyonel modifikasyon alanları tanımlayın.
Not: Bir dizi kaynak bu etki alanları tanımlamak için kullanılabilir. Roman proteinler, sözde etki alanları tanımlamak için kaynakların yanı sıra bu kaynakları edebiyat20' de inceledik. Bu iletişim kuralı protein veritabanı NCBI, yaygın olarak kullanılmaktadır ve sağlam (bakınız Tablo reçetesi) aracılığıyla sunulan anlatacağız. - Protein etki alanları/özelliklerle ilişkilendirilmiş amino asit konumlarını tanımlayın.
- NCBI Web sayfasını açın.
- Faiz protein NP arama alanına girin.
- Bilinen protein etki alanları tanımlamak ve özellikleri Katalog altında "Özellikler."
- Tanımlamak ve etki alanı adı/type ve amino asit pozisyonları unutmayın.
- Faiz birincil sıra protein bölgesine görselleştirmek için özelliğe karşılık gelen bağlantıyı seçin.
- Etki alanları/özellikleri sınırlarını içeren bir sütun oluşturun.
- Böylece amino asit konum sütun olabilir sinyal: noise sütunun yanındaki bir sütun oluşturmak (Şekil 5A, sütun C) başvurulan.
- Her etki alanı/özellik N-terminal veya C-terminal yönü de karşılık gelen hücreleri tanımlamak ve bir 1 her hücreye (N-terminal etki alanı KCNQ1 S1 transmembran etki alanının amino asit pozisyon 122 ve C-terminal etki alanı konumu iseyani yerleştirin 142, sonra bir 1 yerleştirilir amino asit pozisyon 122 ve 142 için satırda).
- Etki alanları/özellikleri çakışan için birden çok etki alanı görüntülemek için diğer değerleri (yani 1.5, 2, 2.5); 1 değiştirerek Bu etki alanları ayırt yardımcı olabilir.
- Bir grafik ekseni (Şekil 5B) y ekseni ve amino asit bir yer olarak bu sınırlar ile oluşturun.
- 4.4. adımda oluşturduğunuz sinyal-gürültü grafik ile bu grafik yerleşimi.
- Bilinen protein etki alanları/özellikleri ve parazit sinyal analizi arasındaki ilişkiler tanımlayın.
6. varyant pozisyon yerleşimi
- Adım 4.4 ve 5,4 üretilen grafikleri bindirme için bireysel varyant konumlarını eşleyin.
- Öyle ki sütunun satırlarında bulunan amino asit pozisyonlar (Şekil 5A, D sütunu) karşılık gelir etki alanı/özelliği sütunun yanındaki bir sütun oluşturun.
- 1 ilgili bir değişken içeren bir konuma karşılık gelen eklenen satır her hücreye yerleştirin.
- Bir grafik ekseni (Şekil 5C) y ekseni ve amino asit bir yer olarak bu sütun ile oluşturun.
- 4.4. adımda oluşturduğunuz sinyal-gürültü grafik ve 5,4. adımda oluşturduğunuz etki alanı grafik bu grafik yerleşimi.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Amino asit düzeyi sinyal-gürültü analizi için KCNQ1 için temsil edici bir sonuç Şekil 6' tasvir edilir. Bu örnekte, GnomAD kohort (denetim kohort), tanımlanan nadir türevleri tesadüfen tespit WES türevleri (deneysel kohort #1) ve LQTS vaka ilgili değişik olası hastalık ilişkili (deneysel kohort #2) tasvir edilmektedir sayılır. Ayrıca, WES ve LQTS kohort varyant frekans karşılaştırma parazit sinyal analizi varyant sıklığı tasvir GnomAD karşı normalleştirilmiş. LQTS ilişkili değişik kanal gözenek, seçicilik filtre ve KCNE1-bağlayıcı etki ile karşılık gelen etki alanlarındaki yüksek sinyal gürültü oranı gösterdi. Buna karşılık, WES kohort bu arada tanımlanan türevleri açıkça bu değişik arka plan genetik varyasyon yansıtmak düşündüren yüksek sinyal gürültü ayrıcalık belirli bölgelerinde göstermek değil. Bu örnek değişken yukarıda da belirtildiği gibi MAFs yararlanmak değil; Ancak, bu açıklandığı gibi tüm aynı ilkeleri gösteriyor.
Resim 1 : Denetim varyant veritabanı ile MAF Hesaplama örneği. A sütununda, doğrudan GnomAD denetim nadir türevlerini ithal. Sütun B, Sol taraflı, pozisyon ilgili olmayan metinden karakter kaldırma için bir örnek formül kullanarak değişken adlandırma silinmesi (yani: B2 için "= RIGHT (A2, uzunluk (A2) -5", Tablo malzemelerigörmek). Sütun C, sağ taraflı, pozisyon ilgili olmayan ilgili bir formül kullanarak değişken adlandırma metinden silinmesi (yani: C2 için "= LEFT(B2,LEN(B2)-3"). Sütun D, amino asit pozisyonları sonuç sıralanmamış. Sütun E, amino asit pozisyonlar yinelenen pozisyonlar tanımlanması için izin vermek için artan bir şekilde sıralanır. Sütun F, GnomAD ithal gibi MAF her değişken için ilgili. Sütun G ve H, belirli amino asit pozisyon (her varyant MAF belirli bir pozisyonda toplamı) için MAF kombine. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Resim 2 : Deneysel varyant veritabanı ile MAF Hesaplama örneği. Sütun A, a liste-in hastalık ilişkili mutasyon deneysel veritabanı temsil eden LQTS ilgili mutasyonların KCNQ1 alay et. B, mutasyon pozisyon her değişken için karşılık gelen sütun. Sütun C, mutasyon pozitif bireylerin içinde sahte çalışma 1 sayısı. Her vardır Heterozigoz mutasyon taşıyıcıları olduğu tahmin. Toplam sayisi çalışmada genotyped sayfanın alt kısmında yer alır. Sütun D, sahte çalışma 2 mutasyon pozitif birey sayısı. Sütun E, sahte çalışma 3 mutasyon pozitif birey sayısı. Sütun F, toplam mutasyon pozitif bireylerin tüm çalışmaları arasında gözlenen mutasyon barındırma. Not Farklı mutasyonlar aynı amino asit pozisyonla ilişkili birleştirilmelidir. Sütun G, bir örnek formülü kullanarak her mutasyon ve amino asit pozisyonun MAF (yani: G2 "=2/(176*2)" Tablo malzemelerigörmek). 2 gen KCNQ1 odağı taşımak için tüm bireylerin beri Heterozigoz olduğu kabul unutmayın ve her bireyin tahmin, toplam bireylerin 2 gen sıklığı ile ilgili çarpımı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3 : Örnek denetim ve deneysel türevleri için Ortalama hesaplama inişli çıkışlı. Sütun A ve B, GnomAD denetim varyant pozisyonları ve ilgili MAFs. Sütun C, KCNQ1 amino asit üzerinden tüm amino asit konumlarını son olarak yerleştirin. Sütun D, GnomAD değişken MAF 0 pozisyonlar yerine bir MAF ile tüm pozisyonlar için bir değişken olmadan. Bu otomatik olarak bir DÜŞEYARA işlevi kullanılarak hesaplanabilir (yani D2 için "IFERROR(VLOOKUP(C2,A:B,2,),0), = Tablo malzemelerigörmek). Sütun E, ortalama haddeleme (yani E2, "SUM(D2:D7)/6 =" ve "SUM(D2:D12)/11") =. E7, bir örnek formülü kullanarak MAF konumlandırın Sütun G ve H, LQTS deneysel varyant ile ilgili MAFs konumlandırır. Sütun ben KCNQ1 tüm amino asit konumları. Sütun J, LQTS değişken MAF tüm pozisyonlar için. Sütun K, LQTS MAF haddeleme. Gri dolgu hücreleri nerede sütun B ve H MAF değerleri sırasıyla D ve J, sütuna genişletilir, hangi ilişkili sütundaki tüm hücreler için uygun formül "Sayı" olarak biçimlendirilir önemlidir C/ı. Not ilgili pozisyonları ile örnekler çalışıyor. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 4 : Parazit sinyal analizi ve grafik örneği. Sol, örnek veritabanı ve hesaplamalar. Sütun A, KCNQ1 tüm amino asit konumları. Sütun B, LQTS deneysel MAF çalışırken ortalama her bir pozisyon için. Sütun C, GnomAD MAF çalışırken ortalama her bir pozisyon için kontrol. D: sinyal-gürültü oranı (yani "B2/C2 =" D2 için). Sinyal-gürültü oranı (y ekseni) karşı amino asit konumu (x ekseni) grafiğin sağ, örneği. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 5 : Protein ve varyant pozisyon eşleme örneği. A, örnek veritabanı ve hesaplamalar. Sütun A, KCNQ1 tüm amino asit konumları. Sütun B, KCNQ1 GnomAD içinde tanımlanan bir nadir Denetim değişken olan konumlandırır. Sütun C, nerede değerleri içeren hücreleri N ve C-terminal yönünü için karşılık gelen etki alanı eşleme sütun tanımlanan KCNQ1 protein etki alanları veya özellikleri. Çoğu N-terminal etki alanı S1 etki alanı N-terminal sınır amino asit 122 sahip olduğu için hiçbir değer burada belirtilmiştir. D, nerede bir 1 içeren hücreler KCNQ1 için karşılık gelen değişken eşleme sütun sütunu olan nadir türevleri yerelleştirmek konumlandırır. Gri dolgu hücrelerdir hangi a sütunundaki ilgili pozisyonlarla ilişkilendirmek varyant pozisyonlar B sütunundaki sütun D nerede genişletilir, iki örnek Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 6 : KCNQ1amino asit düzeyi parazit sinyal analizi örneği-KCNQ1 kodlu (Kv7.1). Üst, varyant pozisyonlar nadir GnomAD kohort (siyah), tesadüfen tespit dahil değişik dikey çizgiler ile gösterdi versiyonlarında WES tavsiyeleri (mavi) ve LQTS cases(green) içinde tanımlanan türevleri. İşlevsel etki alanları belirtilmiştir. LQTS durumda versiyonlarının GnomAD türevleri (yeşil hat) için normalleştirilmiş göreli sıklığı WES (mavi çizgi) göre resmedilir. S1-S6, transmembran etki alanları; SF, iyon seçicilik filtre; KCNE1 ve AKAP9, anılan sıraya göre protein bağlayıcı etki alanları. Değiştirilmiş ve yazdırılan ile izin önceki iş14. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Yüksek işlem hacmi genetik test önemli ölçüde kendi uygulama ve kullanılabilirlik içinde son on yıl içinde ilerlemiştir. Ancak, birçok hastalıkları kardiyomiyopatiler gibi köklü genetik temelleri ile genişletilmiş test tanı verim21geliştirmek başarısız oldu. Ayrıca, birçok tanımlanan türevleri tanılama yardımcı programı ile ilgili önemli belirsizlik vardır. Bu kısmen WES ve yanlış tanı22' ye yol açabilir WGS keşfedilen bu arada tanımlanan nadir türevleri, giderek artan sayıda kaynaklanmaktadır. Amino asit düzeyi parazit sinyal analizi varyant patojenitesi oluşabileceğini köklü stratejileri dayanır ve varyant yorumu iyileştirmek için büyük ölçekli nüfus tabanlı genom çalışmaları yararlanarak avantajı sağlar.
Bu iletişim kuralı için en önemli adımlardan biri kontrol ve deneysel tabur seçimdir izler. Pek çok halka açık büyük genom çalışmaları temsilcisi için denetim tabur bu protokolündeki mevcut tarihte 138,632 birey olarak büyük olması izin verebilirsiniz GnomAD gibi toplama veritabanları ile erişilebilir. Bu toplama tabur tüm bireylerde görünüşte sağlıklı olmasına rağmen nadir görülen bir hastalık ortamda büyük örnek boyutu bu kaynak çok değerli yapar ve için sıkı bir MAF dışlama eşik sağlar. Dışlama ortak versiyonlarının yüksek penetrant Mendel hastalığın nedeni olması pek mümkün olduğu gibi gereklidir. Önceki çalışmaları temel, channelopathy ilişkili genler için 0,01 ve 0,0001 kardiyomiyopati genler için MAF eşiğinde uygun olabilir ve bağımsız gruplar23,24tarafından doğrulandı. Önemlisi, MAF eşik önemi göz önüne alındığında, bu ayarlanabilir ve her çalışma için bağımsız olarak doğrulanmış. MAF eşik iyi kurulmuş channelopathies ve kardiyomiyopatiler kurucusu mutasyonların varlığı göz önüne alındığında deneysel bir kohort uygulanması değil. Deneysel kohort boyutunu nerede türevleri küme alanları belirlemek için yeterli olması gerekir; Bununla birlikte, kesin büyüklük yoktur. Ayrıca, deneysel kohort bu patojenik sinyalin doğruluğunu azaltmak istiyorsunuz gibi edebiyat içinde iyi huylu olduğu bilinen türevleri içermemesi gerekir.
Düzgün dışlama kriterleri seçme da yorumu ve sonuç uygulanabilirliği için çok önemlidir. Bu iletişim kuralı eşanlamlı türevleri gibi belirli mutasyon sınıfları hariç önerir rağmen bunlar feasibly zararlı eşanlamlı türevleri tanımlanan25,26olmuştur hastalığı işlemleri için dahil olabilir. Ayrıca, çeşitli dışlama kriterleri hem deneysel uygulanır ve grupları kontrol zaman mutasyon alt sınıf (türevleri kesiliyor içinyani karşılaştırma missense) tarafından sinyal-gürültü haritalama stratifikasyon için izin verebilirsiniz.
MAFs için çalışırken bir ortalama izin katılımı için komşu amino asitler çıkarımı için ayar. Örneğin, amino asit 35 konumlandırırsanız patolojik bir değişken içerir ve bir kritik protein etki alanı sonra 36 mutasyona uğramış zaman patojen bir ölçüde olabilir pozisyon bulunur. Aynı şekilde, birincil sıra bir streç sonra nadir türevleri host etmemektedir amino asitler Bu bölge içinde henüz bir nüfus içinde bulunan nadir türevleri içeren daha yüksek bir olasılık olabilir nadir denetim türevleri, büyük miktarda olmalıdır. Bu protokol çalışırken ortalama +/-5 olmakla birlikte, bu Aralık olmak değişir dayalı kullanıcı olarak çözünürlük sinyal-gürültü oranı ve okudu belirli protein düzeyi istenen'ın. LQTS, interrogated KCNQ1örnekte-kodlanmış KCNQ1 Kanal ~ 10 amino asitler, yazarlar bu ölçek14önemli bulgulara yansıtmak için onların istenen çözünürlüğü ayarlamak isteyen kapsayan birkaç transmembran etki alanı vardır. Artık birincil sıra ve protein uzunluğu ile proteinler için çalışırken ortalama yayılımı protein dizi kontrol değişim olmadan daha büyük açıklıklı nedeniyle artan gerekebilir.
Bu yöntemin bazı sınırlamaları vardır. Daha önce belirtildiği gibi sözde patolojik türevleri barındırma yeterli bir fenotip pozitif nüfus açık patolojik sinyal sürücü için tanımlanmalıdır. Ayrıca, bu patolojik türevleri değişken alellerle olabilir, böylece gerçekten patolojik mutasyonlar-değil apaçık bir hastalık fenotip veya aksi takdirde değil tamamen penetrant ve hastalığı neden oluyor olabilir. Birçok genel olarak düzenlenen veritabanları, GnomAD gibi sık sık "sağlıklı tabur" kabul ederken, genetik hastalıkların yaygınlığı muhtemeldir nüfus çalışmaları gibi bu veritabanında benzer. Ayrıntılı olarak, bu iletişim kuralını özellikle amino asit düzeyi değişiklikleri eksonik gen türevleri patojen intronic dikişi türevleri monogenic hastalığında oynayabilir rolü hariç bu kodu için amino asitler, sonuçlanan üzerinde duruluyor. Kardiyomiyopatiler, çözünürlük genişlemesi son zamanlarda gösterdiği rolünü bu göz önüne alındığında yaklaşım intergenic "sıcak noktalar" de tanımlamak için garanti. Ayrıca, bir MAF eşik uygulanması, yine de popülasyondaki özneleri, bir MAF daha yüksek hastalığın yaygınlığı, katkıda bulunmak için hastalık patogenezinde27,28varolan belirli "risk allelleri" eksik. Bu sınırlamalar rağmen bu analiz uyarlanabilir ve hastalık patojenitesi uygun olduğunda göreli bir olasılık uygulanan klinisyenler sağlanmasında önemli bir rol oynayabilir.
Son olarak, proteinlerin roman işlevsel etki alanlarını belirleme imkanı sunmaktadır amino asit düzeyi sinyal-gürültü hesaplamalar patolojik mutasyonlar kullanan bir proteinin içindeki kritik bölgeleri tanımlamak için tercih bu analiz göz önüne alındığında, olmak okudu. Yüksek patojenitesi sinyal-gürültü iyon kanalları, gözenek etki alanı, seçicilik filtre, S2 transmembran etki alanı ve KCNQ1, bir alanda patojenitesi "bir"zirve tanımlaması KCNE1-bağlayıcı etki gibi anahtar yerlerde gözlem verilen bilinen bir işlevi olmadan proteinin bir roman kritik etki alanı önerebilir miyim? Örneğin, patojen LQTS ilişkili mutasyonların işaretli zirvesine amino asit için artıkları 912-930 KCNH2yerelleştirme tespit edilmiştir-KCNH2 kodlu (Kv11.1). Bu bölge protein yok kimliğinizi ortaya koyabilecek işlev etki alanı sahip ancak LQTS ilişkili mutasyonlar14için işaretli bir eğilimi gösterir. Protein topolojisi bilgi genişledikçe, daha karmaşık proteomik feasibly onun ikincil, üçüncül, dahil etmek için çözünürlük protein birincil yapısı boyunca sinyal-gürültü oranı analiz üzerinden bu yöntemin gelecekte geliştirmek olabilir veya dördüncül yapı. Ayrıca Gelişmiş Hesaplamalı Bilimler makine öğrenimi ve yapay zeka gibi bu analiz için affords fırsat arasında roman biçimlerini belirlemek için patolojik genetik varyasyon, nüfus tabanlı karşı sağlam Eğer bu veritabanları türevleri oluşturulan29,30olabilir. Buna karşılık, bu yöntem daha iyi karakterize ve genotip fenotip ilişkisi belli hastalıkların tahmin yardımcı ve bireyin ön-test hastalığı olasılığı ile birlikte genetik test tanı verimi artırmak için kullanılan. Ayrıca, bu çözümleme roman protein biyoloji keşfetmek ve ne zaman değişmiş hastalığı ile tezahür roman loci insan genomu içinde tanımlar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
APL ulusal kurumları, sağlık K08-HL136839 tarafından desteklenir.
Materials
| Name | Company | Catalog Number | Comments |
| 1000 Genome Project | N/A | www.internationalgenome.org | |
| ClinVar | N/A | www.ncbi.nlm.nih.gov/clinvar | |
| Ensembl Genome Browser | N/A | uswest.ensembl.org/index.html | |
| Excel | Microsoft | office.microsoft.com/excel/ | Used for all example formulas and functions |
| Exome Aggregation Consortium | N/A | www.exac.broadinstitute.org | |
| Genome Aggregation Database | N/A | www.gnomad.broadinstitute.org | |
| National Center for Biotechnology Information Domain and Structure Database | N/A | www.ncbi.nlm.nih.gov/guide/domains-structures/ | |
| National Center for Biotechnology Information Gene Database | N/A | www.ncbi.nlm.nih.gov/gene/ | |
| National Center for Biotechnology Information Protein Database | N/A | www.ncbi.nlm.nih.gov/protein/ | |
| National Heart, Lung, and Blood Institute GO Exome Sequencing Project | N/A | www.evs.gs.washington.edu/EVS/ | |
| SnapGene | GSL Biotech LCC | www.snapgene.com | |
| University of California, Santa Cruz Human Genome Browser | N/A | www.genome.ucsc.edu |
References
- Yang, Y., et al. Clinical whole-exome sequencing for the diagnosis of mendelian disorders. New England Journal of Medicine. 369 (16), 1502-1511 (2013).
- Meng, L., et al. Use of Exome Sequencing for Infants in Intensive Care Units: Ascertainment of Severe Single-Gene Disorders and Effect on Medical Management. Journal of the American Medical Association Pediatrics. 171 (12), 173438 (2017).
- Kalia, S. S., et al. Recommendations for reporting of secondary findings in clinical exome and genome sequencing, 2016 update (ACMG SF v2.0): a policy statement of the American College of Medical Genetics and Genomics. Genetics in Medicine. 19 (2), 249-255 (2017).
- Landstrom, A. P., Ackerman, M. J. The Achilles' heel of cardiovascular genetic testing: distinguishing pathogenic mutations from background genetic noise. Clinical Pharmacology and Therapeutics. 90 (4), 496-499 (2011).
- Landstrom, A. P., Tester, D. J., Ackerman, M. J. Role of genetic testing for sudden death predisposing heart conditions in athletes. Sports Cardiology Essentials. Lawless, C. , Springer. New York, NY. (2011).
- Wang, Q., et al. Positional cloning of a novel potassium channel gene: KVLQT1 mutations cause cardiac arrhythmias. Nature Genetics. 12 (1), 17-23 (1996).
- Kapa, S., et al. Genetic testing for long-QT syndrome: distinguishing pathogenic mutations from benign variants. Circulation. 120 (18), 1752-1760 (2009).
- Ackerman, M. J., et al. Ethnic differences in cardiac potassium channel variants: implications for genetic susceptibility to sudden cardiac death and genetic testing for congenital long QT syndrome. Mayo Clinic Proceedings. 78 (12), 1479-1487 (2003).
- Kumar, P., Henikoff, S., Ng, P. C. Predicting the effects of coding non-synonymous variants on protein function using the SIFT algorithm. Nature Protocols. 4 (7), 1073-1081 (2009).
- Adzhubei, I., Jordan, D. M., Sunyaev, S. R. Predicting functional effect of human missense mutations using PolyPhen-2. Current Protocols in Human Genetics. , Chapter 7 (Unit 7.20) (2013).
- Flanagan, S. E., Patch, A. M., Ellard, S. Using SIFT and PolyPhen to predict loss-of-function and gain-of-function mutations. Genetic Testing and Molecular Biomarkers. 14 (4), 533-537 (2010).
- Ackerman, M. J., et al. HRS/EHRA expert consensus statement on the state of genetic testing for the channelopathies and cardiomyopathies this document was developed as a partnership between the Heart Rhythm Society (HRS) and the European Heart Rhythm Association (EHRA). Heart Rhythm. 8 (8), 1308-1339 (2011).
- Lek, M., et al. Analysis of protein-coding genetic variation in 60,706 humans. Nature. 536 (7616), 285-291 (2016).
- Landstrom, A. P., et al. Amino acid-level signal-to-noise analysis of incidentally identified variants in genes associated with long QT syndrome during pediatric whole exome sequencing reflects background genetic noise. Heart Rhythm. 15 (7), 1042-1050 (2018).
- Hubbard, T., et al. Ensembl 2005. Nucleic Acids Research. 33, Database issue 447-453 (2005).
- O'Leary, N. A., et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation. Nucleic Acids Research. 44, 733-745 (2016).
- Kent, W. J., et al. The human genome browser at UCSC. Genome Research. 12 (6), 996-1006 (2002).
- The 100 Genome Projects Consortium. An integrated map of genetic variation from 1,092 human genomes. Nature. 491 (7422), 56-65 (2012).
- Fu, W., et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants. Nature. 493 (7331), 216-220 (2013).
- Mulder, N. J., Apweiler, R. Tools and resources for identifying protein families, domains and motifs. Genome Biology. 3 (1), (2002).
- Cirino, A. L., et al. A Comparison of Whole Genome Sequencing to Multigene Panel Testing in Hypertrophic Cardiomyopathy Patients. Circulation Cardiovascular Genetics. 10 (5), (2017).
- Landstrom, A. P., et al. Interpreting Incidentally Identified Variants in Genes Associated With Catecholaminergic Polymorphic Ventricular Tachycardia in a Large Cohort of Clinical Whole-Exome Genetic Test Referrals. Circulation Arrhythmia and Electrophysiology. 10 (4), (2017).
- Whiffin, N., et al. Using high-resolution variant frequencies to empower clinical genome interpretation. Genetics in Medicine. 19 (10), 1151-1158 (2017).
- Walsh, R., et al. Reassessment of Mendelian gene pathogenicity using 7,855 cardiomyopathy cases and 60,706 reference samples. Genetics in Medicine. 19 (2), 192-203 (2017).
- Buske, O. J., Manickaraj, A., Mital, S., Ray, P. N., Brudno, M. Identification of deleterious synonymous variants in human genomes. Bioinformatics. 31 (5), 799 (2015).
- Wen, P., Xiao, P., Xia, J. dbDSM: a manually curated database for deleterious synonymous mutations. Bioinformatics. 32 (12), 1914-1916 (2016).
- Bagnall, R. D., et al. Whole Genome Sequencing Improves Outcomes of Genetic Testing in Patients With Hypertrophic Cardiomyopathy. Journal of the American College of Cardiology. 72 (4), 419-429 (2018).
- Giudicessi, J. R., Roden, D. M., Wilde, A. A. M., Ackerman, M. J. Classification and Reporting of Potentially Proarrhythmic Common Genetic Variation in Long QT Syndrome Genetic Testing. Circulation. 137 (6), 619-630 (2018).
- Sundaram, L., et al. Predicting the clinical impact of human mutation with deep neural networks. Nature Genetics. 50, 1161-1170 (2018).
- Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., Kitai, T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 69 (21), 2657-2664 (2017).
