KidneyNetwork: ใช้ข้อมูลการแสดงออกของยีนที่ได้มาจากไตเพื่อทำนายและจัดลำดับความสำคัญของยีนใหม่ที่เกี่ยวข้องกับโรคไต Ⅰ

การตรวจพันธุกรรมในผู้ป่วยที่สงสัยว่าเป็นกรรมพันธุ์โรคไตอาจไม่สามารถเปิดเผยสาเหตุทางพันธุกรรมของความผิดปกติได้เนื่องจากตัวแปรที่ทำให้เกิดโรคอาจอยู่ในยีนที่ยังไม่ทราบแน่ชัดว่าเกี่ยวข้องกับโรคไต. เราได้พัฒนา Kidney Network ซึ่งใช้การแสดงออกเฉพาะของเนื้อเยื่อเพื่อแจ้งลำดับความสำคัญของยีนของผู้สมัครโดยเฉพาะสำหรับโรคไต KidneyNetwork เป็นวิธีการใหม่ที่สร้างขึ้นโดยการรวมเครือข่ายการแสดงออกร่วมของลำดับ RNA ของไต 878 ตัวอย่างเข้ากับเครือข่ายหลายเนื้อเยื่อ 31,499 ตัวอย่าง ใช้รูปแบบการแสดงออกและการสร้างความสัมพันธ์ของยีนและฟีโนไทป์เพื่อทำนายว่ายีนใดอาจเกี่ยวข้องกับฟีโนไทป์ (โรค) ในลักษณะที่เป็นกลาง เราใช้ KidneyNetwork กับตัวแปรที่หายากในข้อมูลการจัดลำดับที่แปลกใหม่จากผู้ป่วยโรคไต 13 รายที่ไม่มีการวินิจฉัยทางพันธุกรรมเพื่อจัดลำดับความสำคัญของยีนของผู้สมัคร KidneyNetwork สามารถทำนายการทำงานของยีนเฉพาะไตและฟีโนไทป์ (โรคไต) ของยีนที่เกี่ยวข้องกับโรคได้อย่างแม่นยำ การตัดกันของยีนที่จัดลำดับความสำคัญกับยีนที่มีตัวแปรที่หายากในผู้ป่วยที่มีซีสต์ที่ไตและตับระบุว่า ALG6 เป็นยีนที่มีความเป็นไปได้ เราเสริมความน่าเชื่อถือนี้ด้วยการระบุตัวแปรของ ALG6 ในผู้ป่วยโรคปอดเรื้อรังและโรคตับหลายกรณีโดยไม่มีคำอธิบายทางพันธุกรรมทางเลือก เราขอนำเสนอ KidneyNetwork ซึ่งเป็นเครือข่ายการแสดงออกร่วมกันของไตที่เผยแพร่ต่อสาธารณชน พร้อมการทำนายฟีโนไทป์ของยีนที่ปรับให้เหมาะสมสำหรับฟีโนไทป์ของโรคไต

เราออกแบบอินเทอร์เฟซออนไลน์ที่ใช้งานง่ายซึ่งช่วยให้แพทย์และนักวิจัยสามารถใช้ข้อมูลการแสดงออกของยีนและข้อมูลการควบคุมร่วมและการเชื่อมต่อของยีนและฟีโนไทป์เพื่อเร่งความก้าวหน้าในการวินิจฉัยและการวิจัยโรคไตจากกรรมพันธุ์

คำแปล:การตรวจพันธุกรรมในผู้ป่วยที่สงสัยว่าเป็นกรรมพันธุ์โรคไตไม่อาจเปิดเผยสาเหตุทางพันธุกรรมสำหรับความผิดปกติของผู้ป่วยได้ สายพันธุ์ที่อาจก่อให้เกิดโรคสามารถอยู่ในยีนที่ยังไม่ทราบแน่ชัดว่าเกี่ยวข้องกับโรคไต ทำให้ยากต่อการตีความความเกี่ยวข้องของสายพันธุ์เหล่านี้ สิ่งนี้แสดงให้เห็นถึงความต้องการที่ชัดเจนสำหรับวิธีการทำนายผลฟีโนไทป์ของการเปลี่ยนแปลงทางพันธุกรรมในลักษณะที่เป็นกลาง ในที่นี้เราจะอธิบายถึง KidneyNetwork ซึ่งเป็นเครื่องมือที่ใช้การแสดงออกเฉพาะของเนื้อเยื่อเพื่อทำนายการทำงานของยีนเฉพาะไต การใช้ KidneyNetwork กับกลุ่มผู้ป่วยที่ไม่ได้รับการวินิจฉัยซึ่งระบุว่า ALG6 เป็นยีนที่เป็นตัวเลือกในไตและโรคตับ. โดยสรุป KidneyNetwork สามารถช่วยในการแปลความแปรปรวนทางพันธุกรรม และดังนั้นจึงมีประโยชน์ในการสร้าง nephrogenesis แบบแปล และช่วยปรับปรุงผลการวินิจฉัยในผู้ป่วยโรคไต

คลิกที่นี่เพื่อรับ CISTANCHE สำหรับ KIDNEYโรค

การแนะนำ

การทดสอบทางพันธุกรรมในผู้ป่วยที่สงสัยว่าเป็นโรคไตจากกรรมพันธุ์สามารถเปิดเผยตัวแปรก่อโรคที่เป็นสาเหตุในยีนที่เกี่ยวข้องกับไต. อย่างไรก็ตาม ในหลายกรณียังไม่สามารถตรวจพบสาเหตุทางพันธุกรรมได้ ตัวแปรก่อโรคในยีนที่เกี่ยวข้องกับไตที่รู้จักถูกตรวจพบในผู้ป่วยประมาณร้อยละ 10–30 ของผู้ป่วยที่ได้รับการทดสอบทางพันธุกรรมที่เป็นโรคไตเรื้อรังจากสาเหตุใดก็ตาม [1–3] อย่างไรก็ตาม เปอร์เซ็นต์เหล่านี้มีแนวโน้มที่จะประเมินจำนวนผู้ป่วยที่มีสาเหตุจากโมโนเจนิกต่ำเกินไป เนื่องจากความแปรปรวนของยีนที่ยังไม่เกี่ยวข้องกับโรคไตจะไม่มีใครสังเกตเห็น สายพันธุ์ที่อาจเป็นอันตรายสามารถอยู่ในยีนเหล่านี้ได้ ซึ่งทำให้ยากต่อการจัดลำดับความสำคัญและตีความความเกี่ยวข้องของสายพันธุ์เหล่านี้ ดังนั้น ในยุคปัจจุบันของเวชศาสตร์จีโนม หนึ่งในความท้าทายหลักหลังจากผลการวินิจฉัยเชิงลบในยีนที่ทราบคือการตรวจหาและจัดลำดับความสำคัญของยีนใหม่ที่มีความแปรปรวนที่อาจก่อให้เกิดโรคซึ่งสามารถอธิบายโรคของผู้ป่วยได้ [4]

สามารถใช้ข้อมูลลำดับ RNA เพื่อทำนายผู้สมัครได้ยีนของโรค[5]. เมื่อเร็วๆ นี้เราได้พัฒนา GeneNetwork และวิธีการ GeneNetwork-Assisted Diagnostic Optimization (GADO) เพื่อจัดลำดับความสำคัญของยีนโรคที่เป็นผู้สมัครรายใหม่ตามข้อมูลลำดับ RNA [6] แนวคิดเบื้องหลังวิธีนี้คือความผิดปกติที่หายากบางอย่างอาจเกิดจากความแปรปรวนของยีนหลายตัว แม้ว่ายีนเหล่านี้จะแตกต่างกัน แต่ก็มักจะมีหน้าที่ทางชีววิทยาที่คล้ายคลึงกัน เมื่อศึกษาข้อมูลการแสดงออกของยีนจากตัวอย่างจำนวนมาก ยีนของโรคเหล่านี้มักแสดงการแสดงออกร่วมกันที่รุนแรง [6] ดังนั้น หากมียีนอื่นที่แสดงออกมาอย่างชัดเจนร่วมกับยีนโรคหายากที่รู้จัก เป็นไปได้ว่าความแปรปรวนในยีนอื่นๆ เหล่านี้สามารถทำให้เกิดโรคเดียวกันได้เช่นกัน

เพื่อให้เครื่องมือประเภทนี้ทำงานได้อย่างเหมาะสม ข้อมูลการแสดงออกร่วมควรแม่นยำที่สุดเท่าที่จะเป็นไปได้ สำหรับ GADO เราสร้างเครือข่ายการแสดงออกร่วมกันของยีนตามชุดข้อมูลลำดับ RNA ที่เปิดเผยต่อสาธารณะจากเนื้อเยื่อต่างๆ มากมาย และใช้เครือข่ายนี้เพื่อทำนายว่ายีนใดที่อาจก่อให้เกิดโรคที่หายาก การคาดการณ์เหล่านี้ได้รับการฝึกฝนโดยใช้ฐานข้อมูลภววิทยาฟีโนไทป์ของมนุษย์ (HPO) [7] ในฐานข้อมูล HPO ยีนถูกกำหนดให้เป็นฟีโนไทป์ที่เรียกว่า คำศัพท์ HPO ซึ่งอ้างอิงจากคำอธิบายประกอบโรคของยีนและอาการของโรคที่มีอยู่ในฐานข้อมูล OMIM [8] และ Orphanet [9] โดยการรวมข้อมูลจากฐานข้อมูล HPO กับเครือข่ายการแสดงออกของยีนร่วมกัน เราสามารถคำนวณคะแนนการทำนายสำหรับแต่ละยีนต่อเทอม HPO คะแนนเหล่านี้ประกอบกันเป็น GeneNetwork จากนั้น GADO จะจัดลำดับความสำคัญของยีนโดยการรวมรายการอินพุตของคำศัพท์ HPO ที่อธิบายฟีโนไทป์ของผู้ป่วยกับรายการของยีนที่มีตัวแปรที่เป็นอันตรายที่เป็นไปได้จากผู้ป่วยรายนั้น การจัดลำดับความสำคัญของรายการยีนขึ้นอยู่กับคะแนนการทำนายยีนรวมสำหรับเงื่อนไข HPO ที่ป้อนเข้า [6]

เนื่องจากเราสังเกตเห็นว่าประสิทธิภาพการทำนายของ GeneNetwork สำหรับฟีโนไทป์ของ HPO ที่เกี่ยวข้องกับไตนั้นมีจำกัด เราจึงพยายามปรับปรุงการทำนายโดยการพัฒนาเครือข่ายเฉพาะของไต เราทำสิ่งนี้โดยใช้ตัวอย่างลำดับ RNA ของไต 878 ตัวอย่างที่เราเสริมด้วยชุดข้อมูลที่มีอยู่ 31,499 ตัวอย่างจากเนื้อเยื่ออื่นๆ [6] ด้วยการพัฒนาอัลกอริธึมการทำนายใหม่ที่สามารถชั่งน้ำหนักข้อมูลที่มีอยู่ในชุดข้อมูลทั้งสองได้ เราจึงปรับปรุงประสิทธิภาพสำหรับเส้นทางที่เกี่ยวข้องกับไต ในบทความนี้ เรานำเสนอผลลัพธ์ของ KidneyNetwork ซึ่งเป็นเครือข่ายการแสดงออกร่วมที่สามารถใช้ในการทำนายความสัมพันธ์ของยีนและฟีโนไทป์ของยีนที่ไม่รู้จักสำหรับคำศัพท์ HPO ที่เกี่ยวข้องกับไตได้อย่างแม่นยำ เพื่อเป็นการพิสูจน์หลักการ เราใช้ KidneyNetwork เพื่อแยกข้อมูลลำดับจากกลุ่มผู้ป่วยที่เป็นโรคไตที่ไม่ได้รับการแก้ไขก่อนหน้านี้

วิธีการ

เพื่อปรับปรุงการทำนายฟีโนไทป์ที่เกี่ยวข้องกับไต เราได้รวบรวมข้อมูลการจัดลำดับ RNA ที่ได้จากไต อัปเดต GeneNetwork ด้วยฐานข้อมูลอ้างอิงล่าสุดและการวิเคราะห์ทางสถิติที่ปรับปรุงแล้ว ตามด้วยการรวมข้อมูลเฉพาะเนื้อเยื่อ

ชุดข้อมูลใน KidneyNetwork

ข้อมูลการจัดลำดับ RNA จากตัวอย่างไตที่เลือกจากแหล่งกำเนิดหลายแห่ง รวมถึงปฐมภูมิ เนื้องอก และเนื้อเยื่อของทารกในครรภ์ถูกรวมเข้ากับชุดข้อมูลที่มีอยู่ของการจัดลำดับ RNA หลายเนื้อเยื่อที่ใช้เป็นรากฐานสำหรับ GeneNetwork ที่อธิบายไว้ก่อนหน้านี้ [6] (ตาราง S1, S2) . เราเลือกที่จะรวมชุดข้อมูลหลายเนื้อเยื่อด้วยเหตุผลสองประการ อันดับแรก เราต้องการตัวอย่างในจำนวนที่เพียงพอเพื่อสร้างเครือข่ายพื้นฐาน ประการที่สอง เราต้องการรักษาการแสดงออกที่จำเพาะต่อเซลล์ไตหลายชนิดหรือทั้งหมด แต่จะไม่แสดงต่อเนื้อเยื่ออื่น เราทำสิ่งนี้เนื่องจากคะแนนของยีนฟีโนไทป์ขึ้นอยู่กับความแตกต่างในการแสดงออกระหว่างตัวอย่าง หากยีนทั้งหมดมีการแสดงออกสูง (หรือต่ำ) ในตัวอย่างทั้งหมดที่รวมอยู่ในการวิเคราะห์ ยีนเหล่านั้นจะไม่เพิ่มข้อมูลที่เพียงพอให้กับอัลกอริทึมการทำนาย ชุดข้อมูลหลายเนื้อเยื่อของตัวอย่างลำดับ RNA ของมนุษย์ที่ใช้ในการพัฒนา GeneNetwork ถูกนำมาใช้ซ้ำและประมวลผลตามที่อธิบายไว้ก่อนหน้านี้ [6] หลังจากประมวลผลล่วงหน้าแล้ว ชุดข้อมูลนี้มีตัวอย่าง 31,499 ตัวอย่างและยีน 56,435 ยีน

ดาวน์โหลดตัวอย่างลำดับ RNA ที่ได้จากไต 3,194 ตัวอย่างจาก European Nucleotide Archive (ENA) และโครงการ Genotype-Tissue Expression (GTEx) (หมายเหตุ S1) การประมวลผลล่วงหน้าของชุดข้อมูลไตทำในลักษณะเดียวกันกับชุดข้อมูลหลายเนื้อเยื่อ [6] (Note S2, Note S3) หลังจากเลือกตัวอย่างและยีนแล้ว ยังเหลือยีน 58,283 ยีนและไต 878 ตัวอย่าง เราตรวจสอบตัวอย่างการจัดลำดับ RNA ที่เหลืออีก 878 ตัวอย่างโดยใช้อัลกอริทึมการจัดกลุ่ม UMAP (หมายเหตุ S4)

การกรอง HPO สำหรับการสร้าง KidneyNetwork เราใช้ความสัมพันธ์ของยีน-ฟีโนไทป์จากฐานข้อมูล HPO [7] เวอร์ชัน 1268 ในฐานข้อมูล HPO คำอธิบายประกอบของยีนกับฟีโนไทป์ที่กำหนดโดย HPO จะขึ้นอยู่กับคำอธิบายประกอบเกี่ยวกับโรคของยีนใน OMIM [8] morbid แผนที่ (ดาวน์โหลด 26 มีนาคม 2018) และไฟล์ Orphanet [9] "en_product6.xml" เวอร์ชัน 1.3.1 คำอธิบายประกอบของยีน-โรคในฐานข้อมูลเหล่านี้อาจขึ้นอยู่กับปัจจัยหลายอย่าง รวมถึงความสัมพันธ์ทางสถิติและการเปลี่ยนแปลงของจำนวนสำเนาจำนวนมาก เราต้องการฝึก KidneyNetwork โดยใช้ยีนที่มีการเชื่อมโยงระหว่างยีนกับโรคหายากเท่านั้น ดังนั้นเราจึงไม่รวม multigenic syndromes เนื่องจากมักจะไม่ชัดเจนว่ายีนใดในตัวแปรจำนวนการคัดลอกมีส่วนทำให้เกิดฟีโนไทป์ใด นอกจากนี้ เรายังไม่รวมยีนที่ไวต่อการสัมผัสเท่านั้น (หมายเหตุ S5)

การทำให้เป็นมาตรฐานของนิพจน์ หลังจากการควบคุมคุณภาพตัวอย่างและยีน (QC) เมทริกซ์การแสดงออกของตัวอย่างและยีนที่เหลือถูกแปลงเป็นบันทึก2- และจำนวนยีนถูกทำให้เป็นมาตรฐานโดยใช้ DESeq ตามวิธีมัธยฐานของอัตราส่วน จากนั้นเราแก้ไขข้อมูลการแสดงออกของยีนสำหรับตัวแปรร่วม (หมายเหตุ S6)

การสลายตัว

หลังจากการกรองและการควบคุมคุณภาพของชุดข้อมูลทั้งหมด ขั้นตอนต่อไปคือดำเนินการแยกส่วนเพื่อคำนวณเวกเตอร์ลักษณะเฉพาะของชุดข้อมูล (หมายเหตุ S7) สำหรับทั้ง GeneNetwork และเครือข่ายการกำกับดูแลยีนตามข้อมูลที่ได้รับจากไต เราได้กำหนดจำนวนส่วนประกอบที่เหมาะสมที่สุด (หมายเหตุ S8) 165 eigen vectors แรกสำหรับ GeneNetwork และ 170 eigen vectors แรกสำหรับข้อมูลที่ได้มาจากไตถูกระบุและรวมเข้ากับเมทริกซ์ขนาดใหญ่ที่มี 335 eigen vectors ทั้งหมด

การคำนวณคะแนนระยะยีน‒HPO การคำนวณคะแนนยีน-ฟีโนไทป์ดำเนินการในหลายขั้นตอน (รูปที่ S5) ขั้นแรก เราทำการถดถอยโลจิสติกโดยใช้ eigen vectors ที่รวมกันและไฟล์คำอธิบายประกอบของยีน‒ฟีโนไทป์เป็นอินพุต เราใช้ค่าผลลัพธ์และคะแนนไอเกนเวกเตอร์เพื่อคำนวณคะแนนล็อกออดส์ของยีนสำหรับทุกยีนในเวกเตอร์ลักษณะเฉพาะทุกตัว (หมายเหตุ S9)

เพื่อหลีกเลี่ยงการใส่ค่า log-odds-score ของยีนที่มีคำอธิบายประกอบมากเกินไป เราจึงใช้วิธีการตรวจสอบข้ามแบบเว้นครั้งเดียว (หมายเหตุ S10) อัตราต่อรองของบันทึกถูกแปลเป็นคะแนน z ของยีนในภายหลังโดยใช้การแจกแจงแบบโมฆะที่เปลี่ยนรูปสำหรับแต่ละฟีโนไทป์ (หมายเหตุ S11)

เพื่อกำหนดความแม่นยำในการทำนาย เราได้คำนวณพื้นที่ใต้เส้นโค้ง ROC (AUC) AUC คำนวณตามคำศัพท์ HPO โดยใช้คะแนน z ของยีนที่คาดการณ์ไว้และคำอธิบายประกอบที่ทราบ ความสำคัญของการคาดการณ์คำนวณโดยใช้การทดสอบอันดับ Mann-Whitney แบบสองด้าน หลังจากการแก้ไข Bonferroni การคาดคะเนถือว่ามีนัยสำคัญที่ p < 0.05

การเปรียบเทียบประสิทธิภาพการทำนาย

เราเปรียบเทียบประสิทธิภาพการทำนายของสี่เครือข่ายที่แตกต่างกัน: (1) GeneNetwork ดั้งเดิม (2) GeneNetwork ที่อัปเดต (3) เครือข่ายการกำกับดูแลยีนเฉพาะของไตโดยอิงจากตัวอย่างที่ได้มาจากไตเท่านั้น และสุดท้าย (4) KidneyNetwork ซึ่งรวมเอา สองคนหลัง คุณภาพของการคาดการณ์ HPO ที่ทำโดยเครือข่ายเหล่านี้ได้รับการประเมินตาม AUC สำหรับฟีโนไทป์ที่เกี่ยวข้องกับไตแต่ละชนิด (ตารางที่ S3) คุณภาพของเครือข่ายที่ได้รับการปรับปรุงหมายถึงความแม่นยำในการทำนายที่ดีขึ้นสำหรับคำศัพท์ที่เกี่ยวข้องกับไตซึ่งได้รับการทำนายอย่างมีนัยสำคัญในการเปรียบเทียบแต่ละเครือข่ายของสองเครือข่าย และโดยจำนวนคำศัพท์ที่เกี่ยวข้องกับไตที่คาดการณ์อย่างมีนัยสำคัญที่เพิ่มขึ้น ความสำคัญของการปรับปรุงความแม่นยำในการทำนายของเครือข่ายหนึ่งเทียบกับอีกเครือข่ายหนึ่งได้รับการประเมินโดยใช้การทดสอบ DeLong [10] ที่รวมอยู่ในแพ็คเกจ pROC R [11]

การใช้ KidneyNetwork กับผู้ป่วย 13 รายที่สงสัยว่าเป็นโรคไตจากกรรมพันธุ์ หนึ่งในการใช้งานของ KidneyNetwork คือการจัดลำดับความสำคัญของยีนที่เป็นตัวเลือกในผู้ป่วยโรคไตที่ยังรักษาไม่หาย ในการประเมินแอปพลิเคชันทางคลินิกนี้ เราใช้ KidneyNetwork เพื่อจัดลำดับความสำคัญของยีนที่เป็นตัวเลือกสำหรับผู้ป่วยโรคไตต่างๆ โดยใช้วิธี GADO [6] GADO รวมการทำนายยีน z-scores ที่แสดงผลผ่าน KidneyNetwork สำหรับชุดคำศัพท์ HPO ที่กำหนด ยีนที่มีคะแนน z รวมมากกว่าหรือเท่ากับ 5 สำหรับชุดเฉพาะของคำศัพท์ HPO ที่เกี่ยวข้องกับผู้ป่วยแต่ละรายได้รับการพิจารณาว่าอาจเป็นยีนที่เป็นตัวเลือกสำหรับผู้ป่วยรายนั้น

รูปที่ 1 การสร้างภาพ UMAP ของข้อมูลการแสดงออกของไต ตัวอย่าง 878 ตัวอย่างถูกจัดกลุ่มออกเป็นสามกลุ่มหลัก: เนื้อเยื่อปฐมภูมิที่มีสุขภาพดี (ตรงกลางและด้านล่าง) ตัวอย่างพัฒนาการ (ซ้าย) และตัวอย่างมะเร็งเซลล์ไต (RCC) (ขวา) ทางด้านซ้ายของภาพ สามารถมองเห็นการรวมกลุ่มของเซลล์ต้นกำเนิด pluripotent (PSC) ที่ได้มาจากพอดไซต์และออร์แกนอยด์ที่ได้จาก PSC พร้อมตัวอย่างปฐมภูมิของทารกในครรภ์และเซลล์ต้นกำเนิด nephron ทางด้านขวา กลุ่มตัวอย่าง RCC ใกล้กับตัวอย่างท่อใกล้เคียง และกลุ่ม RCC ที่ใกล้กับตัวอย่างเนื้อเยื่อปฐมภูมิที่มีสุขภาพดีที่สุดประกอบด้วยตัวอย่างเซลล์ RCC (nccRCC) ที่ไม่ชัดเจน ตรงกลางและด้านล่าง กลุ่มตัวอย่างไตปฐมภูมิที่มีสุขภาพดีจะจับกลุ่มกันตามเนื้อเยื่อต้นกำเนิด

ผู้ป่วย 13 รายที่รวมอยู่ในการศึกษาทั้งหมดสงสัยว่าเป็นโรคไตชนิดโมโนเจนิก แต่ไม่มีการวินิจฉัยทางพันธุกรรม (หมายเหตุ S12) เงื่อนไข HPO ถูกกำหนดให้กับกรณีเหล่านี้ตามฟีโนไทป์ สำหรับผู้ป่วยแต่ละราย ข้อมูลการจัดลำดับ exome ที่สมบูรณ์ได้รับการวิเคราะห์โดยใช้ CAPICE [12] เพื่อระบุรูปแบบที่อาจก่อให้เกิดโรค ยีนที่มีตัวแปรด้วย gnomAD Popmax กรอง AF [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

การทับซ้อนของยีนที่ระบุโดยการรวม KidneyNetwork ใน GADO กับยีนที่ระบุโดย CAPICE ทำให้เกิดรายการยีนสำหรับผู้ป่วยแต่ละราย ยีนและตัวแปรในยีนเหล่านี้ได้รับการตรวจสอบด้วยตนเองโดยคณะผู้เชี่ยวชาญของ nephrogenesis (AMvE, LRC, NVAMK) สำหรับศักยภาพในการเกิดโรคตามเมตริกประชากร เครื่องมือทำนาย เอกสารที่มีอยู่ และการแยก (หมายเหตุ S13) สำหรับยีนของผู้สมัครที่เป็นผลลัพธ์ ผู้ป่วยเพิ่มเติมที่มียีนที่แตกต่างกันในยีนเดียวกันได้รับการระบุผ่านทางผู้ทำงานร่วมกันและโครงการจีโนม 100,000 [14] นอกจากนี้ยังใช้เครื่องมือ GeneMatcher [15] และไม่มีผู้ป่วยเพิ่มเติมจนถึงวันที่ 15 กุมภาพันธ์ 2023

การระบุผู้ป่วยเพิ่มเติม กลุ่มโรคตับและไต polycystic ที่ไม่ได้อธิบายไว้ก่อนหน้านี้ [16] ถูกนำมาใช้เพื่อประเมินตัวแปรที่หายาก (หมายเหตุ S14) เราใช้การทดสอบที่แม่นยำของ Fisher เพื่อเปรียบเทียบความถี่ของตัวแปรที่ระบุกับชุดย่อยของยุโรปที่ไม่ใช่ชาวยุโรปในฟินแลนด์ในฐานข้อมูล gnomAD [17] นอกจากนี้ เราใช้โครงการจีโนม 100,000 [14] สำหรับการระบุผู้ป่วยเพิ่มเติมตามตัวแปรที่ระบุ (หมายเหตุ S15)

ผลลัพธ์

การดึงข้อมูลและการจัดกลุ่มตัวอย่าง เราเลือกตัวอย่างไต 878 ตัวอย่าง (รูปที่ S2) ซึ่งเราจัดกลุ่มและลงจุดโดยใช้อัลกอริทึม UMAP (รูปที่ 1) โดยทั่วไป กลุ่มข้อมูลจะแบ่งออกเป็นสามกลุ่มหลัก: ข้อมูลปฐมภูมิที่ไม่ใช่เนื้องอกของไต ตัวอย่างการพัฒนาของไต และตัวอย่างท่อใกล้เคียง โกลเมอรูลัส และตัวอย่างมะเร็งเซลล์ไต (RCC)

KidneyNetwork ปรับปรุงการทำนายฟีโนไทป์ของยีน ขั้นแรก เราอัปเดต GeneNetwork ด้วยฐานข้อมูล HPO ที่อัปเดตแล้ว (รูปที่ S6) และปรับไปป์ไลน์การสร้างเครือข่ายยีนให้เหมาะสม (รูปที่ S7) การเปลี่ยนแปลงเหล่านี้ให้ผลการปรับปรุงใน GeneNetwork ทั่วไปเมื่อเทียบกับเวอร์ชันก่อนหน้า (รูปที่ S8) จากนั้นเราใช้ไปป์ไลน์ที่ได้รับการปรับปรุงเพื่อสร้างเครือข่ายการกำกับดูแลยีนเฉพาะไต ตามที่คาดไว้ เมื่อพิจารณาจากขนาดตัวอย่างที่เล็ก เครือข่ายเฉพาะไตเวอร์ชันนี้จึงทำงานได้ดีกว่า GeneNetwork (รูปที่ S9) ต่อจากนั้น การรวม GeneNetwork และเครือข่ายการแสดงออกของยีนเฉพาะของไตเข้ากับ KidneyNetwork ทำให้ได้ผลลัพธ์ที่ดีที่สุดสำหรับคำศัพท์ HPO ที่เกี่ยวข้องกับไต (รูปที่ 2A; ตารางที่ S5) มีการจัดเตรียม AUC การคาดการณ์ ความแม่นยำ ความไว และคะแนน f1- สำหรับแต่ละเส้นทางที่คาดการณ์ไว้ (ตาราง S6)

ตัวอย่างสองตัวอย่างของคำศัพท์ HPO ที่เกี่ยวข้องกับไตที่ได้รับการปรับปรุง ได้แก่ ภาวะขาดแมกนีเซียมในเลือดต่ำและความผิดปกติของท่อระหว่างหน้า (รูปที่ 2B) การแสดงภาพฟีโนไทป์เหล่านี้ในแปลงความหนาแน่นแสดงให้เห็นคะแนน z ลำดับความสำคัญสูงกว่าสำหรับยีนที่เกี่ยวข้องกับโรคที่รู้จักเมื่อเปรียบเทียบกับยีนที่ไม่มีคำอธิบายประกอบ สำหรับยีนที่ไม่รู้จัก ยิ่งค่า z-score ของการทำนายสูงเท่าใด ยีนเหล่านี้มีโอกาสเป็นยีนที่เป็นโรคได้ การแสดงภาพเครือข่ายปฏิสัมพันธ์ของยีนของยีนโรคที่รู้จักตามคะแนนการทำนายอีกครั้ง แสดงให้เห็นการเพิ่มจำนวนและความแรงของปฏิสัมพันธ์ที่ได้รับโดยใช้ KidneyNetwork เมื่อเทียบกับ GeneNetwork

รูปที่ 2 KidneyNetwork ทำงานได้ดีกว่าสำหรับคำศัพท์ HPO ที่เกี่ยวข้องกับไตมากกว่า GeneNetwork ที่อัปเดตแล้ว ฟีโนไทป์ที่เกี่ยวข้องกับไต 27 เปอร์เซ็นต์ได้รับการทำนายว่าดีขึ้นอย่างเห็นได้ชัดเมื่อใช้ KidneyNetwork เมื่อเปรียบเทียบกับ GeneNetwork B แผนภาพความหนาแน่นของคะแนนการทำนายของยีนภายในฟีโนไทป์ที่ได้รับการปรับปรุงมากที่สุด 2 ชนิด ได้แก่ ภาวะแมกนีติกในเลือดต่ำ และความผิดปกติของทูบูโลคั่นระหว่างหน้า แสดงค่าการทำนายที่สูงขึ้นสำหรับยีนที่มีคำอธิบายประกอบสำหรับฟีโนไทป์ และยังทำนายยีนผู้สมัครที่ไม่รู้จักที่เป็นไปได้ เครือข่ายที่ทำนายโดยใช้ KidneyNetwork แสดงความสัมพันธ์ระหว่างยีนที่มีคำอธิบายประกอบมากขึ้นและชัดเจนกว่าเครือข่ายที่ทำนายโดยใช้ GeneNetwork

นอกจากนี้ เรายังเห็นการเพิ่มจำนวนของคำศัพท์ HPO ที่เกี่ยวข้องกับไตที่คาดการณ์ไว้อย่างมีนัยสำคัญสำหรับ KidneyNetwork (n=71) เมื่อเทียบกับ GeneNetwork (n=63) สิ่งนี้ทำให้เราตั้งสมมติฐานว่า KidneyNetwork ทำนายคำศัพท์ที่เกี่ยวข้องกับไตด้วยความแม่นยำสูงกว่าโดยรวม ดังนั้นจึงสามารถทำนายฟีโนไทป์ที่เกี่ยวข้องกับไตได้มากขึ้นโดยมีความสำคัญสูงขึ้น การทดสอบ t-test แบบคู่แสดงให้เห็นว่าโดยรวมแล้ว คะแนน AUC ของ HPO นั้นดีกว่าอย่างมีนัยสำคัญสำหรับ KidneyNetwork เทียบกับ GeneNetwork (ค่าเฉลี่ย AUC: 0.76 เทียบกับ 0.74; t-test p-value: 4.5 × 10 −8 ). ผลลัพธ์นี้ชี้ให้เห็นว่า KidneyNetwork ทำนายคำศัพท์ HPO เฉพาะของไตได้มากขึ้นด้วยความแม่นยำในการทำนายที่สูงกว่า GeneNetwork

KidneyNetwork จัดลำดับความสำคัญของ ALG6 เป็นยีนโรคที่เป็นตัวเลือกในผู้ป่วยที่มีถุงน้ำในไตและถุงน้ำในตับ ในการตรวจสอบประโยชน์ทางคลินิกของ KidneyNetwork เราจัดลำดับความสำคัญของยีนสำหรับผู้ป่วย 13 รายที่สงสัยว่าเป็นโรคไตจากกรรมพันธุ์ แต่ไม่มีการวินิจฉัยทางพันธุกรรม รายการยีนที่เป็นผลลัพธ์ประกอบด้วยยีน 1‒4 ยีนสำหรับผู้ป่วย 9 ใน 13 ราย (ตารางที่ S7) ในผู้ป่วยรายหนึ่ง (SAMPLE6) การจัดการรายชื่อด้วยตนเองระบุว่า ALG6 (ALG6 alpha-1,3-glucosyltransferase) เป็นยีนที่มีความเป็นไปได้ที่จะอธิบายไตและซีสต์ตับของผู้ป่วย (รูปที่ 3) คะแนน z ที่รวมกันสำหรับ ALG6 สำหรับคำศัพท์ HPO ที่คาดคะเนนั้นมีความสำคัญใน KidneyNetwork หลังจากการแก้ไขการทดสอบหลายครั้ง (z=5.43) ยีนนี้จะถูกมองข้ามไปหากเราใช้ GeneNetwork: โดยที่ ALG6 ไม่ถึงเกณฑ์ที่มีนัยสำคัญของ z-score มากกว่าหรือเท่ากับ 5

ALG6 เป็นยีนที่เป็นตัวเลือกสำหรับผู้ป่วยที่มีซีสต์ในไตและตับ ตัวแปร ALG6 c.680 บวก 2 T > G ที่มี SAMPLE6 เป็นเฮเทอโรไซกัส นี่เป็นตัวแปรของตำแหน่งรอยต่อที่ทำให้เกิดโรคที่ทราบซึ่งส่งผลให้เกิดความผิดปกติแต่กำเนิดของ glycosylation (CDG) ประเภท Ic เมื่อมีตัวแปรที่ทำให้เกิดโรคในทั้งสองอัลลีล [18, 19] ALG6 มีความคล้ายคลึงกับ ALG8 อย่างมาก ซึ่งเกี่ยวข้องกับฟีโนไทป์ของถุงน้ำในไตและตับ [20] และจากข้อมูลของ KidneyNetwork นั้น ALG6 และ ALG8 มีการควบคุมร่วมกันอย่างมาก (คะแนน z=8.59)

ด้วยความเป็นไปได้ทางชีวภาพนี้ เราจึงสอบถามกลุ่มผู้ป่วย 120 รายที่ไม่เกี่ยวข้องกับโรคถุงน้ำในไตและโรคตับสำหรับตัวแปรหายาก MAF < 0.001 ใน ALG6 หมู่นี้ได้รับการปรับปรุงเล็กน้อยเนื่องจากได้รับการอธิบายไว้ก่อนหน้านี้และถูกแยกออกโดยการวิเคราะห์ลำดับที่แปลกใหม่สำหรับการสูญเสียการกลายพันธุ์ของฟังก์ชันหรือรายงานตัวแปรที่ไม่ตัดทอนที่ทำให้เกิดโรคใน PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 หรือ ดีเอ็นเอJB11 [16]. กรณีที่ไม่เกี่ยวข้องสามกรณี (YU372, YU378, YU481) มีตัวแปร ALG6 ที่หายาก; แต่ละชนิดมี ALG6 c.257 บวก 5 G > ตัวแปรการประกบกันแบบ noncanonical ที่ทราบกันดีว่าเป็นตัวก่อโรคสำหรับ ALG6-CDG และการเปลี่ยนแปลงการต่อรอยในหลอดทดลอง [19, 21] แม้จะมีการกลายพันธุ์ร่วมกัน แต่ทั้งสามกรณีนี้รายงานแต่ละฉบับที่ไม่รู้จักสมาชิกในครอบครัวที่ได้รับผลกระทบได้รับการลงทะเบียนจากรัฐต่างๆ ทั่วสหรัฐอเมริกา และไม่เกี่ยวข้องกับขีดจำกัดที่ดีที่สุดของการตรวจหาโดยใช้อัลกอริทึม VCFtools relatedness2 ที่มีความเกี่ยวข้อง_PHI < 0.005

จากการเป็นตัวแทนของตัวแปรนี้ในสามกรณีของบรรพบุรุษชาวยุโรปในกลุ่มประชากรตามฟีโนไทป์นี้ เราเปรียบเทียบความถี่ของมันในกลุ่มย่อยของยุโรป (n=105) กับชาวยุโรปที่ไม่ใช่ชาวฟินแลนด์ใน gnomAD [17] ที่มีความครอบคลุมที่ ตำแหน่งนี้ (n=64,466) [17] ในกลุ่มผู้ป่วย 3 จาก 210 อัลลีลมีตัวแปรนี้ ในขณะที่ gnomAD ซึ่งเป็นกลุ่มที่ไม่ได้เลือกเกี่ยวกับภาระของถุงน้ำในไตหรือตับ พบใน 121 จาก 128,932 อัลลีล การเพิ่มความสมบูรณ์ประมาณ 10-เท่านี้มีนัยสำคัญทางสถิติโดยการทดสอบที่แน่นอนของฟิชเชอร์ p=0.0011 การกลายพันธุ์นี้เกิดขึ้นซ้ำในกรณีของ ALG6-CDG [19]

นอกจากนี้ เรายังตรวจสอบชุดข้อมูล 100,000 โครงการจีโนม [14] และติดต่อผู้ทำงานร่วมกันที่ระบุข้อมูลเพิ่มเติมสามรายการสำหรับการประยุกต์ใช้กับโรคไต สัดส่วนที่มีนัยสำคัญของผู้ป่วยที่สงสัยว่าเป็นโรคไตทางพันธุกรรมยังคงอยู่โดยไม่มีการวินิจฉัยทางพันธุกรรม เนื่องจากรายการของยีนโรคสำหรับหลาย ๆ เงื่อนไขนั้นไม่สมบูรณ์ การระบุยีนที่เกี่ยวข้องกับโรคไตเป็นสิ่งจำเป็นสำหรับการปรับปรุงผลการวินิจฉัยในผู้ป่วยโรคไตและสำหรับการศึกษาการก่อโรคของโรคเพื่อเป็นแนวทางในการรักษา การสร้างยีนโรคใหม่จำเป็นต้องมีการตรวจสอบทางชีวภาพอย่างรอบคอบ ยีนที่ส่อให้เห็นสมควรแก่การตรวจสอบดังกล่าวเป็นสิ่งสำคัญ การประยุกต์ใช้ KidneyNetwork ร่วมกับข้อมูล WES หรือ GWAS โดยแพทย์โรคไต นักพันธุศาสตร์คลินิก หรือนักวิจัย จะช่วยให้แต่ละกลุ่มมีส่วนร่วมในการแสดงออกของยีน KidneyNetwork รวมเครือข่ายการแสดงออกร่วมกันตามชุดข้อมูลตัวอย่างไตกับชุดข้อมูลหลายเนื้อเยื่อที่เผยแพร่ก่อนหน้านี้ซึ่งใช้ในการสร้างงาน GeneNet การรวมชุดข้อมูลเข้ากับ KidneyNetwork ปรับปรุงการทำนายฟีโนไทป์ที่เกี่ยวข้องกับโรคไตเมื่อเปรียบเทียบกับเครือข่ายตามชุดข้อมูลสองชุดแยกกัน เพื่อเป็นการพิสูจน์หลักการ เราแสดงให้เห็นว่ารายการยีนที่เป็นตัวเลือกสำหรับฟีโนไทป์ของไตและซีสต์ตับที่รวมกันซึ่งสร้างโดย KidneyNetwork ให้ความสำคัญกับรายการยีนที่เป็นตัวเลือกที่สามารถจัดการได้จากรายการยีนจำนวนมากที่มีตัวแปรหายากในผู้ป่วยของเราที่มีฟีโนไทป์นี้

นอกจากนี้ เรายังตรวจสอบชุดข้อมูล 100,000 โครงการจีโนม [14] และติดต่อผู้ทำงานร่วมกันซึ่งระบุผู้ป่วยเพิ่มเติมอีก 3 รายที่มีถุงน้ำในไตและ/หรือตับซึ่งมีตัวแปรที่แตกต่างกันที่อาจเป็นอันตรายใน ALG6 โดยไม่มีคำอธิบายทางพันธุกรรมอื่น

รูปที่ 3 KidneyNetwork รวมอยู่ในวิธี GADO ใน SAMPLE6 ซึ่งเป็นผู้ป่วยที่มีถุงน้ำในไตและตับ ยีนที่เป็นตัวเลือก 89 ยีนจากยีนทั้งหมดได้รับการจัดลำดับความสำคัญโดย KidneyNetwork โดยใช้ GADO ตามคำศัพท์ HPO "ถุงน้ำในไต" (HP:0000107) และ "ถุงน้ำในตับ" (HP:0001407) วิธีการตีความข้อมูลลำดับที่แปลกใหม่ CAPICE ให้ยีน 322 ยีนที่มีตัวแปรที่อาจก่อให้เกิดโรคในข้อมูลการจัดลำดับที่แปลกใหม่ของผู้ป่วย เมื่อซ้อนทับรายการยีนเหล่านี้ พบว่ามียีนสามตัวที่ตรงตามเกณฑ์การคัดเลือก หนึ่งตัวคือ ALG6

โดยรวมแล้ว เราระบุผู้ป่วย 7 รายที่มีตัวแปรไซต์รอยเชื่อมที่ทราบซึ่งรายงานว่าเป็นสาเหตุของโรคในผู้ป่วย CDG ที่ได้รับผลกระทบอย่างรุนแรงเมื่อมีโฮโมไซโกซิตีหรือเฮเทอโรไซโกซิตีผสม และผู้ป่วยหนึ่งรายที่มีตัวแปรไซต์ประกบกันที่ทำให้เกิดโรค (ตารางที่ 1) ตรงกันข้ามกับผู้ป่วย ALG{2}}CDG ที่ได้รับผลกระทบอย่างรุนแรง (แสดงร่วมกับหลายอวัยวะ รวมถึงพัฒนาการล่าช้าและอาการทางระบบประสาทหลายอย่าง) ผู้ป่วยของเราแสดงด้วยลักษณะของซีสต์ในไตและ/หรือซีสต์ในตับหลายจุด (รูปที่ 4) . แม้ว่า PCLD สามารถเป็นได้อย่างกว้างขวาง แต่ฟีโนไทป์ของไตดูเหมือนจะไม่รุนแรงโดยไม่มีรายงานการลดลงของ eGFR แม้จะอายุมากแล้วก็ตาม (เช่น ผู้ป่วยรายหนึ่งอยู่ในวัยสามสิบ ส่วนคนอื่นๆ มีอายุระหว่าง 45 ถึง 80 ปี) นอกจากนี้ เราพบว่าตัวแปร ALG6 แยกจากกันในสมาชิกครอบครัวไม่กี่คนที่ได้รับผลกระทบเช่นกัน (ตารางที่ 1; รูปที่ 4)

บริการสนับสนุน:

อีเมล:wallence.suen@wecistanche.com

Whatsapp/โทรศัพท์: บวก 86 15292862950

ร้านค้า:

https://www.xjcistanche.com/cistanche-shop