O sequenciamento integrativo do exoma e o aprendizado de máquina identificam novos genes que contribuem para o risco de esclerose sistêmica

A esclerose sistêmica (SSC) é uma doença autoimune grave com causas genéticas complexas. Alguns colaboradores genéticos foram identificados, mas outros permanecem desconhecidos, o que impediu o desenvolvimento de tratamentos direcionados. Em um novo estudo publicado em Anais das doenças reumáticasPesquisadores da Baylor College of Medicine e instituições colaboradoras usaram abordagens complementares que integram o sequenciamento do exoma e o aprendizado de máquina de ação evolutiva para identificar mudanças de proteínas e seus mecanismos associados no SSC.

Estudos anteriores de associação em todo o genoma (GWAs) que analisaram a frequência de variantes genéticas comuns mostram os contribuidores genéticos mais fortes localizados na região do antígeno de leucócitos humanos (HLA) no cromossomo seis. Neste estudo, os pesquisadores liderados pelo primeiro autor Dr. Shamika Ketkar realizou GWAs usando dados de sequenciamento de exoma de 2.559 casos de pacientes com SSC e 893 casos de controle saudáveis ​​no Registro da Família de Scleroderma e repositório de DNA no Centro de Ciências da Saúde da Universidade do Texas em Houston. Eles pretendiam encontrar novos genes e raras variantes que contribuem para o risco de CSC.

“O que realmente nos surpreendeu e nos entusiasmou foi a descoberta e a replicação do MICB, um gene localizado na região do HLA, mas agindo independentemente dos genes clássicos do HLA. O MICB não havia sido implicado anteriormente na esclerose sistêmica, e sua identificação representa um novo contribuinte genético e um potencial alvo terapêutico”, disse Ketkar, assistente do Professional de Molecular do Molecular do Molecular e um potencial alvo terapêutico “.

Os colaboradores da Espanha replicaram as descobertas usando dados de GWAs europeus publicados anteriormente, compreendendo quase 10.000 casos, fortalecendo ainda mais a significância dos resultados. Em Baylor, o laboratório do Dr. Olivier Lichtarge usou sua estrutura evolutiva de aprendizado de ação-máquina (EAML) para analisar os dados de sequenciamento de exoma e priorizar genes com variantes de alto impacto preditivas de CSC.

Os resultados mais uma vez apontaram para o MICB, bem como outros genes no cromossomo seis, como Notch4 e raras variantes missense em genes enriquecidos na sinalização de interferon (uma via chave no sistema imunológico), incluindo IFI44L e IFIT5.

“Com a nossa estrutura de aprendizado de máquina, não estamos apenas identificando se uma variante ocorre com frequência, mas também, usando dados evolutivos em todas as espécies, estamos pesando a probabilidade de que a variante seja funcionalmente perturbadora para a proteína e, eventualmente, para o paciente”, disse Lichtarge, cadeira de Cullen e professora e molecular e humana, biologia.

“Anteriormente, usamos esse método em doenças com conjuntos de dados de genoma muito maiores, como a doença de Alzheimer e doenças cardíacas e, neste estudo, mostramos que ele pode ser eficaz em doenças complexas com um conjunto de dados de pacientes menores”.

Para entender o impacto funcional das variantes genéticas identificadas no estudo, os pesquisadores integraram os dados de sequenciamento de RNA de célula única disponíveis publicamente das biópsias de pele do SSC para resolver padrões de expressão específicos para o tipo de célula de genes de risco. Eles também realizaram análise de locus de características quantitativas de expressão (EQTL) usando conjuntos de dados de sangue total para estabelecer vínculos regulatórios entre variantes associadas à doença e alterações transcriptômicas.

MICB e NOTCH4 foram expressos em fibroblastos e células endoteliais, dois tipos de células que desempenham papéis centrais na fibrose e vasculopatia, principais características clínicas do SSC. Essas análises complementares confirmaram efeitos regulatórios funcionais dos genes de risco identificados.

“Para resolver doenças complexas como o SSC, precisamos combinar diferentes abordagens e aprendizado de máquina para a análise de conjuntos de dados de DNA, RNA e proteína grandes para descobrir alvos ocultos para o tratamento”, disse o autor correspondente Dr. Brendan Lee, professor, presidente e Robert e Janice McNair dotaram o presidente molecular e humano em Baylor.