KidneyNetwork: utilizzo di dati di espressione genica derivati ​​dai reni per prevedere e dare priorità a nuovi geni coinvolti nella malattia renale Ⅰ

Test genetici in pazienti con sospetto ereditarionefropatiapotrebbe non rivelare la causa genetica del disturbo poiché varianti potenzialmente patogene possono risiedere in geni che non sono ancora noti per essere coinvolti innefropatia. Abbiamo sviluppato Kidney Network, che utilizza l'espressione tessuto-specifica per informare la prioritizzazione del gene candidato specificamente per le malattie renali. KidneyNetwork è un nuovo metodo costruito integrando una rete di coespressione del sequenziamento dell'RNA renale di 878 campioni con una rete multi-tessuto di 31.499 campioni. Utilizza modelli di espressione e associazioni stabilite gene-fenotipo per prevedere quali geni potrebbero essere correlati a quali fenotipi (malattie) in modo imparziale. Abbiamo applicato KidneyNetwork a varianti rare nei dati di sequenziamento dell'esoma di 13 pazienti con malattie renali senza una diagnosi genetica per dare la priorità ai geni candidati. KidneyNetwork può prevedere con precisione le funzioni geniche specifiche del rene e i fenotipi (malattia renale) per i geni associati alla malattia. L'intersezione di geni prioritari con geni portatori di varianti rare in un paziente con cisti renali ed epatiche ha identificato ALG6 come un plausibile gene candidato. Rafforziamo questa plausibilità identificando le varianti ALG6 in diversi casi di malattie cistiche renali ed epatiche senza spiegazioni genetiche alternative. Presentiamo KidneyNetwork, una rete di coespressione specifica per i reni pubblicamente disponibile con previsioni di fenotipo genico ottimizzate per i fenotipi delle malattie renali.

Abbiamo progettato un'interfaccia online di facile utilizzo che consente a medici e ricercatori di utilizzare i dati di espressione genica e di co-regolazione econnessioni gene-fenotipo per accelerare i progressi nella diagnosi e nella ricerca sulle malattie renali ereditarie.

DICHIARAZIONE DI TRADUZIONE:Test genetici in pazienti con sospetto ereditarionefropatiapotrebbe non rivelare la causa genetica del disturbo del paziente. Varianti potenzialmente patogene possono risiedere in geni non ancora noti per essere coinvolti nella malattia renale, rendendo difficile interpretare la rilevanza di queste varianti. Ciò rivela una chiara necessità di metodi per prevedere le conseguenze fenotipiche della variazione genetica in modo imparziale. Qui descriviamo KidneyNetwork, uno strumento che utilizza l'espressione specifica del tessuto per prevedere le funzioni geniche specifiche del rene. L'applicazione di KidneyNetwork a un gruppo di casi non diagnosticati ha identificato ALG6 come gene candidato nel rene cistico emalattia del fegato. In sintesi, KidneyNetwork può aiutare l'interpretazione delle varianti genetiche e può quindi essere utile nella nefrogenesi traslazionale e contribuire a migliorare la resa diagnostica nei pazienti con malattie renali.

CLICCA QUI PER OTTENERE LA CISTANCHE PER I RENIMALATTIA

INTRODUZIONE

I test genetici in pazienti con sospetta malattia renale ereditaria possono rivelare varianti patogene causali ingeni correlati ai reni. Tuttavia, in molti casi, non è ancora possibile rilevare una causa genetica. Varianti patogene in geni noti correlati ai reni sono rilevate in circa il 10-30% dei pazienti geneticamente testati con malattia renale cronica di qualsiasi causa [1-3]. Tuttavia, queste percentuali sono probabilmente sottostime del numero di pazienti con una causa monogenica poiché le varianti nei geni non ancora implicati nella malattia renale passeranno inosservate. Varianti potenzialmente dannose possono risiedere in questi geni, il che rende difficile stabilire le priorità e interpretare la rilevanza di queste varianti. Pertanto, nell'attuale era della medicina genomica, una delle principali sfide dopo un risultato diagnostico negativo in geni noti è rilevare e dare priorità a nuovi geni candidati con varianti potenzialmente patogene che possono spiegare la malattia del paziente [4].

I dati di sequenziamento dell'RNA possono essere utilizzati per prevedere il candidatogeni della malattia[5]. Recentemente abbiamo sviluppato GeneNetwork e il metodo GeneNetwork-Assisted Diagnostic Optimization (GADO) per dare la priorità a nuovi geni della malattia candidati sulla base dei dati di sequenziamento dell'RNA [6]. L'idea alla base di questo metodo è che alcuni disturbi rari possono essere causati da varianti in diversi geni. Sebbene questi geni siano diversi, di solito hanno funzioni biologiche simili. Quando si studiano i dati di espressione genica da un gran numero di campioni, questi geni della malattia di solito mostrano una forte coespressione [6]. Pertanto, se esistono altri geni che sono fortemente co-espressi con geni noti di malattie rare, è possibile che anche le varianti di questi altri geni possano causare la stessa malattia.

Affinché questo tipo di strumento funzioni in modo ottimale, le informazioni sulla coespressione dovrebbero essere il più accurate possibile. Per GADO, abbiamo costruito una rete di coespressione genica basata su set di dati di sequenziamento dell'RNA pubblicamente disponibili da molti tessuti diversi e abbiamo utilizzato questa rete per prevedere quali geni potrebbero causare malattie rare. Queste previsioni sono state addestrate utilizzando il database dell'ontologia del fenotipo umano (HPO) [7]. Nel database HPO, i geni sono assegnati a fenotipi ‒ chiamati termini HPO ‒ che si basano su annotazioni gene-malattia e sintomi di malattia presenti nei database OMIM [8] e Orphanet [9]. Integrando le informazioni dal database HPO con la rete di coespressione genica, potremmo calcolare i punteggi di previsione per ciascun gene per termine HPO. Insieme, questi punteggi costituiscono GeneNetwork. GADO quindi assegna la priorità ai geni combinando un elenco di input di termini HPO che descrivono il fenotipo del paziente con un elenco di geni con possibili varianti deleterie di quel paziente. La definizione delle priorità dell'elenco dei geni si basa sui punteggi combinati di predizione genica per i termini HPO di input [6].

Poiché abbiamo osservato che le prestazioni di previsione di GeneNetwork per i fenotipi HPO correlati ai reni erano limitate, abbiamo cercato di migliorare la previsione sviluppando una rete specifica per i reni. Lo abbiamo fatto utilizzando 878 campioni di sequenziamento dell'RNA renale che abbiamo arricchito con un set di dati esistente di 31.499 campioni di altri tessuti [6]. Sviluppando un nuovo algoritmo di previsione in grado di soppesare le informazioni presenti in entrambi i set di dati, abbiamo migliorato le prestazioni per i percorsi correlati ai reni. In questo documento, presentiamo il risultante KidneyNetwork, una rete di co-espressione che può essere utilizzata per prevedere con precisione le associazioni gene-fenotipo di geni sconosciuti per i termini HPO correlati ai reni. Come prova di principio, abbiamo applicato KidneyNetwork ai dati di sequenziamento dell'esoma di un gruppo di pazienti con malattie renali precedentemente irrisolte.

METODI

Per migliorare la previsione dei fenotipi correlati ai reni, abbiamo raccolto dati di sequenziamento dell'RNA derivati ​​dai reni, aggiornato GeneNetwork con database di riferimento più recenti e analisi statistiche migliorate, seguite dall'integrazione di informazioni specifiche sui tessuti.

Set di dati in KidneyNetwork

I dati di sequenziamento dell'RNA da campioni di rene selezionati di diverse origini, tra cui tessuto primario, tumorale e fetale, sono stati combinati con un set di dati esistente di sequenziamento dell'RNA multi-tessuto utilizzato come base per il nostro GeneNetwork precedentemente descritto [6] (Tabella S1, S2) . Abbiamo scelto di includere il set di dati multi-tessuto per due motivi. Innanzitutto, avevamo bisogno di un numero sufficiente di campioni per costruire una rete di riferimento. In secondo luogo, volevamo preservare l'espressione specifica di diversi o tutti i tipi di cellule renali, ma non di altri tessuti. Lo abbiamo fatto perché i punteggi gene-fenotipo si basano sulle differenze di espressione tra i campioni; se tutti i geni hanno un'espressione alta (o bassa) in tutti i campioni inclusi nell'analisi, non aggiungeranno informazioni sufficienti all'algoritmo di predizione. Il set di dati multi-tessuto di campioni di sequenziamento dell'RNA umano utilizzato per sviluppare GeneNetwork è stato riutilizzato ed elaborato come descritto in precedenza [6]. Dopo la pre-elaborazione, questo set di dati conteneva 31.499 campioni e 56.435 geni.

3.194 campioni sequenziati di RNA derivati ​​​​dai reni sono stati scaricati dall'archivio europeo dei nucleotidi (ENA) e dal progetto Genotype-Tissue Expression (GTEx) (Nota S1). La pre-elaborazione del set di dati sui reni è stata eseguita in modo simile al set di dati multi-tessuto [6] (Nota S2, Nota S3). Dopo la selezione del campione e del gene, sono rimasti 58.283 geni e 878 campioni di reni. Abbiamo studiato i restanti 878 campioni di sequenziamento dell'RNA utilizzando l'algoritmo di clustering UMAP (Nota S4).

Filtraggio HPO. Per la costruzione di KidneyNetwork, abbiamo utilizzato le associazioni gene-fenotipo dal database HPO [7] versione 1268. Nel database HPO, l'annotazione dei geni ai fenotipi definiti da HPO si basa sulle annotazioni gene-malattia nell'OMIM [8] morbid map (scaricata il 26 marzo 2018) e il file Orphanet [9] "en_product6.xml" versione 1.3.1. Le annotazioni gene-malattia in questi database possono essere basate su diversi fattori, tra cui associazioni statistiche e variazioni del numero di copie su larga scala. Volevamo addestrare KidneyNetwork utilizzando solo geni per i quali il legame tra il gene e la malattia rara è ben stabilito. Pertanto, abbiamo escluso le sindromi multigeniche, poiché spesso non è chiaro quale dei geni nelle varianti del numero di copie contribuisca a quali fenotipi. Abbiamo anche escluso i semplici geni di suscettibilità (Nota S5).

Normalizzazione delle espressioni. Dopo il controllo della qualità del campione e del gene (QC), la matrice di espressione dei campioni e dei geni rimanenti è stata trasformata in log2- e i conteggi genici sono stati normalizzati utilizzando DESeq seguendo il metodo della mediana dei rapporti. Abbiamo quindi corretto i dati di espressione genica per le covariate (Nota S6).

Decomposizione

Dopo il filtraggio e il controllo qualità dell'intero set di dati, il passaggio successivo è stato quello di eseguire una decomposizione per calcolare gli autovettori del set di dati (Nota S7). Sia per GeneNetwork che per la rete di regolazione genica basata su dati derivati ​​dai reni, abbiamo definito il numero ottimale di componenti (Nota S8). I primi 165 autovettori per GeneNetwork ei primi 170 autovettori per i dati derivati ​​dai reni sono stati identificati e uniti in una matrice più grande contenente tutti i 335 autovettori.

Calcolo del punteggio gene-HPO-termine Il calcolo del punteggio gene-fenotipo è stato eseguito in più fasi (Fig. S5). Innanzitutto, abbiamo eseguito una regressione logistica utilizzando gli autovettori combinati e il file di annotazioni gene-fenotipo come input. Abbiamo utilizzato i valori risultanti e i punteggi degli autovettori per calcolare un punteggio di log-odds genico per ogni gene in ogni autovettore (Nota S9).

Per evitare l'overfitting del gene log-odds-score di geni già annotati, abbiamo applicato un approccio di validazione incrociata leave-one-out (Nota S10). Le probabilità logaritmiche sono state successivamente tradotte in punteggi z del gene utilizzando una distribuzione nulla permutata per ciascun fenotipo (Nota S11).

Per determinare l'accuratezza della previsione, abbiamo calcolato l'area sotto la curva ROC (AUC). L'AUC è stata calcolata per termine HPO utilizzando i punteggi z del gene previsti e le annotazioni note. La significatività delle previsioni è stata calcolata utilizzando il test di rango di Mann-Whitney a due code. Dopo la correzione di Bonferroni, una previsione è stata considerata significativa a p <0.05.

Confronto delle prestazioni di previsione

Abbiamo confrontato le prestazioni di previsione di quattro reti distinte: (1) la GeneNetwork originale, (2) la GeneNetwork aggiornata, (3) la rete di regolazione genica specifica per il rene basata esclusivamente su campioni derivati ​​dai reni e infine (4) KidneyNetwork, che combina gli ultimi due. La qualità delle previsioni HPO fatte da queste reti è stata valutata in base all'AUC per ciascun fenotipo correlato al rene (Tabella S3). La migliore qualità di una rete è stata definita come una migliore accuratezza della previsione per i termini correlati ai reni che erano stati previsti in modo significativo in ogni confronto di due reti e da un numero maggiore di termini correlati ai reni previsti in modo significativo. L'importanza del miglioramento dell'accuratezza della previsione di una rete rispetto a un'altra è stata valutata utilizzando il test DeLong [10] integrato nel pacchetto pROC R [11].

Applicazione di KidneyNetwork a 13 pazienti con sospetta malattia renale ereditaria Una delle applicazioni di KidneyNetwork è dare priorità ai geni candidati in pazienti con malattia renale irrisolta. Per valutare questa applicazione clinica, abbiamo utilizzato KidneyNetwork per dare la priorità ai geni candidati per i pazienti con varie malattie renali utilizzando il metodo GADO [6]. GADO combina i punteggi z di previsione genica resi tramite KidneyNetwork per un dato insieme di termini HPO. I geni con un punteggio z combinato maggiore o uguale a 5 per l'insieme univoco di termini HPO associati a ciascun paziente sono stati considerati potenziali geni candidati per quel paziente.

Fig. 1 Visualizzazione UMAP dei dati di espressione derivati ​​dai reni. 878 campioni sono stati raggruppati in tre gruppi principali: tessuto primario sano (al centro e in basso), campioni di sviluppo (a sinistra) e campioni di carcinoma a cellule renali (RCC) (a destra). Sul lato sinistro della figura, si può vedere il raggruppamento di podociti derivati ​​da cellule staminali pluripotenti (PSC) e organoidi derivati ​​da PSC con campioni fetali primari e cellule progenitrici del nefrone. Sul lato destro, i campioni di RCC si raggruppano vicino ai campioni del tubulo prossimale e il cluster RCC più vicino ai campioni di tessuto primario sano è costituito da campioni di RCC a cellule non chiare (nccRCC). Al centro e in basso, i campioni di rene primario sano si raggruppano in base al loro tessuto di origine.

I 13 pazienti inclusi nello studio erano tutti sospettati di avere una malattia renale monogenica ma non avevano una diagnosi genetica (Nota S12). I termini HPO sono stati assegnati a questi casi in base al loro fenotipo. Per ogni paziente, i dati completi del sequenziamento dell'esoma sono stati analizzati utilizzando CAPICE [12] per identificare varianti potenzialmente patogene. Geni contenenti varianti con AF filtrante gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

La sovrapposizione dei geni identificati dall'integrazione di KidneyNetwork in GADO con quelli identificati da CAPICE ha prodotto un elenco di geni per ciascun paziente. Questi geni e varianti in questi geni sono stati esaminati manualmente da un gruppo di esperti di nefrogenesi (AMvE, LRC, NVAMK) per il loro potenziale patogenetico basato su metriche della popolazione, strumenti di previsione, letteratura disponibile e segregazione (Nota S13). Per il gene candidato risultante, altri pazienti portatori di varianti nello stesso gene sono stati identificati tramite collaboratori e il 100,000 Genomes Project [14]. Inoltre, è stato utilizzato lo strumento GeneMatcher [15] e non ha prodotto ulteriori pazienti fino al 15 febbraio 2023.

Identificazione di ulteriori pazienti La coorte irrisolta del rene policistico e della malattia epatica [16] è stata utilizzata per valutare le varianti rare (Nota S14). Abbiamo utilizzato il test esatto di Fisher per confrontare la frequenza delle varianti identificate con il sottoinsieme europeo di europei non finlandesi nel database gnomAD [17]. Inoltre, abbiamo utilizzato il 100,000 Genomes Project [14] per l'identificazione di ulteriori pazienti in base alle varianti identificate (Nota S15).

RISULTATI

Recupero dei dati e clustering dei campioni Abbiamo selezionato 878 campioni di rene (Fig. S2), che abbiamo raggruppato e tracciato utilizzando l'algoritmo UMAP (Fig. 1). Generalmente, i dati si raggruppano in tre cluster principali: dati primari non tumorali sui reni, campioni di sviluppo renale e campioni di tubulo prossimale, glomerulo e carcinoma a cellule renali (RCC).

KidneyNetwork migliora le previsioni gene-fenotipo Innanzitutto, abbiamo aggiornato GeneNetwork con il database HPO aggiornato (Fig. S6) e ottimizzato la pipeline di costruzione della rete genica (Fig. S7). Queste modifiche hanno prodotto un miglioramento del GeneNetwork generale rispetto alla versione precedente (Fig. S8). Abbiamo quindi utilizzato la pipeline migliorata per costruire la rete di regolazione genica specifica per il rene. Come previsto, data la piccola dimensione del campione, questa versione della rete specifica per i reni ha funzionato meno bene di GeneNetwork (Fig. S9). Successivamente, la combinazione di GeneNetwork e della rete di co-espressione genica specifica del rene in KidneyNetwork ha prodotto i nostri migliori risultati per i termini HPO correlati ai reni (Fig. 2A; Tabella S5). Vengono forniti i punteggi AUC, precisione, sensibilità e f1-previsionali per ogni percorso previsto (Tabella S6)

Due esempi di termini HPO correlati ai reni migliorati sono l'ipomagnesemia e l'anomalia tubulointerstiziale (Fig. 2B). La visualizzazione di questi fenotipi nei grafici di densità mostra punteggi z di priorità più elevati per i geni noti correlati alla malattia rispetto ai geni non annotati. Per i geni sconosciuti, maggiore è il punteggio z di previsione, maggiore è la probabilità che siano un gene della malattia candidato. La visualizzazione delle reti di interazione genica dei geni delle malattie note sulla base dei punteggi di previsione mostra ancora una volta l'aumento del numero e della forza delle interazioni ottenute utilizzando KidneyNetwork rispetto a GeneNetwork.

Fig. 2 KidneyNetwork ha prestazioni migliori per i termini HPO correlati ai reni rispetto al GeneNetwork aggiornato. Un 27 percento dei fenotipi correlati ai reni è previsto in modo significativamente migliore utilizzando KidneyNetwork, rispetto a GeneNetwork. B I grafici di densità dei punteggi di previsione genica all'interno di due dei fenotipi più migliorati, l'ipomagnesiemia e l'anomalia tubulointerstiziale, mostrano valori di previsione più elevati per i geni annotati per il fenotipo e prevedono anche potenziali geni candidati sconosciuti. Le reti previste utilizzando KidneyNetwork mostrano correlazioni maggiori e più forti tra i geni annotati rispetto alle reti previste utilizzando GeneNetwork.

Abbiamo anche visto un aumento del numero di termini HPO correlati ai reni significativi previsti per KidneyNetwork (n=71) rispetto a GeneNetwork (n=63). Ciò ci ha portato a ipotizzare che KidneyNetwork preveda i termini correlati ai reni con una maggiore precisione complessiva ed è quindi in grado di prevedere più fenotipi correlati ai reni con un significato più elevato. Un t-test accoppiato mostra che, nel complesso, il punteggio HPO AUC era significativamente migliore per KidneyNetwork rispetto a GeneNetwork (media AUC: 0.76 rispetto a 0.74; t-test p-value: 4,5 × 10 -8). Questo risultato suggerisce che KidneyNetwork prevede più termini HPO specifici del rene con una precisione di previsione maggiore rispetto a GeneNetwork.

KidneyNetwork dà la priorità ad ALG6 come gene di malattia candidato in pazienti con cisti renali e cisti epatiche Per esaminare l'utilità clinica di KidneyNetwork, abbiamo dato la priorità ai geni per 13 pazienti con una sospetta malattia renale ereditaria ma nessuna diagnosi genetica e li abbiamo incrociati con geni contenenti varianti potenzialmente patogene. Gli elenchi di geni risultanti contenevano 1‒4 geni candidati per 9 dei 13 pazienti (Tabella S7). In un paziente (SAMPLE6), la cura manuale di questo elenco ha identificato ALG6 (ALG6 alfa-1,3-glucosiltransferasi) come un potenziale gene candidato per spiegare le cisti renali ed epatiche del paziente (Fig. 3). Il punteggio z combinato per ALG6 per i termini HPO imputati era significativo in KidneyNetwork dopo la correzione di test multipli (z=5.43). Questo gene sarebbe mancato se avessimo usato GeneNetwork: lì ALG6 non ha raggiunto la soglia di significatività del punteggio z maggiore o uguale a 5.

ALG6 come gene candidato per pazienti con cisti renali ed epatiche La variante ALG6 c.680 plus 2 T > G trasportata da SAMPLE6 è eterozigote. Questa è una nota variante patogena del sito di splicing che si traduce in un disturbo congenito della glicosilazione (CDG) di tipo Ic quando sono presenti varianti patogene su entrambi gli alleli [18, 19]. ALG6 assomiglia molto ad ALG8 che è stato implicato nei fenotipi di cisti renali ed epatiche [20], e secondo KidneyNetwork, ALG6 e ALG8 sono altamente co-regolati (z-score=8.59).

Data questa plausibilità biologica, abbiamo interrogato una coorte di 120 casi non correlati di rene policistico ed epatopatia per varianti rare, MAF < 0.001, in ALG6. Questa coorte è leggermente aggiornata poiché è stata descritta in precedenza ed è stata esclusa dall'analisi del sequenziamento dell'esoma per mutazioni con perdita di funzione o varianti patogene non troncanti segnalate in PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 o DNAJB11 [16]. Tre casi non correlati (YU372, YU378, YU481) presentavano rare varianti ALG6; ognuno aveva la stessa ALG6 c.257 più 5 G > Una variante di giunzione non canonica nota per essere patogena per ALG6-CDG e alterazione della giunzione in vitro [19, 21]. Nonostante una mutazione condivisa, in questi tre casi non sono stati arruolati membri della famiglia affetti noti da diversi stati degli Stati Uniti e non sono correlati al miglior limite di rilevamento utilizzando l'algoritmo VCFtools relatedness2 con Relatedness_PHI < 0,005.

Data la rappresentazione di questa variante in tre casi di ascendenza europea in questa coorte definita fenotipicamente, abbiamo confrontato la sua frequenza nel sottoinsieme europeo di casi (n=105) con gli europei non finlandesi in gnomAD [17] con copertura a questa posizione (n=64,466) [17]. Nella coorte di pazienti 3 su 210 alleli contenevano questa variante, mentre in gnomAD, una coorte non selezionata per quanto riguarda il carico di cisti renali o epatiche, è stata trovata in 121 su 128.932 alleli. Questo arricchimento di circa 10-volte è statisticamente significativo per il test esatto di Fisher, p=0.0011. Questa mutazione era ricorrente anche nei casi di ALG6-CDG [19].

Abbiamo anche esaminato il set di dati del progetto 100,000 Genomes [14] e contattato i collaboratori che hanno identificato tre dati aggiuntivi da applicare alle malattie renali. Una percentuale significativa di pazienti con una sospetta malattia renale genetica rimane senza una diagnosi genetica, poiché gli elenchi dei geni della malattia per molte condizioni sono incompleti. Identificare quali geni sono coinvolti nella malattia renale è essenziale per migliorare la resa diagnostica nei pazienti con malattia renale e per studiare la patogenesi della malattia per avvicinarsi alle vie terapeutiche. Stabilire nuovi geni della malattia richiede un'attenta convalida biologica. L'implicazione di geni degni di tali indagini è fondamentale. L'applicazione di KidneyNetwork insieme ai dati WES o GWAS da parte di nefrologi, genetisti clinici o ricercatori aiuterà ciascuno di questi gruppi a partecipare all'implicazione genica. KidneyNetwork combina una rete di co-espressione basata su un set di dati di campioni di reni con il set di dati multi-tessuto precedentemente pubblicato utilizzato per costruire il lavoro di GeneNet. La combinazione dei set di dati in KidneyNetwork ha migliorato le previsioni del fenotipo relative alla malattia renale rispetto alle reti basate sui due set di dati separatamente. Come prova di principio, mostriamo che l'elenco dei geni candidati per il fenotipo combinato di cisti renali ed epatiche generato da KidneyNetwork ha dato la priorità a un elenco gestibile di geni candidati da un lungo elenco di geni contenenti varianti rare nel nostro paziente con questo fenotipo.

Abbiamo anche studiato il set di dati del progetto 100,000 Genomes [14] e contattato collaboratori che hanno identificato altri tre pazienti con cisti renali e/o epatiche portatori di una variante eterozigote potenzialmente deleteria in ALG6, senza una spiegazione genetica alternativa.

Fig. 3 KidneyNetwork incorporato nel metodo GADO in SAMPLE6, un paziente con cisti renali ed epatiche. 89 geni candidati su tutti i geni sono stati prioritizzati da KidneyNetwork utilizzando GADO, sulla base dei termini HPO "Cisti renali" (HP:0000107) e "Cisti epatiche" (HP:0001407). Il metodo di interpretazione dei dati di sequenziamento dell'esoma CAPICE ha prodotto 322 geni contenenti varianti potenzialmente patogene nei dati di sequenziamento dell'esoma del paziente. Quando si sovrapponevano questi elenchi di geni, sono stati identificati tre geni che soddisfacevano i criteri di selezione, uno dei quali era ALG6.

In totale, abbiamo identificato sette pazienti con varianti note del sito di giunzione che sono state segnalate come causa di malattia in pazienti con CDG gravemente affetti da omozigosi o eterozigosi composta e un paziente con una probabile variante del sito di giunzione patogena (Tabella 1). Contrariamente ai pazienti ALG6-CDG gravemente colpiti (che presentano coinvolgimento multiorgano incluso ritardo dello sviluppo e sintomi neurologici multipli), i nostri pazienti presentavano un fenotipo di cisti renali multiple e/o cisti epatiche (Fig. 4) . Mentre il PCLD può essere esteso, il fenotipo renale sembra essere lieve senza alcun calo di eGFR riportato nonostante l'età avanzata (vale a dire un paziente ha circa trent'anni, gli altri hanno tra i 45 e gli 80 anni). Inoltre, abbiamo scoperto che la variante ALG6 segregava in pochi membri della famiglia anch'essi affetti (Tabella 1; Fig. 4).

Servizio di supporto:

E-mail:wallence.suen@wecistanche.com

Whatsapp/Tel: più 86 15292862950

Negozio:

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