Kidney Network: Použití dat genové exprese odvozených z ledvin k předvídání a upřednostňování nových genů zapojených do onemocnění ledvin Ⅰ

Genetické vyšetření u pacientů s podezřením na dědičnostnemoc ledvinnemusí odhalit genetickou příčinu poruchy, protože potenciálně patogenní varianty se mohou nacházet v genech, o kterých není dosud známo, že se na nich podílejí.nemoc ledvin. Vyvinuli jsme Kidney Network, která využívá tkáňově specifickou expresi k informování o prioritizaci kandidátních genů specificky pro onemocnění ledvin. KidneyNetwork je nová metoda vytvořená integrací ledvinové RNA-sekvenující koexpresní sítě 878 vzorků s multitkáňovou sítí 31 499 vzorků. Využívá vzorce exprese a zavedené asociace gen-fenotyp k předpovědi, které geny by mohly souviset s jakými (nemocnými) fenotypy nezaujatým způsobem. Použili jsme KidneyNetwork na vzácné varianty v datech sekvenování exomu od 13 pacientů s onemocněním ledvin bez genetické diagnózy, abychom upřednostnili kandidátní geny. KidneyNetwork může přesně předpovídat funkce genů specifických pro ledviny a fenotypy (onemocnění ledvin) pro geny spojené s onemocněním. Průnik prioritních genů s geny nesoucími vzácné varianty u pacienta s cystami ledvin a jater identifikoval ALG6 jako pravděpodobný kandidátní gen. Tuto věrohodnost posilujeme identifikací variant ALG6 v několika případech cystických onemocnění ledvin a jater bez alternativních genetických vysvětlení. Představujeme KidneyNetwork, veřejně dostupnou síť pro koexpresi specifickou pro ledviny s optimalizovanými predikcemi genového fenotypu pro fenotypy onemocnění ledvin.

Navrhli jsme snadno použitelné online rozhraní, které lékařům a výzkumníkům umožňuje používat data o genové expresi a koregulacispojení gen-fenotyp k urychlení pokroku v diagnostice a výzkumu dědičných onemocnění ledvin.

PŘEKLADOVÉ PROHLÁŠENÍ:Genetické vyšetření u pacientů s podezřením na dědičnostnemoc ledvinnemusí odhalit genetickou příčinu pacientovy poruchy. Potenciálně patogenní varianty mohou sídlit v genech, o kterých není dosud známo, že by se podílely na onemocnění ledvin, což ztěžuje interpretaci významu těchto variant. To odhaluje jasnou potřebu metod, které by předpovídaly fenotypové důsledky genetické variace nezaujatým způsobem. Zde popisujeme KidneyNetwork, nástroj, který využívá tkáňově specifickou expresi k predikci genových funkcí specifických pro ledviny. Aplikace KidneyNetwork na skupinu nediagnostikovaných případů identifikovala ALG6 jako kandidátní gen v cystické ledvině anemoc jater. Stručně řečeno, KidneyNetwork může pomoci při interpretaci genetických variant, a proto může být cenný při translační nefrogenezi a pomoci zlepšit diagnostický výtěžek u pacientů s onemocněním ledvin.

KLIKNĚTE ZDE A ZÍSKEJTE CISTANCHE FOR KIDNEYCHOROBA

ÚVOD

Genetické vyšetření u pacientů s podezřením na dědičné onemocnění ledvin může odhalit kauzativní patogenní varianty vgeny související s ledvinami. V mnoha případech však genetickou příčinu zatím nelze odhalit. Patogenní varianty ve známých genech souvisejících s ledvinami jsou detekovány přibližně u 10–30 procent geneticky testovaných pacientů s chronickým onemocněním ledvin z jakékoli příčiny [1–3]. Tato procenta jsou však pravděpodobně podhodnocením počtu pacientů s monogenní příčinou, protože varianty v genech, které se dosud neúčastní onemocnění ledvin, zůstanou bez povšimnutí. V těchto genech mohou sídlit potenciálně škodlivé varianty, což ztěžuje stanovení priority a interpretaci relevance těchto variant. Proto je v současné éře genomické medicíny jednou z hlavních výzev po negativním diagnostickém výsledku u známých genů detekce a upřednostnění nových kandidátních genů s potenciálně patogenními variantami, které mohou vysvětlit pacientovo onemocnění [4].

Data sekvenování RNA lze použít k predikci kandidátachorobné geny[5]. Nedávno jsme vyvinuli GeneNetwork a metodu GeneNetwork-Assisted Diagnostic Optimization (GADO), abychom upřednostnili nové kandidátní geny onemocnění na základě dat sekvenování RNA [6]. Myšlenkou této metody je, že některé vzácné poruchy mohou být způsobeny variantami v několika genech. I když se tyto geny liší, obvykle mají podobné biologické funkce. Při studiu dat genové exprese z velkého počtu vzorků tyto geny onemocnění obvykle vykazují silnou koexpresi [6]. Pokud tedy existují jiné geny, které jsou silně koexprimovány se známými geny pro vzácná onemocnění, je možné, že varianty v těchto jiných genech mohou také způsobit stejné onemocnění.

Aby tento druh nástroje fungoval optimálně, měly by být informace o společném vyjádření co nejpřesnější. Pro GADO jsme vybudovali síť pro koexpresi genů založenou na veřejně dostupných souborech dat sekvenování RNA z mnoha různých tkání a použili jsme tuto síť k předpovědi, které geny mohou způsobovat vzácná onemocnění. Tyto predikce byly trénovány pomocí databáze ontologie lidského fenotypu (HPO) [7]. V databázi HPO jsou geny přiřazeny k fenotypům ‒ nazývaným HPO-terms ‒, které jsou založeny na anotacích genových onemocnění a symptomech onemocnění přítomných v databázích OMIM [8] a Orphanet [9]. Integrací informací z databáze HPO s genovou koexpresní sítí jsme mohli vypočítat predikční skóre pro každý gen na termín HPO. Společně tyto výsledky tvoří GeneNetwork. GADO pak upřednostňuje geny kombinací vstupního seznamu HPO termínů, které popisují fenotyp pacienta, se seznamem genů s možnými škodlivými variantami od daného pacienta. Stanovení priority seznamu genů je založeno na kombinovaném skóre genové predikce pro vstupní termíny HPO [6].

Protože jsme pozorovali, že výkon předpovědi GeneNetwork pro fenotypy HPO související s ledvinami byl omezený, snažili jsme se zlepšit predikci vytvořením sítě specifické pro ledviny. Dosáhli jsme toho pomocí 878 vzorků sekvenování RNA ledvin, které jsme obohatili o existující soubor dat 31 499 vzorků z jiných tkání [6]. Vývojem nového predikčního algoritmu, který dokáže zvážit informace přítomné v obou souborech dat, jsme zlepšili výkon pro dráhy související s ledvinami. V tomto článku prezentujeme výslednou KidneyNetwork, koexpresní síť, kterou lze použít k přesné predikci geno-fenotypových asociací genů neznámých pro termíny HPO související s ledvinami. Jako důkaz principu jsme použili KidneyNetwork na data sekvenování exomů od skupiny pacientů s dříve nevyřešeným onemocněním ledvin.

METODY

Abychom zlepšili predikci fenotypů souvisejících s ledvinami, shromáždili jsme údaje o sekvenování RNA odvozené z ledvin, aktualizovali GeneNetwork o novější referenční databáze a zlepšili statistické analýzy, po nichž následovala integrace tkáňově specifických informací.

Datové sady v KidneyNetwork

Údaje o sekvenování RNA z vybraných vzorků ledvin různého původu, včetně primární, nádorové a fetální tkáně, byly zkombinovány s existujícím souborem vícetkáňového sekvenování RNA použitého jako základ pro naši dříve popsanou GeneNetwork [6] (tabulka S1, S2) . Rozhodli jsme se zahrnout vícetkáňový soubor dat ze dvou důvodů. Nejprve jsme potřebovali dostatečný počet vzorků k vybudování základní sítě. Za druhé, chtěli jsme zachovat expresi, která je specifická pro několik nebo všechny typy ledvinových buněk, ale ne pro jiné tkáně. Udělali jsme to proto, že skóre genového fenotypu je založeno na rozdílech v expresi mezi vzorky; pokud mají všechny geny vysokou (nebo nízkou) expresi ve všech vzorcích zahrnutých do analýzy, nepřidají dostatečné informace do predikčního algoritmu. Vícetkáňová datová sada vzorků pro sekvenování lidské RNA použitá k vývoji GeneNetwork byla znovu použita a zpracována, jak bylo popsáno dříve [6]. Po předběžném zpracování tento soubor dat obsahoval 31 499 vzorků a 56 435 genů.

3 194 vzorků sekvenovaných RNA derivovaných z ledvin bylo staženo z European Nucleotide Archive (ENA) a projektu Genotype-Tissue Expression (GTEx) (Poznámka S1). Předzpracování datového souboru ledvin bylo provedeno podobně jako u souboru vícetkáňových dat [6] (poznámka S2, poznámka S3). Po výběru vzorků a genů zůstalo 58 283 genů a 878 vzorků ledvin. Zkoumali jsme zbývajících 878 vzorků sekvenování RNA pomocí shlukovacího algoritmu UMAP (Poznámka S4).

HPO filtrování. Pro konstrukci KidneyNetwork jsme použili geno-fenotypové asociace z databáze HPO [7] verze 1268. V databázi HPO je anotace genů k HPO-definovaným fenotypům založena na anotacích gen-onemocnění v OMIM [8] morbidní mapa (staženo 26. března 2018) a soubor Orphanet [9] "en_product6.xml" verze 1.3.1. Anotace genových chorob v těchto databázích mohou být založeny na několika faktorech, včetně statistických asociací a velkých variací počtu kopií. Chtěli jsme trénovat KidneyNetwork pouze s použitím genů, u kterých je dobře prokázáno spojení mezi genem a vzácným onemocněním. Proto jsme vyloučili multigenní syndromy, protože často není jasné, který z genů ve variantách počtu kopií přispívá ke kterým fenotypům. Vyloučili jsme také pouhé geny náchylnosti (poznámka S5).

Normalizace výrazu. Po kontrole kvality vzorku a genu (QC) byla expresní matrice zbývajících vzorků a genů log{0}} transformována a počty genů byly normalizovány pomocí DESeq podle metody mediánu poměrů. Poté jsme opravili data genové exprese pro kovariáty (poznámka S6).

Rozklad

Po filtraci a kontrole kvality celé datové sady bylo dalším krokem provedení dekompozice pro výpočet vlastních vektorů datové sady (Poznámka S7). Pro GeneNetwork i genovou regulační síť založenou na datech získaných z ledvin jsme definovali optimální počet komponent (poznámka S8). Prvních 165 vlastních vektorů pro GeneNetwork a prvních 170 vlastních vektorů pro data odvozená z ledvin bylo identifikováno a sloučeno do větší matice obsahující všech 335 vlastních vektorů.

Výpočet genově‒HPO-term skóre Výpočet gen-fenotypového skóre byl proveden v několika krocích (obr. S5). Nejprve jsme provedli logistickou regresi s použitím kombinovaných vlastních vektorů a souboru anotací gen‒fenotypu jako vstupu. Výsledné hodnoty a skóre vlastního vektoru jsme použili k výpočtu skóre log-odds genu pro každý gen v každém vlastním vektoru (Poznámka S9).

Abychom se vyhnuli nadměrnému přizpůsobení genových log-odds-skóre již anotovaných genů, použili jsme křížovou validaci s vynecháním jedné (poznámka S10). Log odds byly následně převedeny na genové z-skóre s použitím permutované nulové distribuce pro každý fenotyp (poznámka S11).

Pro určení přesnosti predikce jsme vypočítali plochu pod ROC křivkou (AUC). AUC byla vypočtena pro HPO termín pomocí předpokládaných genových z-skóre a známých anotací. Významnost předpovědí byla vypočtena pomocí dvoustranného Mann-Whitneyho rank testu. Po Bonferroniho korekci byla předpověď považována za významnou při p < 0,05.

Porovnání výkonu predikce

Porovnali jsme předpovědní výkon čtyř odlišných sítí: (1) původní GeneNetwork, (2) aktualizované GeneNetwork, (3) genové regulační sítě specifické pro ledviny založené pouze na vzorcích získaných z ledvin a konečně (4) KidneyNetwork, která kombinuje poslední dva. Kvalita předpovědí HPO provedených těmito sítěmi byla hodnocena na základě AUC pro každý fenotyp související s ledvinami (tabulka S3). Zlepšená kvalita sítě byla definována jako zlepšená přesnost předpovědi termínů souvisejících s ledvinami, které byly významně předpovězeny v každém srovnání dvou sítí, a zvýšeným počtem významně předpovězených termínů souvisejících s ledvinami. Význam zlepšení přesnosti predikce jedné sítě oproti jiné byl hodnocen pomocí DeLongova testu [10] integrovaného v balíčku pROC R [11].

Aplikace KidneyNetwork u 13 pacientů s podezřením na dědičné onemocnění ledvin Jednou z aplikací KidneyNetwork je upřednostnění kandidátních genů u pacientů s nevyřešeným onemocněním ledvin. K vyhodnocení této klinické aplikace jsme použili KidneyNetwork k upřednostnění kandidátních genů pro pacienty s různými onemocněními ledvin pomocí metody GADO [6]. GADO kombinuje z-skóre genové predikce vykreslená prostřednictvím KidneyNetwork pro danou sadu termínů HPO. Geny s kombinovaným z-skóre větším nebo rovným 5 pro jedinečný soubor HPO termínů spojených s každým pacientem byly považovány za potenciální kandidátní geny pro tohoto pacienta.

Obr. 1 UMAP vizualizace dat exprese derivovaných z ledvin. 878 vzorků bylo seskupeno do tří hlavních shluků: zdravá primární tkáň (uprostřed a dole), vývojové vzorky (vlevo) a vzorky renálního karcinomu (RCC) (vpravo). Na levé straně obrázku je vidět shlukování podocytů odvozených z pluripotentních kmenových buněk (PSC) a organoidů získaných z PSC s primárními fetálními vzorky a progenitorovými buňkami nefronů. Na pravé straně se vzorky RCC shlukují v blízkosti vzorků proximálních tubulů a shluk RCC nejblíže vzorkům zdravé primární tkáně se skládá ze vzorků RCC z nejasných buněk (nccRCC). Uprostřed a dole se shlukují vzorky zdravých primárních ledvin na základě jejich původní tkáně.

U všech 13 pacientů zahrnutých do studie bylo podezření na monogenní onemocnění ledvin, ale neměli žádnou genetickou diagnózu (poznámka S12). Termíny HPO byly těmto případům přiřazeny na základě jejich fenotypu. U každého pacienta byla pomocí CAPICE [12] analyzována kompletní data sekvenování exomu k identifikaci potenciálně patogenních variant. Geny obsahující varianty s filtrem AF gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

Překrývání genů identifikovaných integrací KidneyNetwork v GADO s geny identifikovanými pomocí CAPICE vedlo k vytvoření seznamu genů pro každého pacienta. Tyto geny a varianty v těchto genech byly manuálně přezkoumány panelem odborníků na nefrogenezi (AMvE, LRC, NVAMK) z hlediska jejich patogenetického potenciálu na základě populačních metrik, predikčních nástrojů, dostupné literatury a segregace (poznámka S13). Pro výsledný kandidátní gen byli prostřednictvím spolupracovníků a projektu 100,000 Genomes Project [14] identifikováni další pacienti nesoucí varianty ve stejném genu. Byl také použit nástroj GeneMatcher [15] a do 15. února 2023 nepřinesl žádné další pacienty.

Identifikace dalších pacientů K hodnocení vzácných variant byla použita dříve popsaná kohorta nevyřešených polycystických onemocnění ledvin a jater [16] (poznámka S14). Použili jsme Fisherův exaktní test k porovnání frekvence identifikovaných variant (variant) s evropskou podskupinou nefinských Evropanů v databázi gnomAD [17]. Dále jsme použili projekt 100,000 Genomes Project [14] pro identifikaci dalších pacientů na základě identifikované varianty (variancí) (poznámka S15).

VÝSLEDEK

Získávání dat a shlukování vzorků Vybrali jsme 878 vzorků ledvin (obr. S2), které jsme seskupili a vynesli do grafu pomocí algoritmu UMAP (obr. 1). Obecně se data seskupují do tří hlavních shluků: primární nenádorová data ledvin, vzorky z vývoje ledvin a vzorky proximálního tubulu, glomerulu a karcinomu ledviny (RCC).

KidneyNetwork zlepšuje předpovědi genového fenotypu Nejprve jsme aktualizovali GeneNetwork aktualizovanou databází HPO (obr. S6) a optimalizovali potrubí pro budování genové sítě (obr. S7). Tyto změny přinesly zlepšení v obecné GeneNetwork ve srovnání s předchozí verzí (obr. S8). Vylepšené potrubí jsme pak použili k vybudování regulační sítě genů specifické pro ledviny. Jak se dalo očekávat, vzhledem k malé velikosti vzorku, tato verze sítě specifické pro ledviny fungovala méně dobře než GeneNetwork (obr. S9). Následně spojení GeneNetwork a sítě pro koexpresi genu specifické pro ledviny do KidneyNetwork přineslo naše nejlepší výsledky pro termíny HPO související s ledvinami (obr. 2A; tabulka S5). Jsou uvedeny predikce AUC, přesnost, citlivost a f{11}}skóre pro každou předpokládanou dráhu (tabulka S6)

Dva příklady zlepšených termínů HPO souvisejících s ledvinami jsou hypomagnezémie a tubulointersticiální abnormalita (obr. 2B). Vizualizace těchto fenotypů v grafech hustoty ukazuje vyšší prioritizační z-skóre pro známé geny související s onemocněním ve srovnání s neanotovanými geny. U neznámých genů platí, že čím vyšší je predikční z-skóre, tím je pravděpodobnější, že se jedná o kandidátský gen onemocnění. Vizualizace sítí genových interakcí známých genů onemocnění na základě predikčních skóre opět ukazuje nárůst počtu a síly interakcí získaných pomocí KidneyNetwork ve srovnání s GeneNetwork.

Obr. 2 KidneyNetwork funguje lépe pro termíny HPO související s ledvinami než aktualizovaná GeneNetwork. U 27 procent fenotypů souvisejících s ledvinami se předpovídá výrazně lepší využití KidneyNetwork ve srovnání s GeneNetwork. B Grafy hustoty skóre genové predikce v rámci dvou nejvíce zlepšených fenotypů, hypomagnezémie a tubulointersticiální abnormality, ukazují vyšší predikční hodnoty pro geny anotované pro fenotyp a také předpovídají potenciální neznámé kandidátní geny. Sítě předpovězené pomocí KidneyNetwork vykazují více a silnější korelace mezi anotovanými geny než sítě předpovězené pomocí GeneNetwork.

Zaznamenali jsme také nárůst počtu významných předpokládaných HPO souvisejících s ledvinami pro KidneyNetwork (n=71) ve srovnání s GeneNetwork (n=63). To nás vedlo k hypotéze, že KidneyNetwork předpovídá termíny související s ledvinami s celkově vyšší přesností, a proto je schopna předpovídat více fenotypů souvisejících s ledvinami s vyšší významností. Párový t-test ukazuje, že celkově bylo skóre HPO AUC významně lepší pro KidneyNetwork oproti GeneNetwork (průměrná AUC: 0,76 versus 0,74; p-hodnota t-testu: 4,5 × 10 −8). Tento výsledek naznačuje, že KidneyNetwork předpovídá více specifických HPO termínů pro ledviny s vyšší přesností predikce než GeneNetwork.

KidneyNetwork upřednostňuje ALG6 jako kandidátní gen onemocnění u pacientů s cystami ledvin a jaterními cystami Abychom prozkoumali klinickou užitečnost KidneyNetwork, upřednostnili jsme geny pro 13 pacientů s podezřením na dědičné onemocnění ledvin, ale bez genetické diagnózy, a protínali jsme je s geny obsahujícími potenciálně patogenní varianty. Výsledné seznamy genů obsahovaly 1‒4 kandidátní geny pro 9 ze 13 pacientů (tabulka S7). U jednoho pacienta (VZOREK 6) manuální zpracování tohoto seznamu identifikovalo ALG6 (ALG6 alfa-1,3-glukosyltransferáza) jako potenciální kandidátní gen pro vysvětlení cyst ledvin a jater pacienta (obr. 3). Kombinované z-skóre pro ALG6 pro imputované HPO termíny bylo významné v KidneyNetwork po vícenásobné korekci testování (z=5,43). Tento gen by byl vynechán, kdybychom použili GeneNetwork: tam ALG6 nedosáhl prahu významnosti z-skóre většího nebo rovného 5.

ALG6 jako kandidátní gen pro pacienty s cystami ledvin a jater Varianta ALG6 c.680 plus 2 T > G nesená VZORKEM 6 je heterozygotní. Jedná se o známou patogenní variantu místa sestřihu, která má za následek kongenitální poruchu glykosylace (CDG) typu Ic, pokud jsou patogenní varianty přítomny na obou alelách [18, 19]. ALG6 silně připomíná ALG8, který se podílí na fenotypech cyst ledvin a jater [20], a podle KidneyNetwork jsou ALG6 a ALG8 vysoce koregulované (z-skóre=8.59).

Vzhledem k této biologické věrohodnosti jsme u kohorty 120 nesouvisejících případů polycystického onemocnění ledvin a jater požádali o vzácné varianty, MAF < 0.001, v ALG6. Tato kohorta je mírně aktualizována, protože byla dříve popsána a byla vyloučena analýzou sekvenování exomu kvůli ztrátě funkčních mutací nebo hlášených patogenních nezkrácených variant v PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 nebo DNAJB11 [16]. Tři nesouvisející případy (YU372, YU378, YU481) nesly vzácné varianty ALG6; každý měl stejnou ALG6 c.257 plus 5 G > Nekanonická sestřihová varianta známá jako patogenní pro ALG6-CDG a sestřih pozměňující in vitro [19, 21]. Navzdory sdílené mutaci tyto tři případy hlásily, že nebyli registrováni žádní známí postižení rodinní příslušníci z různých států v celých Spojených státech, a nesouvisí s nejlepším limitem detekce pomocí algoritmu VCFtools relatedness2 s Relatedness{26}}PHI < 0,005.

Vzhledem k zastoupení této varianty ve třech případech evropského původu v této fenotypově definované kohortě jsme porovnali její frekvenci v evropské podskupině případů (n=105) s nefinskými Evropany v gnomAD [17] s pokrytím na tato pozice (n=64,466) [17]. V kohortě pacientů tuto variantu obsahovaly 3 z 210 alel, zatímco v gnomAD, kohortě neselektované s ohledem na zátěž ledvinami nebo jaterními cystami, byla nalezena u 121 ze 128 932 alel. Toto přibližně 10-násobné obohacení je statisticky významné podle Fisherova exaktního testu, p=0,0011. Tato mutace byla také recidivující v případech ALG6-CDG [19].

Také jsme prozkoumali 100,{1}} datový soubor projektu Genomes [14] a kontaktovali spolupracovníky, kteří identifikovali tři další data pro použití u onemocnění ledvin. Významná část pacientů s podezřením na genetické onemocnění ledvin zůstává bez genetické diagnózy, protože seznamy genů onemocnění pro mnoho onemocnění jsou neúplné. Identifikace genů, které se podílejí na onemocnění ledvin, je zásadní pro zlepšení diagnostického výtěžku u pacientů s onemocněním ledvin a pro studium patogeneze onemocnění, aby bylo možné přistupovat k léčebným cestám. Vytvoření nových genů onemocnění vyžaduje pečlivé biologické ověření. Zapojení genů hodných takového zkoumání je kritické. Aplikace KidneyNetwork ve spojení s daty WES nebo GWAS nefrology, klinickými genetiky nebo výzkumníky pomůže každé z těchto skupin podílet se na genové implikaci. KidneyNetwork kombinuje koexpresní síť založenou na datovém souboru vzorků ledvin s dříve publikovaným multitkáňovým datovým souborem používaným k vytvoření práce GeneNet. Kombinace datových souborů do KidneyNetwork zlepšila předpovědi fenotypů souvisejících s onemocněním ledvin ve srovnání se sítěmi založenými na dvou souborech dat samostatně. Jako důkaz principu ukazujeme, že seznam kandidátních genů pro kombinovaný fenotyp cyst ledvin a jater generovaný KidneyNetwork upřednostnil zvládnutelný seznam kandidátních genů z dlouhého seznamu genů obsahujících vzácné varianty u našeho pacienta s tímto fenotypem.

Prozkoumali jsme také 100,{1}} datový soubor projektu Genomes [14] a kontaktovali spolupracovníky, kteří identifikovali tři další pacienty s cystami ledvin a/nebo jater nesoucími heterozygotní potenciálně škodlivou variantu v ALG6, bez alternativního genetického vysvětlení.

Obr. 3 Síť ledvin začleněná do metody GADO u VZORKU 6, pacienta s cystami ledvin a jater. 89 kandidátních genů ze všech genů bylo upřednostněno pomocí KidneyNetwork pomocí GADO na základě HPO termínů „renální cysty“ (HP:0000107) a „hepatické cysty“ (HP:0001407). Metoda interpretace dat exomového sekvenování CAPICE poskytla 322 genů obsahujících potenciálně patogenní varianty v datech sekvenování exomu pacienta. Při překrývání těchto seznamů genů byly identifikovány tři geny, které splňovaly kritéria výběru, jedním z nich byl ALG6.

Celkem jsme identifikovali sedm pacientů se známými variantami místa sestřihu, o kterých bylo hlášeno, že způsobují onemocnění u těžce postižených pacientů s CDG s homozygotností nebo složenou heterozygotností, a jednoho pacienta s pravděpodobnou patogenní variantou místa sestřihu (Tabulka 1). Na rozdíl od těžce postižených pacientů s ALG6-CDG (s multiorgánovým postižením včetně vývojového opoždění a četných neurologických příznaků) měli naši pacienti fenotyp mnohočetných cyst ledvin a/nebo jaterních cyst (obr. 4). . Zatímco PCLD může být rozsáhlá, fenotyp ledviny se zdá být mírný bez hlášeného poklesu eGFR navzdory pokročilému věku (tj. jedné pacientce je třicet, ostatním je mezi 45 až 80 lety). Dále jsme zjistili, že varianta ALG6 se segregovala u několika členů rodiny, kteří byli také postiženi (tabulka 1; obr. 4).

Podpůrná služba:

E-mail:wallence.suen@wecistanche.com

Whatsapp% 2fTel% 3a plus % 7b % 7b0% 7d

Prodejna:

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