Co-expression-based models improve eQTL predictions and highlightnovel transcriptome-wide genes associated with schizophrenia

Durch die Einführung der trans-eQTL-Modelle INGENE und MODULE zeigt diese Studie, dass die Einbeziehung von Co-Expressionsnetzwerken die Vorhersage der Genexpression im Gehirn verbessert und die Entdeckung von über 600 neuen Genen ermöglicht, die mit dem Risiko für Schizophrenie assoziiert sind.

Das Wesentliche

Das Orchester im Kopf: Warum wir die Musik der Gene besser verstehen müssen

Stellen Sie sich vor, Ihr Gehirn ist ein riesiges, hochkomplexes Orchester. Jedes Gen in Ihrem Körper ist ein Musiker. Wenn alles perfekt läuft, spielen alle zusammen eine wunderschöne Symphonie – das ist ein gesundes Gehirn. Bei einer Erkrankung wie Schizophrenie ist es so, als würden plötzlich einige Musiker aus dem Takt geraten oder die falschen Töne spielen.

Das Problem: Die einsamen Solisten

Bisher haben Wissenschaftler versucht, die Ursachen für Schizophrenie zu finden, indem sie sich jeden Musiker einzeln angeschaut haben. Sie suchten nach „kaputten“ Genen (den sogenannten cis-eQTLs). Das ist so, als würde man versuchen, ein misslungenes Konzert zu verstehen, indem man nur prüft, ob die Geige einen Riss hat oder der Flötist krank ist.

Das Problem ist: Oft ist kein einzelner Musiker schuld. Stattdessen gibt es „Dirigenten“ im Hintergrund (die trans-eQTLs), die zwar selbst nicht spielen, aber den Takt vorgeben. Wenn ein Dirigent ein falsches Signal gibt, gerät plötzlich eine ganze Gruppe von Musikern (ein ganzes Netzwerk) durcheinander. Diese Dirigenten sind extrem schwer zu finden, weil sie nicht direkt „spielen“, sondern nur indirekt Einfluss nehmen.

Die Lösung: Die neuen „Netzwerk-Detektive“ (INGENE & MODULE)

Die Forscher in dieser Studie haben zwei neue Werkzeuge entwickelt: INGENE und MODULE.

Anstatt nur auf die einzelnen Musiker zu starren, schauen diese Modelle auf das ganze Orchester. Sie nutzen das Wissen darüber, welche Musiker normalerweise immer zusammen spielen (das nennt man Co-Expression). Wenn das Modell sieht, dass eine Gruppe von Musikern (ein Gen-Netzwerk) plötzlich unharmonisch klingt, kann es viel besser vorhersagen, wer der eigentliche „schuldige“ Dirigent im Hintergrund ist.

Was haben sie herausgefunden?

Die Forscher haben diese neuen Methoden auf Daten aus sechs verschiedenen Regionen des menschlichen Gehirns angewendet. Das Ergebnis war ein echter Durchbruch:

1. Bessere Vorhersagen: Die neuen Modelle sind viel präziser darin, vorherzusagen, wie aktiv ein Gen in einem bestimmten Gehirnareal ist, als alle bisherigen Methoden.
2. Neue Verdächtige entlarvt: Durch die Kombination der alten Methode (die Einzelmusiker) mit der neuen Methode (die Dirigenten) konnten sie 766 Gene finden, die mit Schizophrenie in Verbindung stehen.
3. Ein riesiger Sprung: Das Beste daran: 641 dieser Gene waren völlig neu! Das sind Gene, die man vorher nie mit Schizophrenie in Verbindung gebracht hat.

Warum ist das wichtig?

Diese Entdeckung zeigt uns, dass Schizophrenie nicht nur durch kleine Fehler in einzelnen Genen entsteht, sondern durch ein komplexes Zusammenspiel von Netzwerken im Gehirn.

Es ist, als hätten wir bisher nur die Instrumente untersucht, aber erst jetzt fangen wir an, die Dirigenten zu verstehen. Das ist ein riesiger Schritt auf dem Weg, die biologischen Ursachen von psychischen Erkrankungen besser zu verstehen und vielleicht in Zukunft gezieltere Medikamente zu entwickeln, die nicht nur einen einzelnen Musiker, sondern das gesamte Orchester wieder in den richtigen Takt bringen.

Technische Zusammenfassung

Technische Zusammenfassung: Co-expressionsbasierte Modelle zur Verbesserung der eQTL-Vorhersage und Identifizierung neuer Schizophrenie-assoziierter Gene

Problemstellung

Die genetische Architektur komplexer Phänotypen wie Schizophrenie (SCZ) wird maßgeblich durch nicht-kodierende Varianten bestimmt, die die Genexpression regulieren. Bisherige Methoden zur Vorhersage der Genexpression in Geweben (wie dem menschlichen Gehirn) stützen sich primär auf cis-eQTLs (Varianten in unmittelbarer Nähe eines Gens). Diese Modelle vernachlässigen jedoch weitgehend trans-eQTLs – genetische Varianten, die weit entfernt vom Zielgen liegen und dessen Expression über regulatorische Netzwerke beeinflussen. Da ein erheblicher Teil der genetischen Heritabilität auf trans-regulatorische Mechanismen entfällt, führt die Beschränkung auf cis-Modelle zu einer unvollständigen Erfassung der genetischen Architektur und einer geringeren Vorhersagegenauigkeit der Genexpression.

Methodik

Die Autoren entwickeln zwei neue Modelle, INGENE und MODULE, die speziell darauf ausgelegt sind, die kollektive Wirkung von trans-eQTLs zu erfassen.

1. Modellansatz: Anstatt einzelne trans-eQTLs isoliert zu betrachten, nutzen die Modelle Ko-expressionsnetzwerke. Sie gehen davon aus, dass trans-eQTLs oft gemeinsam innerhalb funktioneller Module wirken. Durch die Einbeziehung dieser Netzwerkstrukturen kann die Vorhersagekraft der kollektiven regulatorischen Wirkung gesteigert werden.
2. Datenbasis: Zur Validierung und Entwicklung wurden RNA-Seq-Daten aus sechs verschiedenen postmortalen Hirnregionen verwendet: Amygdala, Nucleus caudatus, dorsaler/subgenualer anteriorer cingulärer Cortex, dorsolateraler präfrontaler Cortex und Hippocampus.
3. Validierung: Die Modelle wurden gegen zwei Benchmarks getestet: ein rein auf cis-eQTLs basierendes Modell sowie EpiXcan, das bisher führende Modell für cis-basierte Vorhersagen.
4. Anwendung auf Schizophrenie: Die Modelle wurden auf Genotypen der Psychiatric Genomics Consortium (PGC) Wave 3 angewendet, um die Assoziation zwischen Genexpression und dem Risiko für Schizophrenie zu untersuchen.

Wichtigste Beiträge (Key Contributions)

• Entwicklung neuer trans-eQTL-Modelle: Einführung von INGENE und MODULE, die die biologische Realität von Gen-Regulationsnetzwerken (Co-Expression) mathematisch abbilden.
• Integration von cis- und trans-Signalen: Die Kombination beider Vorhersagearten ermöglicht eine umfassendere Imputation der Genexpression auf Genebene.
• Methodischer Fortschritt: Überwindung der Limitationen rein cis-basierter Imputationsmodelle in der genomweiten Assoziationsstudie (GWAS) der Genexpression (Transcriptome-wide association studies, TWAS).

Ergebnisse

• Verbesserte Vorhersagegenauigkeit: Die Integration von cis- und trans-Vorhersagen verbesserte die Imputation der Genexpression für 18.744 Gene über alle sechs Hirnregionen hinweg signifikant (MLE = 0,05). Die neuen Modelle übertrafen sowohl das cis-basierte Modell als auch den Benchmark EpiXcan.
• Identifizierung von SCZ-assoziierten Genen: Durch die Anwendung der Modelle auf PGC-Daten wurden 766 Gene identifiziert, die statistisch signifikant mit Schizophrenie assoziiert sind (pFDR < 0,01).
• Entdeckung neuer Assoziationen: Von den 766 Genen waren 641 Gene bisher unbekannte (novel) Assoziationen mit Schizophrenie auf trans-genetischer Ebene. Nur 125 Gene entsprachen bereits bekannten Kandidaten.

Bedeutung (Significance)

Die Arbeit demonstriert eindrucksvoll, dass die Berücksichtigung von trans-regulatorischen Effekten und deren Netzwerkstrukturen entscheidend ist, um das volle Ausmaß der genetischen Risikofaktoren für komplexe neuropsychiatrische Erkrankungen zu verstehen. Die massive Anzahl an neu entdeckten Genen unterstreicht, dass ein Großteil der Heritabilität von Schizophrenie in trans-regulatorischen Interaktionen verborgen liegt, die durch herkömmliche cis-Modelle nicht erfasst werden können. Dies eröffnet neue Wege für die Identifizierung therapeutischer Zielstrukturen im Gehirn.