Atlas of glomerular disease-specific genetic effects on blood transcriptome

Sintesi Tecnica: Atlante degli Effetti Genetici Specifici per la Malattia Glomerulare sul Transcriptoma Ematico

Definizione del Problema
Le glomerulonefropatie primarie (GN), tra cui la nefropatia da IgA (IgAN), la vasculite da IgA (IgAV), la glomerulosclerosi segmentaria focale (FSGS), la nefropatia membranosa (MN) e la malattia a lesioni minime (MCD), rappresentano una causa principale di insufficienza renale in tutto il mondo. Sebbene gli studi di associazione genome-wide (GWAS) abbiano identificato oltre 30 loci di rischio per l'IgAN e diversi per altri tipi di GN, la traduzione di queste associazioni statistiche in meccanismi molecolari rimane una sfida. Un limite critico è la mancanza di mappe regolatorie informate dal genotipo e adeguatamente potenziate, derivate da ampie coorti di pazienti con GN ben fenotipizzate. Le risorse esistenti, come GTEx, si basano su tessuti sani e potrebbero non catturare i programmi regolatori attivati dalla malattia. Inoltre, gli effetti genetici specifici sul transcriptoma ematico (espressione genica, splicing e editing dell'RNA) nel contesto di distinti sottotipi di GN rimangono in gran parte indefiniti.

Metodologia
Lo studio ha sfruttato lo studio CureGN, una coorte prospettica di pazienti con GN primaria diagnosticata tramite biopsia. Gli autori hanno eseguito:

1. Sequenziamento dell'intero genoma (WGS): Condotto con una profondità di 30x su 4.307 individui con GN primaria e 3.845 controlli sani di diverse ascendenze.
2. Sequenziamento del transcriptoma ematico bulk: Eseguito su 1.822 partecipanti con GN con dati WGS corrispondenti (447 FSGS, 403 IgAN, 123 IgAV, 408 MCD e 441 MN).
3. Analisi di associazione genetica:
   • Varianti comuni: Test di associazione a singolo variante su scala genome-wide stratificati per ascendenza e meta-analizzati.
   • Varianti rare: Analisi basate su geni e su set di geni (Burden, SKAT-O, ACAT) e scansioni a finestra scorrevole per varianti rare deleterie.
   • Score di rischio poligenico (PRS): Validazione dei modelli PRS esistenti rispetto ai controlli sani e di malattia, e correlazione con i fenotipi clinici.
4. Mappatura dei loci a tratto quantitativo (QTL):
   • Mappatura specifica per il contesto: I cis-eQTL (espressione), sQTL (splicing) e edQTL (editing di RNA a doppio filamento) sono stati mappati separatamente per ogni sottotipo di GN.
   • Covariate: I modelli hanno controllato l'età, il sesso, l'ascendenza genetica, i fattori tecnici latenti (PEER) e le frazioni stimate delle cellule ematiche (tramite deconvoluzione computazionale di RNA-seq bulk).
   • QTL di interazione (ieQTL): Sono state mappate le interazioni tra genotipi ed età, sesso, velocità di filtrazione glomerulare stimata (eGFR) e proteinuria.
   • Espressione allele-specifica (ASE): Utilizzata come metodo di validazione ortogonale per gli effetti regolatori cis.
5. Integrazione e colocalizzazione:
   • Colocalizzazione: È stato utilizzato COLOC per determinare se i segnali GWAS e i segnali QTL condividono varianti causali (PP4 > 0,8) o varianti distinte (PP3 > 0,8).
   • Mappatura cross-patologia: La mappatura QTL attraverso tutte le 1.822 partecipanti è stata eseguita con aggiustamento per il tipo di GN per identificare un'architettura regolatoria condivisa.

Risultati Chiave

• Scoperta di QTL: Lo studio ha identificato 16.068 eGene, 4.644 sGene e 4.611 edQTL (a FDR < 0,05) in almeno un tipo di GN. Circa il 5–10% di questi segnali era unico per un tipo specifico di GN, mentre circa il 90% era condiviso tra almeno due condizioni.
• Specificità del contesto: L'analisi di colocalizzazione ha rivelato che circa l'80% degli eGene condivisi tra i tratti era guidato dalla stessa variante causale, mentre circa il 2% presentava varianti distinte, indicando meccanismi regolatori specifici per il contesto per lo stesso gene (ad esempio, RUNX3 in FSGS rispetto a IgAN).
• Novità rispetto a GTEx: La mappatura QTL cross-fenotipo ha scoperto 6.466 eGene, 2.705 sGene e 5.321 edQTL precedentemente non rilevati nel tessuto ematico di GTEx. Queste nuove scoperte erano significativamente arricchite in pathway legati all'immunità (ad esempio, infezione virale, segnalazione delle citochine, degranulazione dei neutrofili).
• Interazioni cliniche e ambientali:
  • Età: Ha identificato 232 eQTL dipendenti dall'età. Ad esempio, l'effetto genetico dell'espressione di RBL2 era attenuato con l'età, mentre gli effetti genetici di RGMB erano potenziati.
  • Gravità della malattia: Ha identificato 57 eQTL che interagiscono con l'eGFR e 13 con la proteinuria. In particolare, la proteinuria attenuava la regolazione genetica di LDLRAP1, collegando potenzialmente il rischio genetico all'iperlipidemia nella sindrome nefrosica.
• Integrazione GWAS: La colocalizzazione ha prioritizzato i geni candidati causali per 13 loci GWAS. Risultati degni di nota includono:
  • TNFSF13 (IgAN): Forte colocalizzazione (PP4=1,00) tra i segnali GWAS, eQTL, sQTL e pQTL (proteina). L'allele di rischio è associato a un aumento dell'espressione del trascritto a lunghezza intera e a livelli elevati di APRIL solubile.
  • CARD9 e ITGAX (IgAN): Colocalizzazione con eventi di splicing, suggerendo che gli alleli di rischio alterino i pattern di splicing (ad esempio, la troncatura del dominio CARD).
  • FCAR (IgAV): Colocalizzazione con un evento di editing dell'RNA nel 3' UTR.
• Varianti Rare: Sebbene non siano state trovate nuove associazioni di varianti rare a significatività genome-wide, il collasso delle varianti rare ha identificato associazioni significative tra FSGS e set di geni relativi a "glomerulonefrite a lesioni minime" e "urine schiumose".

Significatività e Rivendicazioni
L'articolo sostiene di fornire il primo atlante completo, specifico per il contesto della malattia, degli effetti genetici sul transcriptoma ematico per la GN primaria. Accoppiando il WGS con l'RNA-seq ematico bulk in una coorte ampia e diversificata, lo studio genera una risorsa che:

1. Espande le mappe regolatorie: Amplia notevolmente il catalogo delle varianti genetiche associate agli effetti trascrizionali nel sangue, identificando specificamente migliaia di QTL assenti nei riferimenti di tessuto sano come GTEx.
2. Raffina l'interpretazione GWAS: Dimostra che l'integrazione dei GWAS con gli QTL specifici per il contesto della malattia migliora l'interpretabilità biologica dei loci stabiliti e prioritizza i candidati mediatori molecolari (ad esempio, TNFSF13, NFKB1, CARD9).
3. Evidenzia il contesto della malattia: Sottolinea che, sebbene la maggior parte dell'architettura regolatoria sia condivisa tra i tipi di GN, una frazione misurabile di effetti genetici è specifica per il fenotipo o guidata da varianti causali distinte, riflettendo la peculiare disregolazione immunitaria di ciascuna malattia.
4. Regolazione dinamica: Fornisce un quadro per comprendere come la variazione ereditata influenzi i pathway immunitari dinamicamente durante l'arco della vita e in risposta alla gravità della malattia (eGFR, proteinuria).

Gli autori concludono che questa risorsa offre strumenti critici per l'annotazione funzionale e una migliore interpretabilità dei nuovi loci GWAS, man mano che le dimensioni dei campioni per la GN continuano ad aumentare. Riconoscono i limiti, tra cui l'uso di RNA-seq bulk (che richiede deconvoluzione) e la necessità di campioni più ampi per caratterizzare pienamente i contributi delle varianti rare.