Re-analysis of Transcriptomic and Proteomic Data Using Multi-Omics Approaches Identifies Biomarkers of Diabetes-Associated Complications in an INS Mutant Pig Model

In deze studie werd door middel van geavanceerde multi-omics-analyse van transcriptomische en proteomische data uit een varkensmodel voor MIDY-diabetes ADAMTS17 geïdentificeerd als een nieuwe biomarker die mogelijk betrokken is bij immuunstoornissen en vertraagde wondgenezing.

De kern

De Zoektocht naar de "Grote Ontdekker": Een Verhaal over Suikerziekte, Varkens en Geheime Codes

Stel je voor dat suikerziekte (diabetes) een ingewikkelde machine is die stuk begint te lopen. In deze machine zijn de batterijen (de cellen die insuline maken) kapot gegaan. Wetenschappers proberen al jaren uit te vinden waarom de machine zo slecht werkt en welke onderdelen ze kunnen repareren. Maar vaak kijken ze naar slechts één type onderdeel, zoals de elektriciteitsdraden (genen) of de metalen bouten (eiwitten), en missen ze zo het grote plaatje.

In dit nieuwe onderzoek hebben een team van wetenschappers van TCS Genomics Lab een slimme nieuwe aanpak geprobeerd. Hier is hoe ze het deden, vertaald naar begrijpelijke taal:

1. De Proefkonijnen: De "Foutje-Varkens"

De onderzoekers keken niet naar mensen, maar naar een speciaal ras van varkens. Deze varkens hebben een genetische "typfout" in hun DNA. Door die fout maken ze een slecht gevouwen insuline-eiwit. Het is alsof je probeert een origami-zwaan te vouwen, maar de instructies zijn verkeerd; je krijgt een kreukelbal in plaats van een zwaan.

Dit zorgt ervoor dat de varkens ernstig suikerziek worden, precies zoals mensen met een zware vorm van diabetes. Ze zijn een perfecte "levend laboratorium" om te zien wat er gebeurt als de insuline-batterijen opgebrand zijn.

2. De Twee Lijsten: Genen en Eiwitten

De onderzoekers hadden twee enorme lijsten met data van deze varkens:

• Lijst A (De Genen): De blauwdrukken van de cellen.
• Lijst B (De Eiwitten): De daadwerkelijke bouwblokken die de cellen hebben gemaakt.

In het verleden hadden andere wetenschappers deze lijsten al bekeken, maar ze keken er vaak los van elkaar naar. Deze onderzoekers dachten: "Laten we de lijsten samenvoegen en kijken naar de geheime codes die ze samen vormen." Ze gebruikten een slim computerprogramma (een soort super-rekenmachine) om de twee lijsten door elkaar te halen.

3. De Grote Ontdekkers: ADAMTS17 en FGG

Toen ze de lijsten samenvoegden, zagen ze iets opvallends. Het was alsof ze een vergeten spion in de machine hadden gevonden.

• De Schurk (ADAMTS17): In de zieke varkens was een stof genaamd ADAMTS17 veel te hoog. Stel je voor dat ADAMTS17 een "sloopwerknemer" is. Normaal helpt hij gebouwen (weefsels) op te ruimen en te repareren. Maar in deze zieke varkens is hij te druk bezig met slopen. Hij lijkt de "lijm" in de huid en organen te verstoren. Dit verklaart waarom diabetische wonden vaak niet genezen: de sloopwerknemer is te actief en breekt de bouwplaatjes af voordat ze kunnen plakken.
• De Slachtoffers (Het Immuunsysteem): Tegelijkertijd zagen ze dat de "politieagenten" van het lichaam (het immuunsysteem) zich terugtrokken. Ze waren minder actief. Het was alsof de sloopwerknemer (ADAMTS17) de politieagenten wegjoeg.
• De Hulp (FGG): Een andere stof, FGG (een eiwit dat helpt bij het stollen van bloed en wonden), was ook veranderd. Samen met ADAMTS17 vormden ze een team dat de slechte situatie in de varkens verklaarde.

4. De Slimme Tool: De "SurfacOmics"-Scanner

Om zeker te weten dat deze stoffen echt belangrijk zijn en dat ze later in de praktijk te meten zijn, gebruikten ze een eigen uitvinding: SurfacOmics.

Je kunt dit zien als een detective-app die elke stof in het lichaam scant en zegt: "Is deze stof makkelijk te vinden? Is hij betrouwbaar? Kan een dokter hem later meten in een bloedtest?"
Deze app gaf ADAMTS17 en FGG een perfect rapportcijfer. Ze zijn als ideale "alarmbellen" die kunnen waarschuwen dat er iets mis is met de wondgenezing en het immuunsysteem bij diabetes.

Wat betekent dit voor jou?

Dit onderzoek is als het vinden van een nieuwe sleutel voor een oude vergrendelde deur.

1. Nieuwe Inzichten: Het laat zien dat diabetes niet alleen gaat over te veel suiker in het bloed, maar ook over een wanorde in de "bouwstroken" van het lichaam en een verzwakt immuunsysteem.
2. Betere Genezing: Als we weten dat ADAMTS17 de schuldige is voor slechte wondgenezing, kunnen artsen in de toekomst medicijnen ontwikkelen die deze "sloopwerknemer" afremmen.
3. Betrouwbare Tests: Het geeft hoop op nieuwe bloedtesten die eerder kunnen voorspellen of een patiënt last krijgt van complicaties, voordat het te laat is.

Kort samengevat:
De onderzoekers hebben met een slimme computer de oude data van zieke varkens opnieuw bekeken. Ze ontdekten dat een stof genaamd ADAMTS17 als een overactieve sloopwerknemer werkt die het immuunsysteem verjaagt en wondgenezing verhindert. Dit is een belangrijke aanwijzing voor nieuwe behandelingen die niet alleen de suiker regelen, maar ook helpen om het lichaam weer te laten herstellen.

Technische samenvatting

Titel

Heranalyse van transcriptomische en proteomische data met behulp van multi-omics benaderingen identificeert biomarkers voor diabetes-gerelateerde complicaties in een INS-mutant varkensmodel.

1. Het Probleem

Diabetes mellitus, en specifiek de Mutant Insulin Induced Diabetes of Youth (MIDY), wordt gekenmerkt door ernstige β-celverlies en hyperglykemie. Het MIDY-varkensmodel (veroorzaakt door de INSC94Y-mutatie) leidt tot misgevouwen insuline, ER-stress en apoptose van β-cellen. Hoewel dit model goed de metabole aspecten nabootst van slecht gecontroleerde diabetespatiënten, mist het het auto-immuuncomponent van Type 1-diabetes.
Een groot probleem in het veld is het identificeren van betrouwbare biomarkers die ziektestatus onderscheiden en de onderliggende pathofysiologie van diabetes-gerelateerde complicaties (zoals immuundysfunctie en vertraagde wondgenezing) verklaren. Bestaande studies hebben zich voornamelijk gericht op metabole enzymen, terwijl de rol van extracellulaire matrix (ECM)-remodeling en immuunmodulatie onderbelicht blijft.

2. Methodologie

De auteurs hebben een onafhankelijke, geïntegreerde heranalyse uitgevoerd van reeds gepubliceerde data van Backman et al. (2019), waarbij ze een multi-omics aanpak toepasten:

• Data Bronnen:
  • Transcriptomica: Raw FASTQ-bestanden van het GEO-repository (GSE122029).
  • Proteomica: LC-MS/MS-data van het ProteomeXchange-consortium (PXD011536).
  • Cohort: 2 jaar oude vrouwelijke transgene MIDY-varkens (n=4) versus wilde-type (WT) nestgenoten (n=5).
• Data Preprocessing:
  • Kwaliteitsfiltering resulteerde in datasets van 19.664 genen en 489 eiwitten.
• Statistische en Bioinformatica Analyse:
  • PCA (Principal Component Analysis): Om groepsseparatie en variatiebronnen te visualiseren.
  • Correlatieanalyse: Pearson-correlatie om relaties tussen eiwitten (bijv. ADAMTS17 en COL6A3) te bepalen.
  • Multi-omics Integratie: Gebruik van het R-pakket mixOmics (versie 6.23.4) met methoden zoals:
    • sparse PLS (sPLS) voor onbeheerde feature-selectie.
    • DIABLO en mbPLS voor supervised multiblock-analyse.
  • Netwerkanalyse: STRINGdb voor co-expressiemodules (metabolisch vs. immuun).
  • Biomarker Prioritering: Toepassing van de interne tool SurfacOmics (een R Shiny-applicatie) om biomarkers te scoren op basis van subcellulaire lokalisatie en assay-baarheid.

3. Belangrijkste Resultaten

• Proteomische Scheiding: PCA toonde een duidelijke scheiding tussen WT en MIDY-groepen. De grootste variatie werd veroorzaakt door metabole enzymen (HMGCS2, RDH16), wat de oorspronkelijke bevindingen bevestigde.
• Nieuwe Biomarkers:
  • ADAMTS17: Significant verhoogd in de MIDY-groep. Er werd een sterke negatieve correlatie (-0,48) gevonden met COL6A3 (een ECM-component), wat suggereert dat ADAMTS17 betrokken is bij collageenafbraak of -remodeling.
  • FGG (Fibrinogeen gamma): Geïdentificeerd als top proteomische discriminator.
  • Immuunmodulatie: De MIDY-groep toonde verlaagde niveaus van immuunmarkers (CXCR2, CD40, CD59) en CRP, wat wijst op een afgezwakte immuunrespons. Er was een sterke negatieve correlatie tussen deze immuunmarkers en ADAMTS17.
• Geïntegreerde Modules: De analyse onthulde twee distincte modules: een metabole module en een immuunmodule. De verhoogde ADAMTS17-niveaus correleerden met een onderdrukte immuunsignaalweg.
• SurfacOmics Validatie: De tool identificeerde ADAMTS17 als de top transcriptomische biomarker en FGG als de top proteomische biomarker. Beide werden beoordeeld als "assayable" (meetbaar), waarbij voor FGG commerciële antilichamen beschikbaar zijn voor immunofluorescentie, ondanks dat het niet op het celoppervlak ligt.

4. Kernbijdragen

1. Ontdekking van ADAMTS17: Voor het eerst wordt ADAMTS17 geïdentificeerd als een potentieel biomarker in het context van diabetes, specifiek gelinkt aan ECM-remodeling en immuunregulatie.
2. Multi-omics Integratie: Demonstreert dat het combineren van transcriptomische en proteomische data (via DIABLO/sPLS) gevoeligere inzichten biedt dan analyse van afzonderlijke 'omics'-lagen.
3. Immuun-ECM Koppeling: Het paper stelt een nieuw mechanistisch verband voor tussen chronische insulinedeficiëntie, verhoogde ADAMTS17-activiteit, ECM-veranderingen en een onderdrukte immuunrespons (waarschijnlijk via ECM-cytokine interacties).
4. Tooling: Validatie en toepassing van de interne tool SurfacOmics voor het prioriteren van biomarkers op basis van klinische bruikbaarheid (assay-baarheid).

5. Significantie en Toekomstperspectief

De studie benadrukt de waarde van geavanceerde computationele heranalyse van bestaande biobank-data om nieuwe inzichten te krijgen in complexe ziekteprocessen. De bevindingen suggereren dat diabetes-gerelateerde complicaties (zoals vertraagde wondgenezing) niet alleen door metabole factoren worden veroorzaakt, maar ook door een complex interplay tussen ECM-remodeling (via ADAMTS17) en immuunfunctie.

Hoewel verdere experimentele validatie noodzakelijk is, bieden ADAMTS17 en FGG veelbelovende kandidaten voor:

• Nieuwe diagnostische biomarkers voor diabetes-gerelateerde complicaties.
• Therapeutische targets om de immuunrespons en weefselherstel te verbeteren bij chronische diabetes.

Dit werk illustreert hoe integratieve bioinformatica kan leiden tot het herontdekken van biologische mechanismen die in eerdere studies over het hoofd werden gezien.