GeneSIS: enhancing transferability of polygenic scores with variant-level gene-by-sex interaction effects
Het GeneSIS-framework verbetert de overdraagbaarheid van polygene scores over diverse genetische afstammingsgroepen door variant-niveau gen-geslacht interactie-effecten te integreren, wat resulteert in een significant verbeterde nauwkeurigheid van ziektevoorspelling voor niet-Europese populaties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Decennialang was de belofte van precisiegeneeskunde om de gezondheidszorg af te stemmen op de unieke genetische samenstelling van elk individu. Het idee is dat artsen, door het DNA van een persoon te lezen, risico's op ziekten zoals hartziekten of diabetes kunnen voorspellen lang voordat symptomen verschijnen. Deze voorspelling steunt op een hulpmiddel genaamd een polygene score, die fungeert als een genetisch rapportcijfer. Het vat de minuscule effecten van duizenden genetische variaties die verspreid liggen over het genoom van een persoon samen om de waarschijnlijkheid te schatten dat zij een specifiek kenmerk ontwikkelen. Echter, er is een aanzienlijk probleem ontstaan: deze genetische rapportcijfers werken opmerkelijk goed voor mensen met een Europese afkomst, maar falen vaak voor alle anderen. De scores verliezen hun nauwkeurigheid wanneer ze worden toegepast op mensen met een Afrikaanse, Zuid-Aziatische of andere genetische achtergrond, wat een gevaarlijke kloof in de gelijkheid van de gezondheidszorg creëert. Dit falen komt deels doordat de genetische patronen in verschillende populaties niet identiek zijn, en deels doordat de standaardmodellen die worden gebruikt om deze scores op te stellen ervan uitgaan dat genen op een eenvoudige, rechtlijnige manier werken, waarbij ze de complexe manieren negeren waarop ze kunnen interageren met de omgeving of biologie van een persoon.
Onderzoekers vermoedden al lang dat het ontbrekende puzzelstukje in deze genegeerde interacties ligt. Specifiek vroegen zij zich af of het effect van een gen zou kunnen veranderen afhankelijk van of een persoon man of vrouw is, een fenomeen dat bekend staat als een gen-door-geslacht-interactie. Hoewel wetenschappers al lange tijd weten dat mannen en vrouwen verschillende biologische reacties kunnen hebben op dezelfde genetische varianten, hebben de meeste voorspellende modellen iedereen hetzelfde behandeld door deze verschillen gemiddeld te nemen. Een nieuwe studie door Yosuke Tanigawa en Manolis Kellis introduceert een frisse aanpak genaamd GeneSIS, wat staat voor GENE and Sex Interaction Score. In plaats van alle genetische gegevens in één enkele, rigide mal te dwingen, stelt dit nieuwe kader het model in staat om direct uit de gegevens te leren hoe genen zich verschillend gedragen in mannen en vrouwen. Door de genetische informatie van bijna 407.000 diverse individuen uit de UK Biobank te analyseren, bouwde het team een systeem dat deze subtiele, contextafhankelijke effecten kan detecteren en ze kan gebruiken om voorspellingen te verbeteren.
De onderzoekers pasten deze nieuwe methode toe op 99 verschillende kenmerken, variërend van bloeddruk en cholesterolgehalten tot lichaamsmaten zoals heupomtrek en de BMI (body mass index). Ze vergeleken hun nieuwe GeneSIS-modellen met de standaard, enkel lineaire modellen die al jarenlang worden gebruikt. De resultaten toonden aan dat de nieuwe aanpak succesvol een specifieke set genetische varianten identificeerde waarbij de effectgrootte of richting veranderde tussen de geslachten. In de uiteindelijke modellen waren ongeveer 8% van de geselecteerde genetische variabelen deze geslachts-specifieke interacties, een bevinding die grondig werd gecontroleerd en bevestigd door de resultaten te vergelijken met aparte analyses van mannen en vrouwen. Deze validatiestap zorgde ervoor dat het model niet zomaar willekeurige ruis vond, maar daadwerkelijk de echte biologische verschillen vastlegde in hoe genen functioneren in mannen versus vrouwen.
De meest opvallende uitkomst van de studie was een dramatische verbetering in de voorspellingsnauwkeurigheid voor mensen van Afrikaanse afkomst, een groep die historisch gezien onderbediend is door genetisch onderzoek. Voor een kenmerk zoals heupomtrek, wat een belangrijke maatstaf is voor obesitas en metabole gezondheid, presteerde het nieuwe model aanzienlijk beter dan elke eerdere methode. In de testgroep van Afrikaanse individuen was het vermogen van het nieuwe model om de heupomtrek te voorspellen bijna vier keer beter dan het standaard lineaire model. Deze verbetering was geen toevalstreffer; het bleef waar voor een breed scala aan kenmerken en was statistisch robuust. De onderzoekers ontdekten dat terwijl de standaardmodellen vaak moeite hadden om hun voorspellingen van Europese populaties naar Afrikaanse populaties te transfereren, de GeneSIS-modellen, door rekening te houden met deze geslachts-specifieke nuances, in staat waren die kloof te overbruggen. De verbetering was zo substantieel dat het nieuwe model voor heupomtrek bij Afrikaanse individuen elke andere momenteel bestaande publiekelijk beschikbare voorspellingsmethode overtrof.
Buiten de cijfers om bood de studie een inkijkje in de biologische mechanismen die deze verbeteringen aansturen. De onderzoekers keken nauwgezet naar de specifieke genen die het model selecteerde en vonden dat deze wezen op plausibele biologische verhalen. Zo bracht het model bijvoorbeeld een variant in een gen genaamd GCKR naar voren, dat bekend staat om het reguleren van de glucosemetabolisme. De studie toonde aan dat deze variant een complexe relatie heeft met lichaamsvet, maar dat het effect ervan verschilt tussen mannen en vrouwen, en dat het ook verbonden is met andere factoren zoals de timing van de menopauze en hormoonspiegels. Dit suggere houdt aan dat het model niet alleen statistische patronen vindt, maar ook werkelijke, biologisch betekenisvolle interacties blootlegt. Bovendien vonden de onderzoekers dat de genen die betrokken waren bij deze geslachts-specifieke effecten verrijkt waren voor paden gerelateerd aan ontsteking en lipidenmetabolisme, processen die centraal staan bij obesitas en hartziekten.
De implicaties van dit werk reiken verder dan alleen betere voorspellingsscores. Door aan te tonen dat contextafhankelijke effecten, zoals de interactie tussen genen en geslacht, cruciaal zijn voor nauwkeurige voorspelling, daagt de studie de langgehouden aanname uit dat een enkel, universeel genetisch model voor iedereen kan werken. De onderzoekers toonden aan dat door de complexiteit van hoe genen interageren met de context van het lichaam te omarmen, zij modellen konden creëren die inclusiever en nauwkeuriger zijn. Dit is bijzonder belangrijk voor populaties die door eerdere methoden zijn achtergelaten. Hoewel de studie zich richtte op geslacht als de primaire context, is het kader flexibel genoeg om in de toekomst potentieel ook andere omgevingsfactoren te incorporeren. Het succes van GeneSIS suggereert dat de weg voorwaarts voor precisiegeneeskunde niet ligt in het vereenvoudigen van ons begrip van genetica, maar in het bouwen van modellen die verfijnd genoeg zijn om de volledige, complexe realiteit te vangen van hoe ons DNA werkt in de diverse veelkleurigheid van het menselijk leven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.