FibrilNet maps conserved and tissue-specific molecular environments across systemic amyloidoses

Technische Samenvatting: FibrilNet brengt geconserveerde en weefselspecifieke moleculaire omgevingen in kaart bij systemische amyloïdose

Probleemstelling
Systemische amyloïdose zijn eiwitvouwingsziekten die worden gekenmerkt door de accumulatie van onoplosbare fibrillaire afzettingen. Hoewel verschillende amyloïdogene precursor-eiwitten deze ziekten initiëren (bijv. transthyretine in ATTR, immuunglobuline lichte ketens in AL, serum amyloïd A in AA), vertoont de resulterende weefselpathologie vaak recurrente niet-fibrillaire componenten die betrokken zijn bij de organisatie van de extracellulaire matrix, complementactivatie, lipidentransport en proteostase. Een cruciale onopgeloste vraag is of deze recurrente eiwitten een geconserveerde, systeem-niveau moleculaire omgeving vormen over verschillende amyloïdziekten heen, en in welke mate deze omgeving afhankelijk is van het specifieke precursor-eiwit, de weefselcontext of de ziektevariant. Traditionele netwerkbenaderingen behandelen eiwit-eiwitinteracties (PPI's) vaak als functioneel uitwisselbaar, waarbij de biologische context die interacties binnen hetzelfde fysieke graaf kan differentiëren, wordt genegeerd.

Methodologie
De auteurs ontwikkelden FibrilNet, een netwerkframework ontworpen om experimenteel gedefinieerde amyloïde proteomen te integreren met een menselijke PPI-graaf die is verrijkt met op Gene Ontology (GO) gebaseerde semantische informatie.

• Dataconstructie: De onderliggende menselijke graaf omvat 17.997 eiwitten en 925.977 fysieke interacties. Elke interactie is uitgebreid met een 9-dimensionale semantische vector afgeleid van GO-annotaties (biologisch proces, moleculaire functie en cellulaire component), die informatie over inhoud-gebaseerde node-gelijkenis, pad-gelijkenis en annotatiebeschikbaarheid codeert.
• Algoritmische benadering: FibrilNet vergelijkt twee diffusiestrategieën:
  1. Topologie-alleen Random Walk with Restart (RWR): Standaard propagatie gebaseerd enkel op graafconnectiviteit.
  2. Semantic-RWR: Een aangepaste propagatie waarbij transitiekansen worden gestuurd naar interacties met een hogere semantische compatibiliteit (ontologie-uitlijning).
• Evaluatiestrateggie: De studie maakt gebruik van een "bevroren" leave-one-out module-reconstructiebenadering. Ziekte-geassocieerde eiwitmodules (afgeleid van experimentele proteomics) worden gebruikt als query-sets. Eén eiwit wordt tegelijkertijd verwijderd en het algoritme probeert de resterende grafknopen opnieuw te rangschikken om de uitgesloten doelwit-node te herstellen. Cruciaal is dat ziektekengelabel niet worden gebruikt om de onderliggende representatie te hertrainen; de evaluatie test het vermogen van de netwerkstructuur en de semantische context om bekende ziektemodules te herstellen.
• Geanalyseerde ziektemodellen:
  • Cardiaal: Geëxpandeerde en compacte amyloïde-specifieke proteomen voor ATTR en AL.
  • Renaal: Proteoom-atlazen voor AA en ALECT2 amyloïdose.
  • Neurologisch: Een muis hTTR-A97S surale zenuwmodel, gemapt naar menselijke orthologen om neurologische ATTRv te representeren.

Belangrijkste bijdragen en resultaten

1. Superioriteit van Semantische Diffusie:
   Semantic-RWR presteerde consequent beter dan de topologie-alleen RWR bij het reconstrueren van experimenteel gedefinieerde amyloïde modules.

   • In geëxpandeerd cardiaal ATTR verhoogde Semantic-RWR de Mean Reciprocal Rank (MRR) van 0,00167 naar 0,05015 en de Recall@100 van 0,0199 naar 0,3377, waarbij 132 van de 151 uitgesloten doelwitten werden verbeterd.
   • Significante winsten werden ook waargenomen in renaal AA (MRR 0,00249 naar 0,09061) en ALECT2 (MRR 0,00239 naar 0,01614).
   • Het effect was robuust over variërende modulegroottes en sensitiviteitsniveaus, wat suggereert dat de amyloïde omgeving een gedistribueerde, functioneel coherente organisatie bezit die de topologie alleen niet kan vangen.

2. Identificatie van een Beperkte Recurrente Kern:
   Analyse van compacte modules over vier systemische amyloïdose (ATTR, AL, AA, ALECT2) onthulde een beperkte maar significante overlap.

   • Drie eiwitten — APCS, VTN en TIMP3 — waren aanwezig in alle vier de modules (Feature-Enrichment Core frequentie = 1), wat een strikte cross-ziekte kern definieert.
   • APOE was aanwezig in drie van de vier modules.
   • Deze eiwitten vertegenwoordigen punten van cross-ziekte convergentie in plaats van universele causale drijvers.

3. Weefselspecificiteit en Precursor-scheiding:

   • Cardiaal versus Neurologisch: Ondanks het delen van TTR als precursor, vertoonden cardiale en neurologische ATTR-modules minimale overlap (Jaccard-gelijkenis = 0,0569; slechts 19 gedeelde eiwitten).
   • Precursor-beperkingen: Het voeden van het netwerk met enkel het precursor-eiwit (TTR of LECT2) slaagde er niet in om de bredere downstream moleculaire omgeving sterk te herstellen in noch cardiale, noch neurologische contexten. Dit geeft aan dat de volwassen amyloïde omgeving een gedistribueerde netwerktoestand is die niet reduceerbaar is tot de lokale graafnabijheid rond het fibril-vormende eiwit.
   • Directionele Specificiteit: In het neurologische ATTRv-model waren de semantische verbeteringen geconcentreerd in het gedownreguleerde proteoom-programma (geassocieerd met cytoskelet-abnormaliteiten en axonale disfunctie), terwijl de geüpreguleerde eiwitten minder semantische coherentie vertoonden.

Significantie en Claims
Het artikel claimt dat FibrilNet een meerlagig model van systemische amyloïdose ondersteunt. In dit model:

• Een beperkte geconserveerde amyloïde omgeving (de kern) samen bestaat met sterke precursor-, weefsel- en ziekte-specifieke organisatie.
• De downstream moleculaire omgeving een gedistribueerde netwerktoestand is die voortkomt uit de interactie van de precursor met de specifieke weefselcontext, in plaats van een eenvoudige lokale buurt van het precursor-eiwit.
• Ontologie-afgeleide semantische informatie zorgt voor een biologisch betekenisvolle inductieve bias, waardoor netwerkpropagatie in staat is om onderscheid te maken tussen functioneel compatibele en incompatibele interacties, waardoor de "gedistribueerde moleculaire omgeving" van amyloïde depositie wordt onthuld.

De auteurs benadrukken dat hun bevindingen de causale rol van precursor-eiwitten niet uitdagen, maar eerder verduidelijken dat de pathologische omgeving een complex, weefselafhankelijk systeemtoestand is. Het framework biedt een reproduceerbare methode voor de analyse van systemische amyloïdose en suggereert dat toekomstige analyses rekening moeten houden met variant- en weefselspecifieke moleculaire datasets om de heterogeniteit van deze ziekten volledig te begrijpen.