Genetik und neuropsychiatrische Störungen: Die Komplexität entwirren
Tauche ein in die Genetik hinter neuropsychiatrischen Störungen und ihre komplexen Zusammenhänge.
― 7 min Lesedauer
Inhaltsverzeichnis
- Die Rolle der Genetik
- Genomweite Assoziationsstudien (GWAS)
- Das Rätsel der nicht-codierenden Regionen
- Die Bedeutung der regulatorischen Varianten
- Multi-Omics-Ansätze
- Die Herausforderung von Transkription und Translation
- Das Studium des Gehirns
- Genetische Signale finden
- Die Rolle spezifischer Varianten
- Kolozalisierung mit Gehirnstörungen
- Neue Risikogene finden
- Translationaler Effekt in Aktion
- Implikationen für zukünftige Forschung
- Fazit
- Originalquelle
- Referenz Links
Neuropsychiatrische Störungen sind eine Gruppe komplexer Krankheiten, die sowohl das Gehirn als auch das Verhalten betreffen. Dazu gehören Bedingungen wie Schizophrenie, bipolare Störung und Autismus-Spektrum-Störung. Zu verstehen, was diese Störungen verursacht, ist schwierig, da viele Faktoren, einschliesslich Genetik, Umwelt und soziale Faktoren, eine Rolle spielen. Wenn wir es uns bildlich vorstellen, ist es wie zu versuchen herauszufinden, warum ein Eintopf auf eine bestimmte Weise schmeckt, wenn es die Mischung der Zutaten ist, die ihn besonders macht.
Die Rolle der Genetik
Ein grosses Puzzlestück ist die Genetik. Wissenschaftler wissen schon lange, dass die Genetik das Risiko, neuropsychiatrische Störungen zu entwickeln, beeinflussen kann. Tatsächlich zeigen viele Studien, dass, wenn jemand in deiner Familie eine bestimmte Krankheit hat, du auch eher betroffen sein wirst. Es ist wie ein Familienrezept, das anscheinend schon länger in der Familie ist und grossartig schmeckt. Genetische Studien haben viele spezifische DNA-Stücke identifiziert, die als Loci bekannt sind und mit verschiedenen Störungen in Verbindung stehen. In letzter Zeit hat sich dieses Forschungsfeld dank technologischer Fortschritte stark entwickelt.
GWAS)
Genomweite Assoziationsstudien (Genomweite Assoziationsstudien, kurz GWAS, sind wie Schatzsuchen, bei denen Forscher das gesamte menschliche Genom durchsuchen, um genetische Varianten zu finden, die mit Krankheiten verbunden sind. Tausende dieser genetischen Varianten wurden identifiziert, die das Risiko für verschiedene neuropsychiatrische Störungen zu erhöhen scheinen. Das bedeutet jedoch nicht, dass das Vorhandensein dieser Varianten garantiert, dass jemand eine Störung entwickeln wird. Denk daran wie beim Lottospiel; nur weil du ein Ticket hast, heisst das nicht, dass du den Jackpot gewinnst.
Das Rätsel der nicht-codierenden Regionen
Als Forscher tiefer in die Ergebnisse von GWAS eintauchten, fanden sie heraus, dass viele der genetischen Varianten, die mit Störungen in Verbindung stehen, in nicht-codierenden Regionen der DNA liegen. Nicht-codierende Regionen sind die Teile der DNA, die den Zellen nicht direkt sagen, wie sie Proteine herstellen, was die Aufgabe der codierenden DNA ist. Das hat die Forscher zum Grübeln gebracht, denn wie diese Regionen die Krankheit beeinflussen, ist nicht klar.
Die Bedeutung der regulatorischen Varianten
Regulatorische Varianten in diesen nicht-codierenden Bereichen werden jetzt als starke Kandidaten zur Beeinflussung des Krankheitsrisikos angesehen. Diese Varianten können beeinflussen, wie Gene ein- oder ausgeschaltet werden, ähnlich wie ein Dimmer die Helligkeit eines Lichts steuert. Hier kommt die Genexpression ins Spiel. Durch die Integration von Informationen zur Genexpression mit genetischen Daten können Forscher beginnen, die ursächlichen Varianten zu identifizieren oder herauszufinden, welche Gene möglicherweise mit dem Risiko für neuropsychiatrische Störungen verbunden sind.
Multi-Omics-Ansätze
In den letzten Jahren haben Wissenschaftler begonnen, mehr aus ihren genetischen Studien herauszuholen, indem sie Multi-Omics-Ansätze nutzen. Stell dir vor, du versuchst einen Film zu verstehen, indem du ihn nur anschaust, ohne jemals das Buch zu lesen oder mit dem Regisseur zu sprechen. Multi-Omics kombiniert verschiedene Arten biologischer Daten: Genetik, Genexpression, Proteinlevel und mehr, um ein vollständigeres Bild zu schaffen.
Bei gehirnbezogenen Störungen kann die Integration von Daten wie RNA-Sequenzierung (die uns etwas über die Genexpression erzählt), Ribosomen-Profiling (das Hinweise darauf gibt, wie Proteine hergestellt werden) und Proteomik (die die Menge an Proteinen misst) unser Verständnis dafür, wie diese genetischen Varianten das Krankheitsrisiko beeinflussen, verbessern. Diese Datenkombination bietet eine detailliertere Sicht, als hätte man mehrere Kameras, die verschiedene Winkel des gleichen Ereignisses erfassen.
Die Herausforderung von Transkription und Translation
Im Prozess, die Genregulation zu verstehen, haben die Forscher entdeckt, dass nur weil ein Gen exprimiert wird, das nicht bedeutet, dass das entsprechende Protein in den erwarteten Mengen produziert wird. Es ist ein bisschen wie beim Kuchenbacken; selbst wenn du das Rezept befolgst, hebt sich der Kuchen manchmal nicht so, wie du es erwartet hast. Hier kommt die Idee der translationalen und post-translationalen Regulation ins Spiel.
Die translationale Regulation kontrolliert die Effizienz der Umwandlung von RNA in Protein, während die post-translationale Regulation beeinflusst, wie sich Proteine nach ihrer Herstellung verhalten. Diese Kontrollschichten bedeuten, dass Varianten, die die Genexpression beeinflussen, buchstäblich in der Übersetzung verloren gehen können!
Das Studium des Gehirns
Beim Studium des Gehirns schauen Wissenschaftler sich Gehirngewebe an, um zu verstehen, wie genetische Varianten die Genexpression, die Translation und letztendlich die Proteinlevel beeinflussen. In aktuellen Studien zu postmortem Gehirnproben sammelten Forscher riesige Mengen an Daten, um zu verstehen, wie genetische Varianten die Proteinsynthese im präfrontalen Cortex, dem Bereich des Gehirns, der für komplexe Verhaltensweisen zuständig ist, beeinflussen.
Mit Ribosomen-Profiling können sie sehen, wie effizient Ribosomen (die Maschinen, die Proteine produzieren) arbeiten. Mit mehr als 200 Gehirnproben konnten die Forscher etwa 62 Milliarden Datenpunkte erfassen. Das ist eine Menge an Informationen!
Genetische Signale finden
Auf der Suche nach den wirklich wichtigen genetischen Varianten verwendeten die Forscher eine Technik namens cis-QTL-Mapping. Diese Methode hilft dabei, Varianten zu identifizieren, die die Genexpression beeinflussen. Sie fanden Tausende dieser Varianten und kamen zu dem Schluss, dass viele genetische Varianten unterschiedliche Stärken haben und die Genexpression auf verschiedene Weisen beeinflussen können.
Die Forscher stellten auch fest, dass die Anzahl der signifikanten Signale drastisch abnahm, als sie von der Genexpression zu Proteinen übergingen. Es ist viel schwieriger, die Varianten zu finden, die die Proteinsynthese beeinflussen, als diejenigen, die die Genexpression beeinflussen. Das deutet darauf hin, dass je weiter sie vom Gen zum Protein gehen, desto weniger klar wird die Verbindung, fast wie bei einem Spiel von Telefon, bei dem die ursprüngliche Nachricht verzerrt wird.
Die Rolle spezifischer Varianten
In dieser Studie wurden verschiedene Arten von QTLs identifiziert, darunter eQTLs (Expression QTLs), rQTLs (Ribosomenbelegungs-QTLs) und pQTLs (Protein-QTLs). Jeder Typ steht für eine andere Ebene der Regulation, und die Forscher beobachteten, dass Protein-QTLs tendenziell mehr codierende Varianten im Vergleich zu Expressions- und Ribosomenbelegungs-QTLs hatten.
Sie fanden auch heraus, dass viele dieser QTLs Ähnlichkeiten mit den Genen aufwiesen, die als mit neuropsychiatrischen Störungen assoziiert bekannt sind. Das veranschaulicht, wie bestimmte genetische Varianten zu erhöhten Risiken für diese Bedingungen führen können.
Kolozalisierung mit Gehirnstörungen
Ein wichtiger Teil dieser Forschung bestand darin, nach Kolozalisierung zwischen QTL-Signalen und bekannten genetischen Signalen zu suchen, die mit Gehirnstörungen wie Schizophrenie assoziiert sind. Tatsächlich wurde festgestellt, dass viele QTL-Signale mit Signalen dieser Gehirnstörungen übergreifen, was darauf hindeutet, dass sie möglicherweise am Risiko beteiligt sind, diese Bedingungen zu entwickeln.
Neue Risikogene finden
Die Forscher identifizierten auch neue Risikogene, die zuvor nicht berichtet worden waren. Dies war möglich dank der Kombination ihres Multi-Omics-Datenansatzes und der Bedeutung bestimmter genetischer Varianten. Stell dir vor, du findest versteckte Schätze, die andere übersehen haben, weil sie nicht die richtige Karte benutzt haben!
Unter den neuen Genentdeckungen waren einige mit wichtigen Funktionen im Gehirn verbunden, was andeutet, dass sie dazu beitragen könnten, zu erklären, warum jemand anfälliger sein könnte, spezifische neuropsychiatrische Störungen zu entwickeln.
Translationaler Effekt in Aktion
Die Forscher beobachteten, dass während viele genetische Varianten die Genexpression signifikant beeinflussten, ihr Einfluss auf die Proteinlevel nicht so ausgeprägt war. Das wirft interessante Fragen darüber auf, wie diese Varianten die Proteinsynthese beeinflussen könnten, ohne die Proteinlevel zu beeinflussen.
Durch den Vergleich unabhängiger Datensätze aus verschiedenen Studien konnten die Forscher ihre Ergebnisse stärken. Sie fanden heraus, dass die translationale Regulation den Effekt stärker zu reduzieren schien.
Implikationen für zukünftige Forschung
Durch das Zusammensetzen dieser komplexen Datensätze erhalten die Forscher ein klareres Bild davon, wie Genetik, Proteinsynthese und neuropsychiatrische Störungen miteinander verknüpft sind. Ihre Ergebnisse eröffnen neue Forschungsansätze und deuten darauf hin, dass das Verständnis molekularer Mechanismen zu besseren Behandlungen und Interventionen für diese Störungen führen könnte.
Ausserdem betonen sie das Potenzial, genetische Signale in reale Auswirkungen zu übersetzen und heben die Bedeutung hervor, zu verstehen, wie Gene Verhalten und Risiken für psychische Gesundheitsprobleme beeinflussen können.
Fazit
Zusammenfassend lässt sich sagen, dass die Genetik hinter neuropsychiatrischen Störungen ein kompliziertes Netz von Wechselwirkungen zwischen verschiedenen Faktoren darstellt. Es gibt noch viel zu entdecken, und die Reise geht weiter. Während sie tiefer graben und innovative Methoden nutzen, hoffen die Forscher, mehr Licht auf das Verständnis dieser Bedingungen werfen zu können.
Wer hätte gedacht, dass Genetik so verheddert sein kann, wie Spaghetti? Doch mit Entschlossenheit und den richtigen Werkzeugen entwirren die Forscher dieses Nudelgericht der Wissenschaft, einen Strang nach dem anderen.
Titel: The impact of common variants on gene expression in the human brain: from RNA to protein to schizophrenia risk
Zusammenfassung: BackgroundThe impact of genetic variants on gene expression has been intensely studied at the transcription level, yielding invaluable insights into the association between genes and the risk of complex disorders, such as schizophrenia (SCZ). However, the downstream impact of these variants and the molecular mechanisms connecting transcription variation to disease risk are not well understood. ResultsWe quantitated ribosome occupancy in prefrontal cortex samples of the BrainGVEX cohort. Together with transcriptomics and proteomics data from the same cohort, we performed cis- Quantitative Trait Locus (QTL) mapping and identified 3,253 expression QTLs (eQTLs), 1,344 ribosome occupancy QTLs (rQTLs), and 657 protein QTLs (pQTLs) out of 7,458 genes from 185 samples. Of the eQTLs identified, only 34% have their effects propagated to the protein level. Further analysis on the effect size of prefrontal cortex eQTLs identified from an independent dataset clearly replicated the post-transcriptional attenuation of eQTL effects. We identified omics-specific QTLs and investigated their potential in driving disease risks. Using a variant based approach, we found expression-specific QTLs (esQTLs) for 1,553 genes, ribosome- occupancy-specific QTLs (rsQTLs) for 155 genes, and protein-specific QTLs (psQTLs) for 161 genes. Among these omics-specific QTL, 38 showed strong colocalization with brain associated disorder GWAS signals, 29 of them are esQTLs. Because a gene could contain multiple QTL signals, each could either be shared across omics or omics-specific, we aggregated QTL signals from each omics for each gene and found 11 brain associated disorder risk genes that are driven predominantly by omics-specific QTL, all of them are driven by variants impacting transcriptional regulation. This gene-based approach also enabled us to categorize risk genes containing both omics-specific and shared QTL signals. The limited number of GWAS colocalization discoveries from gene-based omics-specific mapping, however, prompted us to take a complementary approach to investigate the functional relevance of genes driven predominantly by attenuated eQTL signals. Using S-PrediXcan we identified 74 SCZ risk genes across the three omics, 30% of which were novel, and 67% of these risk genes were confirmed to be causal in a MR-Egger test using data from the corresponding omics. Notably, 52 out of the 74 risk genes were identified using eQTL data and 68% of these SCZ-risk-gene-driving eQTLs show little to no evidence of driving corresponding variations at the protein level. ConclusionThe effect of eQTLs on gene expression in the prefrontal cortex is commonly attenuated post- transcriptionally. Many of the attenuated eQTLs still correlate with GWAS signals of brain associated complex disorders, indicating the possibility that these eQTL variants drive disease risk through mechanisms other than regulating protein expression level. Further investigation is needed to elucidate the mechanistic link between attenuated eQTLs and brain associated complex disorders.
Autoren: Qiuman Liang, Yi Jiang, Annie W. Shieh, Dan Zhou, Rui Chen, Feiran Wang, Meng Xu, Mingming Niu, Xusheng Wang, Dalila Pinto, Yue Wang, Lijun Cheng, Ramu Vadukapuram, Chunling Zhang, Kay Grennan, Gina Giase, Kevin P White, Junmin Peng, Bingshan Li, Chunyu Liu, Chao Chen, Sidney H. Wang
Letzte Aktualisierung: 2024-12-24 00:00:00
Sprache: English
Quell-URL: https://www.biorxiv.org/content/10.1101/2023.06.04.543603
Quell-PDF: https://www.biorxiv.org/content/10.1101/2023.06.04.543603.full.pdf
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.