Genética y Trastornos Neuropsiquiátricos: Desenredando las Complejidades
Sumérgete en la genética detrás de los trastornos neuropsiquiátricos y sus intrincadas conexiones.
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
― 9 minilectura
Tabla de contenidos
- El Papel de la Genética
- Estudios de Asociación a Nivel del Genoma (GWAS)
- El Misterio de las Regiones No Codificantes
- La Importancia de las Variantes Reguladoras
- Enfoques Multi-Ómicos
- El Desafío de la Transcripción y Traducción
- Estudiando el Cerebro
- Encontrando Señales Genéticas
- El Papel de Variantes Específicas
- Colocalización con Trastornos Cerebrales
- Encontrando Nuevos Genes de Riesgo
- Efectos Translacionales en Acción
- Implicaciones para la Investigación Futura
- Conclusión
- Fuente original
- Enlaces de referencia
Los Trastornos neuropsiquiátricos son un grupo de enfermedades complejas que involucran tanto el cerebro como el comportamiento. Esto puede incluir condiciones como la esquizofrenia, el trastorno bipolar y el trastorno del espectro autista. Entender qué causa estos trastornos es complicado ya que hay muchos factores, incluyendo la genética, el ambiente y factores sociales, que juegan un papel. Si lo imaginamos, es como intentar averiguar por qué un guiso tiene un sabor especial cuando podría ser la mezcla de ingredientes lo que lo hace único.
El Papel de la Genética
Una pieza importante del rompecabezas es la genética. Los científicos han sabido durante mucho tiempo que la genética puede influir en el riesgo de desarrollar trastornos neuropsiquiátricos. De hecho, muchos estudios muestran que si alguien en tu familia tiene una condición, es más probable que tú también la desarrolles. Es como tener una receta familiar que parece correr en la familia y sabe genial. Los estudios Genéticos han identificado muchos fragmentos específicos de ADN, conocidos como loci, asociados con diferentes trastornos. Recientemente, estos estudios han florecido en un gran campo de investigación gracias a los avances tecnológicos.
GWAS)
Estudios de Asociación a Nivel del Genoma (Los Estudios de Asociación a Nivel del Genoma, o GWAS en corto, son como búsquedas del tesoro donde los investigadores miran a través de todo el genoma humano para encontrar variantes genéticas vinculadas a enfermedades. Miles de estas variantes genéticas han sido identificadas que parecen aumentar el riesgo de varios trastornos neuropsiquiátricos. Sin embargo, esto no significa que tener estas variantes garantice que alguien desarrollará un trastorno. Piensa en ello como tener un boleto de lotería; solo porque tengas uno no significa que vayas a ganar el premio mayor.
El Misterio de las Regiones No Codificantes
A medida que los investigadores se sumergieron más en los resultados de los GWAS, encontraron que muchas de las variantes genéticas vinculadas a trastornos se encuentran en regiones no codificantes del ADN. Las regiones no codificantes son las partes del ADN que no le dicen directamente a las células cómo hacer proteínas, que es el trabajo del ADN codificante. Esto ha dejado a los investigadores rascándose la cabeza, ya que la forma en que estas regiones afectan a la enfermedad no es sencilla.
La Importancia de las Variantes Reguladoras
Las variantes regulatorias en estas áreas no codificantes ahora se ven como fuertes candidatas para influir en el riesgo de enfermedad. Estas variantes pueden afectar cómo se encienden o apagan los genes, similar a cómo un regulador de luz controla la intensidad de una luz. Aquí es donde entra en juego la expresión de los genes. Al integrar información sobre la expresión de los genes con datos genéticos, los investigadores pueden comenzar a identificar las variantes causales o identificar qué genes pueden estar involucrados en el riesgo de trastornos neuropsiquiátricos.
Enfoques Multi-Ómicos
En los últimos años, los científicos han comenzado a sacar más provecho de sus estudios genéticos utilizando enfoques multi-ómicos. Imagina tratar de entender una película solo viéndola sin leer el libro o hablar con el director. Multi-ómicos fusiona diferentes tipos de datos biológicos: genética, Expresión Génica, niveles de proteínas y más, para crear una imagen más completa.
Con los trastornos relacionados con el cerebro, integrar datos como la secuenciación de ARN (que nos dice sobre la expresión génica), el perfilado de ribosomas (que da pistas sobre cómo se producen las proteínas) y la proteómica (que mide la cantidad de proteínas) puede mejorar nuestra comprensión de cómo estas variantes genéticas influyen en el riesgo de enfermedad. Esta combinación de datos ofrece una vista más detallada, como tener múltiples cámaras capturando varios ángulos del mismo evento.
El Desafío de la Transcripción y Traducción
En el proceso de entender la regulación génica, los investigadores han descubierto que solo porque un gen esté expresado, no significa que la proteína correspondiente se produzca en las cantidades esperadas. Es un poco como hornear un pastel; incluso si sigues la receta, a veces el pastel no sube tanto como pensabas. Aquí es donde entra en juego la idea de la regulación transicional y post-translacional.
La regulación transicional controla la eficiencia de convertir ARN en proteína, mientras que la regulación post-translacional afecta cómo se comportan las proteínas después de que han sido producidas. Estas capas de control significan que las variantes que influyen en la expresión génica pueden perderse en la traducción, ¡literalmente!
Estudiando el Cerebro
Cuando estudian el cerebro, los científicos miran tejidos cerebrales para entender cómo las variantes genéticas afectan la expresión génica, la traducción y, en última instancia, los niveles de proteínas. En recientes estudios realizados sobre muestras de cerebro post mortem, los investigadores recogieron grandes cantidades de datos para entender cómo las variantes genéticas afectan la síntesis de proteínas en la corteza prefrontal, el área del cerebro responsable de comportamientos complejos.
Con el perfilado de ribosomas, pueden ver cuán eficientemente están trabajando los ribosomas (las máquinas que producen proteínas). Usando más de 200 muestras de cerebro, los investigadores pudieron capturar alrededor de 62 mil millones de puntos de datos. ¡Eso es un montón de información!
Encontrando Señales Genéticas
En su búsqueda por encontrar qué variantes genéticas importan realmente, los investigadores utilizaron algo llamado mapeo cis-QTL. Esta técnica ayuda a identificar variantes que influyen en la expresión génica. Encontraron miles de estas variantes, lo que les llevó a concluir que muchas variantes genéticas tienen diferentes fortalezas y pueden afectar la expresión génica de varias maneras.
Los investigadores también notaron que a medida que avanzaban de la expresión génica a las proteínas, el número de señales significativas se redujo drásticamente. Es mucho más difícil encontrar las variantes que afectan la síntesis de proteínas que encontrar aquellas que afectan la expresión génica. Esto sugiere que cuanto más se alejan del gen a la proteína, menos clara se vuelve la conexión, como un juego de teléfono donde el mensaje original se distorsiona.
El Papel de Variantes Específicas
Se identificaron diferentes tipos de QTL en este estudio, incluyendo eQTLs (QTL de expresión), rQTLs (QTL de ocupación de ribosomas) y pQTLs (QTL de proteínas). Cada tipo representa una capa diferente de regulación, y los investigadores observaron que los pQTLs tendían a tener más variantes codificantes en comparación con los eQTLs y rQTLs.
También encontraron que muchos de estos QTL compartían similitudes con los genes conocidos por estar asociados con trastornos neuropsiquiátricos. Esto ilustra cómo ciertas variantes genéticas pueden aumentar los riesgos de estas condiciones.
Colocalización con Trastornos Cerebrales
Una parte crucial de esta investigación implicó buscar colocalización entre señales QTL y señales genéticas conocidas asociadas con trastornos cerebrales como la esquizofrenia. De hecho, muchas señales QTL se encontraron superpuestas con señales de estos trastornos cerebrales, sugiriendo que podrían estar involucradas en el riesgo de desarrollar estas condiciones.
Encontrando Nuevos Genes de Riesgo
Los investigadores también identificaron nuevos genes de riesgo que no se habían reportado antes. Esto fue posible gracias a la combinación de su enfoque de datos multi-ómicos y la importancia de ciertas variantes genéticas. ¡Imagina encontrar tesoros escondidos que otros se perdieron porque no estaban usando el mapa correcto!
Entre los nuevos descubrimientos de genes, algunos estaban vinculados a funciones importantes en el cerebro, sugiriendo que podrían ayudar a explicar por qué alguien puede ser más vulnerable a desarrollar ciertos trastornos neuropsiquiátricos.
Efectos Translacionales en Acción
Los investigadores observaron que aunque muchas variantes genéticas afectaron significativamente la expresión génica, su impacto en los niveles de proteínas no fue tan pronunciado. Esto planteó preguntas interesantes sobre cómo estas variantes podrían influir en la síntesis de proteínas sin afectar los niveles de proteínas.
Al comparar conjuntos de datos independientes de diferentes estudios, los investigadores pudieron fortalecer sus conclusiones. Encontraron que la regulación translacional parecía explicar una reducción más significativa del tamaño del efecto.
Implicaciones para la Investigación Futura
Al unir estos complejos conjuntos de datos, los investigadores están obteniendo una imagen más clara de cómo la genética, la síntesis de proteínas y los trastornos neuropsiquiátricos se interrelacionan. Sus hallazgos abren nuevas avenidas para la investigación, sugiriendo que entender los mecanismos moleculares puede llevar a mejores tratamientos e intervenciones para estos trastornos.
Además, enfatizan el potencial de traducir señales genéticas en impactos en el mundo real, subrayando la importancia de entender cómo los genes pueden influir en el comportamiento y el riesgo de problemas de salud mental.
Conclusión
En resumen, la genética detrás de los trastornos neuropsiquiátricos es una complicada red de interacciones entre varios factores. Aún queda mucho por descubrir, y el viaje continúa. A medida que profundizan y utilizan métodos innovadores, los investigadores esperan arrojar más luz sobre la comprensión de estas condiciones.
¿Quién diría que la genética podría ser tan enredada, como espagueti? Sin embargo, con determinación y las herramientas adecuadas, los investigadores están desenredando esta pasta de la ciencia, un hilo a la vez.
Título: The impact of common variants on gene expression in the human brain: from RNA to protein to schizophrenia risk
Resumen: 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.
Autores: 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
Última actualización: Dec 24, 2024
Idioma: English
Fuente URL: https://www.biorxiv.org/content/10.1101/2023.06.04.543603
Fuente PDF: https://www.biorxiv.org/content/10.1101/2023.06.04.543603.full.pdf
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a biorxiv por el uso de su interoperabilidad de acceso abierto.