Simple Science

La science de pointe expliquée simplement

# Biologie # Génétique

Génétique et troubles neuropsychiatriques : déchiffrer les complexités

Plonge dans la génétique des troubles neuropsychiatriques et leurs liens compliqués.

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 min lire


Décoder la génétique Décoder la génétique neuropsychiatrique les troubles neuropsychiatriques. Découvre comment la génétique influence
Table des matières

Les Troubles neuropsychiatriques sont un groupe de maladies complexes qui touchent à la fois le cerveau et le comportement. Ça peut inclure des trucs comme la schizophrénie, le trouble bipolaire et le trouble du spectre autistique. Comprendre ce qui cause ces troubles, c'est pas évident, vu qu'il y a plein de facteurs, comme la génétique, l'environnement et les facteurs sociaux, qui entrent en jeu. Si on imagine, c'est un peu comme essayer de découvrir pourquoi un ragoût a un certain goût alors que ça pourrait être le mélange d'ingrédients qui le rend spécial.

Le Rôle de la Génétique

Un élément clé du puzzle, c'est la génétique. Les scientifiques savent depuis longtemps que la génétique peut influencer le risque de développer des troubles neuropsychiatriques. En fait, beaucoup d'études montrent que si quelqu'un dans ta famille a un trouble, t'as plus de chances de le développer aussi. C'est comme avoir une recette familiale qui semble se transmettre et qui est super bonne. Les études Génétiques ont identifié plein de petits morceaux d'ADN, appelés loci, associés à différents troubles. Récemment, ces études ont pris de l'ampleur grâce aux avancées technologiques.

Études d'Association à l'Échelle du Génome (GWAS)

Les GWAS, c'est un peu comme des chasses au trésor où les chercheurs fouillent tout le génome humain pour trouver des variantes génétiques liées aux maladies. Des milliers de ces variantes génétiques ont été identifiées et semblent augmenter le risque de divers troubles neuropsychiatriques. Cependant, ça veut pas dire que si t'as ces variantes, tu vas forcément développer un trouble. Pense à un ticket de loterie ; juste parce que t'en as un, ça veut pas dire que tu vas gagner le gros lot.

Le Mystère des Régions Non Codantes

En creusant les résultats des GWAS, les chercheurs ont découvert que beaucoup de variantes génétiques liées aux troubles se trouvent dans des régions non codantes de l'ADN. Les régions non codantes, ce sont les parties de l'ADN qui disent pas directement aux cellules comment fabriquer des protéines, qui est le boulot de l'ADN codant. Ça a laissé les chercheurs perplexes, car la manière dont ces régions affectent la maladie n'est pas simple.

L'Importance des Variantes Régulatrices

Les variantes régulatrices dans ces zones non codantes sont maintenant considérées comme de forts candidats pour influencer le risque de maladie. Ces variantes peuvent influencer comment les gènes s'activent ou se désactivent, un peu comme un variateur qui contrôle la luminosité d'une lumière. C'est là que l'expression génique entre en jeu. En intégrant les infos sur l'expression des gènes avec les données génétiques, les chercheurs peuvent commencer à cibler les variantes causales ou identifier quels gènes pourraient être impliqués dans le risque de troubles neuropsychiatriques.

Approches Multi-Omics

Ces dernières années, les scientifiques ont commencé à tirer plus de jus de leurs études génétiques en utilisant des approches multi-omiques. Imagine essayer de comprendre un film juste en le regardant sans jamais lire le livre ou parler au réalisateur. Les approches multi-omiques mélangent différents types de données biologiques : génétique, expression génique, niveaux de protéines, et plus, pour créer une image plus complète.

Pour les troubles liés au cerveau, intégrer des données comme le séquençage de l'ARN (qui nous parle de l'expression des gènes), le profilage des ribosomes (qui donne des indices sur la fabrication des protéines), et la protéomique (qui mesure la quantité de protéines) peut améliorer notre compréhension de comment ces variantes génétiques influencent le risque de maladie. Cette combinaison de données offre une vue plus détaillée, comme avoir plusieurs caméras capturant différents angles du même événement.

Le Défi de la Transcription et de la Traduction

En essayant de comprendre la régulation des gènes, les chercheurs ont découvert que juste parce qu'un gène est exprimé, ça veut pas dire que la protéine correspondante est produite en quantités attendues. C'est un peu comme faire un gâteau ; même si tu suis la recette, parfois le gâteau ne monte pas autant que tu le pensais. C'est là que l'idée de la régulation translationnelle et post-traductionnelle entre en jeu.

La régulation translationnelle contrôle l'efficacité de la conversion de l'ARN en protéine, tandis que la régulation post-traductionnelle affecte comment les protéines se comportent après avoir été fabriquées. Ces couches de contrôle signifient que les variantes influençant l'expression des gènes peuvent se perdre dans la traduction, au sens propre !

Étudier le Cerveau

En étudiant le cerveau, les scientifiques examinent les tissus cérébraux pour comprendre comment les variantes génétiques affectent l'expression des gènes, la traduction, et finalement les niveaux de protéines. Dans des études récentes sur des échantillons de cerveau post-mortem, les chercheurs ont collecté une énorme quantité de données pour comprendre comment les variantes génétiques influencent la synthèse des protéines dans le cortex préfrontal, la zone du cerveau responsable des comportements complexes.

Avec le profilage des ribosomes, ils peuvent voir à quel point les ribosomes (les machines qui produisent les protéines) fonctionnent efficacement. En utilisant plus de 200 échantillons de cerveau, les chercheurs ont pu capturer environ 62 milliards de points de données. C'est énorme !

Trouver des Signaux Génétiques

Dans leur quête pour trouver quelles variantes génétiques comptent vraiment, les chercheurs ont utilisé une technique appelée cartographie cis-QTL. Cette technique aide à identifier les variantes qui influencent l'expression des gènes. Ils ont trouvé des milliers de ces variantes, les amenant à conclure que beaucoup de variantes génétiques ont des forces différentes et peuvent influencer l'expression des gènes de diverses manières.

Les chercheurs ont aussi noté qu'en passant des signaux d'expression des gènes aux protéines, le nombre de signaux significatifs a fortement diminué. C'est beaucoup plus difficile de trouver les variantes qui affectent la synthèse des protéines que celles qui affectent l'expression des gènes. Ça suggère que plus on s'éloigne du gène pour arriver à la protéine, moins la connexion est claire, un peu comme un jeu de téléphone où le message original se déforme.

Le Rôle des Variantes Spécifiques

Différents types de QTLs ont été identifiés dans cette étude, y compris les eQTLs (expression QTLs), rQTLs (ribosome occupancy QTLs), et pQTLs (protein QTLs). Chaque type représente une couche de régulation différente, et les chercheurs ont observé que les pQTLs avaient tendance à avoir plus de variantes codantes par rapport aux eQTLs et rQTLs.

Ils ont aussi découvert que beaucoup de ces QTLs partageaient des similitudes avec les gènes connus associés aux troubles neuropsychiatriques. Ça illustre comment certaines variantes génétiques peuvent entraîner des risques accrus pour ces conditions.

Colocalisation avec les Troubles Cérébraux

Une partie cruciale de cette recherche consistait à chercher des colocalisations entre les signaux QTL et les signaux génétiques connus associés aux troubles cérébraux comme la schizophrénie. En fait, beaucoup de signaux QTL ont été trouvés en chevauchement avec des signaux de ces troubles cérébraux, suggérant qu'ils pourraient être impliqués dans le risque de développer ces conditions.

Découverte de Nouveaux Gènes de Risque

Les chercheurs ont aussi identifié de nouveaux gènes de risque qui n'avaient pas été rapportés auparavant. Ça a été possible grâce à la combinaison de leur approche multi-omique et à l'importance de certaines variantes génétiques. Imagine trouver des trésors cachés que d'autres ont ratés parce qu'ils n'utilisaient pas la bonne carte !

Parmi les nouvelles découvertes de gènes, certains étaient liés à des fonctions importantes dans le cerveau, laissant entendre qu'ils pourraient aider à expliquer pourquoi quelqu'un pourrait être plus vulnérable à développer des troubles neuropsychiatriques spécifiques.

Effets Translationnels en Action

Les chercheurs ont observé que même si de nombreuses variantes génétiques affectaient significativement l'expression des gènes, leur impact sur les niveaux de protéines n'était pas aussi marqué. Cela a soulevé des questions intéressantes sur comment ces variantes pourraient influencer la synthèse des protéines sans affecter les niveaux de protéines.

En comparant des ensembles de données indépendants provenant de différentes études, les chercheurs ont pu renforcer leurs conclusions. Ils ont trouvé que la régulation translationnelle semblait expliquer une réduction plus importante de l'ampleur des effets.

Implications pour la Recherche Future

En rassemblant ces ensembles de données complexes, les chercheurs obtiennent une image plus claire de la façon dont la génétique, la synthèse des protéines et les troubles neuropsychiatriques s'entrecroisent. Leurs découvertes ouvrent de nouvelles voies de recherche, suggérant que comprendre les mécanismes moléculaires pourrait mener à de meilleurs traitements et interventions pour ces troubles.

En plus, ils soulignent le potentiel de traduire les signaux génétiques en impacts concrets, mettant en avant l'importance de comprendre comment les gènes peuvent influencer le comportement et le risque de problèmes de santé mentale.

Conclusion

En résumé, la génétique derrière les troubles neuropsychiatriques est un vrai casse-tête plein d'interactions entre divers facteurs. Il y a encore beaucoup à découvrir, et le chemin continue. Alors qu'ils explorent plus en profondeur et utilisent des méthodes innovantes, les chercheurs espèrent éclaircir la compréhension de ces conditions.

Qui aurait cru que la génétique pouvait être si compliquée, comme des spaghetti ? Pourtant, avec de la détermination et les bons outils, les chercheurs sont en train de démêler cette pâte de science, un brin à la fois.

Source originale

Titre: The impact of common variants on gene expression in the human brain: from RNA to protein to schizophrenia risk

Résumé: 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.

Auteurs: 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

Dernière mise à jour: Dec 24, 2024

Langue: English

Source URL: https://www.biorxiv.org/content/10.1101/2023.06.04.543603

Source PDF: https://www.biorxiv.org/content/10.1101/2023.06.04.543603.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à biorxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires