Aperçus génétiques sur la maladie de Parkinson à travers les populations
La recherche étudie le risque génétique de Parkinson chez des personnes de divers milieux.
― 8 min lire
Table des matières
- C'est quoi un Score de Risque Polygénique ?
- Aperçu de la Recherche
- Participants à l'Étude
- Génotypage et Contrôle de Qualité
- Prédictions d'Ascendance et Traitement des Données
- Calculs du Score de Risque Polygénique
- Résultats : Performance des Modèles de PRS
- Implications pour la Recherche Future
- Conclusion
- Source originale
- Liens de référence
La Maladie de Parkinson (MP) est un truc qui touche le mouvement et peut causer des tremblements, de la raideur et des difficultés à garder l'équilibre. Les chercheurs pensent que la génétique joue un rôle dans le développement de la MP. Des études montrent qu'environ 22% du risque de développer cette maladie chez les populations européennes peut être expliqué par la génétique. Ces résultats proviennent d'études d'association à l'échelle du génome (GWAS), qui aident à identifier des gènes spécifiques qui peuvent augmenter le risque d'avoir la MP.
Ces dernières années, les scientifiques ont essayé d'inclure des personnes de différents horizons dans la recherche sur la MP. Cela aide à mieux comprendre comment la maladie peut varier selon les groupes. Une grande étude a examiné des Données génétiques de personnes d'origines variées, y compris européennes, est-asiatiques, latino et africaines. Ils ont trouvé 78 zones dans le génome liées au risque de MP, certaines de ces zones n'ayant pas été identifiées dans des études antérieures.
C'est quoi un Score de Risque Polygénique ?
Un score de risque polygénique (PRS) est un chiffre qui aide à estimer le risque qu'une personne développe une condition spécifique. Dans ce cas, il évalue la chance de développer la MP en tenant compte de plusieurs facteurs génétiques. Cependant, quand on utilise le PRS tout seul dans les populations européennes, sa capacité à prédire la MP n'est pas très élevée, affichant environ 57% de sensibilité et 63% de spécificité. Ça veut dire que c’est juste modérément réussi à identifier qui va développer la maladie.
Les scientifiques ont trouvé qu'inclure d'autres facteurs, comme l'âge, les antécédents familiaux et la fonction olfactive (la capacité à sentir), améliore l'exactitude du PRS. Ça suggère que l'utilisation d'une combinaison de génétique et d'historique personnel peut mener à de meilleures prédictions.
Malgré ces avancées, la plupart des recherches sur le PRS pour la MP se sont concentrées sur les groupes européens. Ça soulève des questions sur l'équité et l'efficacité d'utiliser ces scores pour des personnes d'horizons différents. Il y a quelques preuves que le PRS dérivé des Européens peut être associé à des maladies comme Alzheimer, le cancer du sein et la thromboembolie veineuse dans des groupes non européens. Ça ouvre la porte à l'amélioration du PRS pour être plus fiable pour tout le monde.
Aperçu de la Recherche
Notre recherche vise à combler les lacunes en étudiant comment le risque génétique pour la MP varie entre différents groupes de population. Plus précisément, nous utilisons deux méthodes pour examiner le PRS dans des populations diversifiées. D'abord, nous comparons le modèle standard de PRS à travers sept groupes d'Ascendance, y compris est-asiatique, latino, africain et d'autres. Ensuite, nous créons de meilleurs modèles de PRS qui prennent en compte l'ascendance génétique de chaque groupe.
En faisant ça, on espère fournir une image plus claire de comment les facteurs génétiques contribuent à la MP selon les différentes ascendants. Cette compréhension peut mener à des modèles de prédiction de risque plus précis et promouvoir l'équité dans la recherche et le traitement médical.
Participants à l'Étude
Pour notre étude, on a travaillé avec des données génétiques du Programme Mondial de Génétique de Parkinson, qui a récolté des infos de plus de 41 000 participants. Ça inclut des personnes diagnostiquées avec la MP, celles sans la maladie, et certaines avec d'autres conditions neurologiques. Après avoir nettoyé les données pour enlever les individus étroitement liés et les cas non-MP, on s'est concentrés sur environ 29 000 personnes.
Les participants venaient de divers horizons : africains, latinos, est-asiatiques, et plus. Ce jeu de données diversifié nous permet d'examiner comment le risque génétique varie parmi ces groupes.
Génotypage et Contrôle de Qualité
Pour étudier la génétique, on a d'abord généré des données de génotype, qui révèlent la composition génétique de nos individus d'étude. On a utilisé un dispositif spécialisé qui capture un grand nombre de Variants génétiques. Un processus de contrôle de qualité rigoureux a assuré que seules des données fiables étaient incluses. Les échantillons avec une faible précision ou d'autres problèmes ont été filtrés, garantissant des informations génétiques de haute qualité pour chaque participant.
Prédictions d'Ascendance et Traitement des Données
On a utilisé un panel de référence composé de données génétiques de diverses populations dans le monde pour aider à prédire l'ascendance de nos participants. Ce panel a fourni une base solide pour évaluer l'ascendance, améliorant l'exactitude de nos prédictions. Après avoir estimé l'ascendance, on a exclu les individus liés pour éviter les biais dans nos analyses.
Calculs du Score de Risque Polygénique
On a calculé le PRS pour chaque groupe d'ascendance basé sur des études antérieures ayant identifié des variants génétiques liés à la MP. On a comparé deux approches : le modèle conventionnel de PRS et le nouveau modèle de meilleure adéquation multi-ascendance.
Le modèle conventionnel se concentre sur 90 variants génétiques spécifiques liés à la MP et les pondère selon leurs effets dans différentes populations. Ce modèle a été ajusté pour l'âge, le sexe et d'autres facteurs pour augmenter l'exactitude.
En revanche, le modèle de meilleure adéquation multi-ascendance utilise une approche plus flexible. Il sélectionne les variants génétiques les plus informatifs basés sur des niveaux de signification statistique variables entre les groupes. Ça permet une évaluation plus adaptée du risque pour chaque population d'ascendance.
Résultats : Performance des Modèles de PRS
Notre analyse a révélé des différences notables dans la façon dont les modèles de PRS ont fonctionné à travers différents groupes d'ascendance. Par exemple, le PRS conventionnel a très bien fonctionné pour les individus d'ascendance européenne, montrant une forte association avec le risque de MP. En revanche, l'efficacité du PRS variait pour d'autres ascendants.
Le groupe juif ashkénaze a montré un risque particulièrement notable à cause de certains variants génétiques à haut risque. Pendant ce temps, les populations est-asiatiques avaient moins de prédicteurs génétiques efficaces disponibles. Ça met en lumière la variabilité des facteurs de risque génétiques selon les ascendants.
Le modèle de meilleure adéquation multi-ascendance a généralement amélioré l'exactitude, surtout pour les participants européens et juifs ashkénazes. Cependant, il n'a pas aussi bien fonctionné pour des populations plus mélangées génétiquement, comme les groupes africains admixés et latino/admixés.
Implications pour la Recherche Future
Les résultats de notre étude soulignent l'importance de prendre en compte l'ascendance dans la recherche génétique. Bien que certains risques de MP associés à l'ascendance européenne puissent se traduire à d'autres groupes, les différences dans la composition génétique mettent en évidence la nécessité d'approches sur mesure.
Les modèles de PRS actuels ne performent pas de manière équitable à travers des populations diverses, principalement à cause des différences dans la structure génétique et le nombre de points de données disponibles. Pour améliorer la prédiction du risque, les futures études devraient se concentrer sur la collecte de données plus larges provenant de populations diverses et développer des méthodologies tenant compte des aspects d'ascendance locale.
Conclusion
En résumé, notre recherche met en lumière la complexité des facteurs génétiques dans la maladie de Parkinson et l'importance d'inclure des populations diverses dans les études. Bien que des progrès aient été réalisés pour comprendre les risques génétiques, il reste beaucoup à faire pour garantir que les modèles de prédiction sont précis et utiles pour tout le monde. En affinant ces modèles et en incorporant des perspectives de diverses ascendants, on peut aller vers une approche plus équitable pour prédire et gérer le risque de MP, bénéficiant à des individus de tous horizons.
Titre: Insights into Ancestral Diversity in Parkinsons Disease Risk: A Comparative Assessment of Polygenic Risk Scores
Résumé: ObjectivesTo evaluate and compare different polygenic risk score (PRS) models in predicting Parkinsons disease (PD) across diverse ancestries, focusing on identifying the most suitable approach for each population and potentially contributing to equitable advancements in precision medicine. MethodsWe constructed a total of 105 PRS across individual level data from seven diverse ancestries. First, a cross-ancestry conventional PRS comparison was implemented by utilizing the 90 known European risk loci with weighted effects from four independent summary statistics including European, East Asian, Latino/Admixed American, and African/Admixed. These models were adjusted by sex, age, and principal components (28 PRS) and by sex, age, and percentage of admixture (28 PRS) for comparison. Secondly, a novel and refined multi-ancestry best-fit PRS approach was then applied across the seven ancestries by leveraging multi-ancestry meta-analyzed summary statistics and using a p-value thresholding approach (49 PRS) to enhance prediction applicability in a global setting. ResultsEuropean-based PRS models predicted disease status across all ancestries to differing degrees of accuracy. Ashkenazi Jewish had the highest Odds Ratio (OR): 1.96 (95% CI: 1.69-2.25, p < 0.0001) with an AUC (Area Under the Curve) of 68%. Conversely, the East Asian population, despite having fewer predictive variants (84 out of 90), had an OR of 1.37 (95% CI: 1.32-1.42) and an AUC of 62%, illustrating the cross-ancestry transferability of this model. Lower OR alongside broader confidence intervals were observed in other populations, including Africans (OR =1.38, 95% CI: 1.12-1.63, p=0.001). Adjustment by percentage of admixture did not outperform principal components. Multi-ancestry best-fit PRS models improved risk prediction in European, Ashkenazi Jewish, and African ancestries, yet didnt surpass conventional PRS in admixed populations such as Latino/American admixed and African admixed populations. InterpretationThe present study represents a novel and comprehensive assessment of PRS performance across seven ancestries in PD, highlighting the inadequacy of a one size fits all approach in genetic risk prediction. We demonstrated that European based PD PRS models are partially transferable to other ancestries and could be improved by a novel best-fit multi-ancestry PRS, especially in non-admixed populations.
Auteurs: Sara Bandres Ciga, P. Saffie Awad, M. B. Makarious, I. Elsayed, A. Sanyaolu, P. Wild Crea, A. F. Schumacher Schuh, K. S. Levine, D. Vitale, M. J. Korestky, J. Kim, T. Peixoto Leal, M. T. Perinan, S. Dey, A. J. Noyce, A. Reyes-Palomares, N. Rodriguez-Losada, J. N. Foo, W. Mohamed, K. Heilbron, L. Norcliffe-Kaufmann, the 23andMe Research Team, M. Rizig, N. Okubadejo, M. Nalls, C. Blauwendraat, A. Singleton, H. Leonard, I. F. Mata, Global Parkinsons Genetics Program (GP2)
Dernière mise à jour: 2024-05-09 00:00:00
Langue: English
Source URL: https://www.medrxiv.org/content/10.1101/2023.11.28.23299090
Source PDF: https://www.medrxiv.org/content/10.1101/2023.11.28.23299090.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 medrxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://gp2.org/22
- https://doi.org/10.5281/zenodo.10472143
- https://gp2.org/
- https://pypi.org/project/the-real-genotools/
- https://www.internationalgenome.org/data-portal/data-collection/phase-1
- https://doi.org/10.5281/zenodo.10719034
- https://dalexander.github.io/admixture/binaries/admixture_linux-1.3.0.tar.gz
- https://topmed.nhlbi.nih.gov/
- https://imputation.biodatacatalyst.nhlbi.nih.gov
- https://pdgenetics.org/resources
- https://www.versiticlinicaltrials.org/salusirb
- https://research.23andme.com/collaborate/#dataset-access/
- https://genome.sph.umich.edu/wiki/METAL_Documentation
- https://github.com/DudbridgeLab/avengeme/
- https://github.com/GP2code/multiancestry-PRS_PRSice