L'impatto delle varianti strutturali sulla salute del cervello
Le varianti strutturali giocano un ruolo fondamentale nella diversità genetica e nel funzionamento del cervello.
Kimberley J. Billingsley, Melissa Meredith, Kensuke Daida, Pilar Alvarez Jerez, Shloka Negi, Laksh Malik, Rylee M. Genner, Abraham Moller, Xinchang Zheng, Sophia B. Gibson, Mira Mastoras, Breeana Baker, Cedric Kouam, Kimberly Paquette, Paige Jarreau, Mary B. Makarious, Anni Moore, Samantha Hong, Dan Vitale, Syed Shah, Jean Monlong, Caroline B. Pantazis, Mobin Asri, Kishwar Shafin, Paolo Carnevali, Stefano Marenco, Pavan Auluck, Ajeet Mandal, Karen H. Miga, Arang Rhie, Xylena Reed, Jinhui Ding, Mark R. Cookson, Mike Nalls, Andrew Singleton, Danny E. Miller, Mark Chaisson, Winston Timp, J. Raphael Gibbs, Adam M. Phillippy, Mikhail Kolmogorov, Miten Jain, Fritz J. Sedlazeck, Benedict Paten, Cornelis Blauwendraat
― 7 leggere min
Indice
- Come le SV Influenzano il Cervello
- Sfide nel Rilevare le SV
- L'Importanza di Background Genetici Diversi
- Panoramica dello Studio
- Raccolta Campioni e Ancestralità Genetica
- Assemblaggio del Genoma
- Caratterizzazione delle Varianti Strutturali
- L'Impatto delle SV sull'Espressione Genica
- Profilazione della Metilazione
- Il Collegamento tra SV e Metilazione
- Sfide e Limitazioni
- Conclusione
- Fonte originale
- Link di riferimento
Nel complicato mondo della genetica, le Varianti Strutturali (SV) sono gli eroi non celebrati o i combinaguai, a seconda di come le guardi. Queste sono cambiamenti nel Genoma che possono includere inserzioni, delezioni, duplicazioni e altri riarrangiamenti del DNA. Contribuiscono in modo significativo alla diversità genetica negli esseri umani, influenzando tutto, da come sono collegati i nostri cervelli al nostro rischio di varie malattie.
Come le SV Influenzano il Cervello
Le SV giocano un ruolo unico nel plasmare l'architettura genetica del cervello umano. Possono influenzare quali geni sono attivi o meno, come vengono regolati i geni e persino impattare la stabilità genetica. Tutti questi fattori possono influenzare profondamente la struttura individuale del cervello, le capacità cognitive e la vulnerabilità ai disturbi neurologici.
Un esempio prominente è il gene APP, dove le duplicazioni sono state collegate alla malattia di Alzheimer precoce. Similmente, le variazioni nel gene SNCA contribuiscono alla malattia di Parkinson e ad altre forme di demenza. Le SV possono essere coinvolte anche in disturbi come la distonia X-linked Parkinsonismo, basandosi su inserzioni di elementi trasponibili nel gene TAF1. Il gene Parkin (PRKN) è anche noto per essere implicato nella malattia di Parkinson precoce a causa dei suoi riarrangiamenti.
Questi esempi illustrano come le SV possano avere un ruolo critico nello sviluppo e nella progressione delle Malattie neurodegenerative, sottolineando l'importanza di studiare queste variazioni genetiche per comprendere meglio i disturbi cerebrali.
Sfide nel Rilevare le SV
Nonostante la loro importanza, rilevare le SV usando metodi di sequenziamento tradizionale a lettura corta può essere come cercare un ago in un pagliaio. Le letture corte, tipicamente lunghe solo poche centinaia di paia di basi, spesso faticano a catturare varianti strutturali più grandi. Hanno anche difficoltà a risolvere le varianti in regioni genomiche ripetitive, il che porta a perdere una parte significativa delle SV.
Entrano in gioco le tecnologie di sequenziamento a lettura lunga (LRS), che vengono in soccorso offrendo letture molto più lunghe e migliori per coprire grandi SV. Questi metodi permettono ai ricercatori di rilevare le SV in modo più accurato e di analizzare le varianti su distanze genomiche più ampie. Studi recenti hanno dimostrato che LRS migliora sostanzialmente il rilevamento delle SV, anche in regioni difficili del genoma.
L'Importanza di Background Genetici Diversi
La ricerca in genetica ha spesso focalizzato l'attenzione su popolazioni europee, lasciando un divario nella comprensione della variazione genetica in altre ancestrie. Questo bias può limitare la scoperta di varianti specifiche per determinate popolazioni, che sono essenziali per comprendere la suscettibilità alle malattie e altre caratteristiche.
Ad esempio, una variante specifica per popolazione associata alla malattia di Parkinson è stata identificata in popolazioni di origine africana o miste africane, mostrando l'importanza di ampliare il campo della ricerca genetica. Man mano che gli scienziati svelano differenze nei fattori di rischio genetici tra popolazioni diverse, diventa vitale sviluppare risorse genomiche inclusive per migliorare l'accuratezza della mappatura delle malattie e garantire soluzioni sanitarie eque in tutto il mondo.
Panoramica dello Studio
In un'analisi approfondita, i ricercatori hanno generato genomi a lettura lunga di alta qualità dai cervelli di 351 individui con ancestrale europea e africana. Questo progetto ha scoperto ben 234.905 SV e prodotto assemblaggi localmente fasi che coprono la maggior parte dei geni codificanti proteine. Hanno anche avanzato la loro comprensione di come queste SV influenzano l'Espressione genica e la Metilazione nei tessuti cerebrali.
Non solo hanno reso questa preziosa risorsa pubblicamente disponibile, ma hanno anche posto le basi per future ricerche sugli effetti biologici della variazione genetica e fornito un set diversificato di controlli abbinati con dati genomici sia a lungo che a breve raggio.
Raccolta Campioni e Ancestralità Genetica
Lo studio ha coinvolto il sequenziamento dell'intero genoma su 359 campioni di cervello umano provenienti da due coorti, NABEC e HBCC. I campioni della coorte NABEC erano principalmente di origine europea, mentre quelli in HBCC erano prevalentemente di origine africana. L'etichettatura genealogica di ciascun campione è stata attentamente determinata utilizzando vari database, aiutando a garantire che la ricerca rappresentasse un paesaggio genetico diversificato.
Assemblaggio del Genoma
I ricercatori hanno utilizzato tecniche computazionali avanzate per assemblare i genomi dei campioni. Hanno prodotto assemblaggi diploidi, dove il DNA di entrambi i genitori è preso in considerazione, il che ha permesso di catturare un'ampia gamma di varianti strutturali. Questo è stato cruciale per rappresentare accuratamente i dati genomici.
Caratterizzazione delle Varianti Strutturali
Per identificare e caratterizzare le SV, i ricercatori hanno impiegato due metodi complementari per garantire una rilevazione completa. Una volta elaborati e armonizzati i dati, hanno trovato un numero impressionante di SV ad alta fiducia. Curiosamente, la maggior parte di queste SV era rara, con una proporzione significativa che presentava una frequenza dell'allele minore inferiore all'1%.
Il team ha scoperto che il numero medio di SV per individuo variava tra le due coorti, con i campioni HBCC, più geneticamente diversificati, che mostrano un numero medio di SV più elevato. La maggior parte delle SV identificate erano inserzioni, con meno delezioni e inversioni presenti, rispecchiando i risultati di studi simili su larga scala.
L'Impatto delle SV sull'Espressione Genica
Addentrandosi nell'impatto delle SV sull'espressione genica, i ricercatori hanno effettuato analisi di locus di tratti quantitativi (QTL). In particolare, hanno valutato l'effetto delle SV sull'espressione genica nella corteccia frontale del cervello. Analizzando le varianti comuni, sono riusciti a valutare i loro effetti regolatori e a scoprire associazioni significative tra le SV e l'espressione di vari geni.
Lo studio ha rivelato che le SV possono essere varianti candidate principali che guidano queste associazioni, sottolineando la loro importanza nella comprensione di come le variazioni genetiche influenzano la funzione cerebrale.
Profilazione della Metilazione
Un altro aspetto importante della ricerca è stata l'analisi dei modelli di metilazione del DNA. La metilazione funge da meccanismo regolatorio, influenzando l'espressione genica, e la sua analisi può fornire indicazioni su come le variazioni genetiche influenzano la salute cerebrale.
I ricercatori hanno utilizzato il sequenziamento a lettura lunga per effettuare una profilazione della metilazione, che consente una comprensione più approfondita dei modelli di metilazione rispetto ai metodi tradizionali. I risultati hanno mostrato che la maggior parte della metilazione era ipermetilata nei tessuti cerebrali, e alcune regioni mostravano cambiamenti associati all'età.
Il Collegamento tra SV e Metilazione
In un ulteriore indagine, il team ha esaminato come le SV influenzano i modelli di metilazione del DNA nella corteccia frontale. Hanno identificato diverse SV che erano collegate a cambiamenti nei livelli di metilazione, enfatizzando l'interazione complessa tra fattori genetici ed epigenetici nel modellare la funzione cerebrale.
Analizzando simultaneamente gli effetti delle SV sull'espressione genica e sulla metilazione, i ricercatori sono riusciti a scoprire meccanismi regolatori intricati che potrebbero essere stati precedentemente trascurati.
Sfide e Limitazioni
Sebbene i progressi nelle tecnologie di sequenziamento abbiano aperto nuove porte alla comprensione della variazione genetica, ci sono ancora sfide da affrontare. La fusione e l'identificazione accurata delle SV possono essere difficili a causa della complessità delle variazioni genomiche. Inoltre, mentre lo studio si è concentrato su variazioni genetiche comuni, future ricerche dovranno esplorare il ruolo di varianti più rare per ottenere un quadro più completo.
Conclusione
In sintesi, lo studio fa luce sul mondo intricato delle varianti strutturali e sulla loro influenza sulla funzione e salute cerebrale. Utilizzando tecnologie di sequenziamento all'avanguardia e una varietà diversificata di campioni, i ricercatori stanno facendo passi avanti nella comprensione del panorama genetico ed epigenetico del cervello umano. Questa risorsa completa aprirà sicuramente la strada a futuri studi sulle connessioni tra genetica, funzione cerebrale e disturbi neurologici, assicurando che gli scienziati continuino a svelare i misteri del nostro organo più complesso. Quindi, se mai ti troverai a riflettere sui misteri del tuo cervello, ricorda: la genetica è un grande puzzle, e le SV sono alcuni dei pezzi che aiutano a completare il quadro!
Fonte originale
Titolo: Long-read sequencing of hundreds of diverse brains provides insight into the impact of structural variation on gene expression and DNA methylation
Estratto: Structural variants (SVs) drive gene expression in the human brain and are causative of many neurological conditions. However, most existing genetic studies have been based on short-read sequencing methods, which capture fewer than half of the SVs present in any one individual. Long-read sequencing (LRS) enhances our ability to detect disease-associated and functionally relevant structural variants (SVs); however, its application in large-scale genomic studies has been limited by challenges in sample preparation and high costs. Here, we leverage a new scalable wet-lab protocol and computational pipeline for whole-genome Oxford Nanopore Technologies sequencing and apply it to neurologically normal control samples from the North American Brain Expression Consortium (NABEC) (European ancestry) and Human Brain Collection Core (HBCC) (African or African admixed ancestry) cohorts. Through this work, we present a publicly available long-read resource from 351 human brain samples (median N50: 27 Kbp and at an average depth of [~]40x genome coverage). We discover approximately 234,905 SVs and produce locally phased assemblies that cover 95% of all protein-coding genes in GRCh38. Utilizing matched expression datasets for these samples, we apply quantitative trait locus (QTL) analyses and identify SVs that impact gene expression in post-mortem frontal cortex brain tissue. Further, we determine haplotype- specific methylation signatures at millions of CpGs and, with this data, identify cis-acting SVs. In summary, these results highlight that large-scale LRS can identify complex regulatory mechanisms in the brain that were inaccessible using previous approaches. We believe this new resource provides a critical step toward understanding the biological effects of genetic variation in the human brain.
Autori: Kimberley J. Billingsley, Melissa Meredith, Kensuke Daida, Pilar Alvarez Jerez, Shloka Negi, Laksh Malik, Rylee M. Genner, Abraham Moller, Xinchang Zheng, Sophia B. Gibson, Mira Mastoras, Breeana Baker, Cedric Kouam, Kimberly Paquette, Paige Jarreau, Mary B. Makarious, Anni Moore, Samantha Hong, Dan Vitale, Syed Shah, Jean Monlong, Caroline B. Pantazis, Mobin Asri, Kishwar Shafin, Paolo Carnevali, Stefano Marenco, Pavan Auluck, Ajeet Mandal, Karen H. Miga, Arang Rhie, Xylena Reed, Jinhui Ding, Mark R. Cookson, Mike Nalls, Andrew Singleton, Danny E. Miller, Mark Chaisson, Winston Timp, J. Raphael Gibbs, Adam M. Phillippy, Mikhail Kolmogorov, Miten Jain, Fritz J. Sedlazeck, Benedict Paten, Cornelis Blauwendraat
Ultimo aggiornamento: 2024-12-18 00:00:00
Lingua: English
URL di origine: https://www.biorxiv.org/content/10.1101/2024.12.16.628723
Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.12.16.628723.full.pdf
Licenza: https://creativecommons.org/publicdomain/zero/1.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia biorxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://www.alzheimersdata.org/ad-workbench
- https://nda.nih.gov/edit_collection.html?id=3151
- https://www.bannerhealth.com/services/research/locations/sun-health-institute/programs/body-donation/tissue
- https://medicine.uky.edu/centers/sbcoa/data-sample-request
- https://www.medschool.umaryland.edu/btbank/
- https://neurobiobank.nih.gov/
- https://github.com/ACEnglish/truvari/discussions/216
- https://github.com/nanoporegenomics/napu_wf/blob/r10/wdl/workflows/bedtoolsMap.wdl
- https://hgdownload.cse.ucsc.edu/goldenpath/hg38/database/refFlat.txt.gz
- https://github.com/zhengxinchang/stix-suite
- https://github.com/arvkevi/kneed
- https://github.com/broadinstitute/gatk-sv
- https://github.com/nanoporegenomics/napu_wf
- https://github.com/NIH-CARD/CARDlongread_NABEC_HBCC_QTL_manuscript