Approfondimenti genetici sulla malattia di Parkinson tra le popolazioni
La ricerca esamina il rischio genetico per il Parkinson in diversi contesti.
― 6 leggere min
Indice
- Che cos'è un punteggio di rischio poligenico?
- Panoramica della ricerca
- Partecipanti allo studio
- Genotipizzazione e controllo qualità
- Previsioni di origine e elaborazione dei dati
- Calcoli del punteggio di rischio poligenico
- Risultati: Performance dei modelli PRS
- Implicazioni per ricerche future
- Conclusione
- Fonte originale
- Link di riferimento
La Malattia di Parkinson (PD) è una condizione che influisce sul movimento e può portare a tremori, rigidità e difficoltà nell'equilibrio. I ricercatori credono che la genetica giochi un ruolo nello sviluppo della PD. Gli studi dimostrano che circa il 22% del rischio di sviluppare questa malattia nelle popolazioni europee può essere spiegato dalla genetica. Queste scoperte vengono da studi di associazione genome-wide (GWAS), che aiutano a identificare specifici geni che potrebbero aumentare il rischio di avere la PD.
Negli ultimi anni, gli scienziati hanno fatto sforzi per includere persone di diverse origini nella ricerca sulla PD. Questo aiuta a capire meglio come la malattia possa variare tra i diversi gruppi. Un grande studio ha esaminato i Dati Genetici di persone con varie origini, tra cui europee, est asiatiche, latino-americane e africane. Hanno trovato 78 aree nel genoma collegate al rischio di PD, con alcune di queste aree non identificate in studi precedenti.
Che cos'è un punteggio di rischio poligenico?
Un punteggio di rischio poligenico (PRS) è un numero che aiuta a stimare il rischio di un individuo di sviluppare una condizione specifica. In questo caso, valuta la probabilità di sviluppare la PD considerando più fattori genetici. Tuttavia, utilizzando solo il PRS nelle popolazioni europee, la sua capacità di predire la PD non è molto alta, mostrando circa 57% di sensibilità e 63% di specificità. Questo significa che è solo moderatamente efficace nell'identificare chi svilupperà la malattia.
Gli scienziati hanno scoperto che includere altri fattori, come età, storia familiare e funzione olfattiva (la capacità di annusare), migliora l'accuratezza del PRS. Questo suggerisce che utilizzare una combinazione di genetica e storia personale può portare a previsioni migliori.
Nonostante questi progressi, la maggior parte della ricerca sul PRS per la PD si è concentrata su gruppi europei. Questo ha sollevato domande sulla giustizia e sull’efficacia dell'utilizzo di questi punteggi per persone di diverse origini. Ci sono alcune evidenze che il PRS derivato da popolazioni europee possa essere associato a malattie come l'Alzheimer, il cancro al seno e la tromboembolia venosa in gruppi non europei. Questo apre la strada a miglioramenti del PRS per renderlo più affidabile per tutti.
Panoramica della ricerca
La nostra ricerca mira a colmare le lacune studiando come il rischio genetico per la PD varia tra diversi gruppi di popolazione. In particolare, utilizziamo due metodi per esaminare il PRS in popolazioni diverse. Prima, confrontiamo il modello PRS standard tra sette gruppi di origine, tra cui est asiatico, latino, africano e altri. Secondo, creiamo modelli PRS migliori che tengano conto del background genetico di ogni gruppo.
Facendo ciò, speriamo di fornire un quadro più chiaro di come i fattori genetici contribuiscono alla PD attraverso diverse origini. Questa comprensione può portare a modelli di previsione del rischio più accurati e promuovere equità nella ricerca e nel trattamento medico.
Partecipanti allo studio
Per il nostro studio, abbiamo lavorato con dati genetici provenienti dal Global Parkinson's Genetics Program, che ha raccolto informazioni da oltre 41.000 partecipanti. Questo include individui diagnosticati con PD, quelli senza la malattia e alcuni con altre condizioni neurologiche. Dopo aver pulito i dati per rimuovere individui strettamente imparentati e casi non PD, ci siamo concentrati su circa 29.000 persone.
I partecipanti provenivano da vari background: africani, latino-americani, est asiatici e altro. Questo dataset diversificato ci consente di esaminare come il rischio genetico varia tra questi gruppi.
Genotipizzazione e controllo qualità
Per studiare la genetica, abbiamo prima generato dati di genotipo, che mostrano la composizione genetica dei nostri partecipanti allo studio. Abbiamo utilizzato un array specializzato che cattura un vasto numero di Varianti genetiche. Un attento processo di controllo qualità ha garantito che fossero inclusi solo dati affidabili. I campioni con bassa accuratezza o altri problemi sono stati filtrati, assicurando informazioni genetiche di alta qualità per ogni partecipante.
Previsioni di origine e elaborazione dei dati
Abbiamo utilizzato un pannello di riferimento composto da dati genetici di varie popolazioni in tutto il mondo per aiutare a prevedere l'origine dei nostri partecipanti. Questo pannello ha fornito una base solida per valutare l'origine, migliorando l'accuratezza delle nostre previsioni. Dopo aver stimato l'origine, abbiamo escluso individui imparentati per evitare bias nelle nostre analisi.
Calcoli del punteggio di rischio poligenico
Abbiamo calcolato il PRS per ogni gruppo di origine basandoci su studi precedenti che hanno identificato varianti genetiche collegate alla PD. Abbiamo confrontato due approcci: il modello PRS convenzionale e il nuovo modello multi-origine best-fit.
Il modello convenzionale esamina 90 specifiche varianti genetiche collegate alla PD e le valuta in base ai loro effetti in diverse popolazioni. Questo modello è stato adattato per età, sesso e altri fattori per aumentare l'accuratezza.
Al contrario, il modello multi-origine best-fit utilizza un approccio più flessibile. Seleziona le varianti genetiche più informative in base a diversi livelli di significato statistico tra i vari gruppi. Questo consente una valutazione del rischio più personalizzata per ogni popolazione di origine.
Risultati: Performance dei modelli PRS
La nostra analisi ha rivelato differenze notevoli nelle prestazioni dei modelli PRS attraverso diversi gruppi di origine. Ad esempio, il PRS convenzionale ha funzionato piuttosto bene per gli individui di origine europea, mostrando una forte associazione con il rischio di PD. Al contrario, l'efficacia del PRS variava per altre origini.
Il gruppo ebraico ashkenazita ha mostrato un rischio particolarmente notevole a causa di alcune varianti genetiche ad alto rischio. Nel frattempo, le popolazioni est asiatiche avevano meno predittori genetici efficaci disponibili. Questo evidenzia la variabilità nei fattori di rischio genetico tra le origini.
Il modello multi-origine best-fit ha generalmente migliorato l'accuratezza, specialmente per i partecipanti europei e ashkenaziti. Tuttavia, non ha funzionato altrettanto bene per popolazioni più geneticamente miste, come i gruppi africani misti e latino/misti.
Implicazioni per ricerche future
I risultati del nostro studio sottolineano l'importanza di considerare l'origine nella ricerca genetica. Mentre alcuni rischi di PD associati all'origine europea possono tradursi in altri gruppi, le differenze nella composizione genetica evidenziano la necessità di approcci su misura.
Gli attuali modelli PRS non funzionano altrettanto bene tra popolazioni diverse principalmente a causa delle differenze nella struttura genetica e nel numero di punti dati disponibili. Per migliorare la previsione del rischio, gli studi futuri dovrebbero concentrarsi sulla raccolta di dati più estesi da popolazioni diversificate e sullo sviluppo di metodologie che tengano conto degli aspetti locali dell'origine.
Conclusione
In sintesi, la nostra ricerca evidenzia la complessità dei fattori genetici nella malattia di Parkinson e l'importanza di includere popolazioni diverse negli studi. Anche se sono stati fatti progressi nella comprensione dei rischi genetici, c'è ancora molto da fare per garantire che i modelli di previsione siano accurati e utili per tutti. Raffinando questi modelli e incorporando intuizioni provenienti da varie origini, possiamo muoverci verso un approccio più equo nella previsione e gestione del rischio di PD, a beneficio di persone di tutti i background.
Titolo: Insights into Ancestral Diversity in Parkinsons Disease Risk: A Comparative Assessment of Polygenic Risk Scores
Estratto: 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.
Autori: 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)
Ultimo aggiornamento: 2024-05-09 00:00:00
Lingua: English
URL di origine: https://www.medrxiv.org/content/10.1101/2023.11.28.23299090
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.11.28.23299090.full.pdf
Licenza: https://creativecommons.org/licenses/by/4.0/
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 medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- 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