综合性外体测序和机器学习将MICB和干扰素通路基因确定为SSc风险的贡献者

科学领域:

• 遗传学 是一个遗传学.
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 系统性硬化症 (SSc) 是一种复杂的自身免疫性疾病,其遗传基础尚未完全理解.
• 全基因组关联研究 (GWAS) 已经确定了一些遗传位置,但许多位于非编码区域,需要进一步调查蛋白质编码变体和调控机制.

研究的目的:

• 确定SSc.中的新型蛋白质编码变体和致病途径.
• 整合外体测序 (ES),进化动作机器学习 (EAML) 框架,单细胞RNA测序 (scRNA-seq) 和表达量化特征位点 (eQTL) 分析,以进行全面的遗传调查.

主要方法:

• 在SSc病例和对照中进行了GWAS,在更大的队列中进行复制.
• 应用EAML来优先考虑具有高影响误解变异的基因.
• 分析了公共scRNA-seq数据以确定细胞类型特定的基因表达.
• 利用全血eQTL数据来评估遗传变异的监管影响.

主要成果:

• 在MICB (rs2516497) 确定了一个新的SSc风险位置,具有强烈的统计意义.
• EAML分析突出显示了284个基因,其中包括干扰素信号通路的丰富.
• scRNA-seq局部化了MICB和NOTCH4对纤维细胞和内皮细胞的表达;HLAII类基因在巨细胞和纤维细胞中得到丰富.
• eQTL分析证实了MICB,NOTCH4和其他优先基因变异的调节作用,将它们与SSc.中的转录失调联系起来.

结论:

• 这种整合性基因组方法成功地确定了SSc中的新风险位置 (MICB) 和机械路径 (干扰素信号).
• 这些发现提供了SSc病变发生的细胞和调节基础的见解.
• 这项研究表明,结合ES,机器学习,scRNA-seq和eQTL数据来剖析复杂疾病遗传学的力量.