阿尔茨海默病遗传风险影响的因子化允许患者分层,预测疾病发病,认知衰退和细胞类型特定反应

科学领域:

• 神经遗传学 神经遗传学
• 计算生物学 计算生物学
• 阿尔茨海默氏症疾病研究研究

背景情况:

• 晚期阿尔茨海默病 (AD) 是一种复杂的神经退行性疾病,具有已知的遗传成分,但遗传特征在定义AD亚型中的作用尚不清楚.
• 以前的研究已经通过分子分析确定了AD亚型,但对不同细胞类型的遗传影响缺乏全面的理解.

研究的目的:

• 通过实证贝叶斯矩阵因子化 (EBMF) 方法研究197个AD风险变异对神经元和质细胞转录组的影响.
• 开发基于因素的多基因分数 (fPGS) 以基于功能遗传特征进行患者聚类,并预测AD亚型和疾病进展.

主要方法:

• 利用大型单核RNA测序 (snRNA-seq) 来获取死后大脑数据.
• 应用经验贝叶斯矩阵因子化 (EBMF) 来分析AD风险变异对细胞特异性转录组的影响.
• 开发了基于因子的多基因分数 (fPGS) 用于无监督患者的聚类和与临床/病理特征的相关性.

主要成果:

• EBMF确定了不同的因素,代表AD风险变体对特定细胞类型和生物过程 (例如神经炎症,线粒体活动) 的影响.
• fPGS预测了神经病理状况,包括体质突变负担和刺激神经元中的表观基因组侵蚀,以及病理.
• 轻度认知障碍和AD患者的无监督聚类显示了7个由APOE基因型区分的聚类,其中5个APOE3亚组显示出不同的疾病严重程度和发病时间.

结论:

• EBMF有效地将AD风险变异影响分层成连贯的因素,使细胞类型特定的变化和生物过程的遗传预测成为可能.
• fPGS概况为识别AD亚型和预测疾病轨迹提供了强大的工具,特别是在APOE3同胞体内.
• 耐药性AD患者群体在星细胞和寡细胞中表现出特定的分子特征,这表明治疗干预的新途径.