多omics 门德尔随机化和机器学习确定阿尔茨海默氏症和帕金森病的候选治疗点

科学领域:

• 遗传学和生物信息学 遗传学和生物信息学
• 神经科学是一个神经科学.
• 药理学 药理学是指药理学的学科.

背景情况:

• 神经退行性疾病 (NDD),如阿尔茨海默氏症 (AD) 和帕金森病 (PD),在全球范围内造成重大健康负担,有效治疗方法有限.
• 确定新的治疗点对于开发针对这些衰弱性疾病的有效干预措施至关重要.

研究的目的:

• 通过整合多omics数据和计算分析来识别和优先考虑神经退行性疾病 (NDD) 的新分子标.
• 用in silico和in vivo模型评估候选基因和化合物的药用性和治疗潜力.

主要方法:

• 集成大规模的全基因组关联研究 (GWAS) 与表达,甲基化,蛋白质和拼接定量特征位置 (QTL) 数据集.
• 门德尔随机化 (MR),基于总结数据的MR (SMR),局部化分析和机器学习用于基因优先级的应用.
• 通过分子对接和分子动力学 (MD) 模拟进行in silico可药性评估,然后在动物模型上进行验证.

主要成果:

• 识别了几种候选基因,这些基因与AD有潜在的因果关系 (例如,IQCE,HDHD2,ALPP) 和PD (例如,IL15,STK3,CHRNB1).
• 转录组分析显示,在PD模型中IL-15的下调是一致的,这得到了西部斑块和免疫组织化学的证实.
• 在子选中确定了普雷迪尼索隆 (用于ALPP),西洛利木斯 (用于IL15) 和CHEMBL379975 (用于STK3) 作为具有有利结合亲和度和稳定的MD轨迹的化合物.

结论:

• 这项研究强调了12个QTL调节基因作为NDD的有希望的分子标.
• 计算预测为产生假设提供了坚实的基础,但实验验证对于确认生物相关性和治疗潜力至关重要.
• 候选化合物如普雷尼索隆,西洛利木斯和CHEMBL379975需要进一步研究NDD治疗.