Summary

קביעת הסבירות של Variant פתוגניות באמצעות חומצת אמינו ברמת ניתוח אות לרעש של וריאציה גנטית

Published: January 16, 2019
doi:

Summary

ניתוח אות לרעש ברמת חומצת אמינו קובע מהי השכיחות של וריאציה גנטית במיקום נתון חומצת אמינו מנורמל על רקע וריאציה גנטית של אוכלוסיה נתונה. דבר זה מאפשר זיהוי של variant “נקודות חמות” בתוך רצף חלבונים (אות) המתנשא מעל התדירות של שמתגלה נדירה באוכלוסיה (רעש).

Abstract

החידושים העלות ואת המהירות של הדור הבא רצף גנטי שיצר פיצוץ של exome כל קליניים ובדיקות הגנום כולו. בזמן זה הוביל זיהוי מוגברת של מוטציות פתוגניים סביר הקשורים עם תסמונות גנטיות, זה גם באופן דרמטי גדל המספר אגב מצא וריאציות גנטיות של משמעות לא ידוע (VUS). קביעת משמעות קלינית גרסאות אלה היא אתגר גדול עבור רופאים ומדענים. גישה זו כדי לסייע בקביעת הסבירות פתוגניות הוא ניתוח אות לרעש באותה רמת חלבון רצף. פרוטוקול זה מתאר שיטה לניתוח אות לרעש ברמת חומצת אמינו המנצלת תדר משתנה במיקום כל חומצת אמינו של החלבון עם חלבון ידוע טופולוגיה כדי לזהות אזורים של הרצף ראשי עם הסבירות מוגברות של וריאציה פיפטות (ביחס האוכלוסייה וריאציה “רקע”). שיטה זו ניתן לזהות מיקום משקע חומצת אמינו “נקודות חמות” סימן פיפטות גבוהה, בו ניתן להשתמש כדי ללטש את המשקל אבחון של VUSs כגון אלה המזוהה על-ידי הבא הדור בדיקה גנטית.

Introduction

השיפור המהיר ב רצף גנטי פלטפורמות יש מהפכה את הנגישות ואת תפקיד הגנטיקה ברפואה. ברגע מרותק גן יחיד, או חופן של גנים, הקטנת עלויות ולהגביר מהירות של הדור הבא רצף גנטי הוביל רצף שגרתי של מכלול של הגנום של קידוד רצף (exome כל רצף, ווס), (את כל הגנים רצף הגנום כולו, WGS) בסביבה קלינית. וס ו- WGS שימשו לעיתים קרובות בסביבה של neonates חולה אנוש, וילדים עם חשש לתסמונת גנטית איפה כלי אבחון מוכחת שיכולים לשנות ניהול קליני1,2. בזמן זה הוביל זיהוי מוגברת של מוטציות פתוגניים סביר הקשורים עם תסמונות גנטיות, הוא גדל גם באופן דרמטי את מספר וריאציות גנטיות מצאו דרך אגב, או תוצאות חיוביות לא צפוי, של האבחון לא ידוע משמעות (VUS). בעוד כמה גרסאות אלה הם התעלמו, לא דווחו, הווריאציות ההתאמה לשפות אחרות כדי גנים הקשורים קטלנית או חולנית מאוד מחלות מדווחים לעתים קרובות. הנחיות הנוכחי ממליצים דיווח של משתנים מקריים נמצאו גנים ספציפיים אשר ייתכן כי היתרון רפואי למטופל, כולל גנים הקשורים להתפתחות פתאומית הלב מוות-נטייה למחלות כמו cardiomyopathies ו channelopathies3. למרות המלצה זו תוכננה כדי ללכוד אנשים בסיכון של מחלה נטייה-רואים את זה, הרגישות של זיהוי variant ובמעמד ירידה לפרטים. זו באה לידי ביטוי מספר גדל והולך של VUSs, דרך אגב מקבילו גרסאות לא ברורה של תוכנית השירות לאבחון רחוק עולה על התדר של מחלות המתאימות אוכלוסיה נתונה4. אחת כזו, תסמונת QT ארוך (LQTS), היא מחלת channelopathy לב הקנוני נגרמת על ידי מוטציות ההתאמה לשפות אחרות כדי גנים אשר לקודד תעלות יונים הלב, או ערוץ אינטראקציה חלבונים, וכתוצאה מכך מתעכבת רה-פולריזציה לב5. זה מתעכב רה-פולריזציה, על ידי אלקטרוקרדיוגרם ממושכת על נח רל, התוצאה נטייה חשמל כדי קטלנית להפרעה כמו torsades דה pointes. בעוד מספר גנים קושרו להתפתחות של מחלה זו, מוטציות בגן KCNQ1-מקודדים אניKs אשלגן (KCNQ1, Kv7.1) הוא הגורם LQTS סוג 1 וערוץ מנוצל כדוגמה מתחת6. הממחישות את המורכבות פרשנות variant, הנוכחות של גרסאות נדיר גנים הקשורים LQTS, שנקרא “רקע וריאציה גנטית” כבר שתואר לעיל7,8.

בנוסף גדולה ועיצובה בסגנון מאגרי מידע הווריאנטים המוכרים פתוגניים, קיימים מספר אסטרטגיות לניבוי שגרסאות שונות של אפקט יהיה לייצר. חלקם מבוססים על אלגוריתמים, כגון לנפות, Polyphen 2, אשר יכול לסנן מספר גדול של גרסאות הרומן-שם נרדף לחזות deleteriousness9,10. למרות לשימוש נרחב של כלים אלה, ירידה לפרטים נמוכה מגבילה הישימות שלהם כשמדובר “קורא” VUSs קלינית11. ניתוח “אות לרעש” הוא כלי אשר מזהה את הסבירות של variant להיות קשור עם המחלה מבוסס על התדר של וריאציה פיפטות ידוע ב לוקוסים המדובר מנורמל נגד וריאציה גנטית נדירה מתוך אוכלוסיה. הווריאציות ההתאמה לשפות אחרות מנחלת גנטי בו יש שכיחות גבוהה של מוטציות הקשורות במחלה לעומת האוכלוסייה המבוססת על וריאציה, גבוהה אות לרעש, הם נוטים יותר להיות מחלה-הקשורים עצמם. עוד, נדיר שמתגלה אגב ההתאמה לשפות אחרות כדי גן עם תדירות גבוהה של האוכלוסייה נדיר משתנים בהשוואה תדר הקשורים למחלה, נמוך אות לרעש, עשוי להיות פחות סביר הקשורים למחלה. תוכנית השירות לאבחון של ניתוח אות לרעש כבר מאויר בהנחיות העדכנית ביותר עבור בדיקה גנטית עבור cardiomyopathies ו- channelopathies; עם זאת, זה רק כבר מועסקים רמת גן שלם או ספציפיים ברמה12. לאחרונה, ניתנה מגדיל את הזמינות של פיפטות משתנים (מחלת מסדי נתונים, המחזור מחקרים בספרות) והן משתני בקרה מבוסס-אוכלוסייה (קונסורציום צבירה Exome, חכי, אניה, מסד הנתונים צבירת הגנום, GnomAD13), זה הוחל למיקום חומצת אמינו בודדות בתוך הרצף העיקרי של חלבון. ניתוח אות לרעש ברמת חומצת אמינו הוכיח שימושי לסיווג גרסאות שזוהו אגב גנים הקשורים LQTS ככל הנראה וריאציה גנטית “רקע” ולא הקשורים למחלה. בין הגנים העיקריים שלושה המשויך LQTS, כולל KCNQ1, אלה גרסאות שזוהו אגב חסרה יחס אות לרעש משמעותית, רומז כי תדירות גרסאות אלה-חומצת אמינו בודדות עמדות מבטאות נדיר וריאציה האוכלוסייה במקום מוטציות הקשורות במחלה. יתר על כן, כאשר התחום הספציפי-חלבון טופולוגיה ומצופה נגד אזורים של מוטציה אות לרעש, פיפטות גבוהה “נקודות חמות” מקומי לתחומים פונקציונלי מפתח של חלבונים14. מתודולוגיה זו טומן בחובו הבטחה בקביעת שהסבירות 1) משתנה היא מחלה או אוכלוסייה-הקשורים ו 2) זיהוי הרומן תחומים פונקציונליים קריטי של חלבון המשויך מחלות אנושיות.

Protocol

1. לזהות את הגן ואת ספציפי אחוי Isoform עניין הערה: כאן, נדגים את השימוש Ensembl15 כדי לזהות את רצף קונצנזוס עבור הגן עניין אשר משויך בפתוגנזה של המחלה של הריבית (כלומר KCNQ1 מוטציות משויכים LQTS). חלופות Ensembl כוללים RefSeq באמצעות המרכז הלאומי לביוטכנולוגיה מידע (NCBI)<sup class="xref…

Representative Results

תוצאה נציג לאות חומצת אמינו ברמת רעש ניתוח עבור KCNQ1 מתואר באיור6. בדוגמה זו, נדיר גרסאות שזוהו במדגם GnomAD (בקרת עוקבה), המזוהים אגב ווס משתנים (ניסיוני עוקבה #1), משתנים הקשורים במקרה של LQTS ייחשב סביר הקשורים למחלה (ניסיוני עוקבה #2) מתוארים. עוד יותר, הניתוח אות …

Discussion

בדיקות סקר גנטיות תפוקה גבוהה כולל מתקדמת באופן דרמטי היישום ואת זמינות בעשור האחרון. עם זאת, מחלות רבות עם בסיס גנטי ומבוססת, כגון cardiomyopathies, בדיקה מורחבת הצליחה לשפר את התשואה אבחון21. יתר על כן, יש משמעותי הוודאות בכלי אבחון של משתנים רבים שזוהו. . זאת חלקית בשל מספר גדל והולך ש…

Disclosures

The authors have nothing to disclose.

Acknowledgements

APL נתמך על ידי נבחרת מוסדות של בריאות K08-HL136839.

Materials

1000 Genome Project N/A www.internationalgenome.org
ClinVar N/A www.ncbi.nlm.nih.gov/clinvar
Ensembl Genome Browser N/A uswest.ensembl.org/index.html
Excel Microsoft office.microsoft.com/excel/ Used for all example formulas and functions
Exome Aggregation Consortium  N/A www.exac.broadinstitute.org
Genome Aggregation Database  N/A www.gnomad.broadinstitute.org
National Center for Biotechnology Information Domain and Structure Database N/A www.ncbi.nlm.nih.gov/guide/domains-structures/
National Center for Biotechnology Information Gene Database N/A www.ncbi.nlm.nih.gov/gene/
National Center for Biotechnology Information Protein Database N/A www.ncbi.nlm.nih.gov/protein/
National Heart, Lung, and Blood Institute GO Exome Sequencing Project N/A www.evs.gs.washington.edu/EVS/
SnapGene GSL Biotech LCC www.snapgene.com
University of California, Santa Cruz Human Genome Browser N/A www.genome.ucsc.edu

References

  1. Yang, Y., et al. Clinical whole-exome sequencing for the diagnosis of mendelian disorders. New England Journal of Medicine. 369 (16), 1502-1511 (2013).
  2. Meng, L., et al. Use of Exome Sequencing for Infants in Intensive Care Units: Ascertainment of Severe Single-Gene Disorders and Effect on Medical Management. Journal of the American Medical Association Pediatrics. 171 (12), 173438 (2017).
  3. Kalia, S. S., et al. Recommendations for reporting of secondary findings in clinical exome and genome sequencing, 2016 update (ACMG SF v2.0): a policy statement of the American College of Medical Genetics and Genomics. Genetics in Medicine. 19 (2), 249-255 (2017).
  4. Landstrom, A. P., Ackerman, M. J. The Achilles’ heel of cardiovascular genetic testing: distinguishing pathogenic mutations from background genetic noise. Clinical Pharmacology and Therapeutics. 90 (4), 496-499 (2011).
  5. Landstrom, A. P., Tester, D. J., Ackerman, M. J., Lawless, C. Role of genetic testing for sudden death predisposing heart conditions in athletes. Sports Cardiology Essentials. , (2011).
  6. Wang, Q., et al. Positional cloning of a novel potassium channel gene: KVLQT1 mutations cause cardiac arrhythmias. Nature Genetics. 12 (1), 17-23 (1996).
  7. Kapa, S., et al. Genetic testing for long-QT syndrome: distinguishing pathogenic mutations from benign variants. Circulation. 120 (18), 1752-1760 (2009).
  8. Ackerman, M. J., et al. Ethnic differences in cardiac potassium channel variants: implications for genetic susceptibility to sudden cardiac death and genetic testing for congenital long QT syndrome. Mayo Clinic Proceedings. 78 (12), 1479-1487 (2003).
  9. Kumar, P., Henikoff, S., Ng, P. C. Predicting the effects of coding non-synonymous variants on protein function using the SIFT algorithm. Nature Protocols. 4 (7), 1073-1081 (2009).
  10. Adzhubei, I., Jordan, D. M., Sunyaev, S. R. Predicting functional effect of human missense mutations using PolyPhen-2. Current Protocols in Human Genetics. , (2013).
  11. Flanagan, S. E., Patch, A. M., Ellard, S. Using SIFT and PolyPhen to predict loss-of-function and gain-of-function mutations. Genetic Testing and Molecular Biomarkers. 14 (4), 533-537 (2010).
  12. Ackerman, M. J., et al. HRS/EHRA expert consensus statement on the state of genetic testing for the channelopathies and cardiomyopathies this document was developed as a partnership between the Heart Rhythm Society (HRS) and the European Heart Rhythm Association (EHRA). Heart Rhythm. 8 (8), 1308-1339 (2011).
  13. Lek, M., et al. Analysis of protein-coding genetic variation in 60,706 humans. Nature. 536 (7616), 285-291 (2016).
  14. Landstrom, A. P., et al. Amino acid-level signal-to-noise analysis of incidentally identified variants in genes associated with long QT syndrome during pediatric whole exome sequencing reflects background genetic noise. Heart Rhythm. 15 (7), 1042-1050 (2018).
  15. Hubbard, T., et al. Ensembl 2005. Nucleic Acids Research. 33, 447-453 (2005).
  16. O’Leary, N. A., et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation. Nucleic Acids Research. 44, 733-745 (2016).
  17. Kent, W. J., et al. The human genome browser at UCSC. Genome Research. 12 (6), 996-1006 (2002).
  18. The 100 Genome Projects Consortium. An integrated map of genetic variation from 1,092 human genomes. Nature. 491 (7422), 56-65 (2012).
  19. Fu, W., et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants. Nature. 493 (7331), 216-220 (2013).
  20. Mulder, N. J., Apweiler, R. Tools and resources for identifying protein families, domains and motifs. Genome Biology. 3 (1), (2002).
  21. Cirino, A. L., et al. A Comparison of Whole Genome Sequencing to Multigene Panel Testing in Hypertrophic Cardiomyopathy Patients. Circulation Cardiovascular Genetics. 10 (5), (2017).
  22. Landstrom, A. P., et al. Interpreting Incidentally Identified Variants in Genes Associated With Catecholaminergic Polymorphic Ventricular Tachycardia in a Large Cohort of Clinical Whole-Exome Genetic Test Referrals. Circulation Arrhythmia and Electrophysiology. 10 (4), (2017).
  23. Whiffin, N., et al. Using high-resolution variant frequencies to empower clinical genome interpretation. Genetics in Medicine. 19 (10), 1151-1158 (2017).
  24. Walsh, R., et al. Reassessment of Mendelian gene pathogenicity using 7,855 cardiomyopathy cases and 60,706 reference samples. Genetics in Medicine. 19 (2), 192-203 (2017).
  25. Buske, O. J., Manickaraj, A., Mital, S., Ray, P. N., Brudno, M. Identification of deleterious synonymous variants in human genomes. Bioinformatics. 31 (5), 799 (2015).
  26. Wen, P., Xiao, P., Xia, J. dbDSM: a manually curated database for deleterious synonymous mutations. Bioinformatics. 32 (12), 1914-1916 (2016).
  27. Bagnall, R. D., et al. Whole Genome Sequencing Improves Outcomes of Genetic Testing in Patients With Hypertrophic Cardiomyopathy. Journal of the American College of Cardiology. 72 (4), 419-429 (2018).
  28. Giudicessi, J. R., Roden, D. M., Wilde, A. A. M., Ackerman, M. J. Classification and Reporting of Potentially Proarrhythmic Common Genetic Variation in Long QT Syndrome Genetic Testing. Circulation. 137 (6), 619-630 (2018).
  29. Sundaram, L., et al. Predicting the clinical impact of human mutation with deep neural networks. Nature Genetics. 50, 1161-1170 (2018).
  30. Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., Kitai, T. Artificial Intelligence in Precision Cardiovascular Medicine. Journal of the American College of Cardiology. 69 (21), 2657-2664 (2017).

Play Video

Cite This Article
Jones, E. G., Landstrom, A. P. Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation. J. Vis. Exp. (143), e58907, doi:10.3791/58907 (2019).

View Video