KidneyNetwork : Utilisation des données d'expression génique dérivées du rein pour prédire et hiérarchiser les nouveaux gènes impliqués dans la maladie rénale Ⅰ

Tests génétiques chez les patients suspectés d'héréditémaladie du reinpeut ne pas révéler la cause génétique de la maladie car des variantes potentiellement pathogènes peuvent résider dans des gènes dont on ne sait pas encore qu'ils sont impliqués dansmaladie du rein. Nous avons développé Kidney Network, qui utilise l'expression spécifique aux tissus pour éclairer la priorisation des gènes candidats spécifiquement pour les maladies rénales. KidneyNetwork est une nouvelle méthode construite en intégrant un réseau de co-expression de séquençage d'ARN rénal de 878 échantillons avec un réseau multi-tissu de 31 499 échantillons. Il utilise des modèles d'expression et des associations gène-phénotype établies pour prédire quels gènes pourraient être liés à quels phénotypes (maladies) de manière impartiale. Nous avons appliqué KidneyNetwork à des variants rares dans les données de séquençage de l'exome de 13 patients atteints d'insuffisance rénale sans diagnostic génétique afin de hiérarchiser les gènes candidats. KidneyNetwork peut prédire avec précision les fonctions des gènes spécifiques au rein et les phénotypes (maladies rénales) pour les gènes associés à la maladie. L'intersection de gènes prioritaires avec des gènes porteurs de variants rares chez un patient atteint de kystes rénaux et hépatiques a identifié ALG6 comme un gène candidat plausible. Nous renforçons cette plausibilité en identifiant des variants ALG6 dans plusieurs cas de maladies kystiques rénales et hépatiques sans explications génétiques alternatives. Nous présentons KidneyNetwork, un réseau de co-expression spécifique au rein accessible au public avec des prédictions optimisées gène-phénotype pour les phénotypes des maladies rénales.

Nous avons conçu une interface en ligne facile à utiliser qui permet aux cliniciens et aux chercheurs d'utiliser les données d'expression génique et de corégulation etconnexions gène-phénotype pour accélérer les progrès dans le diagnostic et la recherche sur les maladies rénales héréditaires.

DECLARATION TRADUCTIONNELLE :Tests génétiques chez les patients suspectés d'héréditémaladie du reinpeut ne pas révéler la cause génétique de la maladie du patient. Des variants potentiellement pathogènes peuvent résider dans des gènes dont on ne sait pas encore qu'ils sont impliqués dans les maladies rénales, ce qui rend difficile l'interprétation de la pertinence de ces variants. Cela révèle un besoin évident de méthodes pour prédire les conséquences phénotypiques de la variation génétique de manière impartiale. Nous décrivons ici KidneyNetwork, un outil qui utilise l'expression spécifique aux tissus pour prédire les fonctions des gènes spécifiques aux reins. L'application de KidneyNetwork à un groupe de cas non diagnostiqués a identifié ALG6 comme gène candidat dans le rein kystique etmaladie du foie. En résumé, KidneyNetwork peut aider à l'interprétation des variantes génétiques et peut donc être utile dans la néphrogénèse translationnelle et aider à améliorer le rendement diagnostique chez les patients atteints d'insuffisance rénale.

CLIQUEZ ICI POUR OBTENIR CISTANCHE POUR LE REINMALADIE

INTRODUCTION

Les tests génétiques chez les patients chez qui on soupçonne une maladie rénale héréditaire peuvent révéler des variants pathogènes responsables dansgènes liés aux reins. Cependant, dans de nombreux cas, une cause génétique ne peut pas encore être détectée. Des variantes pathogènes de gènes connus liés au rein sont détectées chez environ 10 à 30 % des patients génétiquement testés atteints d'insuffisance rénale chronique, quelle qu'en soit la cause [1–3]. Cependant, ces pourcentages sont probablement des sous-estimations du nombre de patients ayant une cause monogénique, car des variantes de gènes non encore impliqués dans la maladie rénale passeront inaperçues. Des variantes potentiellement nocives peuvent résider dans ces gènes, ce qui rend difficile la hiérarchisation et l'interprétation de la pertinence de ces variantes. Par conséquent, à l'ère actuelle de la médecine génomique, l'un des principaux défis après un résultat de diagnostic négatif sur des gènes connus est de détecter et de prioriser de nouveaux gènes candidats avec des variants potentiellement pathogènes pouvant expliquer la maladie du patient [4].

Les données de séquençage de l'ARN peuvent être utilisées pour prédire le candidatgènes de la maladie[5]. Nous avons récemment développé GeneNetwork et la méthode GeneNetwork-Assisted Diagnostic Optimization (GADO) pour hiérarchiser les nouveaux gènes candidats de la maladie sur la base des données de séquençage de l'ARN [6]. L'idée derrière cette méthode est que certaines maladies rares peuvent être causées par des variantes de plusieurs gènes. Bien que ces gènes soient différents, ils ont généralement des fonctions biologiques similaires. Lors de l'étude des données d'expression génique à partir d'un grand nombre d'échantillons, ces gènes pathologiques présentent généralement une forte co-expression [6]. Ainsi, s'il existe d'autres gènes qui sont fortement co-exprimés avec des gènes connus de maladies rares, il est possible que des variants de ces autres gènes puissent également provoquer la même maladie.

Pour que ce type d'outil fonctionne de manière optimale, les informations de co-expression doivent être aussi précises que possible. Pour GADO, nous avons construit un réseau de co-expression génique basé sur des ensembles de données de séquençage d'ARN accessibles au public provenant de nombreux tissus différents et avons utilisé ce réseau pour prédire quels gènes pourraient être à l'origine de maladies rares. Ces prédictions ont été formées à l'aide de la base de données d'ontologie du phénotype humain (HPO) [7]. Dans la base de données HPO, les gènes sont attribués à des phénotypes - appelés termes HPO - qui sont basés sur les annotations gène-maladie et les symptômes de la maladie présents dans les bases de données OMIM [8] et Orphanet [9]. En intégrant les informations de la base de données HPO avec le réseau de co-expression génique, nous avons pu calculer les scores de prédiction pour chaque gène par terme HPO. Ensemble, ces scores constituent GeneNetwork. GADO hiérarchise ensuite les gènes en combinant une liste d'entrée de termes HPO qui décrivent le phénotype du patient avec une liste de gènes avec d'éventuelles variantes délétères de ce patient. La hiérarchisation de la liste de gènes est basée sur les scores combinés de prédiction de gènes pour les termes HPO d'entrée [6].

Parce que nous avons observé que les performances de prédiction de GeneNetwork pour les phénotypes HPO liés au rein étaient limitées, nous avons cherché à améliorer la prédiction en développant un réseau spécifique au rein. Pour ce faire, nous avons utilisé 878 échantillons de séquençage d'ARN rénal que nous avons enrichis avec un ensemble de données existant de 31 499 échantillons provenant d'autres tissus [6]. En développant un nouvel algorithme de prédiction capable de peser les informations présentes dans les deux ensembles de données, nous avons amélioré les performances des voies liées aux reins. Dans cet article, nous présentons le KidneyNetwork résultant, un réseau de co-expression qui peut être utilisé pour prédire avec précision les associations gène-phénotype de gènes inconnus pour les termes HPO liés au rein. Comme preuve de principe, nous avons appliqué KidneyNetwork aux données de séquençage de l'exome d'un groupe de patients atteints de maladies rénales non résolues auparavant.

MÉTHODES

Pour améliorer la prédiction des phénotypes liés au rein, nous avons collecté des données de séquençage d'ARN dérivé du rein, mis à jour GeneNetwork avec des bases de données de référence plus récentes et amélioré les analyses statistiques, suivies de l'intégration d'informations spécifiques aux tissus.

Ensembles de données dans KidneyNetwork

Les données de séquençage d'ARN provenant d'échantillons de rein sélectionnés de plusieurs origines, y compris les tissus primaires, tumoraux et fœtaux, ont été combinées avec un ensemble de données existant de séquençage d'ARN multi-tissu utilisé comme base de notre GeneNetwork décrit précédemment [6] (tableau S1, S2) . Nous avons choisi d'inclure l'ensemble de données multi-tissus pour deux raisons. Tout d'abord, nous avions besoin d'un nombre suffisant d'échantillons pour construire un réseau de référence. Deuxièmement, nous voulions préserver une expression spécifique à plusieurs types de cellules rénales, voire à tous, mais pas à d'autres tissus. Nous l'avons fait parce que les scores gène-phénotype sont basés sur les différences d'expression entre les échantillons ; si tous les gènes ont une expression élevée (ou faible) dans tous les échantillons inclus dans l'analyse, ils n'ajouteront pas suffisamment d'informations à l'algorithme de prédiction. L'ensemble de données multi-tissus d'échantillons de séquençage d'ARN humain utilisé pour développer GeneNetwork a été réutilisé et traité comme décrit précédemment [6]. Après prétraitement, cet ensemble de données contenait 31 499 échantillons et 56 435 gènes.

3 194 échantillons séquencés d'ARN dérivés du rein ont été téléchargés à partir de l'European Nucleotide Archive (ENA) et du projet Genotype-Tissue Expression (GTEx) (Note S1). Le prétraitement de l'ensemble de données rénales a été effectué de la même manière que l'ensemble de données multi-tissus [6] (Note S2, Note S3). Après la sélection des échantillons et des gènes, il restait 58 283 gènes et 878 échantillons de rein. Nous avons étudié les 878 échantillons de séquençage d'ARN restants à l'aide de l'algorithme de regroupement UMAP (Note S4).

Filtrage HPO. Pour la construction de KidneyNetwork, nous avons utilisé les associations gène-phénotype de la base de données HPO [7] version 1268. Dans la base de données HPO, l'annotation des gènes aux phénotypes définis par HPO est basée sur les annotations gène-maladie dans l'OMIM [8] map (téléchargé le 26 mars 2018) et le fichier Orphanet [9] "en_product6.xml" version 1.3.1. Les annotations gène‒maladie dans ces bases de données peuvent être basées sur plusieurs facteurs, notamment des associations statistiques et des variations à grande échelle du nombre de copies. Nous voulions former KidneyNetwork en utilisant uniquement des gènes pour lesquels le lien entre le gène et la maladie rare est bien établi. Par conséquent, nous avons exclu les syndromes multigéniques, car il n'est souvent pas clair lequel des gènes dans les variantes du nombre de copies contribue à quels phénotypes. Nous avons également exclu les simples gènes de susceptibilité (Note S5).

Normalisation des expressions. Après le contrôle de la qualité des échantillons et des gènes (CQ), la matrice d'expression des échantillons et des gènes restants a été transformée en log 2- et le nombre de gènes a été normalisé à l'aide de DESeq en suivant la méthode de la médiane des rapports. Nous avons ensuite corrigé les données d'expression génique pour les covariables (Note S6).

Décomposition

Après le filtrage et le contrôle qualité de l'ensemble de données, l'étape suivante consistait à effectuer une décomposition pour calculer les vecteurs propres de l'ensemble de données (Note S7). Pour GeneNetwork et le réseau de régulation génique basé sur des données dérivées du rein, nous avons défini le nombre optimal de composants (Note S8). Les 165 premiers vecteurs propres pour GeneNetwork et les 170 premiers vecteurs propres pour les données dérivées du rein ont été identifiés et fusionnés dans une matrice plus grande contenant les 335 vecteurs propres.

Calcul du score gène-HPO-terme Le calcul du score gène-phénotype a été effectué en plusieurs étapes (Fig. S5). Tout d'abord, nous avons effectué une régression logistique en utilisant les vecteurs propres combinés et le fichier d'annotations gène‒phénotype comme entrée. Nous avons utilisé les valeurs résultantes et les scores de vecteur propre pour calculer un score log-odds de gène pour chaque gène dans chaque vecteur propre (Note S9).

Pour éviter le surajustement des scores log-odds-scores des gènes déjà annotés, nous avons appliqué une approche de validation croisée sans un (Note S10). Les cotes logarithmiques ont ensuite été traduites en scores z des gènes à l'aide d'une distribution nulle permutée pour chaque phénotype (Note S11).

Pour déterminer la précision de la prédiction, nous avons calculé l'aire sous la courbe ROC (AUC). L'ASC a été calculée par terme HPO à l'aide des scores z des gènes prédits et des annotations connues. La signification des prédictions a été calculée à l'aide du test de rang Mann-Whitney bilatéral. Après correction de Bonferroni, une prédiction était considérée comme significative à p < 0.05.

Comparaison des performances de prédiction

Nous avons comparé les performances de prédiction de quatre réseaux distincts : (1) le GeneNetwork original, (2) le GeneNetwork mis à jour, (3) le réseau de régulation des gènes spécifiques au rein basé uniquement sur des échantillons dérivés du rein, et enfin (4) KidneyNetwork, qui combine les deux derniers. La qualité des prédictions HPO faites par ces réseaux a été évaluée sur la base de l'ASC pour chaque phénotype lié au rein (tableau S3). L'amélioration de la qualité d'un réseau a été définie comme une précision de prédiction améliorée pour les termes liés au rein qui ont été prédits de manière significative dans chaque comparaison de deux réseaux et par un nombre accru de termes liés au rein prédits de manière significative. L'importance de l'amélioration de la précision de prédiction d'un réseau par rapport à un autre a été évaluée à l'aide du test DeLong [10] intégré dans le package pROC R [11].

Application de KidneyNetwork à 13 patients suspects d'insuffisance rénale héréditaire L'une des applications de KidneyNetwork est de hiérarchiser les gènes candidats chez les patients atteints d'insuffisance rénale non résolue. Pour évaluer cette application clinique, nous avons utilisé KidneyNetwork pour prioriser les gènes candidats pour les patients atteints de diverses maladies rénales en utilisant la méthode GADO [6]. GADO combine les scores z de prédiction génétique rendus par KidneyNetwork pour un ensemble donné de termes HPO. Les gènes avec un score z combiné supérieur ou égal à 5 ​​pour l'ensemble unique de termes HPO associés à chaque patient ont été considérés comme des gènes candidats potentiels pour ce patient.

Fig. 1 Visualisation UMAP des données d'expression dérivées du rein. 878 échantillons ont été regroupés en trois groupes principaux : tissus primaires sains (milieu et bas), échantillons de développement (à gauche) et échantillons de carcinome à cellules rénales (RCC) (à droite). Sur le côté gauche de la figure, on peut voir le regroupement de podocytes dérivés de cellules souches pluripotentes (PSC) et d'organoïdes dérivés de PSC avec des échantillons fœtaux primaires et des cellules progénitrices de néphron. Sur le côté droit, les échantillons de RCC se regroupent à proximité des échantillons de tubules proximaux, et le groupe de RCC le plus proche des échantillons de tissus primaires sains se compose d'échantillons de RCC à cellules non claires (nccRCC). Au milieu et en bas, des échantillons de reins primaires sains se regroupent en fonction de leur tissu d'origine.

Les 13 patients inclus dans l'étude étaient tous suspectés d'avoir une maladie rénale monogénique mais n'avaient pas de diagnostic génétique (Note S12). Des termes HPO ont été attribués à ces cas en fonction de leur phénotype. Pour chaque patient, les données complètes de séquençage de l'exome ont été analysées à l'aide de CAPICE [12] pour identifier les variants potentiellement pathogènes. Gènes contenant des variants avec un AF filtrant gnomAD Popmax [13]<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

Le chevauchement des gènes identifiés par l'intégration de KidneyNetwork dans GADO avec ceux identifiés par CAPICE a abouti à une liste de gènes pour chaque patient. Ces gènes et variants de ces gènes ont été examinés manuellement par un groupe d'experts en néphrogénèse (AMvE, LRC, NVAMK) pour leur potentiel pathogénétique sur la base des paramètres de population, des outils de prédiction, de la littérature disponible et de la ségrégation (Note S13). Pour le gène candidat résultant, des patients supplémentaires porteurs de variants dans le même gène ont été identifiés via des collaborateurs et le 100,000 Genomes Project [14]. De plus, l'outil GeneMatcher [15] a été utilisé et n'a donné aucun patient supplémentaire jusqu'au 15 février 2023.

Identification de patients supplémentaires La cohorte de polykystose rénale et hépatique non résolue décrite précédemment [16] a été utilisée pour évaluer les variants rares (Note S14). Nous avons utilisé le test exact de Fisher pour comparer la fréquence des variantes identifiées au sous-ensemble européen d'Européens non finlandais dans la base de données gnomAD [17]. De plus, nous avons utilisé le projet 100,000 Genomes [14] pour l'identification de patients supplémentaires en fonction de la ou des variantes identifiées (Note S15).

RÉSULTATS

Récupération des données et regroupement des échantillons Nous avons sélectionné 878 échantillons de rein (Fig. S2), que nous avons regroupés et tracés à l'aide de l'algorithme UMAP (Fig. 1). En règle générale, les données sont regroupées en trois groupes principaux : données primaires non tumorales sur les reins, échantillons de développement rénal et échantillons de tubules proximaux, de glomérules et de carcinome à cellules rénales (RCC).

KidneyNetwork améliore les prédictions gène-phénotype Tout d'abord, nous avons mis à jour GeneNetwork avec la base de données HPO mise à jour (Fig. S6) et optimisé le pipeline de construction du réseau de gènes (Fig. S7). Ces modifications ont entraîné une amélioration du GeneNetwork général par rapport à la version précédente (Fig. S8). Nous avons ensuite utilisé le pipeline amélioré pour construire le réseau de régulation des gènes spécifiques au rein. Comme prévu, compte tenu de la petite taille de l'échantillon, cette version du réseau spécifique au rein a moins bien fonctionné que GeneNetwork (Fig. S9). Par la suite, la combinaison de GeneNetwork et du réseau de co-expression de gènes spécifiques au rein dans KidneyNetwork a donné nos meilleurs résultats pour les termes HPO liés au rein (Fig. 2A; Tableau S5). L'AUC de prédiction, la précision, la sensibilité et les scores f1- pour chaque voie prédite sont fournis (tableau S6)

Deux exemples de termes HPO améliorés liés au rein sont l'hypomagnésémie et l'anomalie tubulo-interstitielle (Fig. 2B). La visualisation de ces phénotypes dans des parcelles de densité montre des scores z de priorisation plus élevés pour les gènes connus liés à la maladie par rapport aux gènes non annotés. Pour les gènes inconnus, plus le score z de prédiction est élevé, plus ils sont susceptibles d'être un gène candidat de la maladie. La visualisation des réseaux d'interactions génétiques de gènes pathologiques connus sur la base des scores de prédiction montre à nouveau l'augmentation du nombre et de la force des interactions obtenues avec KidneyNetwork par rapport à GeneNetwork.

Fig. 2 KidneyNetwork fonctionne mieux pour les termes HPO liés aux reins que le GeneNetwork mis à jour. 27 % des phénotypes liés aux reins sont nettement mieux prédits avec KidneyNetwork, par rapport à GeneNetwork. Les tracés de densité B des scores de prédiction des gènes dans deux des phénotypes les plus améliorés, l'hypomagnésémie et l'anomalie tubulo-interstitielle, montrent des valeurs de prédiction plus élevées pour les gènes annotés pour le phénotype et prédisent également des gènes candidats potentiels inconnus. Les réseaux prédits à l'aide de KidneyNetwork montrent des corrélations plus nombreuses et plus fortes entre les gènes annotés que les réseaux prédits à l'aide de GeneNetwork.

Nous avons également constaté une augmentation du nombre de termes HPO prédits significatifs liés au rein pour KidneyNetwork (n=71) par rapport à GeneNetwork (n=63). Cela nous a conduit à émettre l'hypothèse que KidneyNetwork prédit les termes liés aux reins avec une précision globale plus élevée et est donc capable de prédire davantage de phénotypes liés aux reins avec une signification plus élevée. Un test t apparié montre que, dans l'ensemble, le score HPO AUC était significativement meilleur pour KidneyNetwork par rapport à GeneNetwork (ASC moyenne : 0.76 contre 0.74 ; valeur p du test t : 4,5 × 10 −8 ). Ce résultat suggère que KidneyNetwork prédit plus de termes HPO spécifiques au rein avec une précision de prédiction plus élevée que GeneNetwork.

KidneyNetwork donne la priorité à ALG6 en tant que gène candidat de la maladie chez les patients atteints de kystes rénaux et de kystes hépatiques Les listes de gènes résultantes contenaient 1 à 4 gènes candidats pour 9 des 13 patients (tableau S7). Chez un patient (SAMPLE6), la curation manuelle de cette liste a identifié ALG6 (ALG6 alpha-1,3-glucosyltransférase) comme un gène candidat potentiel pour expliquer les kystes rénaux et hépatiques du patient (Fig. 3). Le score z combiné pour ALG6 pour les termes HPO imputés était significatif dans KidneyNetwork après plusieurs corrections de tests (z=5.43). Ce gène aurait été manqué si nous avions utilisé GeneNetwork : là ALG6 n'a pas atteint le seuil de signification du z-score supérieur ou égal à 5.

ALG6 comme gène candidat pour les patients atteints de kystes rénaux et hépatiques Le variant ALG6 c.680 plus 2 T > G porté par SAMPLE6 est hétérozygote. Il s'agit d'un variant pathogène connu du site d'épissage qui entraîne un trouble congénital de la glycosylation (CDG) de type Ic lorsque des variants pathogènes sont présents sur les deux allèles [18, 19]. ALG6 ressemble fortement à ALG8 qui a été impliqué dans les phénotypes de kystes rénaux et hépatiques [20], et selon KidneyNetwork, ALG6 et ALG8 sont fortement co-régulés (z-score=8.59).

Compte tenu de cette plausibilité biologique, nous avons interrogé une cohorte de 12 0 cas non liés de maladie polykystique des reins et du foie pour des variantes rares, MAF <0.001, dans l'ALG6. Cette cohorte est légèrement mise à jour car elle a été décrite précédemment et a été exclue par l'analyse de séquençage de l'exome pour les mutations de perte de fonction ou les variants pathogènes non tronquants signalés dans PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, SEC61B, PKHD1 ou DNAJB11 [16]. Trois cas non apparentés (YU372, YU378, YU481) portaient des variantes ALG6 rares ; chacun avait le même ALG6 c.257 plus 5 G> Une variante d'épissage non canonique connue pour être pathogène pour ALG6-CDG et altérant l'épissage in vitro [19, 21]. Malgré une mutation partagée, ces trois cas rapportent chacun qu'aucun membre de la famille affecté connu n'a été inscrit dans différents États des États-Unis et n'est pas lié à la meilleure limite de détection à l'aide de l'algorithme VCFtools relatedness2 avec Relatedness_PHI < 0,005.

Compte tenu de la représentation de cette variante dans trois cas d'ascendance européenne dans cette cohorte phénotypiquement définie, nous avons comparé sa fréquence dans le sous-ensemble européen de cas (n=105) aux Européens non finlandais dans gnomAD [17] avec une couverture à cette position (n=64,466) [17]. Dans la cohorte de patients, 3 allèles sur 210 contenaient cette variante, tandis que dans gnomAD, une cohorte non sélectionnée en ce qui concerne la charge de kystes rénaux ou hépatiques, elle a été trouvée dans 121 des 128 932 allèles. Cet enrichissement d'environ 10- fois est statistiquement significatif par le test exact de Fisher, p=0.0011. Cette mutation était également récurrente dans les cas d'ALG6-CDG [19].

Nous avons également étudié l'ensemble de données du projet 100,000 Genomes [14] et contacté des collaborateurs qui ont identifié trois données supplémentaires à appliquer aux maladies rénales. Une proportion importante de patients chez qui on soupçonne une maladie rénale génétique reste sans diagnostic génétique, car les listes de gènes pathologiques pour de nombreuses affections sont incomplètes. L'identification des gènes impliqués dans l'insuffisance rénale est essentielle pour améliorer le rendement diagnostique chez les patients atteints d'insuffisance rénale et pour étudier la pathogenèse de la maladie afin d'aborder les avenues de traitement. L'établissement de nouveaux gènes de maladies nécessite une validation biologique minutieuse. Impliquer des gènes dignes de telles investigations est essentiel. L'application de KidneyNetwork en conjonction avec les données WES ou GWAS par des néphrologues, des généticiens cliniques ou des chercheurs aidera chacun de ces groupes à participer à l'implication des gènes. KidneyNetwork combine un réseau de co-expression basé sur un ensemble de données d'échantillons de rein avec l'ensemble de données multi-tissus précédemment publié utilisé pour construire le travail GeneNet. La combinaison des ensembles de données dans KidneyNetwork a amélioré les prédictions de phénotype liées à la maladie rénale par rapport aux réseaux basés sur les deux ensembles de données séparément. Comme preuve de principe, nous montrons que la liste des gènes candidats pour le phénotype combiné des kystes rénaux et hépatiques générée par KidneyNetwork a donné la priorité à une liste gérable de gènes candidats parmi une longue liste de gènes contenant des variantes rares chez notre patient avec ce phénotype.

Nous avons également étudié l'ensemble de données du projet 100,000 Genomes [14] et contacté des collaborateurs qui ont identifié trois patients supplémentaires présentant des kystes rénaux et/ou hépatiques porteurs d'une variante hétérozygote potentiellement délétère de l'ALG6, sans explication génétique alternative.

Fig. 3 KidneyNetwork incorporé dans la méthode GADO dans SAMPLE6, un patient avec des kystes rénaux et hépatiques. 89 gènes candidats parmi tous les gènes ont été priorisés par KidneyNetwork à l'aide de GADO, sur la base des termes HPO "Renal kystes" (HP:0000107) et "Hepatic kystes" (HP:0001407). Méthode d'interprétation des données de séquençage de l'exome CAPICE a fourni 322 gènes contenant des variantes potentiellement pathogènes dans les données de séquençage de l'exome du patient. Lors du chevauchement de ces listes de gènes, trois gènes répondant aux critères de sélection ont été identifiés, l'un étant ALG6.

Au total, nous avons identifié sept patients présentant des variantes connues du site d'épissage qui ont été signalées comme étant à l'origine de la maladie chez les patients CDG gravement touchés lors d'une homozygotie ou d'une hétérozygotie composée et un patient présentant une variante pathogène probable du site d'épissage (tableau 1). Contrairement aux patients ALG6-CDG sévèrement touchés (présentant une atteinte multiviscérale comprenant un retard de développement et de multiples symptômes neurologiques), nos patients présentaient un phénotype de kystes rénaux multiples et/ou de kystes hépatiques (Fig. 4) . Bien que la PCLD puisse être étendue, le phénotype rénal semble être léger, sans déclin du DFGe rapporté malgré l'âge avancé (c'est-à-dire qu'un patient a la trentaine, les autres ont entre 45 et 80 ans). De plus, nous avons constaté que la variante ALG6 était ségrégée chez quelques membres de la famille également touchés (tableau 1; figure 4).

Service d'assistance :

E-mail :wallence.suen@wecistanche.com

Whatsapp/Tél : plus 86 15292862950

Boutique:

https://www.xjcistanche.com/cistanche-shop