12 فوریه 2024- متخصصان، ابزار آماری جدیدی را توسعه داده‌اند که در تعیین ژن‌ها و واریانت های عامل بیماری و کاهش تعداد موارد مثبت کاذب، دقیق‌تر عمل می کند.

این روش جدید، که بر اساس مطالعات گسترده ارتباط علّی ترانسکریپتوم (cTWAS) است، از تکنیک های آماری پیشرفته، ادغام داده ها از مطالعات ارتباط گسترده ی ژنوم (GWAS) و پیش بینی بیان ژنتیکی استفاده می کند.

مطالعات ارتباط گسترده ی ژنوم،روش رایجی است که برای شناسایی دقیق ژن‌های مرتبط با بیماری‌های مختلف استفاده می‌شود. به عنوان مثال، توالی ژنوم تعداد زیادی از افراد مبتلا به یک بیماری خاص را در مقایسه با افرادی که عاری از بیماری هستند، شناسایی می کند.تفاوت‌هایی که در افراد مبتلا به بیماری مشاهده می‌شود، می‌تواند تفاوت ژن‌هایی را که می‌تواند خطر ابتلا به آن بیماری خاص را افزایش دهد، برجسته کند و تحقیقات بیشتری را آغاز کند.

مشکل در این واقعیت نهفته است که بیشتر بیماری ها نتیجه ی تنها یک تغییر ژنتیکی نیستند، بلکه ناشی از تعامل پیچیده بین چندین ژن، عوامل محیطی و بسیاری از متغیرهای دیگر هستند.

این بدان معنی است که GWAS می تواند تعدادی از واریانت ها را در بسیاری از مناطق ژنوم که به یک بیماری خاص مرتبط هستند، شناسایی کند. با این حال، نمی تواند واریانت علت بروز بیماری را شناسایی کند.

رخدادی به نام عدم تعادل پیوستگی یاlinkage disequilibrium[1]  باعث می‌شود که بسیاری از واریانت ها در یک منطقه ژنومی معمولی همبستگی زیادی با یکدیگر داشته باشند. این به این دلیل است کهDNA به‌جای ژن‌های فردی به صورت بلوک‌هایی منتقل می‌شود.

نویسنده ارشد این مطالعه، دکتر Xin He، دانشیار ژنتیک انسانی در دانشگاه شیکاگو، توضیح داد: «شما ممکن است واریانت های ژنتیکی زیادی در یک بلوک داشته باشید که همگی با خطر ابتلا به بیماری مرتبط هستند، اما شما نمی دانید که کدام یک واقعاً واریانت علّی مرتبط است. این چالش اساسی GWAS است، یعنی اینکه چگونه از همراهی به علیت برسیم.

محققان از سطوح بیان ژن ها برای غلبه بر این چالش ها استفاده می کنند. جایگاه های صفت کمّی( (eQTLs[2]  واریانت های ژنتیکی مرتبط با بیان ژن هستند.

داده‌های eQTL بر این اساس استفاده می‌شوند که اگر یک واریانت مرتبط با یک بیماری، یک eQTL از ژن A باشد،A  می‌تواند رابط بین واریانت و بیماری باشد.

مشکل زمانی ایجاد می‌شود که واریانت‌های نزدیک و eQTL ژن‌های مختلف می‌توانند با eQTL ژن A مرتبط باشند که مستقیماً بر بیماری تأثیر می‌گذارد. این منجر به مثبت کاذب می شود.

روش های فعلی بیش از نیمی از مواقع منجر به ژن های مثبت کاذب می شوند.

این موضوع منجر به توسعه روش جدیدی به نام cTWAS شد که با استفاده از تکنیک های آماری پیشرفته، تعداد موارد مثبت کاذب را کاهش می دهد.

این روش توسط پروفسور He رئیس بخش آمار و استاد ژنتیک انسانی و دکتر متیو استفنز، پروفسور رالف دبلیو جرارد ایجاد شده است.

روش اخیر به جای تمرکز بر یک ژن در یک زمان، چندین ژن و واریانت های مختلف را در نظر می گیرد و ژن ها و واریانت هایی که نتایج را مخدوش می کنند، حذف می کند.

پروفسور He، گفت: اگر هر بار به یک‌ ژن یا واریانت نگاه کنید، نتایج مثبت کاذب خواهید داشت، اما اگر به همه ژن‌ها و واریانت‌های مجاور با هم نگاه کنید، احتمال پیدا کردن ژن علّی بسیار بیشتر است.این نرم افزار به افراد امکان می دهد تجزیه و تحلیل هایی را انجام دهند که تغییرات ژنتیکی را به فنوتیپ ها مرتبط می کند. این واقعاً چالش اصلی پیش روی کل این حوزه است و ما اکنون ابزار بسیار بهتری برای ایجاد این ارتباطات را در اختیار داریم.

این مطالعه در ژورنال Nature Genetics منتشر شده است.

منبع:

https://www.diabetes.co.uk/news/2024/feb/new-tool-could-help-better-identify-genes-which-cause-disease.html