【Lancet子刊】中山大学赵慧英团队：无监督学习方法或揭示脑部疾病高风险基因

2024年8月20日，中山大学孙逸仙纪念医院赵慧英团队在期刊《eBioMedicine》上发表了题为“Accurate identification of genes associated with brain disorders by integrating heterogeneous genomic data into a Bayesian framework”的研究论文。在本研究中，团队将贝叶斯框架应用于6种脑部疾病，预测了一组HRG。HRGs在产前脑发育阶段的表达水平高于产后阶段，可能反映了在脑发育的相对早期阶段，发生了初始神经元损伤。基因共表达模块分析和罕见变异分析表明，与神经退行性疾病相关的HRGs与精神疾病，具有共同的遗传结构。本研究提出的方法，促进了科学界对脑部疾病的理解，并促进了新治疗方法的识别。

https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(24)00322-0/fulltext#%20

研究背景

 01 

随着全基因组关联研究（GWAS）的快速发展，越来越多的SNPs被发现与疾病相关。这些GWAS的发现，提供了该疾病的潜在致病SNP，但这些SNPs如何影响基因表达途径或参与疾病产生过程，仍然是一个具有挑战性的问题。

研究人员致力于通过将GWAS位点与表观基因组学和转录组学数据，以及其他基因组学数据相结合，来检测风险基因。团队之前提出了一种风险基因预测因子，rGAT-omics，它整合了基因网络、基因与SNP的距离、远端调控元件和基因表达信息，以识别那些受SCZ相关SNP影响的候选基因。然而，目前所有的方法，都忽略了包括重要的基因组或转录组信息的额外来源。

在本研究中，团队建立了一种无监督学习方法，使用长程chromatin interactions（iGOAT）对风险SNP进行评级，以预测与给定疾病相关的高风险基因。该方法采用贝叶斯框架来整合基因组信息和网络，目的是识别一组最可能的疾病相关基因。团队将该方法应用于精神疾病 [精神分裂症（SCZ）、双相情感障碍（BP）、重度抑郁症（MDD）] 和神经退行性/神经系统疾病 [阿尔茨海默病 （AD）、帕金森病（PD）和偏头痛（MG）]，以识别 HRG。iGOAT揭示了许多与脑部疾病相关的基因，这些基因在脑细胞中特异性表达，并富含药物靶点。实验结果证实了MLH1（排名靠前的基因之一）与SCZ的关联，SCZ是一种与神经干细胞（NSC）增殖和分化失调相关的神经精神疾病。这种预测方法在揭示导致特定脑部疾病的潜在生物学途径、发育窗口和细胞类型方面，显示出巨大的潜力。

研究进展

 02 

与脑部疾病相关的多效性HRG，在大脑发育过程中表现出不同的表达谱

团队分析了多效性HRGs（PRGs），其定义为与两种或多种精神疾病或两种神经系统疾病有关。这些基因集分别被称为psyPRG（91个基因）和dePRG（71个基因）。这些基因在大脑发育过程中的表达谱是不同的。产前阶段（1-7）的psyPRG表达远高于产后阶段（8-15）的表达，在第3-9阶段下降，在第10-12阶段略有增加。相比之下，dePRGs在产后阶段的表达高于产前阶段，在第1-9阶段呈上升趋势，然后在第10-15阶段呈下降趋势。这些结果证明，在胎儿脑发育阶段，与精神疾病相关的HRGs活性升高；而与神经系统疾病相关的HRGs，仅在婴儿阶段后，表现出活性升高。psyPRGs和dePRGs的表达谱，分别在神经元和小胶质细胞中，表达更高 。具体来说，在神经元亚型中，psyPRGs在几乎所有兴奋性神经元中都表现出高表达，而dePRGs则没有；dePRGs在某些抑制性神经元中，表现出高表达。

HRGs、LRGs和多效性HRGs的表达分析。（a）使用GTEx数据集，对HRG与LRG的组织特异性分析（方法）。“▴”表示显著结果（Fisher 精确检验 p纠正< 0.05）。（b）使用 BrainEAC的表达谱，对HRG与LRG进行组织特异性分析（方法）。（c）HRGs与LRGs的细胞特异性分析（方法）。右图显示了神经元亚型中HRGs和LRGs的细胞类型表达水平（“∗”表示HRGs的表达）。颜色表示该细胞类型中基因的列尺度平均表达水平。（d）不同细胞类型中HRGs的中位表达水平的比较。颜色表示该疾病中基因的行尺度中位数表达水平。（e）HRGs和LRGs在整个大脑发育阶段的发育表达轨迹。虚线代表出生。阴影的aera，表示表达水平的95%置信区间。（f）psyPRGs和dePRGs在大脑发育阶段的表达轨迹。（g）脑细胞和神经元亚型中，psyPRGs和dePRGs的行尺度平均细胞表达谱。

预测的HRG可能揭示了脑部疾病之间的共同机制

与精神疾病相关的HRG，在与神经退行性疾病相关的失调基因表达模块（MEcyan、MEred 和 MEpink）中富集，反之亦然（MEblack、MEpink、MElightgreen、MEred和MEcyan）。与所有6种脑部疾病相关的HRG，都富含AD患者和对照组之间差异表达（DEGs）的基因。SCZ的DEGs中，富集了与SCZ相关的HRGs。基因表达差异分析鉴定出6个DEGs（|log2（倍数变化）| > 0和t检验pcorrected<0.05]为BP，其中没有BP的HRGs和LRGs。与此类似，共发现79个PD基因，其中3个基因为PD的HRGs。HRGs和DEGs之间用于PD的重叠基因数量（Fisher's exact testp=0.049） 比LRG略高。因此，在神经退行性疾病中失调的模块中，与精神疾病相关的HRGs的富集，可能很好地反映了这些疾病之间共享的神经机制。

团队通过寻找HRGs的富集，进一步探索了6种脑部疾病之间的共同机制，这些HRGs具有与SCZ和ASD相关的罕见变异，以及与发育障碍相关的新发突变（DD）。SCZ、MDD、AD和PD相关的HRG，在已知具有与ASD和DD相关的罕见变异的基因中富集。与AD相关的HRGs，也富集在携带与SCZ相关的罕见变异的基因中。

与本文研究的5种疾病（SCZ、MDD、AD、PD 和 MG）相关的HRG，都在已知携带与ASD相关的HGMD致病变异的基因中富集。鉴定为与SCZ、BP、MDD和AD相关的HRGs，也富集在与SCZ相关的HGMD致病变异中。因此，HRGs所携带的致病变异，可能表明脑部疾病之间，存在共同的遗传结构。

HRGs与6种脑部疾病相关的共同遗传机制。（a）与疾病相关的失调基因模块，在左侧块中显示颜色。与LRG相比，HRG在基因模块中的富集如右侧块所示。“ME”是指模块特征基因。（b）使用LRGs作为背景基因的AD、BP、PD或SCZ患者和对照中差异表达基因（DEG）中HRGs的富集分析。（c）使用LRGs作为背景基因，对携带与ASD、DD或SCZ相关的新发/罕见变异的基因中的HRGs进行富集分析。（d） 以LRGs为背景基因，对携带AD、ASD、BP、MDD、MG、PD或SCZ致病突变的HGMD基因中的HRGs进行富集分析。阴影的强度，表示显著性的程度。圆点的大小，表示单侧Fisher's Exact检验中比值比（OR）的大小，用于评估与LRG相比，基因集中HRG的富集。

研究结论

 03 

在iGOAT中使用EPI，可以提高其识别脑组织和区域中特异性表达的基因的能力。对于与神经元不无关系的疾病，团队建议用户在使用Github中的数据和代码运行iGOAT时，应排除神经元的EPI。

当iGOAT被应用于精神疾病和神经系统疾病时，它可能揭示了脑部疾病的神经发育起源。AD相关的基因共表达模块（MEpink和MEcyan）都被与BP、MDD或SCZ相关的HRGs富集。与SCZ、BP、MDD、AD、PD和MG相关的HRGs，共计133、133、106、146、146和86个HRGs与AD的差异表达基因（DEG）重叠。与SCZ、BP、MDD和PD相关的HRG，富含与发育障碍（DD）相关的罕见变体。这一发现，可能反映了AD/PD和精神疾病之间共享的遗传结构。

自闭症谱系障碍在遗传上具有高度异质性，可能由遗传变异和新发变异引起。用于MDD的HRG，富含与ASD相关的新生突变。此外，自闭症谱系障碍与MDD有很强的遗传相关性，用于MDD的HRG，富含与DD相关的新生突变。团队还发现，与帕金森病相关的HRG，富集了与ASD相关的新生突变。

总之，本研究提出了一种方法，即iGOAT，它将异质基因组数据集成到贝叶斯框架中，以允许预测疾病相关基因。iGOAT在精神疾病和神经系统疾病中的应用，揭示了EPI和SNP-SNP相互作用在预测中的重要性。iGOAT可以潜在地促进从GWAS研究结果中，得出神经学相关假设。例如，iGOAT可以帮助科学界产生一个假设，即许多与疾病相关的SNPs通过识别HRGs，而不是最接近索引SNPs的基因，远程调节元件发挥作用。此外，iGOAT在广泛使用的已知基因集中，发现了许多未报告与脑部疾病相关的HRG。这些HGR可以帮助科学界产生一个假设，即这些疾病与新的基因网络有关。iGOAT还可以应用于非脑部疾病，方法是将与非脑部疾病相关的SNPs作为输入，并利用来自与特定疾病相关的组织的多组学数据，来构建贝叶斯框架。

参考资料：

1.Buniello A. MacArthur J.A.L. Cerezo M. et al.

The NHGRI-EBI GWAS Catalog of published genome-wide association studies, targeted arrays and summary statistics 2019.

Nucleic Acids Res. 2019; 47: D1005-D1012

2.Zhao H. Yang Y. Lu Y. et al.

Quantitative mapping of genetic similarity in human heritable diseases by shared mutations.

Hum Mutat. 2018; 39: 292-301