A csípőízületi diszplázia hátterében álló genetikai mechanizmusok és további kockázati tényezők

Vizsgálati populáció és DNS-minták Klinikai és radiológiai nyomon követése az 1989-ben született Csípő Cohort Study tagjainál (n=4004, válaszarány 52%), valamint azoknak, akik 1988-ban és 1990-ben újszülött korban szonográfiailag éretlen vagy diszpláziás csípőt tártak fel (n=480, válasz). 67,7%-os arányt 2007 és 2009 között végeztek, ami lehetővé tette a DDH jellemzését 2406 alanyban. Ezek közül 1779-ben beleegyezéssel nyálmintákat gyűjtöttek, a DNS-t pedig Bill Ollier professzor laboratóriumában, a Manchesteri Egyetemen tárolták.

A kezdeti csípőízületi kohorsz vizsgálatot jól leírja a ClinicalTrials.gov ID: NCT01818934.

Genom-szintű genotipizálás, SNP és CNV asszociációs elemzések:

A DNS-mintákat a Norvég Tudományos és Technológiai Egyetem (NTNU, Norvégia) Klinikai és Molekuláris Orvostudományi Tanszékére küldik a genomszintű SNP (egy nukleotid polimorfizmus) genotipizálása céljából. Ehhez a tanulmányhoz az Illumina Core Exome tömb legújabb verzióját fogjuk használni, amely lefedi az ismert géneket, a kiválasztott exonokat és a promoter régiókat, valamint a közös genetikai variáció gerincét, amely lehetővé teszi olyan genotípusok beszámítását, amelyek kiterjesztik az általunk vizsgált genomiális tartalmat. Így ez a tömb elegendő lefedettséget biztosít a genomra a biológiai útelemzésekhez. A kezdeti minőségellenőrzés az Illumina Genome Studio szoftverében történik. A későbbi minőség-ellenőrzést Anderson és munkatársai cikkében leírtak szerint hajtják végre, hogy elkerüljék az olyan gyakori zavaró tényezőket, mint például a kötegelt hatás (Lam et al 2020, Anderson et al 2010). A genomszintű változatosság lefedettségét tovább javítja a nem genotípusú SNP-k imputálása közvetlenül genotipizált SNP-k és a Haplotype Reference Consortiumtól származó kapcsolódási egyensúlyhiányra vonatkozó információk felhasználásával. Az imputáció az Impute2 szoftverrel történik, az ajánlott irányelvek szerint (Howie et al, 2011). Az útvonal-elemzés mellett átfogó asszociációs elemzést is végeznek a DDH-val kapcsolatos SNP-k feltárására. Ezekhez az elemzésekhez szabványos minőség-ellenőrzési és statisztikai módszereket kell alkalmazni (Purcell et al, 2007). A kópiaszám-variációkat (CNV-k) a PennCNV segítségével határozzák meg (Wang, Li, Hadley és mtsai, 2007), és ezek összefüggését a csípődiszplázia indexeivel regressziós elemzésekkel vizsgálják. A jelenlegi mintaméretünkből adódóan körülbelül 50%-os képességünk van egy variáns kimutatására ebben a mintában (a csípőízületi diszplázia 20%-os gyakorisága, valamint a GDF5 legjobb jelöltjének hasonló allélgyakorisága és VAGY). Több fenotípus és genetikai elemzés segítségével azonban egyedülálló módon tárhatjuk fel a csípődiszplázia és a csípőforma genetikáját.

Biológiai útelemzések: A hagyományos, genomszintű asszociációs módszerek alkalmazása nem tárja fel teljesen a genetikai variánsok, illetve a genetikai variánsokból származó fehérjék közötti potenciálisan bonyolult kapcsolatokat. Útvonal- és hálózatalapú elemzési módszereket fejlesztettek ki ennek a problémának a megoldására (pl. Wang, Li, Bucan et al 2007; Torkamani et al 2008; Baranzini et al 2009; Eleftherohorinou et al 2009; Perry et al 2009; Peng et al 2010). Ezek a módszerek jellemzően több gén/SNP bizonyítékát kombinálják egy adott biológiai útvonalon belül annak megállapítására, hogy egy útvonal szerepet játszhat-e egy fenotípus kialakulásában. Ezekben az elemzésekben gyakran permutációs módszereket alkalmaznak az elemzések jelentőségének felmérésére. Ez a fajta elemzés segíthet az asszociációs jelek biológiai jelentésének értelmezésében is. Ez a megközelítés lehetővé teszi a DDH hátterében feltehetően különböző biológiai mechanizmusok relatív hozzájárulásának feltárását, genetikai információk felhasználásával a gének feltételezett útvonalakba való csoportosítására és a DDH különböző anatómiai és klinikai jellemzőihez való viszonyítására. A jelenlegi tanulmányhoz a biológiai útvonalakat már bevált adatbázisokból, például a Gene Ontology és Reactome adatbázisokból és más nyilvános forrásokból nyerik (Ashburner et al, 2000; Croft et al, 2014). Az útvonalakat a MAGMA-ban elemzik, a genomszintű SNP és/vagy CNV információk felhasználásával, hogy azonosítsák a mögöttes biológiai útvonalakat egy egyéni radiológiai indexhez (de Leeuw et al, 2015). A radiológiai mutatókhoz kapcsolódó jellegzetes biológiai mechanizmusok azonosíthatók az útvonal-elemzésekkel. Eddig a súlyos DDH kimenetelének legtöbb előrejelzője klinikai és röntgenleleteken, valamint a beteg funkcionális károsodásának értékelésén alapult. Többváltozós prognosztikai modellekkel egy fókuszáltabb, többváltozós modellt fogunk felépíteni a javulás előrejelzésére, amely nemcsak a hagyományos klinikai és radiológiai kockázati tényezőkön alapul, hanem új genetikai információkon és képalkotó biomarkereken is.