বড় জেনেটিক ডেটাসেটে জিন নিয়ন্ত্রণকারী একাধিক সুইচের সন্ধান

জেনেটিক নিয়ন্ত্রণের একটি বৃহত্তর চিত্র

জিনোম-ওয়াইড অ্যাসোসিয়েশন স্টাডি বা GWAS, জটিল বৈশিষ্ট্য ও রোগ নিয়ে গবেষণার অন্যতম প্রধান ভিত্তি হয়ে উঠেছে। এগুলো স্তন ক্যানসার থেকে হৃদ্‌রোগ ও ডায়াবেটিস পর্যন্ত নানা অবস্থার সঙ্গে সম্পর্কিত জিনোমের অংশ শনাক্ত করতে পারে। তবে DNA-র সঙ্গে সম্পর্কিত একটি অংশ খুঁজে পাওয়া মানেই সেই সম্পর্কের পেছনে থাকা জিন, প্রক্রিয়া বা জৈবিক পথ শনাক্ত করা নয়।

এই ব্যবধানটি গুরুত্বপূর্ণ, কারণ অনেক GWAS সংকেত জিনের মধ্যে নয়, বরং জিনের কার্যকলাপ নিয়ন্ত্রণকারী অঞ্চলে থাকে। তাই উত্তরাধিকারসূত্রে পাওয়া ভ্যারিয়েন্ট কীভাবে জিনের অভিব্যক্তি ও স্প্লাইসিং—অর্থাৎ কোষ RNA নির্দেশনাকে বিভিন্ন রূপে সাজানোর প্রক্রিয়া—উভয়কেই প্রভাবিত করে, তা গবেষকদের বুঝতে হয়। এই সংযোগগুলো একটি পরিসংখ্যানগত সম্পর্ককে জীববিজ্ঞানের আরও নির্দিষ্ট ব্যাখ্যায় রূপান্তর করতে পারে এবং শেষ পর্যন্ত সম্ভাব্য ওষুধের লক্ষ্য শনাক্ত করতে সাহায্য করতে পারে।

Science-এ প্রকাশিত একটি গবেষণায় বলা হয়েছে, আগের কাজের আপাত সীমাবদ্ধতা মূল ডেটাসেটের আকারের প্রতিফলন হতে পারে। TOPMed expression and splicing quantitative trait locus dataset ব্যবহার করে গবেষকরা জানিয়েছেন, নমুনার আকার বাড়ালে একই জিনকে প্রভাবিত করা দ্বিতীয়, তৃতীয় এবং এমনকি চতুর্থ জেনেটিক সংকেতও শনাক্ত করা যায়।

নমুনার সংখ্যা কেন চিত্র বদলে দেয়

প্রতিটি মানুষের কোনো নির্দিষ্ট উত্তরাধিকারসূত্রে পাওয়া ভ্যারিয়েন্টে তিনটি সম্ভাব্য জিনোটাইপের একটি থাকে, যা বাবা-মায়ের কাছ থেকে পাওয়া অ্যালিলকে প্রতিফলিত করে। এই জিনোটাইপগুলো জিনের অভিব্যক্তির নিম্ন, মধ্যবর্তী বা উচ্চ মাত্রার সঙ্গে যুক্ত হতে পারে। এই সম্পর্কগুলো মানচিত্রে দেখাই expression quantitative trait locus বা eQTL বিশ্লেষণের উদ্দেশ্য। এর ঘনিষ্ঠভাবে সম্পর্কিত splicing quantitative trait locus বা sQTL বিশ্লেষণ RNA স্প্লাইসিংয়ের পরিবর্তনের সঙ্গে যুক্ত ভ্যারিয়েন্ট খোঁজে।

আগের প্রচেষ্টাগুলো GWAS-এর ফলাফলকে eQTL ও sQTL-এর সঙ্গে যুক্ত করতে প্রায়ই Genotype-Tissue Expression প্রকল্প, সংক্ষেপে GTEx, থেকে পাওয়া তথ্য ব্যবহার করত। ওই গবেষণাগুলোতে দ্রুত মনে হয়েছিল যে একটি নির্দিষ্ট জিনের জন্য শনাক্তযোগ্য নিয়ন্ত্রক স্থানের সংখ্যায় একটি সীমা রয়েছে। নতুন কাজটি বলছে, সেই সীমা সবসময় জৈবিক নাও হতে পারে। বেশি তথ্য পেলে অতিরিক্ত স্বাধীন প্রভাব দৃশ্যমান হতে পারে।

এটি একটি গুরুত্বপূর্ণ পার্থক্য। কোনো জিনের কাছাকাছি কেবল সবচেয়ে শক্তিশালী নিয়ন্ত্রক সম্পর্কটি দেখা গেলে, তার কার্যকলাপকে প্রভাবিত করা অন্য ভ্যারিয়েন্টগুলো গবেষকদের নজর এড়াতে পারে। বড় ডেটাসেট এমন প্রভাবগুলোকে আলাদা করতে পারে, যেগুলো অন্যথায় পরস্পরের সঙ্গে মিশে যেত। এর ফলে উত্তরাধিকারসূত্রে পাওয়া বৈচিত্র্য কীভাবে কোষের যন্ত্রপাতিকে গড়ে তোলে, তার আরও বিস্তারিত মানচিত্র তৈরি হয়।

সম্পর্কের সংকেত থেকে প্রক্রিয়া পর্যন্ত

গবেষণাটির ভিত্তি এই নয় যে প্রতিটি GWAS হিট সঙ্গে সঙ্গে চিকিৎসার লক্ষ্য হয়ে যায়। বরং, ওই হিটগুলোর সম্ভাব্য অর্থ ব্যাখ্যা করার একটি পথ এটি দেয়। রোগের ঝুঁকির সঙ্গে যুক্ত কোনো জেনেটিক ভ্যারিয়েন্ট নিয়ন্ত্রক অঞ্চলে থাকতে পারে। ওই ভ্যারিয়েন্টকে অভিব্যক্তি বা স্প্লাইসিংয়ের পরিবর্তনের সঙ্গে যুক্ত করে গবেষকরা কোন জিন ও প্রক্রিয়াগুলো পরীক্ষা করা দরকার, তা সীমিত করতে পারেন।

জিন নিয়ন্ত্রণ আবার নেটওয়ার্ক হিসেবেও কাজ করে। University of Michigan-এর গবেষক Laura Scott ব্যাখ্যা করেছেন, কোনো জৈবিক ব্যবস্থার একটি অংশের অভিব্যক্তি বদলালে—যেমন কোষীয় চাপ প্রতিক্রিয়ায় যুক্ত কোনো নিয়ন্ত্রকের অভিব্যক্তি—একই ব্যবস্থার অন্য অংশগুলোর অভিব্যক্তির মাত্রাও প্রভাবিত হতে পারে। অর্থাৎ একটি ভ্যারিয়েন্টের প্রভাব এক জিন, এক বৈশিষ্ট্যের মডেল যা বোঝায়, তার চেয়ে বিস্তৃত হতে পারে।

রোগ গবেষণায় এটি বড় জিনোমিক ডেটাসেটকে কার্যকরী বিশ্লেষণের সঙ্গে যুক্ত করার গুরুত্বকে আরও জোরালো করে। কোনো সম্পর্ক কোথায় রয়েছে, GWAS তা শনাক্ত করতে পারে। eQTL ও sQTL গবেষণা উত্তরাধিকারসূত্রে পাওয়া ওই বৈচিত্র্যের সঙ্গে কোন জিনের কার্যকলাপের পরিবর্তন মেলে, তা শনাক্ত করতে সাহায্য করতে পারে। একসঙ্গে এগুলো জনসংখ্যা-স্তরের ধরণ থেকে এমন হাইপোথিসিসের দিকে এগোনোর আরও দৃঢ় উপায় দেয়, যা কোষ, টিস্যু এবং শেষ পর্যন্ত ক্লিনিক্যাল গবেষণায় পরীক্ষা করা যায়।

জিনোমিক্সের জন্য ডেটার পরিমাণের শিক্ষা

এই ফলাফল আরও মনে করিয়ে দেয় যে জিনোমিক্সে নেতিবাচক বা সীমিত ফলাফল পরিসংখ্যানগত ক্ষমতার দ্বারা সীমাবদ্ধ হতে পারে। কোনো জিনের চারপাশে একাধিক নিয়ন্ত্রক প্রভাব কোনো গবেষণায় ধরা নাও পড়তে পারে—সেগুলো নেই বলে নয়, বরং সেগুলো আলাদা করে চেনার মতো তথ্য পর্যাপ্ত না থাকায়। ডেটাসেট বাড়ালে এই সিদ্ধান্ত বদলে যেতে পারে।

গবেষকদের ফলাফল জটিল বৈশিষ্ট্য ব্যাখ্যার চ্যালেঞ্জ দূর করে না। উত্তরাধিকারসূত্রে পাওয়া বৈচিত্র্য থেকে কোনো ব্যক্তির দৃশ্যমান বৈশিষ্ট্য পর্যন্ত জৈবিক শৃঙ্খলের কেবল কিছু অংশ হলো অভিব্যক্তি ও স্প্লাইসিং। তবু কোনো জিনের একাধিক নিয়ন্ত্রক সুইচ শনাক্ত করা আগের তুলনামূলকভাবে মোটা মানচিত্রে আরও সূক্ষ্মতা যোগ করে।

ডেটাসেট যত বাড়বে, বাস্তব কাজ হবে নতুন দৃশ্যমান সংকেতগুলোর মধ্যে কোনগুলো নির্দিষ্ট রোগ বা বৈশিষ্ট্যের জন্য সবচেয়ে প্রাসঙ্গিক, কোন টিস্যুতে এগুলো গুরুত্বপূর্ণ এবং অন্য নিয়ন্ত্রক প্রভাবের সঙ্গে কীভাবে মিথস্ক্রিয়া করে তা নির্ধারণ করা। গবেষণাটি দেখায়, একটি একক निर्णায়ক সুইচের সন্ধান অতিরিক্ত সরল হতে পারে। অনেক জিনের নিয়ন্ত্রক কাঠামো একাধিক স্বাধীনভাবে শনাক্তযোগ্য নিয়ন্ত্রণ নিয়ে গঠিত হতে পারে—আর সেগুলো দেখতে যথেষ্ট বেশি ডেটা দরকার।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদন অবলম্বনে তৈরি। মূল নিবন্ধ পড়ুন।