Größerer genetischer Datensatz findet mehrere Schalter zur Steuerung von Genen

Ein umfassenderer Blick auf die genetische Regulation

Genomweite Assoziationsstudien, kurz GWAS, sind zu einem festen Bestandteil der Forschung über komplexe Merkmale und Krankheiten geworden. Sie können Genomabschnitte identifizieren, die mit Erkrankungen von Brustkrebs über Herzkrankheiten bis hin zu Diabetes verbunden sind. Einen assoziierten DNA-Abschnitt zu finden, ist jedoch nicht dasselbe wie das Gen, den Mechanismus oder den biologischen Signalweg hinter dieser Assoziation zu bestimmen.

Diese Lücke ist bedeutsam, weil viele GWAS-Signale in Regionen liegen, die die Genaktivität regulieren, und nicht in den Genen selbst. Forschende müssen daher verstehen, wie vererbte Varianten sowohl die Genexpression als auch das Spleißen beeinflussen – den Prozess, bei dem Zellen RNA-Anweisungen in unterschiedliche Formen zusammensetzen. Diese Verbindungen können helfen, aus einer statistischen Assoziation eine konkretere biologische Erklärung zu machen und Forschende letztlich auf mögliche Wirkstoffziele hinzuweisen.

Eine in Science veröffentlichte Studie argumentiert, dass die scheinbaren Grenzen früherer Arbeiten möglicherweise die Größe der zugrunde liegenden Datensätze widerspiegelten. Mithilfe eines TOPMed-Datensatzes zu Expressions- und Spleiß-QTL berichten die Forschenden, dass eine größere Stichprobe ein zweites, drittes und sogar viertes genetisches Signal sichtbar machen kann, das dasselbe Gen beeinflusst.

Warum die Zahl der Proben das Bild verändert

Jeder Mensch trägt an einer bestimmten vererbten Variante einen von drei möglichen Genotypen, die die von den Eltern erhaltenen Allele widerspiegeln. Diese Genotypen können mit einer niedrigeren, mittleren oder höheren Genexpression verbunden sein. Die Analyse von Expressionsquantitätsmerkmal-Loci, kurz eQTL, dient dazu, diese Beziehungen abzubilden. Die eng verwandte Analyse von Spleiß-Quantitätsmerkmal-Loci, kurz sQTL, sucht nach Varianten, die mit Veränderungen des RNA-Spleißens verbunden sind.

Frühere Arbeiten stützten sich häufig auf Daten des Projekts Genotype-Tissue Expression, bekannt als GTEx, um GWAS-Ergebnisse mit eQTLs und sQTLs zu verknüpfen. Diese Studien schienen bei der Zahl der für ein einzelnes Gen nachweisbaren regulatorischen Stellen rasch eine Obergrenze zu erreichen. Die neue Arbeit legt nahe, dass diese Grenze nicht zwingend biologischer Natur war. Mit mehr Daten können zusätzliche unabhängige Effekte sichtbar werden.

Das ist ein wichtiger Unterschied. Wenn Forschende nur die stärkste regulatorische Assoziation in der Nähe eines Gens beobachten können, übersehen sie möglicherweise andere Varianten, die dessen Aktivität ebenfalls beeinflussen. Ein größerer Datensatz kann Effekte voneinander trennen, die sonst ineinander verschwimmen würden, und so eine detailliertere Karte davon liefern, wie vererbte Variation die Zellmaschinerie prägt.

Von Assoziationssignalen zu Mechanismen

Die Studie geht nicht davon aus, dass jeder GWAS-Treffer sofort zu einem therapeutischen Ziel wird. Stattdessen bietet sie einen Weg, um zu interpretieren, was diese Treffer bedeuten könnten. Eine genetische Variante, die mit einem Krankheitsrisiko verbunden ist, kann in einer regulatorischen Region liegen. Indem Forschende diese Variante mit Veränderungen der Expression oder des Spleißens verknüpfen, können sie die Zahl der Gene und Prozesse eingrenzen, die untersucht werden sollten.

Auch die Genregulation ist vernetzt. Wie Laura Scott, Forscherin an der University of Michigan, erklärte, kann eine veränderte Expression in einem Teil eines biologischen Systems – etwa bei einem Regulator, der an einer zellulären Stressreaktion beteiligt ist – die Expressionswerte in anderen Teilen desselben Systems beeinflussen. Der Einfluss einer Variante kann daher umfassender sein, als ein Ein-Gen-ein-Merkmal-Modell vermuten lässt.

Für die Krankheitsforschung unterstreicht dies den Wert, große genomische Datensätze mit funktionellen Analysen zu verbinden. Eine GWAS kann zeigen, wo eine Assoziation liegt. eQTL- und sQTL-Studien können dabei helfen zu bestimmen, welche Genaktivitäten mit dieser vererbten Variation einhergehen. Gemeinsam bieten sie eine fundiertere Möglichkeit, von Mustern auf Bevölkerungsebene zu Hypothesen überzugehen, die in Zellen, Geweben und schließlich in der klinischen Forschung überprüft werden können.

Eine Lektion über die Datenskala für die Genomik

Das Ergebnis erinnert auch daran, dass negative oder begrenzte Befunde in der Genomik durch die statistische Aussagekraft eingeschränkt sein können. Eine Studie erkennt möglicherweise mehrere regulatorische Effekte rund um ein Gen nicht, weil sie nicht existieren, sondern weil die verfügbaren Daten nicht ausreichen, um sie voneinander zu unterscheiden. Eine Erweiterung des Datensatzes kann diese Schlussfolgerung verändern.

Die Ergebnisse der Forschenden beseitigen nicht die Herausforderung, komplexe Merkmale zu interpretieren. Expression und Spleißen sind nur Teile der biologischen Kette zwischen vererbter Variation und den beobachtbaren Eigenschaften eines Menschen. Dennoch schafft die Identifizierung mehrerer regulatorischer Schalter für ein Gen eine höhere Auflösung, wo frühere Karten vergleichsweise grob waren.

Mit dem Wachstum der Datensätze wird es praktisch darum gehen zu entscheiden, welche der neu sichtbaren Signale für eine bestimmte Krankheit oder ein bestimmtes Merkmal am relevantesten sind, in welchen Geweben sie eine Rolle spielen und wie sie mit anderen regulatorischen Effekten interagieren. Die Studie zeigt, dass die Suche nach einem einzigen entscheidenden Schalter zu simpel sein könnte. Bei vielen Genen besteht die regulatorische Architektur möglicherweise aus mehreren unabhängig nachweisbaren Kontrollmechanismen – und um sie zu erkennen, sind deutlich mehr Daten erforderlich.

Dieser Artikel basiert auf einer Berichterstattung von Medical Xpress. Den Originalartikel lesen.