Un jeu de données génétiques plus vaste révèle plusieurs interrupteurs contrôlant les gènes

Une vision plus large de la régulation génétique

Les études d’association pangénomique, ou GWAS, sont devenues un pilier de la recherche sur les caractères complexes et les maladies. Elles peuvent identifier des segments du génome associés à des affections allant du cancer du sein aux maladies cardiaques et au diabète. Mais trouver un segment d’ADN associé ne revient pas à identifier le gène, le mécanisme ou la voie biologique à l’origine de cette association.

Cette lacune est importante, car de nombreux signaux GWAS se situent dans des régions qui régulent l’activité des gènes plutôt que dans les gènes eux-mêmes. Les chercheurs doivent donc comprendre comment les variants hérités influencent à la fois l’expression des gènes et l’épissage, le processus par lequel les cellules assemblent les instructions de l’ARN sous différentes formes. Ces liens peuvent aider à transformer une association statistique en une explication biologique plus concrète et, à terme, orienter les chercheurs vers de possibles cibles médicamenteuses.

Une étude publiée dans Science avance que les limites apparentes des travaux antérieurs pourraient avoir reflété la taille des jeux de données sous-jacents. À l’aide d’un jeu de données TOPMed de loci de caractères quantitatifs de l’expression et de l’épissage, les chercheurs rapportent qu’une augmentation de la taille de l’échantillon peut révéler un deuxième, un troisième et même un quatrième signal génétique affectant le même gène.

Pourquoi le nombre d’échantillons change la perspective

Chaque personne porte l’un de trois génotypes possibles pour un variant héréditaire donné, reflétant les allèles reçus de ses parents. Ces génotypes peuvent être associés à des niveaux d’expression génique faibles, intermédiaires ou élevés. La cartographie de ces relations constitue l’objectif de l’analyse des loci de caractères quantitatifs de l’expression, ou eQTL. L’analyse étroitement liée des loci de caractères quantitatifs de l’épissage, ou sQTL, recherche des variants associés à des changements dans l’épissage de l’ARN.

Les travaux antérieurs s’appuyaient souvent sur les données du projet Genotype-Tissue Expression, connu sous le nom de GTEx, pour relier les résultats des GWAS aux eQTL et aux sQTL. Ces études semblaient rapidement atteindre un plafond quant au nombre de sites régulateurs détectables pour un gène donné. Les nouveaux travaux suggèrent que ce plafond n’était pas nécessairement biologique. Avec davantage de données, des effets indépendants supplémentaires peuvent devenir visibles.

Cette distinction est importante. Si les chercheurs ne peuvent observer que l’association régulatrice la plus forte près d’un gène, ils risquent de manquer d’autres variants qui influencent également son activité. Un jeu de données plus vaste peut séparer des effets qui, autrement, se confondraient, produisant une carte plus détaillée de la manière dont la variation héritée façonne la machinerie cellulaire.

Des signaux d’association aux mécanismes

Le principe de l’étude n’est pas que chaque résultat GWAS devienne immédiatement une cible thérapeutique. Il fournit plutôt une voie pour interpréter ce que ces résultats pourraient signifier. Un variant génétique associé au risque de maladie peut se trouver dans une région régulatrice. En reliant ce variant à des changements d’expression ou d’épissage, les chercheurs peuvent restreindre l’ensemble des gènes et des processus à étudier.

La régulation des gènes fonctionne également en réseau. Comme l’a expliqué Laura Scott, chercheuse à la University of Michigan, modifier l’expression d’une partie d’un système biologique — par exemple un régulateur impliqué dans une réponse cellulaire au stress — peut affecter les niveaux d’expression d’autres parties de ce même système. L’influence d’un variant peut donc être plus large que ne le suggère un modèle fondé sur un gène et un caractère.

Pour la recherche sur les maladies, cela renforce l’intérêt de combiner de grands jeux de données génomiques à des analyses fonctionnelles. Un GWAS peut identifier l’emplacement d’une association. Les études eQTL et sQTL peuvent aider à déterminer quelles activités géniques évoluent avec cette variation héritée. Ensemble, elles offrent une manière plus solide de passer des tendances observées à l’échelle des populations à des hypothèses testables dans les cellules, les tissus et, finalement, la recherche clinique.

Une leçon sur l’échelle des données pour la génomique

Le résultat rappelle également que les découvertes négatives ou limitées en génomique peuvent être contraintes par la puissance statistique. Une étude peut ne pas détecter plusieurs effets régulateurs autour d’un gène non pas parce qu’ils n’existent pas, mais parce que les données disponibles sont insuffisantes pour les distinguer. L’élargissement du jeu de données peut modifier cette conclusion.

Les résultats des chercheurs ne suppriment pas la difficulté d’interpréter les caractères complexes. L’expression et l’épissage ne représentent que certaines étapes de la chaîne biologique entre la variation héritée et les caractéristiques observables d’une personne. Néanmoins, identifier plusieurs interrupteurs régulateurs pour un gène apporte une résolution supplémentaire là où les cartes précédentes étaient relativement grossières.

À mesure que les jeux de données s’agrandissent, la tâche pratique consistera à déterminer quels signaux nouvellement visibles sont les plus pertinents pour une maladie ou un caractère donné, dans quels tissus ils comptent et comment ils interagissent avec d’autres effets régulateurs. L’étude montre que rechercher un seul interrupteur décisif peut être trop simpliste. Pour de nombreux gènes, l’architecture régulatrice pourrait être composée de plusieurs contrôles détectables indépendamment — et leur observation nécessite beaucoup plus de données.

Cet article s’appuie sur un reportage de Medical Xpress. Lire l’article original.