बड़े आनुवंशिक डेटासेट से जीन को नियंत्रित करने वाले कई स्विच का पता चला

आनुवंशिक नियमन का व्यापक दृष्टिकोण

जीनोम-वाइड एसोसिएशन स्टडीज़, या GWAS, जटिल लक्षणों और रोगों पर शोध का एक प्रमुख आधार बन चुकी हैं। ये स्तन कैंसर से लेकर हृदय रोग और मधुमेह तक की स्थितियों से जुड़े जीनोम के हिस्सों की पहचान कर सकती हैं। लेकिन DNA के किसी संबद्ध हिस्से को खोजना उस संबद्धता के पीछे मौजूद जीन, तंत्र या जैविक मार्ग की पहचान करने के समान नहीं है।

यह अंतर महत्वपूर्ण है, क्योंकि GWAS के कई संकेत जीनों के भीतर नहीं, बल्कि जीन की गतिविधि को नियंत्रित करने वाले क्षेत्रों में स्थित होते हैं। इसलिए शोधकर्ताओं को यह समझना होता है कि विरासत में मिले वेरिएंट जीन अभिव्यक्ति और स्प्लाइसिंग—अर्थात वह प्रक्रिया जिसमें कोशिकाएँ RNA निर्देशों को अलग-अलग रूपों में जोड़ती हैं—दोनों को कैसे प्रभावित करते हैं। ये संबंध सांख्यिकीय संबद्धता को जीवविज्ञान की अधिक ठोस व्याख्या में बदलने में मदद कर सकते हैं और अंततः शोधकर्ताओं को संभावित दवा लक्ष्यों की ओर ले जा सकते हैं।

Science में प्रकाशित एक अध्ययन का तर्क है कि पहले के कार्यों की स्पष्ट सीमाएँ मूल डेटासेट के आकार का परिणाम हो सकती हैं। TOPMed expression and splicing quantitative trait locus dataset का उपयोग करते हुए शोधकर्ताओं ने बताया कि नमूना आकार बढ़ाने पर एक ही जीन को प्रभावित करने वाले दूसरे, तीसरे और यहाँ तक कि चौथे आनुवंशिक संकेत का भी पता चल सकता है।

नमूनों की संख्या से तस्वीर क्यों बदलती है

हर व्यक्ति में किसी विरासत में मिले वेरिएंट के तीन संभावित जीनोटाइप में से एक होता है, जो माता-पिता से प्राप्त एलील को दर्शाता है। ये जीनोटाइप जीन अभिव्यक्ति के निम्न, मध्यवर्ती या उच्च स्तर से जुड़े हो सकते हैं। इन संबंधों का मानचित्रण expression quantitative trait locus, या eQTL, विश्लेषण का उद्देश्य है। इससे निकटता से संबंधित splicing quantitative trait locus, या sQTL, विश्लेषण ऐसे वेरिएंट खोजता है जो RNA स्प्लाइसिंग में बदलाव से जुड़े हों।

पहले के प्रयासों में GWAS निष्कर्षों को eQTL और sQTL से जोड़ने के लिए अक्सर Genotype-Tissue Expression परियोजना, जिसे GTEx कहा जाता है, के डेटा पर निर्भर किया जाता था। इन अध्ययनों से जल्दी ही ऐसा लगा कि किसी एक जीन के लिए पहचाने जा सकने वाले नियामक स्थलों की संख्या की एक सीमा है। नया कार्य बताता है कि यह सीमा जरूरी नहीं कि जैविक हो। अधिक डेटा मिलने पर अतिरिक्त स्वतंत्र प्रभाव दिखाई देने लग सकते हैं।

यह एक महत्वपूर्ण अंतर है। यदि शोधकर्ता किसी जीन के पास केवल सबसे मजबूत नियामक संबद्धता देख सकें, तो वे उन अन्य वेरिएंट को नज़रअंदाज़ कर सकते हैं जो उसकी गतिविधि को प्रभावित करते हैं। बड़ा डेटासेट उन प्रभावों को अलग कर सकता है जो अन्यथा एक-दूसरे में घुल जाते, और इस तरह यह अधिक विस्तृत मानचित्र तैयार कर सकता है कि विरासत में मिली विविधता कोशिकीय तंत्र को कैसे आकार देती है।

संबद्धता संकेतों से तंत्र तक

अध्ययन का आधार यह नहीं है कि हर GWAS संकेत तुरंत चिकित्सीय लक्ष्य बन जाता है। इसके बजाय, यह समझने का एक मार्ग देता है कि उन संकेतों का अर्थ क्या हो सकता है। रोग के जोखिम से जुड़ा आनुवंशिक वेरिएंट किसी नियामक क्षेत्र में स्थित हो सकता है। उस वेरिएंट को अभिव्यक्ति या स्प्लाइसिंग में बदलावों से जोड़कर शोधकर्ता उन जीनों और प्रक्रियाओं की सूची सीमित कर सकते हैं, जिनकी जाँच की जानी चाहिए।

जीन नियमन नेटवर्क के रूप में भी काम करता है। University of Michigan की शोधकर्ता Laura Scott ने समझाया कि जैविक तंत्र के एक हिस्से की अभिव्यक्ति बदलने से—जैसे कोशिकीय तनाव प्रतिक्रिया में शामिल किसी नियामक की—उसी तंत्र के अन्य हिस्सों में अभिव्यक्ति का स्तर प्रभावित हो सकता है। इसका अर्थ है कि किसी वेरिएंट का प्रभाव एक-जीन, एक-लक्षण वाले मॉडल से कहीं व्यापक हो सकता है।

रोग अनुसंधान के लिए यह बड़े जीनोमिक डेटासेट को कार्यात्मक विश्लेषणों के साथ जोड़ने के महत्व को रेखांकित करता है। GWAS यह पहचान सकता है कि संबद्धता कहाँ स्थित है। eQTL और sQTL अध्ययन यह पता लगाने में मदद कर सकते हैं कि कौन-सी जीन गतिविधियाँ उस विरासत में मिली विविधता के साथ बदलती हैं। साथ मिलकर, ये जनसंख्या-स्तरीय पैटर्न से आगे बढ़कर ऐसी परिकल्पनाएँ बनाने का अधिक ठोस तरीका देते हैं, जिन्हें कोशिकाओं, ऊतकों और अंततः नैदानिक शोध में परखा जा सकता है।

जीनोमिक्स के लिए डेटा-स्तर का सबक

यह परिणाम यह भी याद दिलाता है कि जीनोमिक्स में नकारात्मक या सीमित निष्कर्ष सांख्यिकीय शक्ति से बाधित हो सकते हैं। किसी अध्ययन में जीन के आसपास कई नियामक प्रभाव इसलिए नहीं दिख सकते कि वे मौजूद नहीं हैं, बल्कि इसलिए कि उपलब्ध डेटा उन्हें अलग-अलग पहचानने के लिए पर्याप्त नहीं है। डेटासेट बढ़ाने से यह निष्कर्ष बदल सकता है।

शोधकर्ताओं के निष्कर्ष जटिल लक्षणों की व्याख्या की चुनौती समाप्त नहीं करते। अभिव्यक्ति और स्प्लाइसिंग, विरासत में मिली विविधता और व्यक्ति के दिखाई देने वाले लक्षणों के बीच जैविक श्रृंखला के केवल कुछ हिस्से हैं। फिर भी, किसी जीन के लिए कई नियामक स्विच की पहचान पहले के अपेक्षाकृत मोटे मानचित्रों में अधिक सूक्ष्मता जोड़ती है।

जैसे-जैसे डेटासेट बढ़ेंगे, व्यावहारिक चुनौती यह तय करना होगी कि नए दिखाई देने वाले संकेतों में से कौन-से किसी विशेष रोग या लक्षण के लिए सबसे प्रासंगिक हैं, वे किन ऊतकों में महत्वपूर्ण हैं और अन्य नियामक प्रभावों के साथ कैसे परस्पर क्रिया करते हैं। अध्ययन यह मामला प्रस्तुत करता है कि एक निर्णायक स्विच की तलाश बहुत सरल दृष्टिकोण हो सकती है। कई जीनों के लिए नियामक संरचना कई स्वतंत्र रूप से पहचाने जा सकने वाले नियंत्रणों से बनी हो सकती है—और उन्हें देखने के लिए काफी अधिक डेटा की आवश्यकता होती है।

यह लेख Medical Xpress की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।