பெரிய மரபணுத் தரவுத்தொகுப்பு மரபணுக்களைக் கட்டுப்படுத்தும் பல சுவிட்சுகளைக் கண்டறிகிறது

மரபணு ஒழுங்குமுறையின் விரிவான பார்வை

ஜீனோம்-வைட் அசோசியேஷன் ஆய்வுகள், அல்லது GWAS, சிக்கலான பண்புகள் மற்றும் நோய்கள் குறித்த ஆராய்ச்சியின் முக்கிய அடித்தளமாக மாறியுள்ளன. மார்பகப் புற்றுநோய் முதல் இதய நோய் மற்றும் நீரிழிவு வரை பல்வேறு நிலைகளுடன் தொடர்புடைய ஜீனோம் பகுதிகளை இவை கண்டறிய முடியும். ஆனால் DNA-வின் தொடர்புடைய பகுதியைக் கண்டறிவது, அந்தத் தொடர்புக்குப் பின்னால் உள்ள மரபணு, வழிமுறை அல்லது உயிரியல் பாதையை அடையாளம் காண்பதற்கு சமமல்ல.

இந்த இடைவெளி முக்கியமானது, ஏனெனில் பல GWAS சமிக்ஞைகள் மரபணுக்களுக்குள் இல்லாமல், மரபணு செயல்பாட்டை ஒழுங்குபடுத்தும் பகுதிகளில் அமைந்துள்ளன. எனவே, மரபுரிமையாகப் பெறப்பட்ட மாறுபாடுகள் மரபணு வெளிப்பாடு மற்றும் ஸ்பிளைசிங்—அதாவது செல்கள் RNA வழிமுறைகளை வெவ்வேறு வடிவங்களாக இணைக்கும் செயல்முறை—இரண்டையும் எவ்வாறு பாதிக்கின்றன என்பதை ஆராய்ச்சியாளர்கள் புரிந்துகொள்ள வேண்டும். இந்த இணைப்புகள் ஒரு புள்ளியியல் தொடர்பை உயிரியல் குறித்த தெளிவான விளக்கமாக மாற்ற உதவுவதுடன், இறுதியில் சாத்தியமான மருந்து இலக்குகளை நோக்கி ஆராய்ச்சியாளர்களை வழிநடத்தலாம்.

Science இதழில் வெளியான ஓர் ஆய்வு, முந்தைய பணிகளின் வெளிப்படையான வரம்புகள் அடிப்படைத் தரவுத்தொகுப்புகளின் அளவை பிரதிபலித்திருக்கலாம் என்று வாதிடுகிறது. TOPMed expression and splicing quantitative trait locus dataset-ஐப் பயன்படுத்தி, மாதிரி அளவு அதிகரிக்கும்போது ஒரே மரபணுவை பாதிக்கும் இரண்டாவது, மூன்றாவது, நான்காவது மரபணு சமிக்ஞைகளைக் கூட கண்டறிய முடியும் என்று ஆராய்ச்சியாளர்கள் தெரிவித்துள்ளனர்.

மாதிரிகளின் எண்ணிக்கை படத்தை ஏன் மாற்றுகிறது

ஒவ்வொரு நபரும் ஒரு குறிப்பிட்ட மரபுரிமை மாறுபாட்டில் சாத்தியமான மூன்று மரபணு வகைகளில் ஒன்றைக் கொண்டிருக்கிறார்; இது பெற்றோரிடமிருந்து பெறப்பட்ட அலீல்களை பிரதிபலிக்கிறது. இந்த மரபணு வகைகள் மரபணு வெளிப்பாட்டின் குறைந்த, இடைநிலை அல்லது அதிக அளவுகளுடன் தொடர்புடையதாக இருக்கலாம். இந்த உறவுகளை வரைபடமிடுவதே expression quantitative trait locus, அல்லது eQTL, பகுப்பாய்வின் நோக்கமாகும். இதனுடன் நெருக்கமாக தொடர்புடைய splicing quantitative trait locus, அல்லது sQTL, பகுப்பாய்வு, RNA ஸ்பிளைசிங்கில் ஏற்படும் மாற்றங்களுடன் தொடர்புடைய மாறுபாடுகளைத் தேடுகிறது.

முந்தைய முயற்சிகள், GWAS கண்டுபிடிப்புகளை eQTL மற்றும் sQTL-களுடன் இணைக்க Genotype-Tissue Expression திட்டத்தின், அதாவது GTEx-ன், தரவை அடிக்கடி பயன்படுத்தின. ஒரு தனிப்பட்ட மரபணுவுக்காக கண்டறியக்கூடிய ஒழுங்குமுறைத் தளங்களின் எண்ணிக்கையில் இந்த ஆய்வுகள் விரைவாக ஒரு உச்சவரம்பை எட்டியதாகத் தோன்றின. அந்த உச்சவரம்பு அவசியம் உயிரியல் சார்ந்ததல்ல என்று புதிய ஆய்வு தெரிவிக்கிறது. அதிக தரவுடன், கூடுதல் சுயாதீன விளைவுகள் தென்படத் தொடங்கலாம்.

இது முக்கியமான வேறுபாடு. ஒரு மரபணுவின் அருகிலுள்ள வலுவான ஒழுங்குமுறைத் தொடர்பை மட்டுமே ஆராய்ச்சியாளர்கள் கவனிக்க முடிந்தால், அதன் செயல்பாட்டையும் பாதிக்கும் பிற மாறுபாடுகளை அவர்கள் தவறவிடலாம். பெரிய தரவுத்தொகுப்பு, இல்லையெனில் ஒன்றோடொன்று கலந்துவிடும் விளைவுகளைப் பிரிக்க உதவும்; இதனால் மரபுரிமை மாறுபாடு செல்களின் இயந்திர அமைப்பை எவ்வாறு வடிவமைக்கிறது என்பதற்கான விரிவான வரைபடம் கிடைக்கும்.

தொடர்பு சமிக்ஞைகளிலிருந்து வழிமுறைகள் வரை

ஒவ்வொரு GWAS கண்டுபிடிப்பும் உடனடியாக ஒரு சிகிச்சை இலக்காக மாறும் என்று இந்த ஆய்வு கூறவில்லை. மாறாக, அந்தக் கண்டுபிடிப்புகள் எதைக் குறிக்கலாம் என்பதை விளக்குவதற்கான ஒரு வழியை இது வழங்குகிறது. நோய் அபாயத்துடன் தொடர்புடைய மரபணு மாறுபாடு ஒரு ஒழுங்குமுறைப் பகுதியில் இருக்கலாம். அந்த மாறுபாட்டை வெளிப்பாடு அல்லது ஸ்பிளைசிங்கில் ஏற்படும் மாற்றங்களுடன் இணைப்பதன் மூலம், ஆராய்ச்சியாளர்கள் ஆராய வேண்டிய மரபணுக்கள் மற்றும் செயல்முறைகளின் தொகுப்பைக் குறுக்கலாம்.

மரபணு ஒழுங்குமுறை வலையமைப்பாகவும் செயல்படுகிறது. University of Michigan ஆராய்ச்சியாளர் Laura Scott விளக்கியபடி, உயிரியல் அமைப்பின் ஒரு பகுதியின் வெளிப்பாட்டை மாற்றுவது—உதாரணமாக, செல்களின் அழுத்தப் பதிலில் ஈடுபடும் ஒரு ஒழுங்குபடுத்தியின் வெளிப்பாட்டை மாற்றுவது—அதே அமைப்பின் பிற பகுதிகளிலும் வெளிப்பாட்டு அளவுகளை பாதிக்கலாம். எனவே, ஒரு மாறுபாட்டின் தாக்கம் ஒரு மரபணு, ஒரு பண்பு என்ற மாதிரி காட்டுவதைவிட விரிவானதாக இருக்கலாம்.

நோய் ஆராய்ச்சிக்காக, பெரிய ஜீனோமிக் தரவுத்தொகுப்புகளை செயல்பாட்டு பகுப்பாய்வுகளுடன் இணைப்பதன் மதிப்பை இது வலியுறுத்துகிறது. ஒரு தொடர்பு எங்கு உள்ளது என்பதை GWAS கண்டறியலாம். அந்த மரபுரிமை மாறுபாட்டுடன் எந்த மரபணு செயல்பாடுகள் இணைந்து மாறுகின்றன என்பதை eQTL மற்றும் sQTL ஆய்வுகள் கண்டறிய உதவும். இவை ஒன்றாக, மக்கள் தொகை அளவிலான வடிவங்களிலிருந்து செல்கள், திசுக்கள் மற்றும் இறுதியில் மருத்துவ ஆராய்ச்சியில் பரிசோதிக்கக்கூடிய கருதுகோள்களுக்குச் செல்லும் உறுதியான வழியை வழங்குகின்றன.

ஜீனோமிக்ஸுக்கான தரவு அளவின் பாடம்

ஜீனோமிக்ஸில் எதிர்மறையான அல்லது வரையறுக்கப்பட்ட முடிவுகள் புள்ளியியல் சக்தியால் கட்டுப்படுத்தப்படலாம் என்பதையும் இந்த முடிவு நினைவூட்டுகிறது. ஒரு மரபணுவைச் சுற்றியுள்ள பல ஒழுங்குமுறை விளைவுகளை ஒரு ஆய்வு கண்டறியாமல் போகலாம்; அவை இல்லை என்பதற்காக அல்ல, கிடைக்கும் தரவு அவற்றை வேறுபடுத்திப் பார்க்க போதுமானதாக இல்லாததால். தரவுத்தொகுப்பை விரிவுபடுத்துவது அந்த முடிவை மாற்றலாம்.

சிக்கலான பண்புகளை விளக்கும் சவாலை ஆராய்ச்சியாளர்களின் கண்டுபிடிப்புகள் நீக்குவதில்லை. மரபுரிமை மாறுபாட்டுக்கும் ஒருவரின் வெளிப்படையான பண்புகளுக்கும் இடையிலான உயிரியல் சங்கிலியில் வெளிப்பாடும் ஸ்பிளைசிங்கும் சில பகுதிகள் மட்டுமே. இருப்பினும், ஒரு மரபணுவுக்கான பல ஒழுங்குமுறை சுவிட்சுகளை அடையாளம் காண்பது, முந்தைய ஒப்பீட்டளவில் கரடுமுரடான வரைபடங்களுக்கு அதிகத் துல்லியத்தைச் சேர்க்கிறது.

தரவுத்தொகுப்புகள் பெரிதாகும்போது, புதிதாகத் தென்படும் சமிக்ஞைகளில் குறிப்பிட்ட நோய் அல்லது பண்புக்கு மிகவும் பொருத்தமானவை எவை, எந்தத் திசுக்களில் அவை முக்கியமானவை, பிற ஒழுங்குமுறை விளைவுகளுடன் அவை எவ்வாறு தொடர்புகொள்கின்றன என்பதைக் தீர்மானிப்பதே நடைமுறைச் சவாலாக இருக்கும். ஒரே ஒரு தீர்மானிக்கும் சுவிட்சைத் தேடுவது மிக எளிமையான அணுகுமுறையாக இருக்கலாம் என்று இந்த ஆய்வு வலியுறுத்துகிறது. பல மரபணுக்களின் ஒழுங்குமுறை அமைப்பு, தனித்தனியாகக் கண்டறியக்கூடிய பல கட்டுப்பாடுகளால் உருவாக்கப்பட்டிருக்கலாம்—அவற்றைக் காண கணிசமாக அதிக தரவு தேவைப்படுகிறது.

இந்தக் கட்டுரை Medical Xpress-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.