పెద్ద జన్యు డేటాసెట్ జన్యువులను నియంత్రించే అనేక స్విచ్‌లను గుర్తించింది

జన్యు నియంత్రణపై విస్తృత దృక్కోణం

జీనోమ్-వైడ్ అసోసియేషన్ స్టడీస్, లేదా GWAS, సంక్లిష్ట లక్షణాలు మరియు వ్యాధులపై పరిశోధనకు ప్రధాన ఆధారంగా మారాయి. ఇవి రొమ్ము క్యాన్సర్ నుంచి గుండె జబ్బులు, మధుమేహం వరకు వివిధ పరిస్థితులతో సంబంధం ఉన్న జీనోమ్ భాగాలను గుర్తించగలవు. అయితే సంబంధం ఉన్న DNA భాగాన్ని కనుగొనడం, ఆ సంబంధం వెనుక ఉన్న జన్యువు, విధానం లేదా జీవ మార్గాన్ని గుర్తించడంతో సమానం కాదు.

ఈ అంతరం ముఖ్యమైనది, ఎందుకంటే అనేక GWAS సంకేతాలు జన్యువులలో కాకుండా జన్యు కార్యకలాపాన్ని నియంత్రించే ప్రాంతాల్లో ఉంటాయి. అందువల్ల వారసత్వంగా వచ్చిన వేరియంట్‌లు జన్యు వ్యక్తీకరణతో పాటు స్ప్లైసింగ్‌ను—అంటే కణాలు RNA సూచనలను వివిధ రూపాలుగా సమీకరించే ప్రక్రియను—ఎలా ప్రభావితం చేస్తాయో పరిశోధకులు అర్థం చేసుకోవాలి. ఈ సంబంధాలు గణాంక సంబంధాన్ని జీవశాస్త్రానికి మరింత స్పష్టమైన వివరణగా మార్చడంలో సహాయపడవచ్చు; చివరికి సంభావ్య ఔషధ లక్ష్యాల వైపు పరిశోధకులను నడిపించవచ్చు.

Scienceలో ప్రచురితమైన ఒక అధ్యయనం, గత పరిశోధనలకు కనిపించిన పరిమితులు ప్రాథమిక డేటాసెట్‌ల పరిమాణాన్ని ప్రతిబింబించి ఉండవచ్చని వాదిస్తోంది. TOPMed expression and splicing quantitative trait locus datasetను ఉపయోగించి, నమూనా పరిమాణం పెరిగినప్పుడు అదే జన్యువును ప్రభావితం చేసే రెండో, మూడో, నాలుగో జన్యు సంకేతాలను కూడా గుర్తించవచ్చని పరిశోధకులు నివేదించారు.

నమూనాల సంఖ్య చిత్రాన్ని ఎందుకు మారుస్తుంది

ప్రతి వ్యక్తి ఒక నిర్దిష్ట వారసత్వ వేరియంట్ వద్ద ఉండే మూడు సాధ్యమైన జన్యురూపాల్లో ఒకదాన్ని కలిగి ఉంటాడు. ఇది తల్లిదండ్రుల నుంచి పొందిన అలీల్‌లను ప్రతిబింబిస్తుంది. ఆ జన్యురూపాలు జన్యు వ్యక్తీకరణలో తక్కువ, మధ్యస్థ లేదా అధిక స్థాయిలతో సంబంధం కలిగి ఉండవచ్చు. ఈ సంబంధాలను మ్యాప్ చేయడమే expression quantitative trait locus, లేదా eQTL, విశ్లేషణ లక్ష్యం. దీనికి సమీపంగా సంబంధం ఉన్న splicing quantitative trait locus, లేదా sQTL, విశ్లేషణ RNA స్ప్లైసింగ్‌లో మార్పులతో సంబంధం ఉన్న వేరియంట్‌లను వెతుకుతుంది.

గత ప్రయత్నాలు GWAS ఫలితాలను eQTLలు, sQTLలతో అనుసంధానించడానికి Genotype-Tissue Expression ప్రాజెక్ట్, అంటే GTEx, డేటాపై తరచుగా ఆధారపడ్డాయి. ఒకే జన్యువుకు గుర్తించగల నియంత్రణ స్థలాల సంఖ్యలో ఆ అధ్యయనాలు త్వరగా ఒక గరిష్ఠానికి చేరుకున్నట్లు కనిపించాయి. ఆ గరిష్ఠం తప్పనిసరిగా జీవశాస్త్ర సంబంధమైనది కాదని కొత్త పరిశోధన సూచిస్తోంది. మరింత డేటాతో అదనపు స్వతంత్ర ప్రభావాలు కనిపించవచ్చు.

ఇది ఒక ముఖ్యమైన తేడా. ఒక జన్యువు సమీపంలోని అత్యంత బలమైన నియంత్రణ సంబంధాన్ని మాత్రమే పరిశోధకులు చూడగలిగితే, దాని కార్యకలాపాన్ని ప్రభావితం చేసే ఇతర వేరియంట్‌లను వారు మిస్ కావచ్చు. పెద్ద డేటాసెట్ లేకపోతే కలిసిపోయే ప్రభావాలను వేరు చేయగలదు; తద్వారా వారసత్వ వైవిధ్యం కణ యంత్రాంగాన్ని ఎలా మలుస్తుందో చూపించే మరింత వివరణాత్మక మ్యాప్ లభిస్తుంది.

సంబంధ సంకేతాల నుంచి విధానాల వరకు

ప్రతి GWAS హిట్ వెంటనే చికిత్సా లక్ష్యంగా మారుతుందని ఈ అధ్యయనం చెప్పడం లేదు. బదులుగా, ఆ హిట్‌లు ఏమి సూచించవచ్చో అర్థం చేసుకునే మార్గాన్ని ఇది అందిస్తోంది. వ్యాధి ప్రమాదంతో సంబంధం ఉన్న జన్యు వేరియంట్ నియంత్రణ ప్రాంతంలో ఉండవచ్చు. ఆ వేరియంట్‌ను వ్యక్తీకరణ లేదా స్ప్లైసింగ్‌లో మార్పులతో అనుసంధానించడం ద్వారా, పరిశోధించాల్సిన జన్యువులు మరియు ప్రక్రియల పరిధిని పరిశోధకులు తగ్గించగలరు.

జన్యు నియంత్రణ నెట్‌వర్క్ రూపంలోనూ పనిచేస్తుంది. University of Michigan పరిశోధకురాలు Laura Scott వివరించినట్లుగా, జీవ వ్యవస్థలోని ఒక భాగం వ్యక్తీకరణను మార్చడం—ఉదాహరణకు కణ ఒత్తిడి ప్రతిస్పందనలో పాల్గొనే నియంత్రకుడి వ్యక్తీకరణను మార్చడం—అదే వ్యవస్థలోని ఇతర భాగాల్లో వ్యక్తీకరణ స్థాయిలను ప్రభావితం చేయవచ్చు. అందువల్ల ఒక వేరియంట్ ప్రభావం ఒక జన్యువు, ఒక లక్షణం అనే నమూనా సూచించేదానికంటే విస్తృతంగా ఉండవచ్చు.

వ్యాధి పరిశోధనలో, పెద్ద జీనోమిక్ డేటాసెట్‌లను ఫంక్షనల్ విశ్లేషణలతో కలపడం ఎంత విలువైనదో ఇది బలపరుస్తుంది. సంబంధం ఎక్కడ ఉందో GWAS గుర్తించగలదు. ఆ వారసత్వ వైవిధ్యంతో ఏ జన్యు కార్యకలాపాలు కలిసి మారుతున్నాయో గుర్తించేందుకు eQTL, sQTL అధ్యయనాలు సహాయపడతాయి. ఇవి కలిసి, జనాభా స్థాయి నమూనాల నుంచి కణాలు, కణజాలాలు, చివరికి క్లినికల్ పరిశోధనలో పరీక్షించగల పరికల్పనల దిశగా వెళ్లేందుకు మరింత పటిష్ఠమైన మార్గాన్ని అందిస్తాయి.

జీనోమిక్స్‌కు డేటా పరిమాణం చెప్పే పాఠం

జీనోమిక్స్‌లో ప్రతికూల లేదా పరిమిత ఫలితాలు గణాంక శక్తి వల్ల పరిమితం కావచ్చని కూడా ఈ ఫలితం గుర్తుచేస్తుంది. ఒక జన్యువు చుట్టూ అనేక నియంత్రణ ప్రభావాలను ఒక అధ్యయనం గుర్తించకపోవచ్చు; అవి లేవు కాబట్టి కాదు, అందుబాటులో ఉన్న డేటా వాటిని వేరు చేయడానికి సరిపోకపోవచ్చు. డేటాసెట్‌ను విస్తరించడం ఆ నిర్ధారణను మార్చగలదు.

సంక్లిష్ట లక్షణాలను అర్థం చేసుకునే సవాలను పరిశోధకుల ఫలితాలు తొలగించవు. వ్యక్తీకరణ, స్ప్లైసింగ్ అనేవి వారసత్వ వైవిధ్యం నుంచి ఒక వ్యక్తి గమనించగల లక్షణాల వరకు ఉన్న జీవ శ్రేణిలోని కొన్ని భాగాలు మాత్రమే. అయినప్పటికీ, ఒక జన్యువుకు అనేక నియంత్రణ స్విచ్‌లను గుర్తించడం గతంలో ఉన్న తక్కువ వివరణాత్మక మ్యాప్‌లకు మరింత స్పష్టతను జోడిస్తుంది.

డేటాసెట్‌లు పెరుగుతున్న కొద్దీ, కొత్తగా కనిపించే సంకేతాల్లో నిర్దిష్ట వ్యాధి లేదా లక్షణానికి అత్యంత సంబంధితమైనవి ఏవి, అవి ఏ కణజాలాల్లో ముఖ్యమైనవి, ఇతర నియంత్రణ ప్రభావాలతో ఎలా పరస్పరం పనిచేస్తాయో నిర్ణయించడం ఆచరణాత్మక సవాలుగా ఉంటుంది. ఒకే నిర్ణయాత్మక స్విచ్ కోసం చూడటం చాలా సరళమైన విధానం కావచ్చని ఈ అధ్యయనం సూచిస్తోంది. అనేక జన్యువుల నియంత్రణ నిర్మాణం స్వతంత్రంగా గుర్తించగల అనేక నియంత్రణలతో ఏర్పడి ఉండవచ్చు—వాటిని చూడటానికి గణనీయంగా ఎక్కువ డేటా అవసరం.

ఈ కథనం Medical Xpress రిపోర్టింగ్ ఆధారంగా రూపొందించబడింది. అసలు కథనాన్ని చదవండి.