Sınırlamalar
Metodolojik ve İstatistiksel Kısıtlamalar
Amfiregülin için yapılanlar da dahil olmak üzere genetik ilişkilendirme çalışmaları, tasarımları ve istatistiksel güçleriyle ilgili kısıtlamalarla sıklıkla karşılaşır. Birçok çalışma, özellikle çoklu testler için 10^-8'lik bir alfa düzeyi gibi katı eşik değerler uygulandığında, ince genetik etkileri tespit etmek için sınırlı güce sahip olabilir.[1] Bu kısıtlama, daha küçük etki büyüklüklerine sahip gerçek ilişkilerin tespit edilemeyebileceği ve bunun da özelliğin genetik mimarisine ilişkin eksik bir anlayışa yol açabileceği anlamına gelir. Dahası, başlangıçtaki keşif aşamaları bazen şişirilmiş etki büyüklükleri üretebilir ve bu da sağlam bir şekilde tekrarlanana kadar dikkatli yorumlamayı gerektirir.[2] Eksik genotipleri tahmin etmek için yaygın bir teknik olan genetik imputasyonun doğruluğu, HapMap gibi referans panellerin kalitesi ve temsil gücüne büyük ölçüde dayanır. İmputasyon hatalara yol açabilir; bazı çalışmalar allel başına %1,46 ila %2,14 arasında değişen tahmini hata oranları bildirmektedir.[3] Genomik enflasyon faktörü analizi veya aile temelli testler gibi yöntemlerle popülasyon tabakalaşmasını –potansiyel bir karıştırıcı faktörü– azaltmak için çabalar gösterilse de[4], [5], kalıntı tabakalaşma etkileri ilişkilendirme sonuçlarını hala ince bir şekilde etkileyebilir. Ek olarak, normal dağılım göstermeyen fenotipik verileri normalleştirmek için çeşitli istatistiksel dönüşümlerin (örn. log, Box-Cox) uygulanması gerekliliği, farklı araştırma çalışmalarındaki bulguların doğrudan karşılaştırılabilirliğini ve yorumlanmasını zorlaştırabilir.[6]
Tekrarlanabilirlik ve Genellenebilirlik Zorlukları
Daha önce bildirilen bulgular için bile genetik ilişkilendirmeleri tekrarlamak önemli bir zorluk teşkil etmektedir.[7], [8] Bu zorluk, çalışma tasarımındaki farklılıklardan, kohortlar arasındaki istatistiksel gücün değişmesinden veya incelenen spesifik genetik belirteçlerden kaynaklanabilir. Örneğin, aynı gen içindeki farklı tek nükleotid polimorfizmleri (SNP'ler), altta yatan nedensel bir varyantla bağlantı dengesizliğinin değişen paternleri nedeniyle çalışmalar arasında ilişki gösterebilir ve bu da kesin SNP düzeyinde tekrarlanamamaya yol açabilir.[7] Sonuç olarak, doğrudan SNP düzeyinde tekrarlanabilirlik eksikliği, bir gen bölgesi ilişkilendirmesini otomatik olarak geçersiz kılmaz, ancak kesin nedensel varyantları belirlemedeki karmaşıklığı vurgular.
Bulguların genellenebilirliği, genellikle çalışma popülasyonlarının spesifik özellikleriyle sınırlıdır. Birçok araştırma, kurucu popülasyonlar veya ağırlıklı olarak Kafkas kökenli kohortlar gibi genetik olarak homojen gruplarda yürütülmektedir.[5], [7] bu da sonuçların diğer farklı etnik gruplara uygulanabilirliğini kısıtlayabilir. Dahası, kohortlar oldukça spesifik olabilir; kadınlar gibi belirli demografik özelliklere odaklanabilirler.[9] veya diyabetik olmayan bireyler gibi.[2] ve genellikle lipid düşürücü tedaviler gibi belirli ilaçları kullanan katılımcıları dışlarlar.[3] Bu seçim kriterleri çalışma titizliği için önemli olsa da, yanlılıkları ortaya çıkarabilir ve bulguların daha geniş uygulanabilirliğini kısıtlayabilir.
Fenotipik Nüanslar ve Hesaba Katılmayan Faktörler
Fenotipik ölçümlerin hassasiyeti ve tutarlılığı, genetik ilişkilendirmelerin güvenilirliğini önemli ölçüde etkileyebilir. Metodolojiler çeşitlilik göstermektedir; bazı çalışmalar, ölçüm varyansını azaltmak amacıyla monozigotik ikizler gibi birden fazla gözlem veya bireydeki fenotipik özelliklerin ortalamasını almaktadır.[1], [4] İstatistiksel güç için faydalı olmakla birlikte, bu yaklaşım önemli bireysel değişkenliği farkında olmadan gizleyebilir. Ayrıca, glikozile hemoglobin gibi görünüşte standartlaştırılmış ölçümler için bile, özellikler için testlerdeki veya tanı kriterlerindeki farklılıklar, çalışmalar arasında ince nicel farklılıklar yaratabilir.[2] Çoğu genom çapında ilişkilendirme çalışması, genetik etkileri bağlama özgü bir şekilde modüle ettiği bilinen gen-çevre etkileşimlerini genellikle kapsamlı bir şekilde araştırmaz.[1], [10] Bu etkileşimleri hesaba katmamak, genetik varyantların tam biyolojik etkisinin hafife alınabileceği ve hastalık riski veya özellik ifadesinin kritik değiştiricilerinin gözden kaçırılabileceği anlamına gelir. İstatistiksel olarak anlamlı lokusları tanımlamalarına rağmen, birçok çalışma toplam fenotipik varyansın yalnızca küçük bir kısmını açıklayabilmektedir.[4], [9] Bu durum, önemli miktarda "eksik kalıtım" olduğunu göstermektedir. Bu, nadir varyantlar, karmaşık epigenetik mekanizmalar ve tanımlanmış ilişkilendirmelerin kapsamlı fonksiyonel doğrulaması dahil olmak üzere diğer genetik faktörler üzerine daha fazla araştırma yapılmasına yönelik devam eden ihtiyacı vurgulamaktadır.[8]
Varyantlar
Amphiregulin (AREG), Epidermal Büyüme Faktörü Reseptörü (EGFR)’ne bağlanan, hücre büyümesi, farklılaşması ve doku onarımı için hayati önem taşıyan sinyal yollarını başlatan kritik bir büyüme faktörüdür. EGFR ligandlarını veya reseptörün kendisini kodlayan genlerdeki varyantlar bu süreçleri önemli ölçüde değiştirebilir, doku gelişimini, inflamasyonu ve hastalık progresyonunu etkileyebilir. Örneğin, AREG veya başka bir EGFR ligandı olan Betasellülin (BTC) içinde veya yakınındaki rs1691273, rs782404143 ve rs78787743 gibi tek nükleotid polimorfizmleri (SNP'ler), bu ligandların mevcudiyetini veya aktivitesini etkileyebilir. Benzer şekilde, EREG (Epiregülin) ve AREG yakınında bulunan rs68044403, bu güçlü EGFR aktivatörlerinin ekspresyonunu veya işlevini modüle edebilir. EGFR geninin kendisindeki rs845551 gibi bir varyant, reseptör duyarlılığını veya aşağı akım sinyalini etkileyerek, amphiregulin ve diğer ligandlara hücresel yanıtları değiştirebilir ve çeşitli fizyolojik ve patolojik durumlar için potansiyel çıkarımlara yol açabilir.[8] EGFR yakınında bulunan rs75059484 varyantına sahip uzun kodlamayan RNA SEC61G-DT, EGFR ekspresyonunu veya stabilitesini etkileyerek ve böylece amphiregulin-EGFR eksenini dolaylı olarak modüle ederek düzenleyici bir rol oynayabilir.[11] Temel AREG-EGFR yolunun ötesinde, diğer genetik varyasyonlar, amphiregulinin işlevleriyle dolaylı olarak ilişkili olabilecek birbirine bağlı biyolojik sistemleri etkiler. İnsan kan gruplarını belirlemekten sorumlu ABO geni, hücre yüzeyi antijenlerini modifiye eden glikoziltransferaz enzimlerini kodlar. ABO genindeki rs2519093 varyantı, bu enzimlerin ekspresyonunu veya aktivitesini etkileyerek, inflamasyon ve endotel disfonksiyonu belirteci olan çözünür hücrelerarası adhezyon molekülü-1 (sICAM-1) seviyeleri dahil çeşitli özellikleri etkileyebilir.[9] Benzer şekilde, Fucosyltransferase 2'yi kodlayan FUT2 geni, özellikle salgı dokularında ABO kan grubu antijenlerinin bir öncüsü olan H antijeninin sentezi için kritik öneme sahiptir. FUT2 genindeki rs35106244 varyantı, bir bireyin "salgılayıcı statüsünü" etkileyerek, belirli enfeksiyonlara karşı duyarlılığı ve potansiyel olarak immün yanıtları modüle edebilir. Ayrıca, rs1260326 varyantına sahip GCKR (Glukokinaz Regülatörü) geni, glikoz metabolizmasında anahtar bir enzim olan glukokinaz aktivitesini düzenler. Bu varyant, trigliserit seviyeleri ve tip 2 diyabet riski ile ilişkilidir.[12] Bu metabolik ve inflamatuar yollar genellikle büyüme faktörü sinyalizasyonu ile çapraz etkileşime girer ve amphiregulinin doku homeostazisi ve hastalık içindeki daha geniş rollerine potansiyel dolaylı etkiler önermektedir.
ARHGEF3 (Rho Guanin Nükleotid Değişim Faktörü 3) geni, hücre hareketliliği, adezyon ve sitoskeletal organizasyon dahil olmak üzere çeşitli hücresel süreçler için kritik olan küçük proteinler olan Rho GTPaz'ların düzenlenmesinde rol oynar. ARHGEF3 genindeki rs1354034 varyantı, bu Rho GTPaz'ların aktivitesini değiştirerek, hücresel mimariyi ve sinyal yollarını etkileyebilir. Hücresel dinamiklerdeki bu tür değişiklikler, amphiregulin gibi büyüme faktörleri ve onun EGFR ile etkileşimi tarafından da büyük ölçüde etkilenen hücre proliferasyonu ve migrasyonu gibi süreçleri etkileyebilir. ARHGEF3 aracılı sinyalizasyondaki bozukluklar bu nedenle hücresel büyümenin ve doku yeniden şekillenmesinin düzensiz olduğu durumlara katkıda bulunabilir, potansiyel olarak amphiregulinin hastalık progresyonunda veya onarımında önemli bir rol oynadığı bağlamlarla çakışabilir ;.[13]
Önemli Varyantlar
| RS ID | Gen | İlişkili Özellikler |
|---|---|---|
| rs1691273 | AREG - BTC | amphiregulin measurement |
| rs782404143 | AREG - BTC | amphiregulin measurement |
| rs2519093 | ABO | coronary artery disease venous thromboembolism hemoglobin measurement hematocrit erythrocyte count |
| rs68044403 | EREG - AREG | amphiregulin measurement |
| rs35106244 | FUT2 | Diarrhea C-C motif chemokine 25 measurement amphiregulin measurement kallikrein-11 measurement COVID-19 |
| rs845551 | EGFR | amphiregulin measurement |
| rs1354034 | ARHGEF3 | platelet count platelet crit reticulocyte count platelet volume lymphocyte count |
| rs75059484 | SEC61G-DT - EGFR | amphiregulin measurement |
| rs78787743 | AREG - BTC | amphiregulin measurement |
| rs1260326 | GCKR | urate measurement total blood protein measurement serum albumin amount coronary artery calcification lipid measurement |
References
[1] Vasan, Ramachandran S., et al. "Genome-wide association of echocardiographic dimensions, brachial artery endothelial function and treadmill exercise responses in the Framingham Heart Study." BMC Medical Genetics, vol. 8, 2007, p. S2.
[2] Pare, Guillaume, et al. "Novel association of HK1 with glycated hemoglobin in a non-diabetic population: a genome-wide evaluation of 14,618 participants in the Women's Genome Health Study." PLoS Genetics, vol. 5, no. 1, 2009, e1000322.
[3] Willer, Cristen J., et al. "Newly identified loci that influence lipid concentrations and risk of coronary artery disease." Nature Genetics, vol. 40, no. 2, 2008, pp. 161–169.
[4] Benyamin, Beben, et al. "Variants in TF and HFE explain approximately 40% of genetic variation in serum-transferrin levels." American Journal of Human Genetics, vol. 84, no. 1, 2009, pp. 60–65.
[5] Dehghan, Abbas, et al. "Association of three genetic loci with uric acid concentration and risk of gout: a genome-wide association study." The Lancet, vol. 372, no. 9654, 2008, pp. 1959–1965.
[6] Melzer D. et al. "A genome-wide association study identifies protein quantitative trait loci (pQTLs)." PLoS Genet 2008.
[7] Sabatti, Chiara, et al. "Genome-wide association analysis of metabolic traits in a birth cohort from a founder population." Nature Genetics, vol. 41, no. 1, 2009, pp. 35–46.
[8] Benjamin EJ. et al. "Genome-wide association with select biomarker traits in the Framingham Heart Study." BMC Med Genet 2007.
[9] Pare G. et al. "Novel association of ABO histo-blood group antigen with soluble ICAM-1: results of a genome-wide association study of 6,578 women." PLoS Genet 2008.
[10] Gieger, Christian, et al. "Genetics meets metabolomics: a genome-wide association study of metabolite profiles in human serum." PLoS Genetics, vol. 4, no. 11, 2008, e1000282.
[11] Wilk JB. et al. "Framingham Heart Study genome-wide association: results for pulmonary function measures." BMC Med Genet 2007.
[12] Saxena R. et al. "Genome-wide association analysis identifies loci for type 2 diabetes and triglyceride levels." Science 2007.
[13] Yang Q. et al. "Genome-wide association and linkage analyses of hemostatic factors and hematological phenotypes in the Framingham Heart Study." BMC Med Genet 2007.