Yoğun Alan
Arka Plan
İnsan genetiği alanında, "yoğun bir alan" tipik olarak, Tek Nükleotid Polimorfizmleri (SNP'ler) gibi genetik belirteçlerin yüksek konsantrasyonuyla veya güçlü bağlantı dengesizliği (LD) sergileyen bir genomik bölgeyle karakterize edilen bir genom bölgesini ifade eder. Modern genomik araştırmalar, özellikle Genom Çapında İlişkilendirme Çalışmaları (GWAS), belirli özellikler veya hastalıklarla ilişkili genetik varyantları tanımlamak için genom boyunca çok sayıda SNP'nin genotiplenmesine dayanır.[1] Erken dönem GWAS'lar daha az yoğun SNP dizileri kullanmıştır ve sonraki araştırmalar, ilişkilendirmeleri tespit etme yeteneğini geliştirmek için "daha yeni, daha yoğun SNP dizileri" tarafından sağlanan "daha iyi kapsama" ihtiyacını vurgulamıştır.[1] Bu kavram ayrıca, soy birliği ile özdeşliği tahmin etmek ve eksik genotipleri olasılıksal olarak çıkarım yapmak için kullanılan "yoğun haritaları" da kapsar.[2]
Biyolojik Temel
Yoğun bölgelerin biyolojik önemi, bir popülasyon içindeki genetik varyasyonun daha eksiksiz bir resmini yakalama kapasitelerinde yatmaktadır. Yüksek SNP yoğunluğuna sahip bölgeler, nedensel varyantın kendisi doğrudan genotiplenmemiş olsa bile, araştırmacıların özelliklerle ilişkili genetik lokusları daha kesin bir şekilde belirlemesine olanak tanır. Bu durum genellikle bağlantı dengesizliği ile kolaylaştırılır; burada bir kromozom üzerinde yakın konumda bulunan SNP'ler, şansa bağlı beklenenden daha sık birlikte kalıtılır. Çalışmalar genellikle "daha önce rapor edilen SNP etrafındaki LD örüntüsüne dayanarak gen bölgelerini" tanımlar.[3] ve "değerlendirilen SNP'lerin çoğu kolayca tanınabilir bağlantı blokları halinde gruplanma eğilimindeydi".[4] Ayrıca, "imputasyon analizleri", genotiplenmemiş SNP'ler için genotipleri çıkarmak amacıyla yoğun referans panellerinden yararlanarak, daha seyrek genotipleme dizilerinden bile etkili bir şekilde "yoğun" bir veri seti oluşturur.[5], [6] Bu yaklaşım, genetik varyasyonun ve bunun metabolizma, enflamasyon ve kardiyovasküler hastalıklar dahil olmak üzere biyolojik fonksiyon üzerindeki etkisinin daha kapsamlı bir şekilde keşfedilmesine olanak tanır.[7]
Klinik Önemi
Yoğun alanların tanımlanması ve karakterize edilmesi, kompleks hastalıkların genetik mimarisinin anlaşılması açısından klinik olarak önemlidir. Gen bölgelerinin "daha iyi kapsamasını" sağlayarak, yoğun SNP dizileri ve imputasyon stratejileri, sağlıkla ilişkili özellikleri etkileyen "yeni genetik varyantları" ve "aday genleri" keşfetmek için GWAS'ın gücünü artırır.[1], [3] Örneğin, bu tür çalışmalar; ürik asit konsantrasyonu ve gut riskiyle, [6] çeşitli metabolik özelliklerle, [3] kardiyovasküler hastalık biyobelirteçleriyle, [8] persistan fetal hemoglobinle, [2] diyabetle ilişkili özelliklerle, [9] C-reaktif protein düzeyleriyle, [4] subklinik aterosklerozla, [1] ve lipid konsantrasyonlarıyla [5] ilişkili lokusları tanımlamıştır. Bu genetik ilişkilendirmelerin daha kapsamlı bir şekilde anlaşılması, geliştirilmiş risk tahmini, tanı araçları ve hedefe yönelik tedavilerin geliştirilmesine katkıda bulunabilir.
Sosyal Önem
Genetik varyasyonun yoğun bölgelerinin tanımlanması ve analizindeki ilerleme, önemli sosyal öneme sahiptir. Bu, çeşitli durumlara karşı bir bireyin genetik yatkınlığının daha hassas bir şekilde değerlendirilmesini sağlayarak, kişiselleştirilmiş tıptaki ilerlemenin temelini oluşturur. Bu araştırma, yaygın hastalıklarda rol oynayan genleri ve yolları tanımlayarak, önleme ve erken müdahaleyi hedefleyen halk sağlığı stratejilerine katkıda bulunmaktadır. Büyük ölçekli çalışmalarda 'önemsiz' ilişkiler de dahil olmak üzere, tüm sonuçlarımızın tam olarak açıklanması, bilimsel şeffaflığı ve işbirliğini daha da teşvik etmekte, insan sağlığı ve hastalıklara yatkınlığın genel anlayışını hızlandırmaktadır.[1] Yoğun bölgelerdeki genetik varyasyonları haritalama ve anlama yönündeki bu sürekli çaba, insan biyolojisinin karmaşıklıklarını çözmek ve küresel sağlık sonuçlarını iyileştirmek açısından kritik öneme sahiptir.
Metodolojik ve İstatistiksel Kısıtlamalar
Bu çalışmalardaki genomik kapsama, genellikle 100K veya 300K SNP dizileri kullanılarak, bilinen tüm SNP'lerin bir alt kümesini temsil etmektedir; bu durum gerçek genetik ilişkilendirmelerin gözden kaçırılmasına yol açabilir veya aday genlerin kapsamlı incelenmesini engelleyebilir.[10] Bu kısmi kapsama aynı zamanda, farklı dizilerin aynı genetik varyasyonu yeterince yakalayamaması nedeniyle, daha önce bildirilen bulguların tekrarlanmasında zorluklara da katkıda bulunur.[11] Ayrıca, mütevazı genetik etkileri tespit etme gücü, örneklem büyüklükleri ve genom çapında ilişkilendirme çalışmalarında (GWAS) gereken kapsamlı çoklu testler nedeniyle doğası gereği sınırlıdır; bu durum, istatistiksel destek veya biyolojik inandırıcılığa rağmen yanlış-pozitif sonuç olasılığını artırmaktadır.[11] Cinsiyetler arası havuzlanmış analizler uygulaması, çoklu test sorunlarını hafifletmekle birlikte, yalnızca tek bir cinsiyette fenotiplerle ilişkili SNP'leri gizleyebilir ve bu tür ilişkilendirmelerin tespit edilememesine neden olabilir.[10] Son olarak, imputasyon genomik kapsamayı iyileştirse de, belirli bir tahmin hatası derecesi getirir; ayrıca, çalışma tasarımı ve güçteki farklılıklar, ilişkilendirmeler aynı gen bölgesinde gözlemlendiğinde bile, SNP düzeyinde tekrarlanamamaya yol açabilir.[3]
Fenotipik Değerlendirme ve Popülasyon Genellenebilirliği
Fenotip karakterizasyonu, özellikle özelliklerin uzun süreler boyunca ortalamasının alınmasını içerdiğinde, doğasında var olan zorlukları beraberinde getirir. Örneğin, farklı ekipmanlarla alınan, yirmi yıllık ekokardiyografik ölçümleri birleştirmek, yanlış sınıflandırmaya yol açabilir ve gerçek genetik sinyali seyreltilebilir.[11] Böylesi bir ortalama alma, aynı zamanda, aynı genetik ve çevresel faktörlerin özellikleri geniş bir yaş aralığında tekdüze etkilediğini zımnen varsayar; bu varsayım, yaşa bağlı genetik etkileri maskeleyebilir.[11] Bu çalışmaların birçoğundaki önemli bir sınırlama, Framingham Kalp Çalışması'ndaki beyaz bireyler veya belirli Avrupa kökenli kohortlar gibi, birincil olarak Avrupa kökenli popülasyonlara odaklanmalarıdır.[11] Bu demografik özgüllük, bulguların diğer etnik gruplara ve farklı soy hatlarına genellenebilirliğinin büyük ölçüde keşfedilmemiş kaldığı ve sonuçların daha geniş uygulanabilirliğini potansiyel olarak sınırladığı anlamına gelir.
Keşfedilmemiş Gen-Çevre Etkileşimleri ve Kalan Bilgi Açıkları
Genetik varyantlar her zaman tek başına hareket etmezler, ancak çevresel bağlamlardan derinden etkilenebilirler. Örneğin, ACE ve AGTR2 gibi genlerin fenotiplerle ilişkileri, diyetle alınan tuz alımı gibi faktörler tarafından modüle edilebilir.[11] Ancak, bu çalışmalar genellikle bu tür gen-çevre etkileşimlerini incelemediler, böylece fenotipik ifadeyi şekillendiren karmaşık etkileşimin tam olarak anlaşılmasını sınırladılar.[11] Tanımlanan genetik lokuslar genellikle toplam fenotipik varyasyonun yalnızca küçük bir kısmını açıklar; bu da genetik mimarinin büyük bir kısmının henüz keşfedilmemiş olduğunu göstermektedir. Bu ek dizi varyantlarını tanımlamak, gelecekteki araştırmalarda daha büyük örneklem boyutları ve artırılmış istatistiksel güç gerektirecektir.[12] İstatistiksel olarak anlamlı ilişkileri önceliklendirme ve doğrulama konusundaki süregelen zorluk, özellikle anında harici replikasyonun yokluğunda, gerçek pozitif genetik sinyalleri doğrulamak ve biyolojik rollerini tam olarak açıklığa kavuşturmak için devam eden araştırmaların gerekliliğini vurgulamaktadır.[13]
Varyantlar
Genetik varyasyonlar, hücresel büyüme ve farklılaşmadan doku yapısı ve metabolizmasına kadar geniş bir biyolojik süreç yelpazesini etkilemede kritik bir rol oynar. Bu varyasyonlar, özellikle tek nükleotid polimorfizmleri (SNP'ler), gen aktivitesini, protein fonksiyonunu etkileyebilir ve nihayetinde doku yoğunluğu gibi karmaşık özelliklere katkıda bulunabilir. Örneğin, rs10995190 varyantının bulunduğu ZNF365 ve LINC02929 genlerini kapsayan bölge, hücresel düzenleme için önemlidir. ZNF365 (Zinc Finger Protein 365) hücre proliferasyonu, apoptoz ve DNA onarımında rol oynadığı bilinirken, LINC02929 yakındaki genlerin ekspresyonunu modüle edebilen uzun bir intergenik kodlamayan RNA'dır.[1] rs10995190 tarafından bu düzenleyici eksende meydana gelen değişiklikler, doku hücreselliğini ve organizasyonunu yöneten temel süreçleri etkileyebilir ve doku yoğunluğundaki varyasyonlara katkıda bulunabilir. Benzer şekilde, İnsülin Benzeri Büyüme Faktörü 1'i kodlayan IGF1 geni, büyüme hormonu etkilerinin önemli bir aracısıdır ve vücut genelinde hücre büyümesini, farklılaşmasını ve metabolizmasını etkiler.[14] IGF1 veya ilişkili LINC00485 yakınındaki rs703556 varyantı, IGF1 sinyal yollarını değiştirebilir, böylece doku gelişimini ve genel hücresel yoğunluğu etkileyebilir. PRDM6 (PR/SET Domain Containing 6), özellikle vasküler düz kas hücresi farklılaşmasında gen ekspresyonunu epigenetik olarak kontrol eden bir histon metiltransferaz olarak hareket eden, kritik düzenleyici işlevlere sahip başka bir gendir; bu gendeki rs186749 varyantı bu nedenle hücresel gelişimi ve yapısal bütünlüğü etkileyerek doku yoğunluğunu etkileyebilir.
Diğer varyantlar, doku mimarisinin oluşturulması ve sürdürülmesi için merkezi olan hücresel iletişim ve doku yeniden şekillenmesinde rol oynayan genlerle ilişkilidir. AREG (Amfiregülin) ve BTC (Betasellülin) içeren bölge, rs10034692 ve rs12642133 varyantlarını barındırır. Hem AREG hem de BTC, özellikle meme bezi gibi epitel dokularda hücre proliferasyonunu, farklılaşmasını ve hayatta kalmasını sağlayan bir reseptör tirozin kinaz olan Epidermal Büyüme Faktörü Reseptörü (EGFR) için ligandlardır.[5] Bu genlerdeki varyasyonlar, EGFR sinyal yoğunluğunu modüle ederek hücresel büyüme hızlarını ve doku yapısını etkileyebilir; bunlar doku yoğunluğunun doğrudan belirleyicileridir. Ayrıca, rs12665607 varyantını barındıran CCDC170 - ESR1 lokusu, hormon duyarlı dokular için özellikle önemlidir. ESR1 (Östrojen Reseptörü 1), östrojenin hücre proliferasyonu, farklılaşması ve doku homeostazisi üzerindeki etkilerinin birincil aracısıdır ve meme dokusu yoğunluğu ile diğer hormon duyarlı dokular için güçlü çıkarımlara sahiptir.[12] CCDC170 (Coiled-Coil Domain Containing 170), östrojen reseptörü aktivitesi ve meme kanseri riski ile ilişkilendirilmiştir. Bu nedenle, rs12665607 östrojen sinyal yollarını etkileyerek doku büyüklüğü ve yoğunluğunda varyasyonlara yol açabilir.
Son olarak, hücresel yapı, metabolizma ve bağışıklık yanıtlarıyla ilgili genleri etkileyen varyantlar da yoğun alan fenotipine katkıda bulunabilir. LSP1 (Lenfosit Spesifik Protein 1), ilişkili varyantı rs3817198 ile birlikte, lökositlerde ağırlıklı olarak bulunan, hücre hareketliliği ve bağışıklık hücresi fonksiyonlarında rol oynayan bir aktin bağlayıcı proteindir. LSP1 tarafından modüle edilen bağışıklık yanıtlarındaki veya enflamatuar süreçlerdeki değişiklikler, doku yeniden şekillenmesini ve hücresel infiltrasyonu etkileyebilir, böylece doku yoğunluğunu etkileyebilir. SSPN (Sarkospan) geni, ITPR2-AS1 antisens RNA'sı ve rs11836164 varyantı ile birlikte, özellikle kas dokusunda hücresel bütünlüğü ve sinyalleşmeyi sürdürmede rol oynar. Bu genlerdeki değişiklikler, hücresel yapışmayı ve hücre dışı matrisi etkileyebilir; bunlar doku yoğunluğunun temel bileşenleridir. Ayrıca, rs17001868 varyantına sahip SGSM3, SGSM3-AS1 ve ADSL genleri, hücresel metabolizma ve sinyalleşme ile ilişkilidir. ADSL (Adenilosüksinat Liyaz), pürin biyosentezi için gerekli bir enzimdir.[13] Bu genlerdeki varyasyonlar, metabolik yolları veya hücre içi sinyalleşmeyi ince bir şekilde değiştirebilir, hücresel bileşimdeki ve genel doku yoğunluğundaki farklılıklara katkıda bulunabilir. Son olarak, tanımlanmamış bir transmembran protein olan TMEM184B (Transmembran Protein 184B), rs7289126 varyantı ile birlikte, hücre yüzeyi etkileşimlerinde veya taşınmasında rol oynayabilir, potansiyel olarak hücreler arası iletişimi ve doku organizasyonunu etkileyebilir.
Önemli Varyantlar
| RS ID | Gen | İlişkili Özellikler |
|---|---|---|
| rs10995190 | ZNF365 - LINC02929 | dense area measurement mammographic density measurement breast carcinoma estrogen-receptor negative breast cancer estrogen-receptor negative breast cancer, chronotype measurement |
| rs17001868 | SGSM3, SGSM3-AS1, ADSL | dense area measurement breast size |
| rs3817198 | LSP1 | dense area measurement breast carcinoma |
| rs703556 | IGF1 - LINC00485 | dense area measurement |
| rs10034692 | AREG - BTC | dense area measurement |
| rs12642133 | AREG - BTC | dense area measurement |
| rs12665607 | CCDC170 - ESR1 | dense area measurement |
| rs7289126 | TMEM184B | dense area measurement mammographic density percentage, mammographic density measurement |
| rs11836164 | SSPN, ITPR2-AS1 | dense area measurement |
| rs186749 | PRDM6 | dense area measurement mammographic density percentage, mammographic density measurement alopecia |
Kalsifiye Lezyonların Tanımı ve Ölçümü
Kardiyovasküler görüntüleme bağlamında, bir "yoğun alan" kesin olarak kalsifiye bir lezyon olarak tanımlanır. Böyle bir lezyon, 3D bağlantı kriterlerine dayanarak, bilgisayarlı tomografi (BT) zayıflaması 130 Hounsfield Ünitesi (HU) üzerinde olan, en az üç bağlantılı pikselden oluşan bir alan olarak tanımlanır.[1] Bu operasyonel tanım hem koroner arter kalsifikasyonunu (CAC) hem de abdominal aort kalsifikasyonunu (AAC) tanımlamak için uygulanır ve subklinik ateroskleroz için önemli bir tanı kriteri olarak hizmet eder.[1] Bu yoğun alanların varlığı ve boyutu, arteriyel sağlık ve kardiyovasküler hastalık riski için hayati göstergelerdir.
Ölçüm yaklaşımları, bu kalsifiye lezyonların şiddetini değerlendirmek için kantitatif skorlama içerir. KAK ve AAK için bir skor, tanımlanan kalsifiye lezyonun alanının ağırlıklı bir BT zayıflama skoru ile çarpılmasıyla hesaplanır.[1] Bu ağırlıklandırma, lezyon içinde gözlenen maksimal BT zayıflamasına (Hounsfield Ünitesi) bağlıdır.[1] Bu metodoloji, yerleşik Agatston Skoru'nun bir modifikasyonunu temsil eder ve aterosklerotik yükün tutarlı ve tekrarlanabilir ölçümlerini sağlayarak çok dedektörlü BT (MDCT) tarama protokolleri ile kullanıma uyarlanmıştır.[1]
Aterosklerotik Yükün Sınıflandırılması ve Skorlanması
CAC ve AAC gibi kalsifiye lezyonların sınıflandırılması, basit bir kategorik varlık veya yokluk yerine, kalsifikasyonun kapsamını ve yoğunluğunu nicelendirerek öncelikli olarak boyutsal bir yaklaşıma dayanır. Alan ve ağırlıklı BT atenüasyonundan türetilen hesaplanan skorlar, subklinik aterosklerozun şiddetini derecelendirmek için sürekli veya yarı sürekli bir ölçek sağlar.[1] Bu sayısal değerlendirme, hastalık progresyonu ve risk sınıflandırması hakkında incelikli bir anlayışa olanak tanır. Örneğin, çalışmalar bu CAC ölçümleri için mükemmel okuyucu içi ve okuyucular arası tekrarlanabilirlik bildirmiş, klinik ve araştırma ortamlarındaki güvenilirliklerini vurgulamıştır.[1] Sağlanan bağlamda açık şiddet derecelendirmeleri (örn. hafif, orta, şiddetli) ayrıntılı olarak belirtilmese de, skorlama sisteminin nicel doğası, daha geniş klinik pratikte belirlenmiş eşiklere dayanarak bu tür sınıflandırmaları doğası gereği destekler. Bu skorların kullanımı, araştırmacıların genetik varyantları ve çevresel faktörleri ateroskleroz yükü ile ilişkilendirmesine olanak tanıyarak, kardiyovasküler sağlık için daha kapsamlı bir nosolojik sisteme katkıda bulunur.[1] Bu objektif ölçüm, orta düzeyde kardiyovasküler hastalık ön test olasılığına sahip ve klinik olaylar geliştirme olasılığı daha yüksek olan bireylerin belirlenmesine yardımcı olur.[11]
Klinik Terminoloji ve İlişkili Kavramlar
Bu tıbbi bağlamda "yoğun alan" ile ilişkili anahtar terimler, sırasıyla koroner arterlerde ve abdominal aortta kalsifiye lezyonların varlığını özellikle belirten "koroner arter kalsifikasyonu" (CAC) ve "abdominal aort kalsifikasyonu"dur (AAC).[1] Bu terimler, arteriyel hastalığın erken, asemptomatik evrelerini kapsayan subklinik ateroskleroz terminolojisinin ayrılmaz bir parçasıdır. CAC ve AAC ölçümleri, açık klinik hastalıktan farklı olarak subklinik ateroskleroz ölçütleri olarak kabul edilir.[1] Bu yoğun alanların anlaşılmasını tamamlayan ilgili kavramlar arasında karotis arter intima-medya kalınlığı (IMT) ve endotel disfonksiyonu bulunmaktadır.[1] Sıklıkla brakiyal arter akış aracılı dilatasyonu (FMD) aracılığıyla değerlendirilen endotel disfonksiyonu, aterosklerozun temel bir bileşeni ve öncüsü olarak tanınır.[11] Toplu olarak, bu özellikler—CAC, AAC, IMT ve FMD—standart kardiyovasküler risk faktörlerinden açık kardiyovasküler hastalık gelişimine giden yolda kritik ara fenotipler olarak işlev görerek, genetik ve epidemiyolojik çalışmalar için değerli hedefler sunmaktadır.[11]
Genomik Lokalizasyon ve İlişkilendirme Çalışmaları
Genom içinde, özellikle çeşitli özelliklerle ilişkili olarak bir "yoğun alanın" tanımlanması ve karakterize edilmesi, başlıca Genom Çapında İlişkilendirme Çalışmaları (GWAS) ve yoğun SNP dizileri gibi ileri genomik metodolojilere dayanır. Bu çalışmalar, belirli fenotipler veya biyobelirteç seviyeleri ile anlamlı istatistiksel ilişki gösteren tek nükleotid polimorfizmleri (SNP'ler) dahil olmak üzere belirli genetik lokusları belirlemek için genomu sistematik olarak inceler.[1] Daha yoğun SNP dizilerinin kullanımı, gen bölgelerinin daha iyi kapsamını sağlar; intronlar veya eksonlar içinde ya da bir aday genin 60 kb'lik alanı içinde daha geniş bir varyant yelpazesini yakalayarak gerçek genetik ilişkileri tanımlama olasılığını artırır.[1] LOD skorları ve p-değerleri gibi istatistiksel ölçütler, bu ilişkilerin anlamlılığını belirlemek için kritiktir; p < 5 × 10−7 gibi eşik değerler, özellik varyansının önemli bir yüzdesinden sorumlu varyantları saptamak için sıklıkla kullanılır ve tekrarlama çalışmaları ilişkinin mutlak testi olarak hizmet eder.[13] Bu genomik bölgelerin tanımlanmasında daha fazla iyileşme, yakındaki belirteçlere dayanarak genotiplenmemiş SNP'ler için genotipleri tahmin edebilen, böylece genomik kapsamı maksimize eden ve potansiyel olarak ek ilişkili SNP'leri ortaya çıkarabilen veya bilinen lokuslar için kanıtı güçlendirebilen imputasyon tabanlı analizleri içerir.[2] Bu yaklaşım, bulgular için genomik sınırları da belirleyebilir ve bir bölgedeki birden fazla SNP'nin farklı ilişkileri temsil edip etmediğini değerlendirebilir; sinyallerin yerel bağlantı dengesizliği ile kapsamı ve ilişkisi hakkında detaylı bir anlayış sunar.[3] Bu tür genetik haritalama, başlangıçta tekrarlanması zor olabilecek ilişkiler için bile, daha fazla araştırma için potansiyel biyolojik yollara dair önemli bilgiler sağlar.[3]
Biyobelirteç Profillendirme ve Kantitatif Özellik Lokusları
Yoğun bir alanı karakterize etmeye yönelik tanısal yaklaşımlar, genellikle çeşitli dolaşımdaki biyolojik moleküllerin seviyelerini etkileyen kantitatif özellik lokuslarını (pQTL'ler) tanımlamak için kapsamlı biyobelirteç profillendirmeyi içerir. Bunlar arasında C-reaktif protein, osteoprotegerin, CD40 Ligand, miyeloperoksidaz, tümör nekroz faktör alfa ve interselüler adezyon molekülü-1 gibi inflamatuar belirteçleri ölçen geniş bir kan ve idrar testi yelpazesi bulunur.[13] Gama-glutamil transferaz, B-tipi natriüretik peptid, alkalin fosfataz, serum ürat, glike hemoglobin, insülin, glukoz, total kolesterol, HDL, trigliseritler ve kreatinin klerensi gibi metabolik belirteçler de rutin olarak değerlendirilir.[13] Bu biyokimyasal analizler, biyobelirteç konsantrasyonları hakkında hassas kantitatif veriler sağlayarak, genellikle bir gece açlıktan sonra, C-reaktif protein için immünoenzimetrik analizler veya lipidler için enzimatik yöntemler gibi standartlaştırılmış yöntemler kullanılarak gerçekleştirilir.[3] Biyobelirteç profillendirmenin klinik faydası, özellikle genetik verilerle birleştirildiğinde, popülasyonlardaki bu özelliklerin değişkenliğine katkıda bulunan genetik varyantları tanımlama yeteneğinde yatar.[13] Örneğin, belirli SNP'ler, diğerlerinin yanı sıra, ortalama C-reaktif protein seviyeleri, serum CD40 Ligand, miyeloperoksidaz ve idrar izoprostanları/kreatinin ile ilişkilendirilmiştir.[13] Bu bulgular, belirli genomik yoğun alanları fizyolojik süreçler üzerindeki fonksiyonel etkileriyle ilişkilendirmeye yardımcı olarak, kompleks özelliklerin genetik temelleri ve subklinik ateroskleroz gibi durumlar için potansiyel risk faktörleri hakkında içgörüler sağlar.[1]
Popülasyon Tabanlı Genetik Epidemiyoloji
"Yoğun alanların" tanısı ve anlaşılması, büyük ölçekli, popülasyon tabanlı genetik epidemiyoloji çalışmaları aracılığıyla önemli ölçüde ilerletilmiştir. Framingham Kalp Çalışması, ARIC Çalışması, Kadın Genom Sağlığı Çalışması, Malmö Diyet ve Kanser Çalışması, 1966 Kuzey Finlandiya Doğum Kohortu ve BRIGHT Çalışması gibi kohortlar, binlerce katılımcı hakkında kapsamlı demografik ve klinik veriler sağlamaktadır.[13] Bu çalışmalar genellikle, farklı yaş aralıklarından ve etnik kökenlerden çeşitli katılımcıları dahil etmeyi ve geniş bir fenotip veri yelpazesi ile biyolojik örnekler toplamak için başlangıç ve takip muayeneleri yapmayı içerir.[6] Bu çalışmaların gücü, iyi karakterize edilmiş toplum tabanlı örneklerinde ve yüksek çözünürlüklü görüntüleme yoluyla subklinik ateroskleroz ölçümleri de dahil olmak üzere fenotiplerin toplanmasındaki tekrarlanabilir yöntemde yatmaktadır.[1] Etik kurullar tarafından onaylanmış protokoller ve standartlaştırılmış özellik ölçümleri dahil olmak üzere bu kohortların titiz tasarımı, güçlü genom çapında ilişkilendirme analizlerine olanak sağlamaktadır.[3] Bu tür çalışmalar, yeni genetik varyantları tanımlamak ve daha önce bildirilen aday gen ilişkilendirmelerini doğrulamak için çok önemlidir; çeşitli özellikler üzerindeki genetik etkilerin varlığı ve gücü hakkında literatüre önemli bilgiler katkıda bulunur.[1] Bu çalışmalar, ara fenotipleri sürekli bir ölçekte etkileyen genetik lokusların saptanmasını sağlayarak, potansiyel olarak etkilenen biyolojik yollara daha ayrıntılı içgörüler sunar.[15]
Genetik Mimari ve Düzenleyici Etkin Noktalar
Genom içindeki "yoğun alanlar", birden fazla genetik varyantın veya düzenleyici elementin gen ekspresyonu veya protein fonksiyonu üzerinde yoğun bir etki gösterdiği bölgeleri temsil eder. Yoğun SNP dizileri ve kapsamlı haplotip haritaları gibi gelişmiş genetik haritalama teknolojileri, çok sayıda tek nükleotid polimorfizmi (SNP) ve bağlantı dengesizliği paternlerini tanımlayarak bu bölgeleri kapsamlı bir şekilde karakterize etmek için çok önemlidir.[1] Bu çalışmalar, gen ekspresyonunu ve protein seviyelerini (pQTL'ler) etkileyenler de dahil olmak üzere, bu tür alanlardaki belirli genetik varyasyonların çeşitli biyolojik özelliklere nasıl katkıda bulunduğunu ortaya koymaktadır.[16] Örneğin, O-bağlı glikozilasyonda rol oynayan GALNT2 geni, bu bölgelerdeki enzimatik modifikasyonların protein fonksiyonunu nasıl düzenleyebileceğini ve daha geniş biyolojik süreçleri nasıl etkileyebileceğini vurgulamaktadır.[12]
Metabolik Yollar ve Homeostatik Düzenleme
Metabolik aktivitenin "yoğun alanları", bir bireyin fizyolojik durumunu tanımlayan endojen metabolitlerin karmaşık ağları ile yansıtılır. Metabolomik, bu ara fenotipleri kapsamlı bir şekilde ölçerek, genetik varyasyonların metabolik homeostazı nasıl bozduğunu veya ince ayar yaptığını gösteren bilgiler sunar.[15] Örneğin, lipit metabolizmasındaki kritik bir enzimatik adım olan yağ asidi delta-5 desatüraz reaksiyonunun verimliliği, genetik modifikasyonlardan doğrudan etkilenerek arakidonik asit gibi çoklu doymamış yağ asitlerinin değişmiş konsantrasyonlarına yol açar.[15] GCKR ve APOA kümesi içindeki genler gibi genler, bu süreçlerin ayrılmaz bir parçası olup, genetik varyantları lipitlerin, karbonhidratların ve amino asitlerin karmaşık dengesini etkileyerek metabolik düzenlemenin "yoğun alanlarını" ortaya çıkarır.[15]
Lipid Metabolizması ve Kardiyovasküler Sağlık
Genom içindeki "yoğun bölgeler", lipid metabolizmasında çok önemli bir rol oynar, kardiyovasküler sağlığı ve hastalık yatkınlığını doğrudan etkiler. Uzun zincirli yağ asidi metabolizmasında anahtar enzimleri kodlayan FADS1 ve LIPC gibi genlerdeki genetik varyantlar, yüksek yoğunluklu lipoprotein (HDL), düşük yoğunluklu lipoprotein (LDL) ve trigliserit seviyeleri dahil olmak üzere serum lipid profillerini önemli ölçüde etkiler.[15] APOA kümesi gibi lokuslar ve APOE ile MLXIPL içeren bölgeler, bu lipid özellikleriyle güçlü bir şekilde ilişkilidir ve dislipideminin poligenik yapısına ve koroner kalp hastalığı riskine katkıda bulunur.[17] GALNT2 tarafından aracılık edilen O-bağlı glikozilasyon gibi enzimatik aktivite, bu "yoğun bölgeler" içindeki belirli moleküler süreçlerin lipid homeostazını sürdürmek ve subklinik ateroskleroz gibi durumları önlemek için kritik olan proteinleri nasıl düzenleyebileceğini daha da örneklendirmektedir.[12]
Hücresel Sinyalleşme ve Hastalık Patojenez
Hücresel sinyalleşme ve düzenleyici ağların "yoğun alanları", çeşitli patofizyolojik süreçlerin temelini oluşturarak hastalığın gelişimine ve ilerlemesine katkıda bulunur. Örneğin, immün yanıt, mast hücreleri üzerindeki yüksek afiniteli IgE reseptörünün uyarılmasının Monosit Kemoatraktan Protein-1 (MCP-1) gibi alerjiye yol açan lenfokin ve kemokinlerin üretimine yol açabildiği karmaşık sinyalleşme yollarını içerir.[18] MCP-1'i kodlayan CCL2 gibi genlerdeki genetik polimorfizmler, serum MCP-1 düzeylerindeki varyasyonlarla ilişkilidir ve miyokard enfarktüsü ve ateroskleroz gibi durumların riskini etkiler.[13] Ayrıca, integrin Mac-1'in ICAM-1'e bağlanması ve glikozilasyon ile düzenlenmesi gibi anahtar biyomoleküller arasındaki etkileşimler, bu "yoğun alanlar" içindeki hassas moleküler olayların hücresel işlevleri nasıl belirlediğini, sistemik inflamasyonu ve hemostatik dengeyi etkileyerek göstermektedir.[7]
Lipid ve Yağ Asidi Metabolizması Üzerine Genetik Etki
Genetik varyasyonlar, enerji dengesi ve hücresel fonksiyonun kritik bir yönü olan lipid ve yağ asidi metabolizmasının verimliliğini önemli ölçüde etkiler. Örneğin, FADS1 ve LIPC genlerinin yakınındaki tek nükleotid polimorfizmleri (SNP'ler), yağ asidi delta-5 desatüraz reaksiyonunun değişmiş verimliliği ile ilişkilidir ve serumdaki araşidonik asit ve diğer çoklu doymamış yağ asitlerinin konsantrasyonlarını doğrudan etkiler.[15] Bu enzimatik aktivite, genetik varyasyonların doğrudan substratların ve ürünlerin dengesini güçlü bir şekilde etkileyebildiği metabotiplerin önemli bir belirleyicisidir ve potansiyel olarak etkilenen metabolik yollar hakkında ayrıntıları ortaya çıkarır.[15] Metabolit konsantrasyon oranlarının analizi, veri varyasyonunu azaltmada etkili olduğu kanıtlanmıştır ve metabolitlerin enzimatik substratlar ve ürünlerle yakından bağlantılı olduğu reaksiyonlara dair içgörüler sunar.[15] Yağ asitlerinin ötesinde, genetik lokuslar genel lipid seviyelerini etkiler ve koroner kalp hastalığı riskine katkıda bulunur. GCKR gibi genlerdeki varyantlar, LPL-SLC18A1 bölgesi ve BUD13-APOA kümesi (A1/A4/A5/C3) dolaşımdaki lipid profillerinin kritik belirleyicileridir.[17] Örneğin, HMGCR genindeki yaygın SNP'ler, LDL-kolesterol seviyeleri ile ilişkilidir ve ekson 13'ün alternatif eklenmesini modüle ederek, kolesterol biyosentezinin merkezi olan mevalonat yolunun düzenlenmesini doğrudan etkiler.[19] Ayrıca, ANGPTL3 ve ANGPTL4 gibi genler lipid metabolizmasını düzenler; ANGPTL4'teki varyasyonların trigliseritleri azalttığı ve HDL'yi artırdığı özellikle gösterilmiştir.[20]
Glukoz ve Ürik Asit Homeostazının Düzenlenmesi
Glukoz homeostazının düzenlenmesi, genetik varyantların bireyleri tip 2 diyabet gibi hastalıklara yatkın hale getirebildiği karmaşık sinyal yollarını içerir. PPAR (Peroksizom Proliferatör-Aktive Reseptör) genindeki yaygın bir polimorfizm, tip 2 diyabet riskinde azalma ile ilişkilidir ve metabolik sinyal iletimi ile transkripsiyon faktörü düzenlemesindeki rolünü vurgulamaktadır.[21] Benzer şekilde, büyük ölçekli ilişkilendirme çalışmaları, pankreatik beta-hücre KATP kanal alt birimlerini kodlayan genlerdeki varyantların, özellikle Kir6.2 (KCNJ11) ve SUR1 (ABCC8) varyantlarının, tip 2 diyabet ile güçlü bir şekilde ilişkili olduğunu doğrulamıştır.[22] Bu kanallar, glukozla uyarılan insülin salgılanması için kritik öneme sahiptir ve bunların disregülasyonu, kan glukoz seviyelerini sürdürmek için kritik olan hücresel sinyal kaskadlarını doğrudan etkiler.
Metabolik düzenlemenin bir diğer önemli yönü, genetik faktörlerden önemli ölçüde etkilenen ürik asit homeostazıdır. Aynı zamanda GLUT9 olarak da bilinen SLC2A9 geni, önemli bir rol oynar; varyantları serum ürik asit konsantrasyonlarını etkiler ve belirgin cinsiyete özgü etkiler sergiler.[23] GLUT9 bir fruktoz taşıyıcı proteindir ve alternatif eklenmesi (splicing) protein trafiğini ve işlevini değiştirerek böbrek ürat taşınmasındaki rolünü etkileyebilir.[24] Ürik asit metabolizmasının disregülasyonu, metabolik sendrom ve böbrek hastalığı gibi durumlarda rol oynamakta ve bu genetik ve moleküler mekanizmaların daha geniş klinik öneminin altını çizmektedir.[25]
Moleküler Düzenleyici Mekanizmalar ve Gen İfadesi
Genetik varyantlar, gen ifadesini ve protein işlevini etkileyerek çeşitli moleküler düzenleyici mekanizmalar aracılığıyla etkilerini gösterir. Doğrudan gen ilişkilendirmesinin ötesinde, metabolik özellikler gibi ara fenotiplerdeki değişiklikler, etkilenen yollar hakkında daha ayrıntılı bir anlayış sunar.[15] Önemli mekanizmalardan biri, HMGCR genindeki yaygın SNP'ler ile örneklendirilen, ekson 13'ün eklenmesini etkileyerek HMG-CoA redüktaz aktivitesini ve kolesterol sentezini modüle eden alternatif pre-mRNA eklenmesidir.[19] Benzer şekilde, GLUT9'un alternatif eklenmesi, taşınımını ve substrat seçiciliğini etkileyerek ürik asit taşınımını etkiler.[24] Transkripsiyon faktörleri, sinyal ağlarında kritik düğümler olarak işlev görerek gen ifadesinin düzenlenmesinde merkezi bir rol oynar. Örneğin, PPAR polimorfizmi, glikoz ve lipid metabolizmasında yer alan genleri etkileyerek tip 2 diyabet riskini etkiler ve transkripsiyon faktörü düzenlemesinin karmaşık özelliklerdeki gücünü gösterir.[21] Başka bir örnek, izoprenoid ve adenosilkobalamin metabolizması arasında potansiyel bir bağlantı tanımlayan ve belirli transkripsiyon faktörlerinin görünüşte farklı metabolik yolları nasıl entegre edebileceğini vurgulayan SREBP-2 tarafından yapılan düzenlemedir.[26] Bu düzenleyici mekanizmalar, translasyon sonrası modifikasyonlar dahil olmak üzere, protein aktivitesini ve hücresel yanıtları hassas bir şekilde ayarlar.
Sistem Düzeyinde Entegrasyon ve Hastalık Patojenezisi
Biyolojik sistemler, karmaşık yolak çapraz konuşmaları ve ağ etkileşimleri ile karakterizedir; burada bir yolağın düzensizliği, birden fazla diğer yolak üzerinde zincirleme etkilere yol açabilir. Genom çapında ilişkilendirme ağı analizi (GWANA), özellikle lipid metabolizması gibi karmaşık özelliklerde, yüksek oranda ilişkili genler arasında zenginleşmiş biyolojik yolakları tanımlamak için değerli bir araçtır.[17] Bu sistem düzeyindeki yaklaşım, bireysel gen ilişkilendirmelerinin ötesine geçerek genetik varyantların daha geniş ağ bağlamını ortaya çıkarır ve genetik polimorfizmlerin fizyolojik durumları topluca nasıl etkilediğine dair daha kapsamlı bir görünüm sunar.[15] Bu ağ etkileşimlerini anlamak, birbirine bağlı yolakların kolektif davranışının genel fenotipi belirlediği biyolojik sistemlerin ortaya çıkan özelliklerini kavramak için çok önemlidir.
Bu entegre yolaklar içindeki düzensizlik, diyabet, koroner arter hastalığı ve romatoid artrit dahil olmak üzere çok sayıda karmaşık hastalığın patojenezinin temelini oluşturur.[15] İlk genetik ilişkilendirme çalışmaları genellikle klinik fenotipler üzerinde küçük etki büyüklüklerine sahip varyantları tanımlasa da, metabolomik verileri entegre etmek, fizyolojik durumun fonksiyonel bir çıktısını sağlayarak hastalığa neden olan mekanizmalara dair daha derinlemesine içgörüler sunar.[15] Genetik polimorfizmlerle yakından ilişkili olan başlıca genetik olarak belirlenmiş metabotipleri tanımlamak, kişiselleştirilmiş sağlık hizmetleri ve beslenmeye doğru bir adım sunar.[15] Yolak düzensizliğine ve genetik varyantların fonksiyonel sonuçlarına dair bu içgörüler, potansiyel terapötik hedefleri tanımlamada ve bireyselleştirilmiş ilaç stratejileri geliştirmede önemli rol oynamaktadır.[15]
References
[1] O'Donnell CJ. "Genome-wide association study for subclinical atherosclerosis in major arterial territories in the NHLBI's Framingham Heart Study." BMC Med Genet, 2007, PMID: 17903303.
[2] Uda, M., et al. "Genome-wide association study shows BCL11A associated with persistent fetal hemoglobin and amelioration of the phenotype of beta-thalassemia." Proc Natl Acad Sci U S A, vol. 105, no. 5, 2008, pp. 1620-1625.
[3] Sabatti, C., et al. "Genome-wide association analysis of metabolic traits in a birth cohort from a founder population." Nat Genet, vol. 41, no. 1, 2009, pp. 35-46.
[4] Ridker, Paul M., et al. "Loci related to metabolic-syndrome pathways including LEPR,HNF1A, IL6R, and GCKR associate with plasma C-reactive protein: the Women's Genome Health Study." Am J Hum Genet, vol. 82, no. 5, 2008, pp. 1185-92.
[5] Willer CJ. "Newly identified loci that influence lipid concentrations and risk of coronary artery disease." Nat Genet, 2008, PMID: 18193043.
[6] Dehghan, A., et al. "Association of three genetic loci with uric acid concentration and risk of gout: a genome-wide association study." Lancet, vol. 372, no. 9634, 2008, pp. 182-190.
[7] Pare, G., 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 Genet, vol. 4, no. 12, 2008, e1000312.
[8] Wallace, C., et al. "Genome-wide association study identifies genes for biomarkers of cardiovascular disease: serum urate and dyslipidemia." Am J Hum Genet, vol. 82, no. 1, 2008, pp. 139-149.
[9] Meigs, J. B., et al. "Genome-wide association with diabetes-related traits in the Framingham Heart Study." BMC Med Genet, vol. 8 Suppl 1, 2007, p. S12.
[10] Yang, Qiong, et al. "Genome-wide association and linkage analyses of hemostatic factors and hematological phenotypes in the Framingham Heart Study." BMC Medical Genetics, vol. 8, no. 1, 2007, p. 69.
[11] Vasan RS. "Genome-wide association of echocardiographic dimensions, brachial artery endothelial function and treadmill exercise responses in the Framingham Heart Study." BMC Med Genet, 2007, PMID: 17903301.
[12] Kathiresan S. "Common variants at 30 loci contribute to polygenic dyslipidemia." Nat Genet, 2008, PMID: 19060906.
[13] Benjamin EJ. "Genome-wide association with select biomarker traits in the Framingham Heart Study." BMC Med Genet, 2007, PMID: 17903293.
[14] Wilk JB. "Framingham Heart Study genome-wide association: results for pulmonary function measures." BMC Med Genet, 2007, PMID: 17903307.
[15] Gieger, C., et al. "Genetics meets metabolomics: a genome-wide association study of metabolite profiles in human serum." PLoS Genet, vol. 4, no. 11, 2008, e1000282.
[16] Cheung, Vivian G., et al. "Mapping Determinants of Human Gene Expression by Regional and Genome-Wide Association." Nature, vol. 437, no. 7063, 2005, pp. 1365–69.
[17] Aulchenko, Y. S., et al. "Loci influencing lipid levels and coronary heart disease risk in 16 European population cohorts." Nat Genet, vol. 41, no. 1, 2009, pp. 47-55.
[18] Eglite, S., et al. "Synthesis and Secretion of Monocyte Chemotactic Protein-1 Stimulated by the High Affinity Receptor for IgE." Journal of Immunology, vol. 170, no. 4, 2003, pp. 2680–87.
[19] Burkhardt, Reiner, et al. "Common SNPs in HMGCR in Micronesians and Whites Associated With LDL-Cholesterol Levels Affect Alternative Splicing of Exon 13." Arteriosclerosis, Thrombosis, and Vascular Biology, vol. 28, no. 12, 2008, pp. 2297-2305.
[20] Koishi, Ryo, et al. "Angptl3 regulates lipid metabolism in mice." Nature Genetics, vol. 30, no. 2, 2002, pp. 151-157.
[21] Altshuler, David, et al. "The common _PPAR_γ2 polymorphism Pro12Ala is associated with decreased risk of type 2 diabetes." Nature Genetics, vol. 26, no. 1, 2000, pp. 76-80.
[22] Gloyn, Anna L., et al. "Large-scale association studies of variants in genes encoding the pancreatic beta-cell KATP channel subunits Kir6.2 (KCNJ11) and SUR1 (ABCC8) confirm that the KCNJ11 E23K variant is associated with type 2 diabetes." Diabetes, vol. 52, no. 2, 2003, pp. 568-572.
[23] Döring, Angela, et al. "SLC2A9 influences uric acid concentrations with pronounced sex-specific effects." Nature Genetics, vol. 40, no. 4, 2008, pp. 430-436.
[24] McArdle, Patrick F., et al. "Association of a Common Nonsynonymous Variant in GLUT9 With Serum Uric Acid Levels in Old Order Amish." Arthritis & Rheumatism, vol. 58, no. 9, 2008, pp. 2894-2900.
[25] Cirillo, Paolo, et al. "Uric Acid, the Metabolic Syndrome, and Renal Disease." Journal of the American Society of Nephrology, vol. 17, no. 12, suppl. 3, 2006, pp. S165-S168.
[26] Murphy, C., et al. "Regulation by SREBP-2 defines a potential link between isoprenoid and adenosylcobalamin metabolism." Biochemical and Biophysical Research Communications, vol. 355, no. 2, 2007, pp. 359-364.