Advancing Disease Gene Identification with cTWAS: A Fresh Approach

Avançando na Identificação de Genes de Doenças com o cTWAS: Uma Abordagem Inovadora

Cientistas da Universidade de Chicago fizeram um progresso significativo no campo da identificação de genes de doenças com o desenvolvimento de uma nova ferramenta estatística chamada estudos de associação em larga escala do transcriptoma causativo (cTWAS). Publicada na revista Nature Genetics, sua pesquisa mostra a eficácia da ferramenta ao identificar com precisão os genes e variantes causadores de doenças, combinando dados de estudos de associação em todo o genoma (GWAS) e previsões de expressão gênica.

Ao contrário dos métodos tradicionais que se concentram em genes individuais, o cTWAS adota uma abordagem holística, considerando genes e variantes circundantes. Essa abordagem reduz efetivamente os falsos positivos e elimina variáveis de confusão, resultando em uma identificação mais confiável dos genes causadores reais. Isso é crucial, uma vez que muitas doenças humanas são influenciadas por interações complexas entre múltiplos genes e fatores ambientais.

O desafio está em distinguir entre associações e relações causais em estudos de GWAS. Embora tais estudos possam identificar variantes relacionadas a doenças em todo o genoma, eles não estabelecem conexões causais diretas. Xin He, PhD, autor sênior do estudo, destaca a dificuldade em identificar a variante causal específica entre várias variantes altamente correlacionadas dentro de uma região genômica. Além disso, a presença de muitas variantes genéticas em genomas não codificantes complica ainda mais a interpretação de seus efeitos.

Para superar esses desafios, o cTWAS utiliza dados de loci de características quantitativas de expressão (eQTL). No entanto, os métodos existentes que utilizam esses dados geralmente produzem falsos positivos devido a fatores de confusão. É aí que o cTWAS se destaca, reduzindo em mais de 50% as nomeações falsas positivas. Sua implementação tem o potencial de revolucionar o campo, facilitando análises que relacionam variações genéticas a fenótipos.

Demonstrando as capacidades do cTWAS, os pesquisadores examinaram a genética dos níveis de colesterol LDL. Métodos tradicionais de eQTL nomearam um gene envolvido na reparação do DNA, enquanto o cTWAS identificou uma variante diferente no gene direcionado por estatinas. Com o cTWAS, os pesquisadores identificaram com sucesso 35 genes causais putativos do LDL, sendo mais da metade deles nunca relatados anteriormente.

Empolgantemente, os pesquisadores agora disponibilizaram o software cTWAS para download. As futuras iniciativas envolvem expandir suas capacidades para incorporar outros tipos de dados ômicos, como splicing e epigenética, além de utilizar eQTLs de tipos de tecidos múltiplos. Com essa ferramenta inovadora, a comunidade científica possui um recurso valioso para desvendar as conexões intricadas entre variações genéticas e fenótipos de doenças.

Perguntas Frequentes (FAQ) sobre Identificação de Genes de Doenças usando o cTWAS

P: O que é o cTWAS?
R: cTWAS significa estudos de associação em larga escala do transcriptoma causativo. É uma nova ferramenta estatística desenvolvida por cientistas da Universidade de Chicago para identificar genes e variantes causadoras de doenças.

P: Como o cTWAS difere dos métodos tradicionais?
R: Ao contrário dos métodos tradicionais que se concentram em genes individuais, o cTWAS adota uma abordagem holística, considerando genes e variantes circundantes. Essa abordagem reduz falsos positivos e elimina variáveis de confusão, levando a uma identificação mais precisa de genes causais.

P: Por que é difícil estabelecer conexões causais em estudos de associação em todo o genoma (GWAS)?
R: Estudos de GWAS podem identificar variantes relacionadas a doenças em todo o genoma, mas não estabelecem conexões causais diretas. Identificar a variante causal específica entre variantes altamente correlacionadas em uma região genômica é desafiador. Além disso, a interpretação dos efeitos de variantes genéticas em genomas não codificantes adiciona complexidade.

P: Como o cTWAS supera esses desafios?
R: O cTWAS utiliza dados de loci de características quantitativas de expressão (eQTL) para distinguir entre associações e relações causais. Métodos existentes que utilizam esses dados geralmente produzem falsos positivos, mas o cTWAS reduz falsas nomeações positivas em mais de 50%.

P: Como a eficácia do cTWAS foi demonstrada?
R: Os pesquisadores examinaram a genética dos níveis de colesterol LDL e compararam o cTWAS com métodos tradicionais de eQTL. Enquanto os métodos tradicionais identificaram um gene envolvido na reparação do DNA, o cTWAS identificou uma variante diferente no gene direcionado por estatinas. O cTWAS identificou com sucesso 35 genes causais putativos do LDL, sendo mais da metade deles nunca relatados anteriormente.

P: O software cTWAS está disponível para download?
R: Sim, os pesquisadores disponibilizaram o software cTWAS para download.

P: Quais são as futuras iniciativas relacionadas ao cTWAS?
R: Os pesquisadores planejam expandir as capacidades do cTWAS para incluir outros tipos de dados ômicos, como splicing e epigenética. Eles também planejam utilizar eQTLs de tipos de tecidos múltiplos para aprimorar a eficácia da ferramenta.

Termos-Chave:
– cTWAS: estudos de associação em larga escala do transcriptoma causativo, uma ferramenta estatística para identificar genes e variantes causadoras de doenças.
– GWAS: estudos de associação em larga escala do genoma, estudos que analisam variações genéticas em todo o genoma para identificar associações com doenças.
– eQTL: loci de características quantitativas de expressão, loci genéticos que influenciam os níveis de expressão de genes.
– Falsos Positivos: identificações incorretas de genes ou variantes causais.
– Dados Ômicos: refere-se a conjuntos de dados em larga escala contendo informações sobre várias moléculas, como genes, proteínas e metabólitos.

Links Relacionados Sugeridos:
– Nature Genetics: O site da revista onde a pesquisa sobre cTWAS foi publicada.
– University of Chicago: O site oficial da Universidade de Chicago, onde os cientistas envolvidos na pesquisa estão afiliados.

All Rights Reserved 2021
| .
Privacy policy
Contact