কিডনিনেটওয়ার্ক: কিডনি রোগে জড়িত নভেল জিনের পূর্বাভাস দিতে এবং অগ্রাধিকার দিতে কিডনি থেকে প্রাপ্ত জিন এক্সপ্রেশন ডেটা ব্যবহার করে

আলোচনা

আমরা উপস্থিতকিডনি নেটওয়ার্ক, অ্যাপ্লিকেশনের জন্য অপ্টিমাইজড এক্সপ্রেশন এবং ফেনোটাইপ টীকা ডেটা সহ একটি সর্বজনীনভাবে উপলব্ধ সহ-অভিব্যক্তি নেটওয়ার্ককিডনি রোগ. একটি সংকেতfifiসন্দেহভাজন জেনেটিক রোগীদের অনুপাত করা যাবে নাকিডনি রোগজেনেটিক রোগ নির্ণয় ছাড়াই থাকে, কারণ অনেক অবস্থার জন্য রোগের জিনের তালিকা অসম্পূর্ণ। কোন জিন জড়িত তা সনাক্ত করাকিডনি রোগউন্নতির জন্য অপরিহার্যকিডনি রোগের রোগীদের মধ্যে ডায়গনিস্টিক ফলনএবং জন্যরোগের প্যাথোজেনেসিস অধ্যয়নচেষ্টা করাচিকিত্সার উপায়. অভিনব রোগের জিন স্থাপনের জন্য সতর্ক জৈবিক বৈধতা প্রয়োজন। এই ধরনের তদন্তের জন্য যোগ্য জিনকে জড়িত করা গুরুত্বপূর্ণ। নেফ্রোলজিস্ট, ক্লিনিকাল জেনেটিসিস্ট, বা গবেষকদের দ্বারা WES বা GWAS ডেটার সাথে একত্রে কিডনিনেটওয়ার্কের প্রয়োগ এই গ্রুপগুলির প্রত্যেককে জিন ইমপ্লিকেশনে অংশগ্রহণ করতে সাহায্য করবে। কিডনিনেটওয়ার্ক জিননেট কাজ তৈরি করতে ব্যবহৃত পূর্বে প্রকাশিত মাল্টি-টিস্যু ডেটাসেটের সাথে একটি কিডনির নমুনা ডেটাসেটের উপর ভিত্তি করে একটি সহ-অভিব্যক্তি নেটওয়ার্ককে একত্রিত করে। কিডনিনেটওয়ার্কে ডেটাসেটগুলিকে একত্রিত করার ফলে কিডনি রোগ সম্পর্কিত ফিনোটাইপ ভবিষ্যদ্বাণীগুলি উন্নত হয়েছে যখন দুটি ডেটাসেটের উপর ভিত্তি করে আলাদাভাবে নেটওয়ার্কগুলির সাথে তুলনা করা হয়। নীতির প্রমাণ হিসাবে, আমরা দেখাই যে কিডনিনেটওয়ার্ক দ্বারা উত্পন্ন কিডনি এবং লিভার সিস্টের সম্মিলিত ফিনোটাইপের প্রার্থী জিন তালিকাটি এই ফেনোটাইপের সাথে আমাদের রোগীর বিরল বৈকল্পিক সম্বলিত জিনের দীর্ঘ তালিকা থেকে প্রার্থী জিনের একটি পরিচালনাযোগ্য তালিকাকে অগ্রাধিকার দেয়।

কিডনি ফাংশনের জন্য সিস্টানচ পেতে এখানে ক্লিক করুন

একটি সম্ভাব্য প্রার্থী জিন হিসাবে ALG6 এর আমাদের অন্তর্নিহিততা এবং অনুসন্ধানকিডনি এবং লিভার সিস্টের ফলাফলএকটি প্রশংসনীয় প্রার্থী জিনে, দুটি পরিবারে আক্রান্ত রোগীদের সহায়ক পারিবারিক পৃথকীকরণ সহ বেশ কয়েকটি রোগীর মধ্যে ALG6 ফাংশন ভেরিয়েন্টের ক্ষতি এবং পলিসিস্টিক লিভার এবং কিডনি রোগের সহ-ঘটনা দ্বারা সমর্থিত, এবং পরিসংখ্যানগতভাবে উল্লেখযোগ্য সমৃদ্ধি দ্বারা ALG6 c ছেঁটে যাওয়া .257 প্লাস 5 জি > অমীমাংসিত ADPKD/PCLD কেসগুলির একটি ফেনোটাইপিকভাবে সংজ্ঞায়িত কোহর্টের একটি বৈকল্পিক। ALG6 অটোসোমাল প্রভাবশালী পলিসিস্টিক কিডনি এবং লিভার ফেনোটাইপগুলির জন্য একটি রোগের জিন কিনা তা চূড়ান্তভাবে নির্ধারণ করার জন্য জৈবিক বৈধতা প্রয়োজন হবে।

কিডনিনেটওয়ার্ক দ্বারা হাইলাইট করা রোগের জিনগুলির সাথে ALG6-এর জ্ঞাত কার্যগত মিল এবং শক্ত ট্রান্সক্রিপশনাল কোরেগুলেশন দ্বারা জৈবিক প্রশংসিততার পরামর্শ দেওয়া হয়। ALG6, প্রতিষ্ঠিত পলিসিস্টিক কিডনি এবং লিভার ডিজিজ জিন ALG8 অনুরূপ, 3-গ্লুকোসিলট্রান্সফেরেজ পরিবারের সদস্য [22]। ALG8 [20] ছাড়াও, ALG9 হেটেরোজাইগাস রূপগুলি সম্প্রতি কিডনি এবং লিভার সিস্ট ফেনোটাইপগুলির এটিওলজিতে জড়িত হয়েছে [16]। এন্ডোপ্লাজমিক রেটিকুলামে তথাকথিত এন-গ্লাইকানস হিসাবে ন্যাসেন্ট প্রোটিনের অ্যাসপারাজিন (এন) অবশিষ্টাংশে স্থানান্তর করার আগে এই তিনটি জিন লিপিড-সংযুক্ত অলিগোস্যাকারাইডগুলির জন্য জৈব সংশ্লেষিত পথের একটি অপরিহার্য ভূমিকা পালন করে [২৩]। মজার বিষয় হল, যদিও কিডনি বা লিভার সিস্টের বর্ণনা করা হয়েছে, ভ্রূণ বা ALG9-CDG বা কদাচিৎ ALG8-CDG-তে আক্রান্ত শিশুদের মধ্যে বহু-অঙ্গ জড়িত থাকার মধ্যে, ALG-এর জন্য সিস্টগুলি বর্ণনা করা হয়নি{{16} সিডিজি [১৯]। সিডিজি রোগীদের পিতামাতার এখনও সিস্টের জন্য অধ্যয়ন করা হয়নি। হালকা ফেনোটাইপ দেওয়া হলে, অনেক ক্ষেত্রে সিস্টগুলি অলক্ষ্যে চলে যেতে পারে, বিশেষ করে প্রাথমিক পিতৃত্বে, যখন বাচ্চাদের প্রায়শই CDG ধরা পড়ে।

চিত্র 4 রোগীদের কাছ থেকে ইমেজিং। SAMPLE6-এ পলিসিস্টিক কিডনি এবং লিভারের চিত্রিত একটি পেটের সিটি। কিছু সিস্ট লাল তীর দ্বারা হাইলাইট করা হয়, সবচেয়ে বড় হেপাটিক সিস্টের পরিমাপ 7.7 সেমি (লাল তারকাচিহ্ন)। SAMPLE6 আক্রান্ত শিশুর B পেটের এমআরআই বাম কিডনিতে একাধিক সিস্ট দেখায় (অনেকগুলো লাল তীর দিয়ে হাইলাইট করা হয়েছে), T2-তে কিছু হাইপো-তীব্র, এবং ডান কিডনিতে কয়েকটি সিস্ট। YU378 এর C পেটের এমআরআই ব্যাপক পলিসিস্টিক লিভার ডিজিজ এবং দুটি কিডনি সিস্ট দেখিয়েছে। YU481 এর D পেটের এমআরআই একাধিক লিভার সিস্ট দেখায়। বাম কিডনিতে একটি 9 সেমি সিস্ট এবং কয়েকটি ছোট সিস্ট রয়েছে এবং ডান কিডনিতে কোন সিস্ট নেই। ই পেটের এমআরআই LE1 এ পলিসিস্টিক লিভার ডিজিজ চিত্রিত করে। হেপাটিক সিস্টগুলিকে লাল তীর দ্বারা হাইলাইট করা হয়, লিভার সেগমেন্ট IV (লাল তারকাচিহ্ন) এ অবস্থিত বৃহত্তম সিস্ট সহ, প্রগতিশীল কোলেস্টেসিসের জন্য অস্ত্রোপচারের হস্তক্ষেপের প্রয়োজন হয়। লক্ষণীয়, কোন সিস্টিক ক্ষত অনুপস্থিতিতে উভয় কিডনিই স্বাভাবিক রূপবিদ্যার সাথে উপস্থাপিত।

জিনগতভাবে অমীমাংসিত মধ্যে ফেনোটাইপপলিসিস্টিক কিডনি এবং লিভার রোগীআমরা শনাক্ত করেছি যে ALG6 ভেরিয়েন্ট বহন করা তুলনামূলকভাবে হালকা, অনেক ক্ষেত্রে লিভার প্রাধান্যহীন এবং উপসর্গবিহীন, হেটেরোজাইগাস ALG8 বা ALG9 প্যাথোজেনিক ভেরিয়েন্ট বহনকারী রোগীদের জন্য বর্ণিত ফেনোটাইপের সাথে সামঞ্জস্যপূর্ণ। আমরা যে সম্ভাব্য প্যাথোজেনিক রূপগুলি সনাক্ত করেছি তা জিনোমএডি ডাটাবেসের ব্যক্তিদের মধ্যেও পাওয়া যায় [17]। এই পর্যবেক্ষণের জন্য একটি ব্যাখ্যা রোগের অসম্পূর্ণ অনুপ্রবেশ হতে পারে। সত্য যে আমাদের দলগুলির মধ্যে কিছু ব্যক্তি কোনও পরিচিত প্রভাবিত পরিবারের সদস্যদের রিপোর্ট করেনি, এটি অসম্পূর্ণ অনুপ্রবেশের একটি ইঙ্গিত হতে পারে, যদিও অনেক পরিবারে বিচ্ছিন্নতার অভাব রয়েছে। যাইহোক, আমরা বৈকল্পিক বহনকারী অপ্রভাবিত ব্যক্তিদের সনাক্ত করিনি। একটি বিকল্প ব্যাখ্যা হতে পারে যে পর্যবেক্ষণ করা ফেনোটাইপ তুলনামূলকভাবে হালকা এবং সাবক্লিনিক্যাল। উদাহরণস্বরূপ, SAMPLE6 তে পর্যবেক্ষণ করা কিডনি এবং লিভার সিস্টগুলি আনুষঙ্গিক অনুসন্ধান হিসাবে আবিষ্কৃত হয়েছিল। এই রূপগুলি বহনকারী ব্যক্তিদের মধ্যে যদি পেটের ইমেজিং করা না হয়, তবে সিস্টগুলি অলক্ষিত হতে পারে। এছাড়াও ALG8 এবং ALG9 Besse et al-এর জন্য। তুলনামূলকভাবে হালকা ফেনোটাইপ নিয়ে চিন্তা করুন এবং প্রস্তাব করুন এটি সম্ভবত দুটি কারণ দ্বারা নির্ধারিত হতে পারে [16, 20]। প্রথমত, এটি প্রত্যাশিত যে একটি সিস্টিক ফেনোটাইপ পেতে একটি সোমাটিক দ্বিতীয় আঘাত প্রয়োজন। এই সোম্যাটিক সেকেন্ড হিট মিউটেশনের আপেক্ষিক বিরলতা যা ALG8/ALG9-এর স্বাভাবিক কপিকে নিষ্ক্রিয় করে এবং পলিসিস্টিনের উপর এটির অসম্পূর্ণ প্রভাব{11}} তুলনামূলকভাবে হালকা ফিনোটাইপ সৃষ্টি করবে বলে আশা করা হচ্ছে।

ALG6 এর আগে ADPKD [24] এর সাথে একজন ব্যক্তির সাথে জড়িত থাকার পরামর্শ দেওয়া হয়েছে। যাইহোক, সেই রোগী, যিনি দুটি ভুল ভবিষ্যদ্বাণীর সাথে ক্রিয়াশীলভাবে মূল্যায়ন করা হয়নি এমন দুটি ভুল ভেরিয়েন্ট বহন করেছিলেন, তার একটি খুব গুরুতর ফেনোটাইপ ছিল যা ALG6 এর জন্য প্রত্যাশিত ফেনোটাইপের সাথে মেলেনি।

শক্তি এবং সীমাবদ্ধতা

সঠিক ফাংশন ভবিষ্যদ্বাণী অর্জনের জন্য জিন সহ-অভিব্যক্তি নেটওয়ার্ক তৈরির জন্য বিভিন্ন কোষের ধরন এবং বিকাশের পর্যায়গুলি থেকে প্রাপ্ত প্রচুর পরিমাণে RNA-সিকোয়েন্সিং নমুনার প্রয়োজন হয়। উচ্চ সংখ্যক নমুনার সাথে মিলিত এই নমুনা বৈচিত্র্য নির্দিষ্ট টিস্যুর জন্য প্রায়শই পাওয়া যায় না। এই সমস্যাটি কাটিয়ে উঠতে, একটি পূর্ববর্তী পদ্ধতি টিস্যু প্রকারের মধ্যে শ্রেণিবদ্ধ মিল ব্যবহার করেছিল [25]। যাইহোক, এই সমাধানটির গণনাগত বোঝার কারণে একটি অগ্রাধিকার জিন নির্বাচন প্রয়োজন। বিপরীতে, আমাদের পদ্ধতিটি নিরপেক্ষ জিনোম-বিস্তৃত ভবিষ্যদ্বাণী করতে ব্যবহার করা যেতে পারে। তদুপরি, আগ্রহের প্রতিটি নতুন টিস্যুর জন্য শ্রেণিবদ্ধ পদ্ধতির পুনরাবৃত্তি করতে হবে, যেখানে আমাদের পদ্ধতি ব্যবহার করে একটি ভিন্ন টিস্যু-নির্দিষ্ট নেটওয়ার্ক তৈরি করতে মাল্টি-টিস্যু ডেটাসেট পুনরায় ব্যবহার করা যেতে পারে। আরেকটি পদ্ধতি বিভিন্ন টিস্যু প্রকারের মধ্যে ডিফারেনশিয়াল এক্সপ্রেশন ব্যবহার করে [26]। এখানে, সর্বাধিক ভিন্নভাবে প্রকাশিত জিনের শীর্ষ 10 শতাংশ কিডনি-সম্পর্কিত GWAS লোকির সাথে সম্পর্কিত ছিল। ডিফারেনশিয়াল এক্সপ্রেশন ব্যবহার করে জিন-ফেনোটাইপ মিথস্ক্রিয়া সম্পর্কে পূর্ববর্তী জ্ঞান নির্বিশেষে ভবিষ্যদ্বাণী করা যায়। যাইহোক, এর জন্য একটি ডিফারেনশিয়াল এক্সপ্রেশন কাট-অফ প্রয়োগ করা প্রয়োজন। বিপরীতে, আমাদের পদ্ধতিটি প্রতিটি জিনের জন্য একটি ভবিষ্যদ্বাণী স্কোর পেতে আরএনএ-সিকোয়েন্সিং ডেটাতে অন্তর্নিহিত জৈবিক কাঠামো ব্যবহার করে। GWAS সারাংশের পরিসংখ্যানের সাথে ডিফারেনশিয়াল এক্সপ্রেশনের সমন্বয় নিরপেক্ষ জিনের ভবিষ্যদ্বাণী করার অনুমতি দেয়, পরীক্ষামূলকভাবে বৈধ হওয়া HPO টীকাগুলির নির্ভরযোগ্যতা GWAS ফলাফলের চেয়ে বেশি। HPO ডাটাবেসকে একীভূত করার ফলে আরও নির্ভরযোগ্য ভবিষ্যদ্বাণী পাওয়া যায়। অধিকন্তু, আমরা সমস্ত HPO পদের জন্য একযোগে ভবিষ্যদ্বাণী করি, যেখানে GWAS-ভিত্তিক পদ্ধতির প্রতিটি GWAS আগ্রহের জন্য পুনরাবৃত্তি করা প্রয়োজন।

মাল্টি-টিস্যু ডেটাসেটের সাথে কিডনি-নির্দিষ্ট আরএনএ-সিকোয়েন্সিং নমুনাগুলিকে একত্রিত করা আমাদের নমুনার আকারের সমস্যা এবং টিস্যু-নির্দিষ্ট ডিফারেনশিয়াল এক্সপ্রেশন পর্যবেক্ষণ করার ক্ষেত্রে চ্যালেঞ্জগুলি উভয়ই কাটিয়ে উঠতে দেয় যখন শুধুমাত্র টিস্যু-নির্দিষ্ট এক্সপ্রেশন ডেটাসেট ব্যবহার করে। উপরন্তু, কিডনিনেটওয়ার্কের বিকাশের সময়, আমাদের নেটওয়ার্কের উপর নির্মিত জিনের সংখ্যা সীমাবদ্ধ করতে হবে না। অধিকন্তু, কিডনিনেটওয়ার্ক ব্যবহারকারীরা নিরপেক্ষ পদ্ধতিতে সমস্ত সম্ভাব্য জিনের জন্য ভবিষ্যদ্বাণী পেতে পারেন এবং এইচপিও পদগুলির সংমিশ্রণের জন্য জিনের অগ্রাধিকার প্রাপ্ত করা যেতে পারে।

বাল্ক আরএনএ-সিকোয়েন্সিং ডেটা ব্যবহার করার একটি নেতিবাচক দিক হল যে আমাদের কাছে কম প্রকাশ করা জিনগুলির জন্য অনুমান করার ক্ষমতা সীমিত আছে, যা বিশেষ করে বিরল কোষের ধরণের জন্য নির্দিষ্ট জিনের জন্য গুরুত্বপূর্ণ। ভবিষ্যতে আরও কোষ-প্রকার নির্দিষ্ট এবং একক-কোষ আরএনএ-সিকোয়েন্সিং ডেটা উপলব্ধ হওয়ার ফলে, বিভিন্ন কিডনি কোষের প্রকারের উপর ভিত্তি করে সহ-অভিব্যক্তি নেটওয়ার্ক তৈরি করা জিনগুলির জন্য এটি সমাধান করতে পারে যেগুলি নির্দিষ্ট কোষের প্রকারের মধ্যে আরও প্রচুরভাবে প্রকাশ করা হয়। শুধুমাত্র আরএনএ-সিকোয়েন্সিং ডেটা ব্যবহার করার আরেকটি সীমাবদ্ধতা হল যে অন্যান্য জৈবিক প্রক্রিয়াগুলি সম্ভাব্যভাবে রোগের বিকাশের সাথে জড়িত, উদাহরণস্বরূপ, অনুবাদ পরবর্তী পরিবর্তন এবং প্রোটিন-প্রোটিন মিথস্ক্রিয়া, বর্তমানে আমাদের ভবিষ্যদ্বাণী মডেল দ্বারা বিবেচনা করা হয় না।

নতুন যুক্তিযুক্ত প্রার্থী জিন সনাক্ত করা ছাড়াও, কিডনি নেটওয়ার্ক পরিচিত কিডনি রোগের জিনগুলিকে অগ্রাধিকার দেওয়ার জন্যও ভালভাবে ব্যবহার করা যেতে পারে। এক্সোম-ভিত্তিক জিন প্যানেল বিশ্লেষণ সঞ্চালিত হওয়ার পরে প্রাথমিক নেতিবাচক ডায়গনিস্টিক ফলাফলের পরে এটি বিশেষভাবে কার্যকর হতে পারে, যা সমস্ত পরিচিত কিডনি রোগের জিনের বিশ্লেষণ অন্তর্ভুক্ত নাও করতে পারে।

বর্তমানে, কিডনিনেটওয়ার্ক অভ্যন্তরীণ কিডনি রোগের জন্য অপ্টিমাইজ করা হয়েছে। যাইহোক, রোগ প্রতিরোধ ব্যবস্থার মতো অন্যান্য সিস্টেমে প্যাথোজেনেটিক প্রক্রিয়ার কারণেও কিডনি রোগ হতে পারে। যদিও আমরা নন-কিডনি ফিনোটাইপগুলির জন্য জিনের অগ্রাধিকারের উপরও অনুমান করতে পারি, এই ভবিষ্যদ্বাণীগুলি ভবিষ্যতে বিভিন্ন টিস্যুর জন্য নির্দিষ্ট নেটওয়ার্ক তৈরি করে উন্নতি করতে পারে।

আমরা বুঝতে পারি যে শুধুমাত্র বর্তমান সাহিত্যের উপর ভিত্তি করে, ALG6 SAMPLE6 এ সিস্ট ফেনোটাইপের জন্য প্রার্থী জিন হবে। এই ফেনোটাইপে ALG6 এর জড়িত থাকার প্রমাণ করার জন্য, কার্যকরী ফলো-আপ প্রয়োজন। যাইহোক, এটি আমাদের পদ্ধতির শক্তিও প্রমাণ করে; সম্ভাব্য ক্ষতিকারক বৈকল্পিক সহ 322 টি জিনের মধ্যে এই প্রণিধানযোগ্য প্রার্থী জিনটিকে শীর্ষ 3-এ অগ্রাধিকার দেওয়া হয়েছিল, যা এক্সোম-ওয়াইড সিকোয়েন্সিং ডেটা - আরও রোগীদের জন্য, বিভিন্ন ফেনোটাইপ সহ - সময়-দক্ষ এবং সার্থক।

উন্নত জিন ফাংশন ভবিষ্যদ্বাণী

আমরা দেখাই যে জিনের ফাংশন এবং কিডনি-সম্পর্কিত এইচপিও শর্তাবলী নির্ধারণের জন্য আমাদের উন্নত পদ্ধতি আমাদের পূর্বে প্রকাশিত মডেলকে ছাড়িয়ে গেছে। আমাদের লিভ-ওয়ান-আউট ক্রস-ভ্যালিডেশন পদ্ধতি নিশ্চিত করে যে ভবিষ্যদ্বাণীগুলি ওভারফিট করা হয় না, রিপোর্ট করা AUC মানগুলি স্ফীত হয় না এবং আমাদের পদ্ধতিটি শক্তিশালী। অধিকন্তু, জিন-ফেনোটাইপ অ্যাসোসিয়েশনগুলির ভবিষ্যদ্বাণী করার আগে, আমরা HPO ডাটাবেস থেকে জিন-রোগ অ্যাসোসিয়েশনগুলিকে বাদ দিয়েছিলাম যার সামান্য পরীক্ষামূলক প্রমাণ ছিল, কারণ ভবিষ্যদ্বাণীর নির্ভুলতা টীকাযুক্ত জিন-ফেনোটাইপ অ্যাসোসিয়েশনগুলির নির্ভুলতার উপর নির্ভরশীল। ভবিষ্যদ্বাণীর নির্ভুলতা সত্য ইতিবাচক এবং সত্যিকারের নেতিবাচক জিনের ভবিষ্যদ্বাণীর উপর ভিত্তি করে, যার অর্থ হল ফেনোটাইপগুলিতে পরিচিত জিনের আরও নির্ভুল ম্যাপিংয়ের ফলে ভাল ভবিষ্যদ্বাণী করা যায়। জিন-ফেনোটাইপ অ্যাসোসিয়েশন নির্ভুলতা উন্নত হবে একবার আরও জিন টীকা এবং প্রতিটি ফিনোটাইপের জন্য যাচাই করা হলে। অতএব, জিন-ফেনোটাইপ অ্যাসোসিয়েশন জ্ঞান বৃদ্ধির সাথে সাথে এবং এইচপিও ডাটাবেসে যুক্ত হওয়ার সাথে সাথে আমরা নেটওয়ার্ক পূর্বাভাস নির্ভুলতার উন্নতি আশা করি।

কিডনি নেটওয়ার্কের অ্যাপ্লিকেশন

আমরা https://kidney.genenetwork.nl/ তৈরি করেছি যার মাধ্যমে আমরা জিন-এইচপিও শব্দের পূর্বাভাস প্রদান করি। একই ভবিষ্যদ্বাণী অ্যালগরিদম ব্যবহার করে যা আমরা এইচপিও পদে জিন বরাদ্দ করতে ব্যবহার করেছি, আমরাও ভবিষ্যদ্বাণী করেছি যে কোন জিনগুলি GO, KEGG এবং Reactome পাথওয়েতে জড়িত হতে পারে। এখানে আমরা GADO-এর একটি অনলাইন সংস্করণও প্রদান করি যা সন্দেহভাজন বিরল কিডনি রোগে আক্রান্ত রোগীদের জন্য প্রাসঙ্গিক জিনকে অগ্রাধিকার দিতে ব্যবহার করা যেতে পারে। এইচপিও পদ ব্যবহার করে রোগীর ফিনোটাইপ নির্দিষ্ট করা সম্ভব এবং সম্ভাব্য রোগ-সৃষ্টিকারী রূপগুলিকে আশ্রয় করে এমন জিনগুলির একটি তালিকা প্রদান করা সম্ভব। এই জিনগুলি তারপরে কিডনিনেটওয়ার্ক ব্যবহার করে র‌্যাঙ্ক করা হবে, যার ফলে রোগীর রোগের সাথে জড়িত থাকার সম্ভাবনা বেশি জিন সনাক্তকরণের অনুমতি দেওয়া হবে। যেহেতু ব্যক্তিগত জেনেটিক তথ্য আপলোড করার প্রয়োজন নেই, তাই এই পদ্ধতিটি রোগীর গোপনীয়তাকে সম্মান করে। আমরা ভবিষ্যদ্বাণীর যথার্থতা বাড়াতে WES বা GWAS ডেটার সাথে কিডনিনেটওয়ার্ক স্কোর ব্যবহার করার পরামর্শ দিই।

ভবিষ্যতের দিক নির্দেশনাসমূহ

ডায়াগনস্টিকস থেকে অমীমাংসিত ক্ষেত্রে কিডনিনেটওয়ার্কের প্রয়োগ, বড় গবেষণা দল এবং উদাহরণস্বরূপ, GWAS ডেটাসেটগুলি কিডনি ফিজিওলজি এবং প্যাথোফিজিওলজিতে আরও অন্তর্দৃষ্টি দেবে। কিডনি ফেনোটাইপ ভবিষ্যদ্বাণীর নির্ভুলতা আরও উন্নত করতে, আমরা একক-কোষ RNA-সিকোয়েন্সিং ডেটা অন্তর্ভুক্ত করে সেল-টাইপ নির্দিষ্ট নেটওয়ার্ক তৈরি করার পরিকল্পনা করি, যা আমরা আশা করি আরও বিস্তারিত এবং সঠিক জিন-ফেনোটাইপ ভবিষ্যদ্বাণী দেবে। উপসংহার আমরা কিডনিনেটওয়ার্ক উপস্থাপন করি, একটি কিডনি-নির্দিষ্ট সহ-অভিব্যক্তি নেটওয়ার্ক যা সঠিকভাবে ভবিষ্যদ্বাণী করে যে কোন জিনের কিডনি-নির্দিষ্ট কার্য রয়েছে। টিস্যু-নির্দিষ্ট ডেটার সাথে মাল্টি-টিস্যু ডেটা একত্রিত করার জন্য আমরা যে পদ্ধতিটি তৈরি করেছি তা সহজেই অন্যান্য টিস্যুতে প্রসারিত করা যেতে পারে, যা অন্যান্য টিস্যু-নির্দিষ্ট রোগের জন্য উন্নত পূর্বাভাসের অনুমতি দেয়। কিডনিনেটওয়ার্ক ব্যবহার করে, আমরা কিডনি এবং/অথবা লিভার সিস্টের জন্য প্রার্থী জিন হিসাবে ALG6 হাইলাইট করি। কিডনিনেটওয়ার্ক জেনেটিক ভেরিয়েন্টের ব্যাখ্যায় সাহায্য করার জন্য একটি দরকারী টুল প্রদান করে। তাই এটি অনুবাদমূলক নেফ্রোজেনেসিসের ক্ষেত্রে অনেক মূল্যবান হতে পারে এবং শেষ পর্যন্ত কিডনি রোগের রোগীদের ডায়াগনস্টিক ফলন উন্নত করতে পারে। ডেটা উপলব্ধতা বর্তমান গবেষণার সময় বিশ্লেষণ করা সর্বজনীনভাবে উপলব্ধ ডেটাসেটগুলি ইউরোপীয় নিউক্লিওটাইড আর্কাইভ (ENA) সংগ্রহস্থলে (https://www.ebi.ac.uk/ena/browser/ home) পাওয়া যায়। GTEx-প্রাপ্ত ডেটাসেটগুলি Genotypes এবং Phenotypes (dbGaP) এর ডাটাবেস থেকে পাওয়া যায়, তবে এই ডেটাগুলির প্রাপ্যতার উপর বিধিনিষেধ প্রযোজ্য, যা বর্তমান গবেষণার লাইসেন্সের অধীনে ব্যবহৃত হয়েছিল এবং তাই সর্বজনীনভাবে উপলব্ধ নয়। ডেটা অবশ্য dbGaP থেকে অ্যাক্সেস নম্বর phs000424.v8.p2 এর অধীনে পাওয়া যায়। বর্তমান অধ্যয়নের সময় বিশ্লেষণ করা রোগীর থেকে প্রাপ্ত WES ডেটাসেটগুলি গোপনীয়তার কারণে সর্বজনীনভাবে উপলব্ধ নয়। ফলাফল kidney.genenetwork.nl এ উপলব্ধ।

তথ্যসূত্র

1. গ্রুপম্যান ইই, মারাসা এম, ক্যামেরন-ক্রিস্টি এস, পেট্রোভস্কি এস, আগারওয়াল ভিএস, মিলো রাসুলি এইচ, এট আল। কিডনি রোগের জন্য এক্সোম সিকোয়েন্সিংয়ের ডায়গনিস্টিক ইউটিলিটি। এন. ইংলিশ জে মেড 2019;380:142-51।

2. Snoek R, van Jaarsveld RH, Nguyen TQ, Peters EDJ, Elferin MG, Ernst RF, et al. জেনেটিক্স-প্রথম পদ্ধতিটি 50 বছরের কম বয়সী ESKD রোগীদের রোগ নির্ণয়ের উন্নতি করে। নেফ্রোল ডায়াল ট্রান্সপ্লান্ট। 2020;37:349–57।

3. কননটন ডিএম, কেনেডি সি, শ্রীল এস, মান এন, মারে এসএল, উইলিয়ামস পিএ, এট আল। প্রাপ্তবয়স্কদের দীর্ঘস্থায়ী কিডনি রোগের মনোজেনিক কারণ। কিডনি Int. 2019;95:914–28। 4. কুপার জিএম, শেন্ডুর জে. সূঁচের স্তুপে সূঁচ: জিনোমিক ডেটার ভাণ্ডারে রোগ-কারণগত বৈচিত্র্য খুঁজে বের করা। ন্যাট রেভ জেনেট। 2011;12:628-40। 5. ভ্যান ড্যাম এস, ভোসা ইউ, ভ্যান ডের গ্রাফ এ, ফ্রাঙ্ক এল, ডি ম্যাগালহেস জেপি। কার্যকরী শ্রেণীবিভাগ এবং জিন-রোগের পূর্বাভাসের জন্য জিন সহ-অভিব্যক্তি বিশ্লেষণ। সংক্ষিপ্ত বায়োইনফর্ম। 2017;19:575-92। 6. ডিলেন পি, ভ্যান ড্যাম এস, হারকার্ট জেসি, কারজালাইনেন জেএম, ব্রুগ এইচ, অ্যাবট কেএম, এট আল। বড় আকারের জিন এক্সপ্রেশন বিশ্লেষণ ব্যবহার করে জিন-ফেনোটাইপ অ্যাসোসিয়েশনের পূর্বাভাস দিয়ে এক্সোম-সিকোয়েন্সিংয়ের ডায়াগনস্টিক ফলন উন্নত করা। ন্যাট কমুন। 2019; 10:2837। 7. Köhler S, Carmody L, Vasilevsky N, Jacobsen JOB, Danis D, Gourdine JP, et al. হিউম্যান ফেনোটাইপ অন্টোলজি (HPO) জ্ঞানের ভিত্তি এবং সম্পদের বিস্তার। নিউক্লিক অ্যাসিড রেস. 2019;47:D1018–27। 8. অনলাইন মেন্ডেলিয়ান ইনহেরিটেন্স ইন ম্যান, OMIM®। ম্যাককুসিক-নাথানস ইনস্টিটিউট অফ জেনেটিক মেডিসিন, জনস হপকিন্স ইউনিভার্সিটি (বাল্টিমোর, এমডি) [ইন্টারনেট]। এখান থেকে উপলব্ধ: https://omim.org/ 9. অরফানেট: বিরল রোগ এবং এতিম ওষুধের একটি অনলাইন ডাটাবেস। কপিরাইট, INSERM 1997। [ইন্টারনেট]। এখান থেকে উপলব্ধ: http://www.orpha.net 10. DeLong ER, DeLong DM, Clarke-Pearson DL. দুই বা ততোধিক সম্পর্কযুক্ত রিসিভার অপারেটিং চরিত্রগত বক্ররেখার অধীনে ক্ষেত্রগুলির তুলনা করা: একটি ননপ্যারামেট্রিক পদ্ধতি। বায়োমেট্রিক্স। 1988;44:837-45।

সহায়ক পরিষেবা:

ইমেল:wallence.suen@wecistanche.com

Whatsapp/টেল: প্লাস 86 15292862950

দোকান:

https://ww.xjcistanche.com/cistanche-shop