কিডনি নেটওয়ার্ক: কিডনি থেকে প্রাপ্ত জিন এক্সপ্রেশন ডেটা ব্যবহার করে কিডনি রোগের সাথে জড়িত নতুন জিনগুলির পূর্বাভাস দিতে এবং অগ্রাধিকার দিতে Ⅰ

সন্দেহজনক বংশগত রোগীদের জেনেটিক পরীক্ষাকিডনি রোগব্যাধির জন্য জেনেটিক কারণ প্রকাশ নাও করতে পারে কারণ সম্ভাব্য প্যাথোজেনিক রূপগুলি এমন জিনগুলিতে থাকতে পারে যা এখনও জড়িত বলে জানা যায়নিকিডনি রোগ. আমরা কিডনি নেটওয়ার্ক তৈরি করেছি, যা টিস্যু-নির্দিষ্ট অভিব্যক্তি ব্যবহার করে প্রার্থীদের জিনের অগ্রাধিকারকে বিশেষভাবে কিডনি রোগের জন্য জানাতে। কিডনিনেটওয়ার্ক একটি অভিনব পদ্ধতি যা 878টি নমুনার একটি কিডনি আরএনএ-সিকোয়েন্সিং কো-এক্সপ্রেশন নেটওয়ার্ককে 31,499টি নমুনার মাল্টি-টিস্যু নেটওয়ার্কের সাথে একীভূত করে তৈরি করা হয়েছে। কোন জিনগুলি নিরপেক্ষভাবে কোন (রোগ) ফেনোটাইপগুলির সাথে সম্পর্কিত হতে পারে তা অনুমান করার জন্য এটি এক্সপ্রেশন প্যাটার্ন এবং প্রতিষ্ঠিত জিন-ফেনোটাইপ অ্যাসোসিয়েশন ব্যবহার করে। আমরা প্রার্থী জিনকে অগ্রাধিকার দেওয়ার জন্য জেনেটিক রোগ নির্ণয় ছাড়াই 13 জন কিডনি রোগের রোগীর এক্সোম সিকোয়েন্সিং ডেটার বিরল রূপগুলিতে কিডনিনেটওয়ার্ক প্রয়োগ করেছি। কিডনিনেটওয়ার্ক রোগ-সম্পর্কিত জিনের জন্য কিডনি-নির্দিষ্ট জিন ফাংশন এবং (কিডনি রোগ) ফিনোটাইপগুলির সঠিকভাবে পূর্বাভাস দিতে পারে। কিডনি এবং লিভার সিস্টে আক্রান্ত রোগীর বিরল বৈচিত্র্য বহনকারী জিনের সাথে অগ্রাধিকারপ্রাপ্ত জিনের ছেদ ALG6 কে একটি যুক্তিযুক্ত প্রার্থী জিন হিসাবে চিহ্নিত করেছে। আমরা বিকল্প জিনগত ব্যাখ্যা ছাড়াই বেশ কয়েকটি সিস্টিক কিডনি এবং লিভারের রোগের ক্ষেত্রে ALG6 রূপগুলি সনাক্ত করার মাধ্যমে এই যুক্তিযুক্ততাকে শক্তিশালী করি। আমরা কিডনিনেটওয়ার্ক উপস্থাপন করি, একটি সর্বজনীনভাবে উপলব্ধ কিডনি-নির্দিষ্ট সহ-অভিব্যক্তি নেটওয়ার্ক যা কিডনি রোগের ফিনোটাইপের জন্য অপ্টিমাইজ করা জিন-ফেনোটাইপ ভবিষ্যদ্বাণী সহ।

আমরা একটি সহজে ব্যবহারযোগ্য অনলাইন ইন্টারফেস ডিজাইন করেছি যা চিকিত্সক এবং গবেষকদের জিন এক্সপ্রেশন এবং সহ-নিয়ন্ত্রণ ডেটা ব্যবহার করতে দেয় এবংবংশগত কিডনি রোগ নির্ণয় এবং গবেষণায় অগ্রগতি ত্বরান্বিত করতে জিন-ফেনোটাইপ সংযোগ।

অনুবাদমূলক বিবৃতি:সন্দেহজনক বংশগত রোগীদের জেনেটিক পরীক্ষাকিডনি রোগরোগীর ব্যাধির জন্য জেনেটিক কারণ প্রকাশ করতে পারে না। সম্ভাব্য প্যাথোজেনিক বৈকল্পিক জিনগুলিতে থাকতে পারে যা এখনও কিডনি রোগের সাথে জড়িত বলে জানা যায়নি, এই রূপগুলির প্রাসঙ্গিকতা ব্যাখ্যা করা কঠিন করে তোলে। এটি একটি নিরপেক্ষ পদ্ধতিতে জিনগত পরিবর্তনের ফেনোটাইপিক পরিণতিগুলির পূর্বাভাস দেওয়ার জন্য পদ্ধতিগুলির একটি স্পষ্ট প্রয়োজনীয়তা প্রকাশ করে। এখানে আমরা কিডনিনেটওয়ার্ক বর্ণনা করি, একটি টুল যা টিস্যু-নির্দিষ্ট অভিব্যক্তি ব্যবহার করে কিডনি-নির্দিষ্ট জিনের কার্যাবলীর পূর্বাভাস দিতে। সিস্টিক কিডনিতে ALG6 কে প্রার্থী জিন হিসাবে চিহ্নিত করা হয়নি এমন একটি গ্রুপে কিডনিনেটওয়ার্ক প্রয়োগ করা এবংযকৃতের রোগ. সংক্ষেপে, কিডনিনেটওয়ার্ক জেনেটিক ভেরিয়েন্টের ব্যাখ্যায় সাহায্য করতে পারে এবং তাই অনুবাদমূলক নেফ্রোজেনেসিসে মূল্যবান হতে পারে এবং কিডনি রোগের রোগীদের ডায়াগনস্টিক ফলন উন্নত করতে সাহায্য করতে পারে।

কিডনির জন্য Cistanche পেতে এখানে ক্লিক করুনরোগ

ভূমিকা

সন্দেহভাজন বংশগত কিডনি রোগে আক্রান্ত রোগীদের জেনেটিক টেস্টিং এর কার্যকারক প্যাথোজেনিক রূপগুলি প্রকাশ করতে পারেকিডনি সম্পর্কিত জিন. যাইহোক, অনেক ক্ষেত্রে, একটি জেনেটিক কারণ এখনও সনাক্ত করা যায় না। পরিচিত কিডনি-সম্পর্কিত জিনের প্যাথোজেনিক বৈকল্পিকগুলি প্রায় 10-30 শতাংশ জেনেটিক্যালি পরীক্ষা করা রোগীদের মধ্যে সনাক্ত করা হয় যে কোনও কারণে দীর্ঘস্থায়ী কিডনি রোগ রয়েছে [1-3]। যাইহোক, এই শতাংশগুলি সম্ভবত একটি মনোজেনিক কারণ সহ রোগীর সংখ্যার অবমূল্যায়ন কারণ জিনের বৈচিত্রগুলি এখনও কিডনি রোগের সাথে জড়িত নয় অলক্ষিত হবে। সম্ভাব্য ক্ষতিকারক রূপগুলি এই জিনগুলিতে থাকতে পারে, যা এই রূপগুলির প্রাসঙ্গিকতাকে অগ্রাধিকার দেওয়া এবং ব্যাখ্যা করা কঠিন করে তোলে। অতএব, জিনোমিক মেডিসিনের বর্তমান যুগে, পরিচিত জিনে নেতিবাচক ডায়াগনস্টিক ফলাফলের পরে প্রধান চ্যালেঞ্জগুলির মধ্যে একটি হল সম্ভাব্য প্যাথোজেনিক বৈকল্পিক সহ নতুন প্রার্থী জিন সনাক্ত করা এবং অগ্রাধিকার দেওয়া যা রোগীর রোগ ব্যাখ্যা করতে পারে [4]।

আরএনএ-সিকোয়েন্সিং ডেটা প্রার্থীর ভবিষ্যদ্বাণী করতে ব্যবহার করা যেতে পারেরোগের জিন[৫]। আমরা সম্প্রতি RNA সিকোয়েন্সিং ডেটার উপর ভিত্তি করে নতুন প্রার্থী রোগের জিনগুলিকে অগ্রাধিকার দেওয়ার জন্য GeneNetwork এবং GeneNetwork-অ্যাসিস্টেড ডায়াগনস্টিক অপ্টিমাইজেশান (GADO) পদ্ধতি তৈরি করেছি [6]। এই পদ্ধতির পিছনে ধারণা হল যে কিছু বিরল ব্যাধি বিভিন্ন জিনের বৈচিত্রের কারণে হতে পারে। যদিও এই জিনগুলি আলাদা, তাদের সাধারণত একই রকম জৈবিক কাজ থাকে। বিপুল সংখ্যক নমুনা থেকে জিন এক্সপ্রেশন ডেটা অধ্যয়ন করার সময়, এই রোগের জিনগুলি সাধারণত শক্তিশালী সহ-অভিব্যক্তি দেখায় [6]। এইভাবে, যদি অন্যান্য জিন থাকে যেগুলি পরিচিত বিরল রোগের জিনের সাথে দৃঢ়ভাবে সহ-প্রকাশিত হয়, তবে এটি সম্ভব যে এই অন্যান্য জিনের বৈচিত্রগুলিও একই রোগের কারণ হতে পারে।

এই ধরনের টুলটি সর্বোত্তমভাবে কাজ করার জন্য, সহ-প্রকাশের তথ্য যথাসম্ভব নির্ভুল হওয়া উচিত। GADO-এর জন্য, আমরা বিভিন্ন টিস্যু থেকে সর্বজনীনভাবে উপলব্ধ RNA সিকোয়েন্সিং ডেটাসেটের উপর ভিত্তি করে একটি জিন সহ-অভিব্যক্তি নেটওয়ার্ক তৈরি করেছি এবং কোন জিনগুলি বিরল রোগের কারণ হতে পারে তা অনুমান করতে এই নেটওয়ার্কটি ব্যবহার করে। এই ভবিষ্যদ্বাণীগুলি মানব ফেনোটাইপ অন্টোলজি (HPO) ডাটাবেস ব্যবহার করে প্রশিক্ষিত হয়েছিল [7]। এইচপিও ডাটাবেসে, জিনগুলিকে ফিনোটাইপগুলিতে বরাদ্দ করা হয় - যাকে এইচপিও-টার্ম বলা হয় - যেগুলি ওএমআইএম [৮] এবং অরফানেট [৯] ডেটাবেসে উপস্থিত জিন-রোগের টীকা এবং রোগের লক্ষণগুলির উপর ভিত্তি করে। জিন কো-এক্সপ্রেশন নেটওয়ার্কের সাথে এইচপিও ডাটাবেস থেকে তথ্য একীভূত করে, আমরা প্রতি এইচপিও মেয়াদে প্রতিটি জিনের জন্য পূর্বাভাস স্কোর গণনা করতে পারি। একসাথে, এই স্কোরগুলি GeneNetwork গঠন করে। GADO তারপর এইচপিও পদগুলির একটি ইনপুট তালিকা একত্রিত করে জিনকে অগ্রাধিকার দেয় যা রোগীর ফিনোটাইপকে সেই রোগীর সম্ভাব্য ক্ষতিকারক রূপগুলির সাথে জিনের তালিকার সাথে বর্ণনা করে। জিন তালিকার অগ্রাধিকার ইনপুট HPO শর্তাবলীর জন্য সম্মিলিত জিনের পূর্বাভাস স্কোরের উপর ভিত্তি করে করা হয় [6]।

যেহেতু আমরা লক্ষ্য করেছি যে কিডনি-সম্পর্কিত এইচপিও ফিনোটাইপগুলির জন্য জিননেটওয়ার্কের পূর্বাভাস কার্যকারিতা সীমিত ছিল, আমরা একটি কিডনি-নির্দিষ্ট নেটওয়ার্ক তৈরি করে পূর্বাভাস উন্নত করার চেষ্টা করেছি। আমরা 878টি কিডনি আরএনএ-সিকোয়েন্সিং নমুনা ব্যবহার করে এটি করেছি যা আমরা অন্যান্য টিস্যু [6] থেকে 31,499 নমুনার বিদ্যমান ডেটাসেট দিয়ে সমৃদ্ধ করেছি। একটি নতুন ভবিষ্যদ্বাণী অ্যালগরিদম বিকাশ করে যা উভয় ডেটাসেটের মধ্যে উপস্থিত তথ্যের ওজন করতে পারে আমরা কিডনি-সম্পর্কিত পথগুলির জন্য কর্মক্ষমতা উন্নত করেছি। এই কাগজে, আমরা ফলস্বরূপ কিডনিনেটওয়ার্ক উপস্থাপন করি, একটি সহ-অভিব্যক্তি নেটওয়ার্ক যা কিডনি-সম্পর্কিত HPO পদগুলির জন্য অজানা জিনের জিন-ফেনোটাইপ অ্যাসোসিয়েশনগুলির সঠিকভাবে ভবিষ্যদ্বাণী করতে ব্যবহার করা যেতে পারে। নীতির প্রমাণ হিসাবে, আমরা পূর্বে অমীমাংসিত কিডনি রোগে আক্রান্ত রোগীদের একটি গ্রুপ থেকে সিকোয়েন্সিং ডেটা এক্সোম করার জন্য কিডনিনেটওয়ার্ক প্রয়োগ করেছি।

পদ্ধতি

কিডনি-সম্পর্কিত ফিনোটাইপগুলির পূর্বাভাস উন্নত করার জন্য, আমরা কিডনি থেকে প্রাপ্ত আরএনএ-সিকোয়েন্সিং ডেটা সংগ্রহ করেছি, আরও সাম্প্রতিক রেফারেন্স ডেটাবেস এবং উন্নত পরিসংখ্যান বিশ্লেষণ সহ জিননেটওয়ার্ক আপডেট করেছি, তারপরে টিস্যু-নির্দিষ্ট তথ্যের একীকরণ।

কিডনি নেটওয়ার্কে ডেটাসেট

প্রাথমিক, টিউমার এবং ভ্রূণের টিস্যু সহ বেশ কয়েকটি উত্সের নির্বাচিত কিডনি নমুনা থেকে RNA-সিকোয়েন্সিং ডেটা আমাদের পূর্বে বর্ণিত জিননেটওয়ার্ক [6] (টেবিল S1, S2) এর ভিত্তি হিসাবে ব্যবহৃত মাল্টি-টিস্যু RNA-সিকোয়েন্সিংয়ের একটি বিদ্যমান ডেটাসেটের সাথে একত্রিত হয়েছিল। . আমরা দুটি কারণে মাল্টি-টিস্যু ডেটাসেট অন্তর্ভুক্ত করতে বেছে নিয়েছি। প্রথমত, একটি বেসলাইন নেটওয়ার্ক তৈরি করার জন্য আমাদের পর্যাপ্ত সংখ্যক নমুনার প্রয়োজন। দ্বিতীয়ত, আমরা অভিব্যক্তি সংরক্ষণ করতে চেয়েছিলাম যা বেশ কয়েকটি, বা সমস্ত, কিডনি কোষের জন্য নির্দিষ্ট কিন্তু অন্যান্য টিস্যুতে নয়। আমরা এটি করেছি কারণ জিন-ফেনোটাইপ স্কোরগুলি নমুনার মধ্যে অভিব্যক্তির পার্থক্যের উপর ভিত্তি করে; বিশ্লেষণে অন্তর্ভুক্ত সমস্ত নমুনায় যদি সমস্ত জিনের উচ্চ (বা নিম্ন) অভিব্যক্তি থাকে তবে তারা পূর্বাভাস অ্যালগরিদমে পর্যাপ্ত তথ্য যোগ করবে না। জিননেটওয়ার্ক বিকাশের জন্য ব্যবহৃত মানব আরএনএ-সিকোয়েন্সিং নমুনার মাল্টি-টিস্যু ডেটাসেটটি পূর্বে বর্ণিত হিসাবে পুনরায় ব্যবহার এবং প্রক্রিয়া করা হয়েছিল [6]। প্রাক-প্রক্রিয়াকরণের পরে, এই ডেটাসেটে 31,499টি নমুনা এবং 56,435টি জিন রয়েছে।

ইউরোপীয় নিউক্লিওটাইড আর্কাইভ (ENA) এবং জিনোটাইপ-টিস্যু এক্সপ্রেশন (GTEx) প্রজেক্ট (নোট S1) থেকে 3,194টি কিডনি থেকে প্রাপ্ত আরএনএ-সিকোয়েন্সড নমুনা ডাউনলোড করা হয়েছে। কিডনি ডেটাসেটের প্রি-প্রসেসিং মাল্টি-টিস্যু ডেটাসেটের অনুরূপভাবে করা হয়েছিল [6] (নোট S2, নোট S3)। নমুনা এবং জিন নির্বাচনের পরে, 58,283টি জিন এবং 878টি কিডনির নমুনা অবশিষ্ট ছিল। আমরা UMAP ক্লাস্টারিং অ্যালগরিদম (নোট S4) ব্যবহার করে অবশিষ্ট 878 আরএনএ-সিকোয়েন্সিং নমুনাগুলি তদন্ত করেছি।

HPO ফিল্টারিং। কিডনিনেটওয়ার্ক নির্মাণের জন্য, আমরা HPO ডাটাবেস [7] সংস্করণ 1268 থেকে জিন-ফেনোটাইপ অ্যাসোসিয়েশন ব্যবহার করেছি। HPO ডাটাবেসে, HPO-সংজ্ঞায়িত ফেনোটাইপগুলিতে জিনের টীকাটি OMIM [8] রোগের জিন-রোগের টীকাগুলির উপর ভিত্তি করে তৈরি করা হয়েছে। মানচিত্র (26 মার্চ, 2018 ডাউনলোড করা হয়েছে) এবং অরফানেট [9] "en_product6.xml" ফাইল সংস্করণ 1.3.1। এই ডাটাবেসগুলিতে জিন-রোগের টীকাগুলি পরিসংখ্যানগত সংস্থা এবং বৃহৎ-স্কেল কপি সংখ্যার বৈচিত্র সহ বিভিন্ন কারণের উপর ভিত্তি করে করা যেতে পারে। আমরা কিডনিনেটওয়ার্ককে শুধুমাত্র জিন ব্যবহার করে প্রশিক্ষণ দিতে চেয়েছিলাম যার জন্য জিন এবং বিরল রোগের মধ্যে সংযোগটি ভালভাবে প্রতিষ্ঠিত। অতএব, আমরা মাল্টিজেনিক সিন্ড্রোমগুলিকে বাদ দিয়েছি, যেহেতু এটি প্রায়শই স্পষ্ট হয় না যে কপি নম্বর বৈচিত্রের কোন জিনগুলি কোন ফিনোটাইপগুলিতে অবদান রাখে। আমরা নিছক সংবেদনশীলতা জিন (নোট এস 5) বাদ দিয়েছি।

অভিব্যক্তি স্বাভাবিককরণ। নমুনা এবং জিন মান নিয়ন্ত্রণের (QC) পরে, অবশিষ্ট নমুনা এবং জিনের এক্সপ্রেশন ম্যাট্রিক্স লগ2- রূপান্তরিত হয়েছিল এবং অনুপাত পদ্ধতির মধ্যম অনুসরণ করে DESeq ব্যবহার করে জিনের সংখ্যা স্বাভাবিক করা হয়েছিল। তারপরে আমরা কোভেরিয়েটগুলির জন্য জিন এক্সপ্রেশন ডেটা সংশোধন করেছি (নোট এস 6)।

পচন

সম্পূর্ণ ডেটাসেটের ফিল্টারিং এবং QC করার পরে, পরবর্তী পদক্ষেপটি ছিল ডেটাসেটের ইজেনভেক্টর গণনা করার জন্য একটি পচন সঞ্চালন করা (নোট S7)। কিডনি থেকে প্রাপ্ত ডেটার উপর ভিত্তি করে জিননেটওয়ার্ক এবং জিন নিয়ন্ত্রক নেটওয়ার্ক উভয়ের জন্য, আমরা উপাদানগুলির সর্বোত্তম সংখ্যা (নোট S8) সংজ্ঞায়িত করেছি। GeneNetwork-এর জন্য প্রথম 165 eigenvectors এবং কিডনি থেকে প্রাপ্ত ডেটার জন্য প্রথম 170 eigenvectors চিহ্নিত করা হয়েছিল এবং সমস্ত 335 eigenvectors সমন্বিত একটি বৃহত্তর ম্যাট্রিক্সে একত্রিত করা হয়েছিল।

জিন-এইচপিও-মেয়াদী স্কোর গণনা জিন-ফেনোটাইপ স্কোর গণনা কয়েকটি ধাপে করা হয়েছিল (চিত্র S5)। প্রথমত, আমরা ইনপুট হিসাবে সম্মিলিত ইজেনভেক্টর এবং জিন-ফেনোটাইপ টীকা ফাইল ব্যবহার করে একটি লজিস্টিক রিগ্রেশন করেছি। আমরা প্রতিটি eigenvector (নোট S9) এর প্রতিটি জিনের জন্য একটি জিন লগ-অডস স্কোর গণনা করতে ফলস্বরূপ মান এবং ইজেনভেক্টর স্কোর ব্যবহার করেছি।

ইতিমধ্যে টীকাকৃত জিনের জিনের লগ-অডডস-স্কোরগুলির ওভারফিটিং এড়াতে, আমরা একটি লিভ-ওয়ান-আউট ক্রস-ভ্যালিডেশন পদ্ধতি (নোট S10) প্রয়োগ করেছি। প্রতিটি ফেনোটাইপের (নোট S11) জন্য একটি পারমুটেড নাল ডিস্ট্রিবিউশন ব্যবহার করে পরবর্তীতে লগ অডগুলিকে জিন জেড-স্কোরে অনুবাদ করা হয়েছিল।

ভবিষ্যদ্বাণীর নির্ভুলতা নির্ধারণ করতে, আমরা ROC বক্ররেখা (AUC) এর অধীনে এলাকা গণনা করেছি। ভবিষ্যদ্বাণীকৃত জিন জেড-স্কোর এবং পরিচিত টীকা ব্যবহার করে প্রতি HPO মেয়াদে AUC গণনা করা হয়েছিল। ভবিষ্যদ্বাণীগুলির তাত্পর্য দ্বি-পক্ষীয় মান-হুইটনি র্যাঙ্ক পরীক্ষা ব্যবহার করে গণনা করা হয়েছিল। বনফেরোনি সংশোধনের পরে, একটি ভবিষ্যদ্বাণী p < 0.05-এ তাৎপর্যপূর্ণ বলে বিবেচিত হয়েছিল।

ভবিষ্যদ্বাণী কর্মক্ষমতা তুলনা

আমরা চারটি স্বতন্ত্র নেটওয়ার্কের পূর্বাভাস কর্মক্ষমতা তুলনা করেছি: (1) আসল জিননেটওয়ার্ক, (2) আপডেট করা জিননেটওয়ার্ক, (3) কিডনি থেকে প্রাপ্ত নমুনার উপর ভিত্তি করে কিডনি নির্দিষ্ট জিন নিয়ন্ত্রক নেটওয়ার্ক এবং অবশেষে (4) কিডনিনেটওয়ার্ক, যা একত্রিত করে পরের দুটি এই নেটওয়ার্কগুলির দ্বারা তৈরি এইচপিও ভবিষ্যদ্বাণীগুলির গুণমান প্রতিটি কিডনি-সম্পর্কিত ফেনোটাইপের (টেবিল S3) জন্য AUC-এর উপর ভিত্তি করে মূল্যায়ন করা হয়েছিল। একটি নেটওয়ার্কের উন্নত গুণমানকে কিডনি-সম্পর্কিত পদগুলির জন্য উন্নত ভবিষ্যদ্বাণী নির্ভুলতা হিসাবে সংজ্ঞায়িত করা হয়েছিল যা দুটি নেটওয়ার্কের প্রতিটি তুলনাতে উল্লেখযোগ্যভাবে ভবিষ্যদ্বাণী করা হয়েছিল এবং উল্লেখযোগ্যভাবে পূর্বাভাসিত কিডনি-সম্পর্কিত পদগুলির একটি বর্ধিত সংখ্যা দ্বারা। একটি নেটওয়ার্ক বনাম অন্য নেটওয়ার্কের ভবিষ্যদ্বাণী নির্ভুলতার উন্নতির তাত্পর্য ডিলং পরীক্ষা [১০] ব্যবহার করে মূল্যায়ন করা হয়েছিল pROC R প্যাকেজে সংহত [11]।

সন্দেহভাজন বংশগত কিডনি রোগে আক্রান্ত 13 জন রোগীর জন্য কিডনিনেটওয়ার্কের প্রয়োগ কিডনিনেটওয়ার্কের একটি অ্যাপ্লিকেশন হল অমীমাংসিত কিডনি রোগে আক্রান্ত রোগীদের প্রার্থী জিনকে অগ্রাধিকার দেওয়া। এই ক্লিনিকাল অ্যাপ্লিকেশনটি মূল্যায়ন করার জন্য, আমরা GADO পদ্ধতি ব্যবহার করে বিভিন্ন কিডনি রোগে আক্রান্ত রোগীদের প্রার্থী জিনকে অগ্রাধিকার দিতে কিডনিনেটওয়ার্ক ব্যবহার করেছি [6]। GADO HPO শর্তাবলীর একটি নির্দিষ্ট সেটের জন্য কিডনিনেটওয়ার্কের মাধ্যমে রেন্ডার করা জিনের পূর্বাভাস জেড-স্কোরগুলিকে একত্রিত করে। প্রতিটি রোগীর সাথে যুক্ত এইচপিও পদের অনন্য সেটের জন্য 5 এর থেকে বড় বা সমান একটি সম্মিলিত জেড-স্কোর সহ জিনগুলি সেই রোগীর সম্ভাব্য প্রার্থী জিন হিসাবে বিবেচিত হয়েছিল।

চিত্র 1 কিডনি থেকে প্রাপ্ত এক্সপ্রেশন ডেটার UMAP ভিজ্যুয়ালাইজেশন। 878টি নমুনা তিনটি প্রধান ক্লাস্টারে বিভক্ত করা হয়েছিল: স্বাস্থ্যকর প্রাথমিক টিস্যু (মাঝখানে এবং নীচে), উন্নয়নমূলক নমুনা (বাম) এবং রেনাল সেল কার্সিনোমা (আরসিসি) নমুনা (ডান)। চিত্রের বাম দিকে, প্রাথমিক ভ্রূণের নমুনা এবং নেফ্রন প্রোজেনিটর কোষ সহ প্লুরিপোটেন্ট স্টেম সেল (PSC)- থেকে প্রাপ্ত পডোসাইট এবং PSC- থেকে প্রাপ্ত অর্গানয়েডের ক্লাস্টারিং দেখা যায়। ডানদিকে, প্রক্সিমাল টিউবুল নমুনার কাছাকাছি RCC নমুনা ক্লাস্টার, এবং স্বাস্থ্যকর প্রাথমিক টিস্যু নমুনার কাছের RCC ক্লাস্টারে অস্পষ্ট কোষ RCC (nccRCC) নমুনা থাকে। মাঝখানে এবং নীচে, স্বাস্থ্যকর প্রাথমিক কিডনির নমুনাগুলি তাদের উত্সের টিস্যুর উপর ভিত্তি করে ক্লাস্টার করে।

গবেষণায় অন্তর্ভুক্ত 13 জন রোগীর সকলেরই মনোজেনিক কিডনি রোগ রয়েছে বলে সন্দেহ করা হয়েছিল কিন্তু তাদের কোন জেনেটিক রোগ নির্ণয় ছিল না (নোট এস12)। HPO শর্তাবলী তাদের ফেনোটাইপের উপর ভিত্তি করে এই ক্ষেত্রে বরাদ্দ করা হয়েছিল। প্রতিটি রোগীর জন্য, সম্ভাব্য প্যাথোজেনিক রূপগুলি সনাক্ত করতে CAPICE [12] ব্যবহার করে সম্পূর্ণ এক্সোম সিকোয়েন্সিং ডেটা বিশ্লেষণ করা হয়েছিল। একটি জিনোমএডি পপম্যাক্স ফিল্টারিং এএফ [১৩] সহ বিভিন্ন রূপ ধারণকারী জিন<0.005 and a recall ≥99%, corresponding with a mild CAPICE cut-off of ≥0.0027, were considered interesting candidates.

GADO-তে কিডনিনেটওয়ার্ক ইন্টিগ্রেশন দ্বারা চিহ্নিত জিনগুলিকে CAPICE দ্বারা চিহ্নিত জিনগুলির সাথে ওভারল্যাপ করার ফলে প্রতিটি রোগীর জন্য জিনের একটি তালিকা তৈরি হয়৷ জনসংখ্যার মেট্রিক্স, ভবিষ্যদ্বাণীর সরঞ্জাম, উপলব্ধ সাহিত্য এবং পৃথকীকরণ (নোট S13) এর উপর ভিত্তি করে তাদের প্যাথোজেনেটিক সম্ভাব্যতার জন্য এই জিনগুলির এই জিন এবং রূপগুলি একটি নেফ্রোজেনেসিস বিশেষজ্ঞ প্যানেল (AMvE, LRC, NVAMK) দ্বারা ম্যানুয়ালি পর্যালোচনা করা হয়েছিল। ফলাফলপ্রাপ্ত প্রার্থী জিনের জন্য, একই জিনের বৈচিত্র বহনকারী অতিরিক্ত রোগীদের সহযোগী এবং 100,000 জিনোম প্রকল্প [14] এর মাধ্যমে সনাক্ত করা হয়েছিল। এছাড়াও, GeneMatcher টুল [15] ব্যবহার করা হয়েছিল এবং 15ই ফেব্রুয়ারি, 2023 পর্যন্ত কোনও অতিরিক্ত রোগী পাওয়া যায়নি।

অতিরিক্ত রোগীদের সনাক্তকরণ পূর্বে বর্ণিত অমীমাংসিত পলিসিস্টিক কিডনি এবং লিভার ডিজিজ সমগোত্রীয় [16] বিরল রূপগুলি (নোট S14) মূল্যায়ন করতে ব্যবহৃত হয়েছিল। আমরা gnomAD ডাটাবেসে অ-ফিনিশ ইউরোপীয়দের ইউরোপীয় উপসেটের সাথে চিহ্নিত বৈকল্পিক(গুলি) এর ফ্রিকোয়েন্সি তুলনা করতে ফিশারের সঠিক পরীক্ষা ব্যবহার করেছি [17]। উপরন্তু, আমরা 100,000 জিনোম প্রজেক্ট [14] ব্যবহার করেছি চিহ্নিত বৈকল্পিক(গুলি) (নোট S15) এর উপর ভিত্তি করে অতিরিক্ত রোগীদের শনাক্তকরণের জন্য।

ফলাফল

ডেটা পুনরুদ্ধার এবং নমুনা ক্লাস্টারিং আমরা 878টি কিডনির নমুনা (চিত্র S2) নির্বাচন করেছি, যা আমরা UMAP অ্যালগরিদম (চিত্র 1) ব্যবহার করে ক্লাস্টার করেছি এবং প্লট করেছি। সাধারণত, তিনটি প্রধান ক্লাস্টারে ডেটা ক্লাস্টার হয়: প্রাথমিক নন-টিউমার কিডনি ডেটা, কিডনি বিকাশের নমুনা এবং প্রক্সিমাল টিউবুল, গ্লোমেরুলাস এবং রেনাল সেল কার্সিনোমা (আরসিসি) নমুনা।

কিডনিনেটওয়ার্ক জিন-ফেনোটাইপ ভবিষ্যদ্বাণী উন্নত করে প্রথমে, আমরা জিননেটওয়ার্ক আপডেট করেছি HPO ডাটাবেস (চিত্র S6) সহ এবং জিন নেটওয়ার্ক বিল্ডিং পাইপলাইন (চিত্র S7) অপ্টিমাইজ করেছি। এই পরিবর্তনগুলি পূর্ববর্তী সংস্করণের (চিত্র S8) তুলনায় সাধারণ জিননেটওয়ার্কে একটি উন্নতি করেছে। তারপরে আমরা কিডনি-নির্দিষ্ট জিন নিয়ন্ত্রক নেটওয়ার্ক তৈরি করতে উন্নত পাইপলাইন ব্যবহার করি। প্রত্যাশিত হিসাবে, ছোট নমুনা আকার দেওয়া, কিডনি-নির্দিষ্ট নেটওয়ার্কের এই সংস্করণ GeneNetwork (চিত্র S9) থেকে কম ভাল পারফর্ম করেছে। পরবর্তীকালে, কিডনিনেটওয়ার্কে জিননেটওয়ার্ক এবং কিডনি নির্দিষ্ট জিন কো-এক্সপ্রেশন নেটওয়ার্ককে একত্রিত করার ফলে কিডনি-সম্পর্কিত এইচপিও শর্তাবলীর জন্য আমাদের সেরা ফলাফল পাওয়া যায় (চিত্র 2A; টেবিল S5)। প্রতিটি পূর্বাভাসিত পথের জন্য পূর্বাভাস AUC, নির্ভুলতা, সংবেদনশীলতা এবং f{11}}স্কোর প্রদান করা হয়েছে (সারণী S6)

উন্নত কিডনি-সম্পর্কিত এইচপিও-টার্মের দুটি উদাহরণ হল হাইপোম্যাগনেসিমিয়া এবং টিউবুলোইনটারস্টিশিয়াল অস্বাভাবিকতা (চিত্র 2বি)। ঘনত্বের প্লটে এই ফেনোটাইপগুলির ভিজ্যুয়ালাইজেশন অ-টীকাযুক্ত জিনের তুলনায় পরিচিত রোগ-সম্পর্কিত জিনের জন্য উচ্চ অগ্রাধিকারের জেড-স্কোর দেখায়। অজানা জিনগুলির জন্য, পূর্বাভাস জেড-স্কোর যত বেশি হবে, তাদের প্রার্থী রোগের জিন হওয়ার সম্ভাবনা তত বেশি। পূর্বাভাস স্কোরের উপর ভিত্তি করে পরিচিত রোগের জিনগুলির জিন মিথস্ক্রিয়া নেটওয়ার্কগুলিকে আবার দেখায় GeneNetwork এর তুলনায় কিডনিনেটওয়ার্ক ব্যবহার করে প্রাপ্ত মিথস্ক্রিয়াগুলির সংখ্যা এবং শক্তি বৃদ্ধি দেখায়।

চিত্র 2 কিডনি নেটওয়ার্ক আপডেট করা জিননেটওয়ার্কের চেয়ে কিডনি-সম্পর্কিত এইচপিও শর্তাবলীর জন্য ভাল কাজ করে। কিডনি-সম্পর্কিত ফেনোটাইপগুলির একটি 27 শতাংশ জিননেটওয়ার্কের তুলনায় কিডনিনেটওয়ার্ক ব্যবহার করে উল্লেখযোগ্যভাবে ভাল ভবিষ্যদ্বাণী করা হয়েছে। B সবচেয়ে উন্নত ফিনোটাইপ, হাইপোম্যাগনেসেমিয়া এবং টিউবুলোইনটার্স্টিশিয়াল অস্বাভাবিকতার মধ্যে জিনের ভবিষ্যদ্বাণী স্কোরের ঘনত্বের প্লটগুলি ফিনোটাইপের জন্য টীকাকৃত জিনের জন্য উচ্চতর ভবিষ্যদ্বাণী মান দেখায় এবং সম্ভাব্য অজানা প্রার্থী জিনের পূর্বাভাস দেয়। কিডনিনেটওয়ার্ক ব্যবহার করে ভবিষ্যদ্বাণী করা নেটওয়ার্কগুলি জিননেটওয়ার্ক ব্যবহার করে ভবিষ্যদ্বাণী করা নেটওয়ার্কগুলির তুলনায় টীকাকৃত জিনের মধ্যে আরও বেশি এবং শক্তিশালী সম্পর্ক দেখায়।

আমরা GeneNetwork (n=63) এর তুলনায় কিডনিনেটওয়ার্ক (n=71) এর জন্য উল্লেখযোগ্য পূর্বাভাসিত কিডনি-সম্পর্কিত HPO- শর্তাবলীর সংখ্যা বৃদ্ধিও দেখেছি। এটি আমাদের অনুমান করতে পরিচালিত করেছিল যে কিডনিনেটওয়ার্ক সামগ্রিকভাবে উচ্চ নির্ভুলতার সাথে কিডনি-সম্পর্কিত পদগুলির পূর্বাভাস দেয় এবং তাই উচ্চতর তাত্পর্য সহ আরও কিডনি-সম্পর্কিত ফিনোটাইপগুলির পূর্বাভাস দিতে সক্ষম। একটি জোড়া টি-পরীক্ষা দেখায় যে সামগ্রিকভাবে, কিডনিনেটওয়ার্ক বনাম জিননেটওয়ার্কের জন্য HPO AUC স্কোর উল্লেখযোগ্যভাবে ভাল ছিল (মানে AUC: 0.76 বনাম 0.74; t-টেস্ট p-মান: 4.5 × 10 −8)। এই ফলাফলটি পরামর্শ দেয় যে কিডনিনেটওয়ার্ক জিননেটওয়ার্কের চেয়ে উচ্চতর ভবিষ্যদ্বাণী নির্ভুলতার সাথে আরও বেশি কিডনি নির্দিষ্ট এইচপিও-পদগুলির পূর্বাভাস দেয়।

কিডনিনেটওয়ার্ক কিডনি সিস্ট এবং লিভার সিস্টের রোগীদের ক্ষেত্রে প্রার্থী রোগের জিন হিসাবে ALG6 কে অগ্রাধিকার দেয় কিডনিনেটওয়ার্কের ক্লিনিকাল ইউটিলিটি পরীক্ষা করার জন্য, আমরা সন্দেহভাজন বংশগত কিডনি রোগে আক্রান্ত 13 জন রোগীর জন্য জিনকে অগ্রাধিকার দিয়েছি কিন্তু কোনো জেনেটিক রোগ নির্ণয় করেনি এবং এগুলোকে সম্ভাব্য প্যাথোজেনের সাথে ছেদ করেনি। ফলস্বরূপ জিন তালিকায় 13 রোগীর মধ্যে 9 জনের জন্য 1-4 প্রার্থীর জিন রয়েছে (টেবিল S7)। একজন রোগীর (SAMPLE6), এই তালিকার ম্যানুয়াল কিউরেশন ALG6 (ALG6 alpha-1,3-glucosyltransferase) কে রোগীর কিডনি এবং লিভার সিস্ট ব্যাখ্যা করার জন্য সম্ভাব্য প্রার্থী জিন হিসাবে চিহ্নিত করেছে (চিত্র 3)। অভিযুক্ত HPO পদগুলির জন্য ALG6-এর সম্মিলিত z-স্কোর একাধিক পরীক্ষার সংশোধনের পরে কিডনিনেটওয়ার্কে তাৎপর্যপূর্ণ ছিল (z=5.43)৷ এই জিনটি মিস হয়ে যেত যদি আমরা GeneNetwork ব্যবহার করতাম: সেখানে ALG6 5 এর চেয়ে বড় বা সমান z-স্কোরের তাৎপর্য থ্রেশহোল্ডে পৌঁছায়নি।

ALG6 কিডনি এবং লিভার সিস্টের রোগীদের জন্য প্রার্থী জিন হিসাবে ALG6 বৈকল্পিক c.680 প্লাস 2 T > G SAMPLE6 দ্বারা বাহিত হেটেরোজাইগাস। এটি একটি পরিচিত প্যাথোজেনিক স্প্লাইস সাইট বৈকল্পিক যা গ্লাইকোসিলেশন (CDG) টাইপের Ic এর জন্মগত ব্যাধিতে পরিণত হয় যখন প্যাথোজেনিক বৈকল্পিক উভয় অ্যালিলে উপস্থিত থাকে [18, 19]। ALG6 দৃঢ়ভাবে ALG8 এর সাথে সাদৃশ্যপূর্ণ যা কিডনি এবং লিভার সিস্টের ফিনোটাইপগুলিতে জড়িত [20], এবং কিডনিনেটওয়ার্ক অনুসারে, ALG6 এবং ALG8 অত্যন্ত সহ-নিয়ন্ত্রিত (z-স্কোর=8.59)৷

এই জৈবিক যুক্তিযুক্ততার পরিপ্রেক্ষিতে, আমরা ALG6-তে বিরল রূপ, MAF < 0.001-এর জন্য পলিসিস্টিক কিডনি এবং লিভারের রোগের 120টি অসংলগ্ন ক্ষেত্রে জিজ্ঞাসা করেছি৷ এই দলটিকে সামান্য আপডেট করা হয়েছে যেহেতু এটি পূর্বে বর্ণনা করা হয়েছিল এবং PKD1, PKD2, PRKCSH, SEC63, GANAB, ALG8, ALG9, PECH1, বা SECH6-এ ফাংশন মিউটেশনের ক্ষতি বা রিপোর্ট করা প্যাথোজেনিক নন-ট্রাঙ্কেটিং ভেরিয়েন্টের জন্য এক্সোম সিকোয়েন্সিং বিশ্লেষণের মাধ্যমে বাদ দেওয়া হয়েছে। DNAJB11 [16]। তিনটি অসম্পর্কিত ক্ষেত্রে (YU372, YU378, YU481) বিরল ALG6 রূপ বহন করে; প্রত্যেকেরই একই ALG6 c.257 প্লাস 5 G > একটি ননক্যাননিকাল স্প্লাইস ভেরিয়েন্ট যা ALG6-CDG এবং স্প্লাইস-অল্টারিং ইন ভিট্রো [19, 21] এর জন্য প্যাথোজেনিক বলে পরিচিত। একটি শেয়ার্ড মিউটেশন থাকা সত্ত্বেও, এই তিনটি ক্ষেত্রে প্রতিটি রিপোর্ট করে যে কোনও পরিচিত প্রভাবিত পরিবারের সদস্যরা মার্কিন যুক্তরাষ্ট্র জুড়ে বিভিন্ন রাজ্য থেকে নথিভুক্ত হয়নি, এবং VCFtools relatedness2 অ্যালগরিদম রিলেটেডনেস_PHI <0.005 ব্যবহার করে সনাক্তকরণের সর্বোত্তম সীমার সাথে সম্পর্কিত নয়।

এই phenotypically-সংজ্ঞায়িত গোষ্ঠীতে ইউরোপীয় বংশের তিনটি ক্ষেত্রে এই বৈকল্পিকটির উপস্থাপনা দেওয়া হয়েছে, আমরা এর কভারেজের সাথে gnomAD [17]-এ নন-ফিনিশ ইউরোপীয়দের সাথে (n=105) কেসের ইউরোপীয় উপসেটের ফ্রিকোয়েন্সি তুলনা করেছি। এই অবস্থান (n=64,466) [17]। রোগীর গোষ্ঠীতে 210টি অ্যালিলের মধ্যে 3টিতে এই বৈকল্পিকটি রয়েছে, যখন gnomAD-তে, কিডনি বা লিভার সিস্টের বোঝার ক্ষেত্রে অনির্বাচিত একটি দল, এটি 128,932 অ্যালিলের মধ্যে 121টিতে পাওয়া গেছে। এই আনুমানিক 10-গুণ সমৃদ্ধকরণ ফিশারের সঠিক পরীক্ষা, p=0.0011 দ্বারা পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ। ALG6-CDG [19] এর ক্ষেত্রেও এই মিউটেশনটি পুনরাবৃত্ত ছিল।

এছাড়াও আমরা 100,000 জিনোম প্রজেক্ট ডেটাসেট [14] তদন্ত করেছি এবং সহযোগীদের সাথে যোগাযোগ করেছি যারা কিডনি রোগের প্রয়োগের জন্য তিনটি অতিরিক্ত ডেটা শনাক্ত করেছে। সন্দেহভাজন জেনেটিক কিডনি রোগে আক্রান্ত রোগীদের একটি উল্লেখযোগ্য অনুপাত জেনেটিক রোগ নির্ণয় ছাড়াই থেকে যায়, কারণ অনেক অবস্থার জন্য রোগের জিনের তালিকা অসম্পূর্ণ। কিডনি রোগের সাথে কোন জিন জড়িত তা সনাক্ত করা কিডনি রোগের রোগীদের মধ্যে ডায়াগনস্টিক ফলন উন্নত করার জন্য এবং রোগের প্যাথোজেনেসিস অধ্যয়ন করার জন্য চিকিত্সার উপায়গুলির সাথে যোগাযোগ করার জন্য অপরিহার্য। অভিনব রোগের জিন স্থাপনের জন্য সতর্ক জৈবিক বৈধতা প্রয়োজন। এই ধরনের তদন্তের যোগ্য জিনগুলিকে 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।

এছাড়াও আমরা 100,000 জিনোম প্রজেক্ট ডেটাসেট [14] তদন্ত করেছি এবং সহযোগীদের সাথে যোগাযোগ করেছি যারা কিডনি এবং/অথবা লিভার সিস্টের তিনটি অতিরিক্ত রোগীকে শনাক্ত করেছে যারা ALG6-তে একটি ভিন্ন জিনগত ব্যাখ্যা ছাড়াই সম্ভাব্য ক্ষতিকারক রূপ বহন করে।

চিত্র 3 কিডনিনেটওয়ার্ক SAMPLE6-তে GADO পদ্ধতিতে অন্তর্ভুক্ত, রেনাল এবং হেপাটিক সিস্টের রোগী। সমস্ত জিনের মধ্যে 89 জন প্রার্থী জিনকে GADO ব্যবহার করে কিডনিনেটওয়ার্ক দ্বারা অগ্রাধিকার দেওয়া হয়েছিল, HPO- টার্ম "রেনাল সিস্ট" (HP:0000107) এবং "হেপাটিক সিস্ট" (HP:0001407) এর উপর ভিত্তি করে। এক্সোম-সিকোয়েন্সিং ডেটা ইন্টারপ্রিটেশন পদ্ধতি CAPICE রোগীর এক্সোম সিকোয়েন্সিং ডেটাতে সম্ভাব্য প্যাথোজেনিক ভেরিয়েন্ট ধারণকারী 322টি জিন দিয়েছে। এই জিন তালিকাগুলিকে ওভারল্যাপ করার সময় তিনটি জিন চিহ্নিত করা হয়েছিল যা নির্বাচনের মানদণ্ড পূরণ করেছে, একটি হল ALG6।

মোট, আমরা পরিচিত স্প্লাইস সাইটের বৈকল্পিক সহ সাতজন রোগীকে সনাক্ত করেছি যেগুলি হোমোজাইগোসিটি বা যৌগিক হেটেরোজাইগোসিটির উপর গুরুতরভাবে আক্রান্ত CDG রোগীদের মধ্যে রোগ সৃষ্টিকারী এবং একটি সম্ভাব্য প্যাথোজেনিক স্প্লাইস সাইট বৈকল্পিক (সারণী 1) সহ একজন রোগীকে সনাক্ত করেছি। গুরুতরভাবে প্রভাবিত ALG6-CDG রোগীদের বিপরীতে (উন্নয়নগত বিলম্ব এবং একাধিক স্নায়বিক উপসর্গ সহ বহু-অঙ্গের সম্পৃক্ততা সহ), আমাদের রোগীরা একাধিক কিডনি সিস্ট এবং/অথবা লিভার সিস্ট (চিত্র 4) এর একটি ফেনোটাইপের সাথে উপস্থাপিত হয়। . যদিও PCLD বিস্তৃত হতে পারে, কিডনি ফেনোটাইপটি হালকা বলে মনে হয় এবং উন্নত বয়স হওয়া সত্ত্বেও কোনো eGFR হ্রাসের রিপোর্ট করা হয়নি (অর্থাৎ একজন রোগীর বয়স ত্রিশের মধ্যে, অন্যদের বয়স 45 থেকে 80 বছরের মধ্যে)। তদ্ব্যতীত, আমরা দেখতে পেয়েছি যে ALG6 বৈকল্পিকটি কয়েকটি পরিবারের সদস্যদের মধ্যে পৃথক করা হয়েছে যারা প্রভাবিত হয়েছিল (সারণী 1; চিত্র 4)।

সহায়ক পরিষেবা:

ইমেল:wallence.suen@wecistanche.com

Whatsapp/টেল: প্লাস 86 15292862950

দোকান:

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