Clustering della malattia di Alzheimer e di Parkinson basato sul carico genetico dei meccanismi molecolari condivisi
Strategia per identificare i sottotipi di AD/PD basati sui meccanismi
Prima di entrare più nel dettaglio, delineiamo brevemente il nostro approccio generale per identificare i sottotipi di pazienti sporadici AD e PD idiopatici (Fig. 1): Seguendo Tan et al.12 è in gran parte guidato dall’idea di una sottoclassificazione genetica seguita da una caratterizzazione clinica, di imaging e biologica dei pazienti in ogni cluster per verificare la rilevanza della malattia.
Strategia per identificare AD + PD sottotipi.
Comuni genetici tra AD e PD possono essere previsti solo a livello di funzione biologica. Quindi, il punto di partenza del nostro lavoro è stata una mappatura completa del paesaggio molecolare della malattia di AD e PD basata sulla letteratura scientifica (vedi sezione “Metodi”). Il risultato è stato un insieme di 15 meccanismi molecolari che comprendono 27 proteine che sono state implicate in entrambe le malattie (Fig. 2). Abbiamo mappato 148 SNPs a questi geni basati sulla vicinanza e sull’analisi eQTL, vedi dettagli nei supplementi. Utilizzando ADNI e PPMI come coorti di scoperta (vedi descrizioni nella sezione “Metodi”), abbiamo calcolato per ciascuno dei 15 meccanismi molecolari un punteggio di carico aggregato tramite autoencoder sparse e poi usato sparse non negativo fattorizzazione della matrice per identificare 4 distinti sottogruppi di pazienti in AD e PD, vedi sezione “Metodi”. Questi sottogruppi sono stati trovati indipendentemente in entrambe le malattie così come in una fusione di pazienti ADNI e PPMI (Fig. 3A-C).
Meccanismi comuni delle malattie AD/PD, vedi anche https://clus2bio.scai.fraunhofer.de/mechanisms.
Identificazione di meccanismi-indotto in AD e PD: (A) Clustering di consenso dei pazienti ADNI AD (matrice di consenso). (B) Clustering di consenso dei pazienti PPMI PD (matrice di consenso). (C) Clustering di consenso della fusione ADNI + PPMI (matrice di consenso). (D) Clustering di consenso dei dati di convalida uniti (AETIONOMY integrato AD + PD, matrice di consenso). (E) Prestazioni di previsione di un classificatore che permette di assegnare ogni paziente in una coorte di convalida a un cluster nella coorte di scoperta. (F) Coerenza del clustering congiunto AD + PD con la coorte di convalida: viene mostrata la misura della proporzione in-gruppo e il suo p-value secondo un test di permutazione.
Come passo successivo, abbiamo convalidato l’esistenza dei sottogruppi misti AD/PD identificati con l’aiuto di pazienti malati nelle nostre coorti integrate AETIONOMY AD e PD (vedi descrizione nella sezione “Metodi” e Fig. 3D-F). Infine, abbiamo testato la rilevanza della malattia dei sottogruppi di pazienti analizzando statisticamente le differenze di caratteristiche cliniche e di imaging cerebrale correlate, nonché i profili di trascrittoma e metiloma nei pazienti AD e PD. Dopo questa panoramica di alto livello sulla nostra strategia, ora descriveremo ciascuna delle principali fasi di analisi in modo più dettagliato.
I punteggi di carico dei meccanismi permettono una sottotipizzazione riproducibile dei pazienti AD e PD
Utilizzando i dati di 148 SNPs che mappano 15 meccanismi comuni di malattia AD/PD in 486 pazienti AD e 358 PD nelle nostre coorti di scoperta, abbiamo sviluppato un approccio di apprendimento automatico non supervisionato per scoprire sottogruppi (vedi dettagli nella sezione “Metodi” e testo supplementare p. 13). Questo approccio consisteva in due passi fondamentali: (i) autocodifica sparsa degli SNPs che mappano a ciascuno dei 15 meccanismi, risultante in un profilo di punteggi di carico genetico; (ii) fattorizzazione della matrice non negativa sparsa di consenso per raggruppare i pazienti e per identificare i meccanismi più discriminanti. Il nostro metodo ha portato a 4 sottogruppi in ADNI, PPMI così come in una fusione di pazienti ADNI e PPMI che erano statisticamente stabili e meglio discriminati di quanto previsto dal puro caso (Fig. 3A-C, Tabelle S2-S4); i dettagli sono descritti nella sezione “Metodi” e nel testo supplementare (p. 28). È interessante notare che i cluster trovati nella coorte AD/PD fusa erano tutti composti da una miscela di pazienti AD e PD (Figura S22). Non erano identici a quelli identificati in ogni malattia individualmente, ma hanno mostrato una sovrapposizione altamente significativa in entrambi i casi (p < 1E-16, \(\chi 2\)-test). Ciò significa che il nostro clustering suggerisce l’esistenza di alcuni punti in comune tra i pazienti AD e PD a livello di carico SNP su meccanismi specifici. Discuteremo la questione della rilevanza della malattia più tardi.
A causa delle particolari proprietà del nostro approccio di clustering impiegato, ciascuno dei cluster può essere collegato a un particolare insieme di meccanismi della malattia (Figura S21, Tabella S1 e https://clus2bio.scai.fraunhofer.de/mechanisms per una visualizzazione interattiva): Il cluster 1 riflette il carico genetico su AKT1. La fosforilazione di AKT1 regola molteplici cascate di segnalazione che sono rilevanti sia in AD che in PD13,14,15.
Il cluster 2 è, tra le altre caratteristiche, fortemente associato al carico genetico su IL1B, NLRP3, TP5316,17,18,19. L’attivazione di IL1B da NLRP3 e TP53 gioca un ruolo nella risposta del sistema immunitario. La neuroinfiammazione è una caratteristica comune di AD e PD6.
Una delle caratteristiche del cluster 3 è il carico genetico su MTHFR, che è implicato nella regolazione del perossido di idrogeno e dell’omocisteina così come nella morte cellulare e nello stress ossidativo20, Le varianti genetiche possono contribuire al rischio di PD21 e all’esordio tardivo di AD22,23.
Il cluster 4 riflette il carico genetico su MAPK9, che è implicato in cascate di segnalazione multiple in entrambe le malattie24,25.
Ancora una volta, questi sono solo esempi di meccanismi rappresentativi per ogni cluster. Una panoramica completa può essere trovata nella tabella S1 e sotto https://clus2bio.scai.fraunhofer.de/mechanisms.
I nostri passi successivi si sono concentrati in particolare sulla convalida dell’esistenza dei sottogruppi congiunti AD/PD. A questo scopo, ci siamo avvalsi di una fusione delle nostre coorti di convalida integrate AETIONOMY AD e PD, e ci siamo posti due domande essenziali:
-
Un clustering indipendente dei pazienti nei dati di convalida ri-suggella lo stesso numero di cluster?
-
Dato il pannello di 148 SNPs, possiamo inserire i pazienti delle nostre coorti di convalida negli stessi cluster che avevamo precedentemente identificato sulla base delle nostre coorti di scoperta, e la stratificazione indotta di conseguenza dei pazienti nelle coorti di convalida è coerente con il clustering dei pazienti nei dati di scoperta?
Per rispondere alla prima domanda, abbiamo ri-eseguito il nostro approccio di apprendimento automatico non supervisionato (che consiste nell’autocodifica sparsa di ciascuno dei 15 meccanismi molecolari seguita dalla fattorizzazione della matrice non negativa sparsa di consenso), che ha nuovamente sostenuto l’esistenza di 4 cluster composti da una miscela di pazienti AD e PD nei dati di validazione fusi (Fig. 3D, Tabella S5, Figura S23).
Per rispondere alla seconda domanda, abbiamo prima sviluppato un algoritmo di apprendimento automatico predittivo, che ci ha permesso di assegnare qualsiasi paziente in una coorte di validazione a uno dei cluster stabiliti (vedi sezione “Metodi”). La valutazione basata sulla validazione incrociata delle prestazioni di previsione di questo classificatore è stata condotta e ha indicato un’area decente sotto la curva caratteristica dell’operatore ricevitore (AUC) di ~ 70% che era significativamente superiore al livello del caso (Fig. 3E), cioè i cluster erano prevedibili.
In secondo luogo, abbiamo misurato la coerenza della stratificazione prevista dei pazienti nelle nostre coorti di validazione con quella identificata nelle nostre coorti di scoperta. Questo è stato fatto contando la frazione di pazienti nella coorte di convalida il cui paziente più vicino nella coorte di scoperta aveva la stessa etichetta, ottenendo la misura In-Group Proportion (IGP) suggerita da Kapp e Tibshirani26, vedi sezione “Metodi” per i dettagli. Di conseguenza, abbiamo potuto verificare un accordo elevato e statisticamente significativo dei cluster previsti per i pazienti nei dati di convalida con quelli nella coorte di scoperta fusa (Fig. 3F). Nel complesso, abbiamo quindi concluso che la nostra scoperta stratificazione congiunta di pazienti AD e PD era riproducibile.
Confronto delle misure di risultato clinico tra i cluster
I nostri passi successivi si sono concentrati sulla questione se i nostri cluster di pazienti identificati fossero associati alla malattia o riflettessero solo differenze genetiche generali nella popolazione. A questo scopo, abbiamo usato dati clinici, di imaging, di trascrittoma e di metiloma.
Prima abbiamo studiato le differenze nelle misure di risultato clinico dei pazienti AD e PD tra i cluster. Questo è stato fatto separatamente sulla base di ciascuno dei singoli studi utilizzati in questo documento (AD: ADNI, ROSMAP; PD: PPMI, AETIONOMY PD, ICEBERG, DIGPD), perché i dati clinici disponibili differiscono tra gli studi (Tabelle 1, 2), e le differenze nei criteri di inclusione/esclusione possono falsare un’analisi combinata: Nonostante il fatto che tutti i pazienti avevano un tempo fino alla diagnosi iniziale di al massimo 2 anni ci sono state differenze significative dei punteggi UPDRS al basale tra gli studi PD (p < 1E-9 per MDS-UPDRS I, p = 0.02 per MDS-UPDRS II, p < 1E-5 per il punteggio MDS-UPDRS III off treatment; test Kruskal-Wallis), e in tutti i casi i totali UPDRS (somma dei punteggi MDS-UPDRS I + II + III off treatment) in PPMI e DIGPD erano più bassi che in AETIONOMY PD e ICEBERG (mediana UPDRS totale in PPMI: 30, DIGPD: 33, AETIONOMY PD: 42, ICEBERG: 47). Allo stesso modo, le coorti AD differivano significativamente per età (p < 2E-16, ANOVA a una via), livello di istruzione (p < 0,01, test Kruskal-Wallis) e punteggi MMSE basale (p < 1E-10, test Kruskal-Wallis).
In base a queste osservazioni ci siamo concentrati su un’analisi statistica all’interno di ciascuna delle coorti AD e PD separatamente. In particolare, IDIBAPS è stato escluso a questo punto a causa della dimensione molto piccola del campione (solo 29 casi). Le statistiche riassuntive delle principali variabili demografiche e cliniche di base di tutti i cluster in AD e PD possono essere trovate nelle tabelle S7 e S8. All’interno dell’ADNI abbiamo confrontato più punteggi di valutazione cognitiva (CDRSB, ADAS11, ADAS13, MMSE, MOCA, FAQ, RAVLT, e LDELTOTAL) alla visita di prima diagnosi di demenza (n = 486 pazienti) attraverso i cluster. I test cognitivi forniti coprono diversi aspetti, come il deterioramento cognitivo globale (ADAS11, ADAS13, MMSE, MOCA), la memoria logica (LDELTOTAL), la memoria verbale episodica (RAVLT) e le attività della vita quotidiana (FAQ). Per informazioni più dettagliate sulla composizione dei punteggi di cognizione individuale si rimanda alla letteratura27,28,29,30,31,32. In particolare, le etichette dei cluster sono state basate sul raggruppamento delle coorti ADNI + PPMI e ROSMAP + AETIONOMY PD + ICEBERG + DIGPD, rispettivamente. Le significatività statistiche sono state corrette per fattori di confondimento multipli, come età, sesso, tempo fino alla diagnosi, etnia e l’uso di L-DOPA (quest’ultimo per i pazienti PD). La correzione dei test multipli è stata applicata tramite il metodo di Benjamini e Hochberg33. I dettagli sull’analisi statistica sono descritti nella sezione “Metodi” di questo articolo.
Secondo la nostra analisi, non è stato possibile trovare differenze statisticamente significative dei punteggi di valutazione cognitiva tra i cluster nei pazienti AD al basale dello studio (anche se abbiamo osservato risultati debolmente significativi per le valutazioni cognitive della memoria di lavoro nei pazienti ROSMAP). Tuttavia, come indicato nelle Fig. 4A-D, i pazienti PD in AETIONOMY PD e ICEBERG hanno dimostrato differenze significative a coppie tra i cluster rispetto a diversi punteggi clinici al basale, vale a dire MDS-UPDRS I (aspetti non motori della vita quotidiana; ICEBERG, AETIONOMY PD), punteggio di ansia HADS (ICEBERG), MDS-UPDRS III (esame motorio) su punteggi di trattamento (ICEBERG) e Scala Schwab-England (difficoltà con attività della vita quotidiana; AETIONOMY PD). Nessun risultato significativo è stato trovato in PPMI e DIGPD.
Esempi di differenze significative tra cluster rispetto alle caratteristiche cliniche di base nei pazienti PD dopo la correzione per gli effetti confondenti (vedi sezione “Metodi”). (A) MDS-UPDRS I score (AETIONOMY PD); (B) MDS-UPDRS III on treatment score (ICEBERG); (C) HADS anxiety score (ICEBERG); (D) Schwab-England Scale in % (AETIONOMY PD). Le figure mostrano le distribuzioni statistiche come diagrammi di violino (cioè boxplot più stime di densità del kernel), e i singoli punti di dati sono mostrati come punti sovrapposti.
In aggiunta a questa analisi delle variabili di base abbiamo anche condotto un’analisi dei dati longitudinali di follow-up, che erano disponibili nelle coorti ADNI (AD) e PPMI (PD). Questa analisi ha mostrato differenze significative della progressione dei punteggi MDS-UPDRS III (esame motorio) tra i sottotipi di pazienti in PPMI. Nell’ADNI abbiamo trovato differenze significative nella progressione del deterioramento cognitivo globale (ADAS11, ADAS13, CDRSB, MMSE) e della memoria verbale episodica (RAVLT; vedi Tabelle S12, S13).
In sintesi, i cluster sono associati a differenze significative dei sintomi clinici della malattia e della progressione dei sintomi dei pazienti AD e PD.
Associazione con le caratteristiche derivate dall’imaging cerebrale in AD e PD
In ADNI, i pazienti AD hanno dimostrato differenze a coppie altamente significative quando si confrontano 193 strutture cerebrali subcorticali normalizzate in volume intracranico di quei pazienti che avevano una diagnosi recente di AD al basale dello studio (n = 209) e correggendo le differenze statistiche per gli effetti confondenti di età e sesso. Abbiamo trovato differenze significative in diverse regioni cerebrali, come il solco calcareo, il giro cuneiforme e il giro occipitotemporale mediale (Tabella S14, Fig. 5A-C).
Esempio di differenze significative tra i cluster rispetto alle caratteristiche derivate dall’imaging cerebrale alla base dello studio/al momento della prima diagnosi di malattia (vedi sezione “Metodi”). (A) solco calcareo sinistro in pazienti con AD; (B) giro cuneiforme sinistro in pazienti con AD; (C) volume del giro occipitotemporale mediale destro in pazienti con AD; (D) rapporto DaTSCAN Putamen sinistro rispetto al valore atteso per l’età nei controlli sani; (E) rapporto di densità di conteggio DaTSCAN: Caudato/Putamen; (F) DaTSCAN Count Density Ratio (CL): Caudato controlaterale/Putamen controlaterale. Le figure mostrano le distribuzioni statistiche come diagrammi di violino (cioè boxplot più stime di densità del kernel), e i singoli punti di dati sono mostrati come punti sovrapposti.
In PPMI, le differenze a coppie tra i cluster erano significative per in imaging dopaminergico presinaptico (DaTSCAN) sono stati identificati in caudato e putamen (Tabella S16, Fig. 5D-F). Inoltre, il rapporto di densità dei recettori della dopamina del caudato rispetto al putamen differiva significativamente tra i cluster.
Insieme, abbiamo concluso che i nostri cluster geneticamente derivati sono associati a significative differenze fisiopatologiche nel cervello.
Associazione con A-\(\beta\), cambiamenti del trascrittoma e del metiloma
Interessante, la proteina A-\beta\ del CSF ha mostrato significative differenze di concentrazione a coppie tra tutti i cluster nei pazienti PPMI PD (Tabella S16), ma non nei soggetti ADNI AD. Tuttavia, c’era solo una differenza debolmente significativa nei punteggi di valutazione cognitiva MOCA tra i cluster (p = 0,1) e nessuna correlazione dei livelli A-\beta\ con MOCA (p = 0,53, tau di Kendall: 0,03). Questo è in accordo con Melzer et al.34, che non hanno riportato alcuna associazione dei depositi di amiloide-beta con il declino cognitivo nei pazienti PD.
Abbiamo esplorato ulteriormente i cambiamenti nel trascrittoma e metiloma dei pazienti ROSMAP AD a livello di termini Gene Ontology (GO)35 e percorsi KEGG36 tramite Gene Set Enrichment Analysis (GSEA)37. Questa analisi è stata scelta a causa della bassa dimensione del campione, e può solo rivelare le tendenze generali nei dati, vale a dire l’arricchimento statistico dei termini GO e pathway all’inizio o alla fine di un elenco di geni classificati fold change. Qui riportiamo risultati di termini GO e percorsi KEGG che erano statisticamente arricchiti all’interno di un particolare sottotipo di paziente, ma non in altri rispetto ai controlli cognitivamente normali. Mappe di arricchimento38 sono stati utilizzati per fornire una visione condensata su processi biologici e percorsi che erano particolarmente alterati all’interno di un cluster specifico (Figura S25-S41). Mappe di arricchimento rappresentano le somiglianze semantiche tra i termini GO (mostrati come nodi) attraverso i bordi, e raggruppare i termini GO insieme in base alla relazione gerarchica tra di loro. Ulteriori risultati (compresi i confronti tra un cluster specifico e tutti gli altri) possono essere trovati sotto https://clus2bio.scai.fraunhofer.de).
Secondo la visione altamente condensata delle mappe di arricchimento, per esempio, il cluster 1 in AD mostra specificamente cambiamenti nel ciclo meiotico rispetto ai donatori sani (Figura S26). Infatti, aberrante rientro dei neuroni nel ciclo cellulare è stato a lungo visto come uno dei tratti distintivi di AD39,40. Il cluster 2 mostra cambiamenti del trascrittoma nei processi basati sul microtubulo (Figura S27). Infatti, la proteina tau, che in condizioni di salute stabilizza il microtubulo, nei pazienti di AD si aggrega in filamenti insolubili nel cervello che rappresentano uno dei tratti distintivi della malattia41. Caratteristiche specifiche del cluster 3 sono cambiamenti di espressione genica dei processi legati alla terminazione della traduzione delle proteine (Figura S28). Ridotti tassi di traduzione globale (e livelli di RNA) sono stati osservati in precedenza nei pazienti AD42. Alterazione dei percorsi legati all’apoptosi è una delle caratteristiche specifiche per il cluster 4 (Figura S29), che è ben noto nel contesto di AD43. Inoltre, i pazienti in questo cluster mostrano cambiamenti di metilazione del DNA nei recettori del fattore di crescita beta (Figura S35), che è stato segnalato per promuovere la patologia AD44. Altri risultati possono essere trovati nei supplementi.
PPMI trascrittoma e metiloma dati ha una dimensione del campione più grande, ma la limitazione principale è il fatto che le misurazioni sono state derivate dal sangue e quindi solo indirettamente specchio dei processi patologici nel cervello. Di conseguenza, qui ancora una volta abbiamo deciso di concentrarsi solo sui risultati GSEA confrontando i pazienti PD in ciascuno dei cluster contro i controlli sani (S30-S32; S37-S41). Per esempio, il cluster 1 mostra cambiamenti specifici del metiloma nella via di segnalazione JAK-STAT. L’inibizione di questa via è stata suggerita come terapia contro la PD45. Il cluster 2 mostra cambiamenti del metiloma nell’organizzazione del citoscheletro dei microtubuli. La deposizione di Tau e l’assemblaggio dei filamenti è uno dei tratti distintivi della PD46. L’assemblaggio di proteine mal ripiegate nella PD provoca l’attivazione della risposta immunitaria adattativa47. Di conseguenza, i cambiamenti trascrizionali possono essere osservati anche nel cluster 2. Il cluster 3 dimostra i cambiamenti del metiloma del metabolismo delle lipoproteine, che è stato recentemente trovato alterato nella PD48. Il cluster 4 mostra cambiamenti trascrizionali nell’ubiquitinazione delle proteine, che è stato suggerito di svolgere un ruolo anche nelle forme idiopatiche di PD49,50. Inoltre, sono stati osservati cambiamenti metilome di diversi processi metabolici, che è in accordo con i recenti risultati che vedono PD come un disturbo del metabolismo cellulare51. Ancora una volta, più risultati (comprese le mappe di arricchimento per i termini GO) possono essere trovati nei Supplementi e sotto https://clus2bio.scai.fraunhofer.de.
Insieme, i nostri esempi suggeriscono che – nonostante le ovvie limitazioni dei dati molecolari impiegati – ciascuno dei quattro cluster può essere associato a processi biologici che sono esclusivamente arricchiti in un cluster e che sono ben noti nel contesto di entrambe le malattie. I cambiamenti epigenetici sono stati osservati in misura molto maggiore nel PD che nell’AD.
Le differenze molecolari tra i cluster possono essere collegate a meccanismi di malattia noti
Allora abbiamo esplorato i termini GO (processi biologici) e i percorsi KEGG che erano arricchiti nella differenza tra un cluster e tutti gli altri. In altre parole, abbiamo esaminato l’espressione differenziale e la metilazione differenziale tra il cluster 1 e tutti gli altri, il cluster 2 e tutti gli altri, e così via. Per ognuno di questi confronti è stato possibile identificare un numero maggiore di processi biologici e percorsi sia in AD che in PD (Tabelle S18, S20, S22, S24). In accordo con i risultati nell’ultima sezione, differenze significative tra i cluster nella metilazione potrebbero essere trovate solo nei pazienti PD, ma non in AD. Le differenze di trascrittoma tra i cluster sono state osservate in entrambe le malattie.
Abbiamo esplorato ulteriormente il legame tra le differenze a livello di trascrittoma e metiloma tra i cluster e i meccanismi di malattia noti in AD e PD. Più specificamente, abbiamo mappato i nostri 15 meccanismi di malattia comuni di AD/PD inizialmente identificati ai meccanismi specifici della malattia definiti nel database NeuroMMSig52. Ciò significa che ognuno dei meccanismi comuni di AD/PD utilizzati nel nostro clustering è stato identificato con un certo set di geni NeuroMMSig, se era contenuto in quel set di geni. Abbiamo trovato almeno un set di geni NeuroMMSig per ciascuno dei 15 meccanismi. Dal momento che ogni set di geni NeuroMMSig equivale a un sottografo in una delle nostre mappe di malattia di AD e PD derivate dalla letteratura (vedi sezione “Metodi”), abbiamo potuto poi condurre sistematicamente il graph mining. Più specificamente, abbiamo cercato i percorsi più brevi che collegano i set di geni NeuroMMSig con i processi biologici e i percorsi identificati nella nostra analisi dei dati omici. I calcoli del percorso più breve hanno considerato la direzione causale dei bordi (segnando ad esempio un evento di fosforilazione) quando possibile. A causa del gran numero di risultati (oltre 600), abbiamo deciso di implementare un’applicazione web interattiva per l’esplorazione (https://clus2bio.scai.fraunhofer.de/biomarkers). L’applicazione web fornisce anche dei puntatori alla letteratura scientifica che supporta ciascuno dei bordi.
Di seguito, evidenziamo solo esempi selezionati (Fig. 6): Come spiegato in precedenza, il cluster 1 è fortemente associato al carico genetico sulla segnalazione AKT. A livello trascrizionale abbiamo osservato una significativa downregulation dei geni del processo del ciclo cellulare nei pazienti AD (valore p adj. 0,03). Entrambi possono essere collegati tra loro, come mostrato nella Fig. 6A. La segnalazione AKT influenza l’acetilcolinesterasi (AChE), che si pensa abbia un ruolo nei processi apoptotici53 e nella formazione di amiloide-beta54. L’amiloide-beta aumenta NAE1 attraverso APP55 e influenza l’intero processo del ciclo cellulare56.
Esempi di termini GO (processi biologici) trovati significativamente arricchiti nell’espressione genica e/o nei cambiamenti del metiloma di un cluster rispetto a tutti gli altri (giallo) insieme alle loro connessioni ai geni che giocano un ruolo nei meccanismi comuni delle malattie AD/PD (rosso): (A) Connessione tra segnalazione AKT (caratteristica del cluster 1) e ciclo cellulare in AD; (B) connessione tra TP53 (caratteristiche del cluster 2) e organizzazione del citoscheletro dei microtubuli in PD; (C) connessione tra APOE4 (caratteristica del cluster 3) e depressione sinaptica a lungo termine in AD. Le proteine di segnalazione intermedie sono mostrate in blu. Per altri esempi visitare https://clus2bio.scai.fraunhofer.de/biomarkers.
Nel cluster 2, per i pazienti PD abbiamo osservato la metilazione differenziale dei geni coinvolti nei processi legati all’organizzazione del citoscheletro del microtubulo (valore p adj. < 0.001). Il cluster 2 è – tra gli altri – associato al carico genetico di TP53. Come mostrato in Fig. 6B c’è effettivamente una catena causale tra TP53 e l’organizzazione del citoscheletro dei microtubuli. Livelli elevati di TP53 sono stati trovati per indurre apoptosi e infiammazione nel PD57. I processi apoptotici producono una traslocazione di UTRN dal citosol ai mitocondri e successivamente aumenta il citocromo C58 e l’alfa-syn59, che a sua volta è coinvolto nell’organizzazione del citoscheletro dei microtubuli60.
Nel cluster 3, per i pazienti AD abbiamo osservato una significativa downregulation trascrizionale dei geni coinvolti nella “depressione sinaptica a lungo termine” (adj. p value 0.02). Il cluster 3 è allo stesso tempo associato al carico genetico dell’APOE. La connessione tra entrambi è evidenziata nella Fig. 6C. Per esempio, è stato suggerito che l’APOE aumenti la resistenza all’insulina61, che produce una depressione sinaptica dei neuroni e quindi suggerisce la percezione dell’AD come un “diabete di tipo 3″62.
Ancora una volta, questi sono solo esempi e ulteriori risultati possono essere esplorati tramite la nostra applicazione web.
Potenziali implicazioni per lo sviluppo di farmaci
I nostri risultati precedenti indicano che il nostro clustering AD/PD può essere associato a differenze molecolari e fisiopatologiche tra sottogruppi di pazienti. Per comprendere meglio la potenziale utilità di questi sottogruppi di pazienti per migliorare la futura terapia di AD e PD, abbiamo condotto una prioritizzazione dei target di tutti i 27 geni coinvolti nei 15 meccanismi che avevamo precedentemente utilizzato insieme ai dati SNP per identificare i pazienti del cluster. La prioritizzazione dei target è stata effettuata tramite Open Targets1, che utilizza le prove genetiche e l’estrazione della letteratura per assegnare un punteggio di fiducia a ciascuna proteina come potenziale bersaglio farmacologico. Inoltre, è stata considerata la trattabilità da parte di piccole molecole e anticorpi. Le figure S41, S42 evidenziano che in entrambe le malattie diversi potenziali bersagli potrebbero essere identificati tramite Open Targets. Inoltre, alcuni di questi obiettivi potrebbero essere chiaramente associati ad un cluster specifico (Tabella S1): In AD i geni CDK5, GSK3B sono fortemente associati al cluster 2 (Tabella S1). APOE, PICALM, TOMM40, MTHFR e CD33 sono legati al cluster 3. Altri potenziali bersagli includono SNCA, IL6 e CYCS, che sono più fortemente associati ai cluster 2 e 3 che al resto.
Nel PD, solo SNCA, MAPT e APOE sono stati identificati come potenziali bersagli (Figura S42). MAPT è fortemente associato al cluster 2 e APOE al cluster 3 (Tabella S1).
Insieme questa analisi mostra che i nostri sottotipi di pazienti potrebbero essere utilizzati per informare meglio le strategie terapeutiche mirate in AD e PD in futuro.