Clustering of Alzheimer’s and Parkinson’s disease based on genetic burden of shared molecular mechanisms
Estratégia de identificação de subtipos de mecanismos baseados em AD/PD
Antes de entrarmos em mais detalhes, esboçamos brevemente a nossa abordagem geral para a identificação de subtipos de pacientes com AD e DP idiopáticos esporádicos (Fig. 1): Seguindo Tan et al.12 é largamente impulsionada pela ideia de uma subclassificação genética seguida de uma caracterização clínica, baseada em imagens e biológica dos pacientes em cada grupo para testar a relevância da doença.
Estratégia de identificação de subtipos AD + PD.
Componentes genéticos entre AD e PD só podem ser esperados ao nível da função biológica. Assim, o ponto de partida do nosso trabalho foi um mapeamento abrangente da paisagem da doença molecular da AD e da DP com base na literatura científica (ver secção “Métodos”). O resultado foi um conjunto de 15 mecanismos moleculares compreendendo 27 proteínas que foram implicadas em ambas as doenças (Fig. 2). Mapeámos 148 SNPs a estes genes com base na proximidade, bem como análise eQTL, ver detalhes em Suplementos. Utilizando ADNI e PPMI como coortes de descoberta (ver descrições na secção “Métodos”), calculámos para cada um dos 15 mecanismos moleculares uma pontuação de carga agregada através de autocodificadores esparsos e depois utilizámos a factorização matricial esparsa não negativa para identificar 4 subgrupos distintos de doentes em AD e PD, ver secção “Métodos”. Estes subgrupos foram encontrados independentemente em ambas as doenças, bem como numa fusão de doentes ADNI e PPMI (Fig. 3A-C).
mecanismos comuns de doenças AD/PD, ver também https://clus2bio.scai.fraunhofer.de/mechanisms.
>div>>
Como passo seguinte, validámos a existência dos subgrupos AD/PD mistos identificados com a ajuda de doentes no nosso coorte integrado AETIONOMY AD e PD (ver descrição na secção “Métodos” e Fig. 3D-F). Finalmente, testámos a relevância da doença dos subgrupos de doentes analisando estatisticamente as diferenças das características clínicas e relacionadas com as imagens cerebrais, bem como os perfis do transcriptoma e do metiloma em doentes com AD e DP. Seguindo esta síntese de alto nível sobre a nossa estratégia, iremos agora descrever cada uma das principais etapas de análise em mais pormenor.
As pontuações de carga do mecanismo permitem a reprodução de subtipos de pacientes com AD e DP
Utilizando os dados de 148 SNPs que mapeiam 15 mecanismos comuns de doença de AD/PD em 486 pacientes com AD e 358 DP dentro dos nossos coortes de descoberta, desenvolvemos uma abordagem de aprendizagem mecânica não supervisionada para descobrir subgrupos (ver detalhes na secção “Métodos” e Texto Suplementar p. 13). Esta abordagem consistiu em duas etapas básicas: (i) autocodificação esparsa dos SNPs mapeando cada um dos 15 mecanismos, resultando num perfil de pontuação de carga genética; (ii) factorização matricial não-negativa esparsa e consensual para agrupar pacientes e para identificar a maioria dos mecanismos discriminatórios. O nosso método resultou em 4 subgrupos no ADNI, PPMI, bem como numa fusão de pacientes ADNI e PPMI que foram estatisticamente estáveis e melhor discriminados do que o esperado por puro acaso (Fig. 3A-C, Tabelas S2-S4); detalhes são descritos na secção “Métodos” e no Texto Suplementar (p. 28). Curiosamente, os clusters encontrados na coorte combinada AD/PD eram todos compostos por uma mistura de doentes AD e PD (Figura S22). Não eram idênticos aos identificados em cada doença individualmente, mas mostraram uma sobreposição altamente significativa em ambos os casos (p < 1E-16, {\chi 2\)-teste). Isto significa que o nosso agrupamento sugere a existência de certas semelhanças entre pacientes com AD e DP ao nível da carga de SNP sobre mecanismos específicos. Discutiremos a questão da relevância da doença mais tarde.
Dev>às propriedades particulares da nossa abordagem de agrupamento empregada, cada um dos agrupamentos pode ser ligado novamente a um conjunto particular de mecanismos da doença (Figura S21, Tabela S1 e https://clus2bio.scai.fraunhofer.de/mechanisms para uma visão interactiva): O aglomerado 1 reflecte a carga genética sobre AKT1. A fosforilação AKT1 regula múltiplas cascatas de sinalização que são relevantes tanto no AD como no PD13,14,15,
p>Cluster 2 está – entre outras características – fortemente associada à carga genética sobre IL1B, NLRP3, TP5316,17,18,19. A activação da IL1B pelo NLRP3 e TP53 desempenha um papel na resposta do sistema imunitário. A neuroinflamação é uma característica comum da AD e PD6.
Uma das características do cluster 3 é a carga genética sobre o MTHFR, que está implicada na regulação do peróxido de hidrogénio e homocisteína, bem como na morte celular e stress oxidativo20, As variantes genéticas podem contribuir para o risco de PD21 e de AD22,23.
Cluster 4 reflecte a carga genética sobre MAPK9, que está implicada em múltiplas cascatas de sinalização em ambas as doenças24,25,
Again, estes são apenas exemplos de mecanismos representativos para cada cluster. Uma visão completa pode ser encontrada na Tabela S1 e em https://clus2bio.scai.fraunhofer.de/mechanisms.
Os nossos próximos passos concentraram-se particularmente na validação da existência dos subgrupos conjuntos AD/PD. Para este fim, fizemos uso de uma fusão dos nossos coortes integrados de validação AETIONOMY AD e PD, e fizemos duas perguntas essenciais:
-
Faz um agrupamento independente de pacientes nos dados de validação re-sugerir o mesmo número de agrupamentos?
- p>Dado o painel de 148 SNPs, podemos colocar pacientes dos nossos coortes de validação nos mesmos coortes de validação que tínhamos previamente identificado com base nos nossos coortes de descoberta, e a estratificação de pacientes nos coortes de validação é correspondentemente induzida de forma coerente com o agrupamento de pacientes nos dados de descoberta?
Para responder à primeira pergunta, voltamos a analisar a nossa abordagem de aprendizagem mecânica desenvolvida sem supervisão (que consiste na autocodificação esparsa de cada um dos 15 mecanismos moleculares seguida de factorização matricial não-negativa não-reduzida consensual), que mais uma vez apoiou a existência de 4 clusters compostos por uma mistura de pacientes com AD e DP nos dados de validação fundidos (Fig. 3D, Tabela S5, Figura S23).
Para responder à pergunta dois, desenvolvemos primeiro um algoritmo de aprendizagem preditiva da máquina, que nos permitiu atribuir qualquer doente de uma coorte de validação a um dos clusters estabelecidos (ver secção “Métodos”). A avaliação baseada na validação cruzada do desempenho da previsão deste classificador foi conduzida e indicou uma área decente sob curva característica do operador receptor (AUC) de ~ 70% que era significativamente superior ao nível de probabilidade (Fig. 3E), ou seja, os clusters eram previsíveis.
Segundamente, medimos a coerência da estratificação prevista dos pacientes nos nossos coortes de validação com a identificada nos nossos coortes de descoberta. Isto foi feito através da contagem da fracção de pacientes na coorte de validação cujo paciente mais próximo na coorte de descoberta tinha o mesmo rótulo, produzindo a medida da Proporção em Grupo (IGP) sugerida por Kapp e Tibshirani26, ver secção “Métodos” para mais detalhes. Assim, pudemos verificar uma concordância elevada e estatisticamente significativa dos clusters previstos para os pacientes nos dados de validação com os da coorte de descoberta resultante da fusão (Fig. 3F). Globalmente, concluímos assim que a nossa estratificação conjunta descoberta de doentes com AD e DP era reprodutível.
Comparação de medidas de resultados clínicos entre clusters
Os nossos próximos passos concentraram-se na questão de saber se os nossos clusters de doentes identificados eram doenças associadas ou se reflectiam apenas diferenças genéticas gerais na população. Para este fim, utilizámos dados clínicos, de imagem, transcriptoma e metiloma.
Investigámos primeiro as diferenças nas medidas de resultados clínicos dos pacientes com AD e DP entre os clusters. Isto foi feito separadamente com base em cada um dos estudos individuais utilizados neste trabalho (AD: ADNI, ROSMAP; PD: PPMI, AETIONOMY PD, ICEBERG, DIGPD), porque os dados clínicos disponíveis diferem entre estudos (Tabelas 1, 2), e as diferenças nos critérios de inclusão/exclusão podem enviesar uma análise combinada: Apesar do facto de todos os pacientes terem tido um tempo até ao diagnóstico inicial de, no máximo, 2 anos, houve diferenças significativas de pontuação de base UPDRS entre os estudos de DP (p < 1E-9 para MDS-UPDRS I, p = 0.02 para MDS-UPDRS II, p < 1E-5 para MDS-UPDRS III fora da pontuação do tratamento; teste Kruskal-Wallis), e em todos os casos o total UPDRS (soma das pontuações do MDS-UPDRS I + II + III fora do tratamento) em PPMI e DIGPD foram mais baixos do que na DP AETIONOMY e ICEBERG (mediana do total UPDRS em PPMI: 30, DIGPD: 33, AETIONOMIA PD: 42, ICEBERG: 47). Da mesma forma, os coortes AD diferiram significativamente por idade (p < 2E-16, one-way ANOVA), nível de educação (p < 0.01, teste Kruskal-Wallis) e pontuação de base MMSE (p < 1E-10, teste Kruskal-Wallis).
Com base nestas observações, concentrámo-nos numa análise estatística dentro de cada um dos coortes AD e PD separadamente. Notavelmente, o IDIBAPS foi excluído neste ponto devido ao tamanho muito pequeno da amostra (apenas 29 casos). Estatísticas sumárias das principais variáveis demográficas e clínicas de base de todos os coortes de AD e PD podem ser encontradas nas Tabelas S7 e S8. Dentro do ADNI comparamos múltiplas pontuações de avaliação cognitiva (CDRSB, ADAS11, ADAS13, MMSE, MOCA, FAQ, RAVLT, e LDELTOTAL) na visita do primeiro diagnóstico de demência (n = 486 pacientes) entre os agregados. Os testes cognitivos fornecidos cobrem diferentes aspectos, tais como o défice cognitivo global (ADAS11, ADAS13, MMSE, MOCA), memória lógica (LDELTOTAL), memória episódica verbal (RAVLT) e actividades da vida diária (FAQ). Para informações mais detalhadas sobre a composição das pontuações individuais de cognição, remetemos para a literatura27,28,29,30,31,32. Notavelmente, as etiquetas de agregação foram baseadas na agregação dos grupos ADNI + PPMI e ROSMAP + AETIONOMY PD + ICEBERG + DIGPD, respectivamente. Os significados estatísticos foram corrigidos por múltiplos factores de confusão, tais como idade, sexo, tempo até ao diagnóstico, etnia e utilização de L-DOPA (este último para pacientes com DP). A correcção de testes múltiplos foi aplicada através do método por Benjamini e Hochberg33. Detalhes sobre a análise estatística são descritos na secção “Métodos” parte deste documento.
De acordo com a nossa análise, não foi possível encontrar diferenças estatisticamente significativas de pontuação de avaliação cognitiva entre grupos em doentes com AD na linha de base do estudo (embora tenhamos observado, nomeadamente, resultados pouco significativos para avaliações de cognição da memória de trabalho em doentes com ROSMAP). No entanto, como indicado na Fig. 4A-D, os pacientes com DP em DP AETIONOMY e ICEBERG demonstraram diferenças significativas em pares entre clusters em relação a vários escores de base clínica, nomeadamente MDS-UPDRS I (aspectos não motores da vida diária; ICEBERG, DP AETIONOMY), escore de ansiedade HADS (ICEBERG), MDS-UPDRS III (exame motor) em escores de tratamento (ICEBERG) e Escala Schwab-England (dificuldades com actividades da vida diária; DP AETIONOMY). Não foram encontrados resultados significativos no PPMI e no DIGPD.
Exemplos de diferenças significativas entre clusters no que diz respeito a características de base clínica em pacientes com DP após correcção para efeitos de confusão (ver secção “Métodos”). (A) pontuação MDS-UPDRS I (AETIONOMY PD); (B) MDS-UPDRS III na pontuação do tratamento (ICEBERG); (C) pontuação da ansiedade HADS (ICEBERG); (D) Escala Schwab-England em % (AETIONOMY PD). Os números mostram distribuições estatísticas como parcelas de violino (isto é, boxplots mais estimativas da densidade do núcleo), e pontos de dados individuais são mostrados como pontos sobrepostos.
Além desta análise das variáveis de base, também realizámos uma análise dos dados longitudinais de acompanhamento, que estavam disponíveis em coortes ADNI (AD) e PPMI (PD). Esta análise mostrou diferenças significativas da progressão da pontuação MDS-UPDRS III (exame motor) entre subtipos de pacientes no PPMI. No ADNI encontramos diferenças significativas na progressão do défice cognitivo global (ADAS11, ADAS13, CDRSB, MMSE) e da memória episódica verbal (RAVLT; ver Tabelas S12, S13).
Em resumo, os clusters estão associados a diferenças significativas dos sintomas da doença clínica e da progressão dos sintomas dos doentes com AD e DP.
Associação com características derivadas de imagens do cérebro em AD e DP
Em ADNI, os pacientes com AD demonstraram diferenças altamente significativas em pares ao comparar 193 estruturas subcorticais normalizadas de volume intracraniano dos pacientes que tiveram um diagnóstico recente de AD na linha de base do estudo (n = 209) e corrigindo diferenças estatísticas para os efeitos de confusão entre idade e sexo. Encontrámos diferenças significativas em várias regiões cerebrais, tais como o sulco calcarino, o cuneus gyrus e o giro occipitotemporal medial (Tabela S14, Fig. 5A-C).
Exemplo de diferenças significativas entre clusters no que diz respeito a características derivadas da imagiologia cerebral na linha de base do estudo/tempo do primeiro diagnóstico da doença (ver secção “Métodos”). (A) sulco calcarino esquerdo em pacientes com AD; (B) cuneus gyrus esquerdo em pacientes com AD; (C) volume de giro occipitotemporal medial direito em pacientes com AD; (D) rácio DaTSCAN Putamen-esquerdo para o valor esperado em controlos saudáveis; (E) rácio DaTSCAN Count Density Ratio: Caudate/Putamen; (F) DaTSCAN Count Density Ratio (CL): Caudato contralateral/Putamen contralateral. As figuras mostram distribuições estatísticas como parcelas de violino (isto é, boxplots mais estimativas de densidade do núcleo), e pontos de dados individuais são mostrados como pontos sobrepostos.
no PPMI, foram identificadas diferenças par a par entre os aglomerados em imagens pré-sinápticas dopaminérgicas (DaTSCAN) em caudato e putamen (Tabela S16, Fig. 5D-F). Além disso, a relação da densidade do receptor de dopamina caudato versus putamen diferiu significativamente entre os aglomerados.
P>Concluímos que os nossos aglomerados geneticamente derivados estão associados a diferenças fisiopatológicas significativas no cérebro.
Associação com A-(beta), transcriptoma e alterações do metiloma
Interessantemente, a proteína A-(beta) do LCR mostrou diferenças significativas de concentração em pares entre todos os clusters em pacientes PPMI PD (Tabela S16), mas não em indivíduos ADNI AD. No entanto, houve apenas diferenças pouco significativas nos resultados da avaliação cognitiva MOCA nos agregados (p = 0,1) e nenhuma correlação dos níveis de A-\(\beta) com MOCA (p = 0,53, tau de Kendall: 0,03). Isto está de acordo com Melzer et al.34, que relataram não haver associação de depósitos amilóides-beta com declínio cognitivo em pacientes com DP.
Nós exploramos mais as alterações no transcriptoma e no metiloma de pacientes ROSMAP AD ao nível dos termos da Ontologia Genética (GO)35 e vias de KEGG36 através da Análise de Enriquecimento de Conjuntos Genéticos (GSEA)37. Esta análise foi escolhida devido ao baixo tamanho da amostra, e só pode revelar amplas tendências nos dados, nomeadamente o enriquecimento estatístico dos termos e via GO no início ou no fim de uma lista de genes classificados por dobra. Relatamos aqui descobertas de termos GO e vias de KEGG que foram estatisticamente enriquecidos dentro de um determinado subtipo de paciente, mas não noutros, em comparação com os controlos cognitivamente normais. Foram utilizados mapas de enriquecimento38 para fornecer uma visão condensada sobre processos e vias biológicas que foram particularmente alterados dentro de um aglomerado específico (Figura S25-S41). Os mapas de enriquecimento representam semelhanças semânticas entre os termos GO (mostrados como nós) através de arestas, e agrupam os termos GO com base na relação hierárquica entre eles. Mais resultados (incluindo comparações de um aglomerado específico com todos os outros) podem ser encontrados em https://clus2bio.scai.fraunhofer.de).
De acordo com a visão altamente condensada dos mapas de enriquecimento, por exemplo, o aglomerado 1 em AD mostra especificamente alterações no ciclo meiótico em comparação com doadores saudáveis (Figura S26). De facto, a reentrada aberrante de neurónios no ciclo celular tem sido vista há muito tempo como uma das marcas distintivas de AD39,40. O Cluster 2 mostra alterações transcriptómicas em processos baseados em microtubos (Figura S27). De facto, a proteína tau, que em condições saudáveis estabiliza o microtubo, em pacientes com AD agrega-se em filamentos insolúveis no cérebro que representam uma das marcas distintivas da doença41. As características específicas do aglomerado 3 são alterações de expressão genética de processos relacionados com o fim da tradução da proteína (Figura S28). Foram observadas anteriormente taxas de tradução globais reduzidas (e níveis de RNA) em pacientes com AD42. A alteração das vias relacionadas com a apoptose é uma das características específicas do agregado 4 (Figura S29), bem conhecida no contexto da doença de AD43. Além disso, os pacientes deste aglomerado mostram alterações de metilação do AD nos receptores beta do factor de crescimento (Figura S35), o que tem sido relatado para promover a patologia da AD44. Mais resultados podem ser encontrados nos Suplementos.
dados do transcriptoma e do metiloma daPPMI têm um tamanho de amostra maior, mas a principal limitação é o facto de as medições terem sido derivadas do sangue e, portanto, apenas indirectamente espelharem os processos patológicos no cérebro. Consequentemente, decidimos aqui novamente concentrar-nos apenas nos resultados da GSEA comparando os pacientes com DP em cada um dos grupos contra controlos saudáveis (S30-S32; S37-S41). Por exemplo, o aglomerado 1 mostra alterações específicas do metiloma na via de sinalização JAK-STAT. A inibição desta via foi sugerida como uma terapia contra a PD45. O aglomerado 2 mostra alterações do metiloma na organização do citoesqueleto do microtubérculo. A deposição de Tau e a montagem de filamentos é uma das marcas registradas da PD46. A montagem de proteínas desdobradas na PD produz activação da resposta imunitária adaptativa47. De acordo com as mudanças transcripcionais também podem ser observadas no agregado 2. O aglomerado 3 demonstra alterações do metabolismo de lipoproteínas do metiloma, que foi recentemente encontrado alterado na PD48. O aglomerado 4 mostra alterações transcripcionais na ubiquitinação da proteína, o que foi sugerido para desempenhar também um papel nas formas idiopáticas da PD49,50. Além disso, foram observadas alterações do metiloma em vários processos metabólicos, o que está de acordo com descobertas recentes que consideram a PD como uma desordem do metabolismo celular51. Mais uma vez, mais resultados (incluindo mapas de enriquecimento para termos GO) podem ser encontrados nos Suplementos e em https://clus2bio.scai.fraunhofer.de.
p>p>Junto, os nossos exemplos sugerem que, apesar das limitações óbvias dos dados moleculares empregues, cada um dos quatro clusters pode ser associado a processos biológicos que são apenas enriquecidos num único cluster e que são bem conhecidos no contexto de ambas as doenças. Foram observadas alterações epigenéticas em muito maior grau na DP do que em AD.
As diferenças moleculares entre clusters podem ser ligadas a mecanismos de doença conhecidos
A seguir exploramos os termos GO (processos biológicos) e vias KEGG que foram enriquecidos na diferença entre um cluster e todos os outros. Por outras palavras, analisámos a expressão diferencial e a metilação diferencial entre o aglomerado 1 e todos os outros, o aglomerado 2 e todos os outros, e assim por diante. Para cada uma destas comparações foi possível identificar um maior número de processos e vias biológicas tanto no AD como no PD (Tabelas S18, S20, S22, S24). De acordo com as conclusões da última secção, só foi possível encontrar diferenças significativas entre os aglomerados na metilação em doentes com DP, mas não na AD. Foram observadas diferenças transcritas entre clusters em ambas as doenças.
Explorámos mais aprofundadamente a ligação entre as diferenças a nível do transcriptoma e do metiloma entre clusters e mecanismos de doença conhecidos na DA e DP. Mais especificamente, mapeámos os nossos 15 mecanismos comuns de doenças AD/PD inicialmente identificados para mecanismos específicos de doenças definidos na base de dados NeuroMMSig52. Isto significa que cada um dos mecanismos comuns de AD/PD utilizados no nosso agrupamento foi identificado com um certo conjunto genético NeuroMMSig, se contido nesse conjunto genético. Encontrámos pelo menos um conjunto genético NeuroMMSig para cada um dos 15 mecanismos. Uma vez que cada conjunto de genes NeuroMMSig é igual a um subgráfico num dos nossos mapas de doenças AD e PD derivados da literatura (ver secção “Métodos”), podíamos então realizar sistematicamente a exploração gráfica. Mais especificamente, procurámos caminhos mais curtos ligando os conjuntos de genes NeuroMMSig com processos biológicos e caminhos identificados na nossa análise de dados ómicos. Os cálculos dos caminhos mais curtos consideraram a direcção causal dos bordos (marcando, por exemplo, um evento de fosforilação) sempre que possível. Devido ao grande número de resultados (mais de 600), decidimos implementar uma aplicação web interactiva para exploração (https://clus2bio.scai.fraunhofer.de/biomarkers). A aplicação web também fornece indicações para a literatura científica que suporta cada um dos bordos.
Nos exemplos seguintes, destacamos apenas exemplos seleccionados (Fig. 6): Como explicado anteriormente, o cluster 1 está fortemente associado à carga genética sobre a sinalização AKT. A nível transcripcional, observámos uma significativa desregulação dos genes no processo do ciclo celular em pacientes com AD (adj. p valor 0,03). Ambos podem ser ligados entre si, como se mostra na Fig. 6A. A sinalização AKT influencia a acetilcolinesterase (AChE), que se pensa desempenhar um papel nos processos apoptóticos53 e na formação amilóide-beta54. A amilo-beta aumenta a NAE1 via APP55 e influencia todo o processo do ciclo celular56.
Exemplos de termos GO (processos biológicos) encontrados significativamente enriquecido em expressão genética e/ou alterações do metiloma de um agregado em comparação com todos os outros (amarelo) juntamente com as suas ligações a genes que desempenham um papel nos mecanismos comuns da doença AD/PD (vermelho): (A) ligação entre a sinalização AKT (característica do aglomerado 1) e o ciclo celular na doença de Alzheimer; (B) ligação entre TP53 (característica do aglomerado 2) e a organização do citoesqueleto do microtubo na doença de Alzheimer; (C) ligação entre APOE4 (característica do aglomerado 3) e a depressão sináptica a longo prazo na doença de Alzheimer. As proteínas de sinalização intermédia são mostradas em azul. Para mais exemplos visite https://clus2bio.scai.fraunhofer.de/biomarkers.
no cluster 2, para pacientes com DP observámos a metilação diferencial de genes envolvidos em processos relacionados com a organização do citoesqueleto do microtubo (adj. p value < 0,001). O cluster 2 está – entre outros – associado à carga genética sobre o TP53. Como mostrado na Fig. 6B, existe de facto uma cadeia causal entre TP53 e a organização do citoesqueleto do microtubérculo. Níveis elevados de TP53 foram encontrados para induzir apoptose e inflamação na PD57. Os processos apoptóticos produzem uma translocação de UTRN do citosol para a mitocôndria e subsequentemente aumentam o citocromo C58 e o alfa-syn59, que por sua vez está envolvido na organização do citoesqueleto do microtubo60.
p>No aglomerado 3, para os doentes com AD observámos uma significativa desregulação transcripcional dos genes envolvidos na “depressão sináptica a longo prazo” (adj. p valor 0,02). O aglomerado 3 está ao mesmo tempo associado à carga genética sobre a APOE. A ligação entre ambos é realçada na Fig. 6C. Por exemplo, APOE foi sugerido para aumentar a resistência à insulina61, o que produz depressão sináptica dos neurónios e sugere assim a percepção da AD como uma “diabetes tipo 3″62.
Apenas uma vez mais, estes são apenas exemplos e outros resultados podem ser explorados através da nossa aplicação web.
Impplicações potenciais para o desenvolvimento de medicamentos
Os nossos resultados anteriores indicam que o nosso agrupamento AD/PD pode ser associado a diferenças moleculares e fisiopatológicas entre subgrupos de pacientes. Para melhor compreender a potencial utilidade destes subgrupos de doentes para melhorar a futura terapia de AD e DP, realizámos uma priorização alvo dos 27 genes envolvidos nos 15 mecanismos que tínhamos anteriormente utilizado em conjunto com dados SNP para identificar doentes em cluster. A priorização de alvos foi feita através de Open Targets1, que utiliza provas genéticas, bem como a extracção de literatura para atribuir uma pontuação de confiança a cada proteína como um alvo potencial do medicamento. Além disso, foi considerada a tractabilidade por pequenas moléculas e anticorpos. As figuras S41, S42 destacam que em ambas as doenças vários alvos potenciais podiam ser identificados através de Open Targets. Além disso, alguns destes alvos poderiam ser claramente associados a um aglomerado específico (Tabela S1): Nos genes AD CDK5, GSK3B estão fortemente associados ao aglomerado 2 (Tabela S1). APOE, PICALM, TOMM40, MTHFR e CD33 estão fortemente associados ao aglomerado 3. Outros alvos potenciais incluem SNCA, IL6 e CYCS, que estão mais fortemente associados aos clusters 2 e 3 do que aos restantes.
Na DP, apenas SNCA, MAPT e APOE foram identificados como alvos potenciais (Figura S42). A MAPT está fortemente associada ao cluster 2 e APOE ao cluster 3 (Tabela S1).
p>Além disso, esta análise mostra que os nossos subtipos de pacientes podem ser utilizados para informar estratégias terapêuticas mais bem direccionadas na AD e na DP no futuro.