Anschlussprojekte | Sonderprojekte

Förderbeginn 01.01.2024

Entschlüsselung genetischer Ursachen seltener Krankheiten mithilfe von maschinellem Lernen

Prof. Dr. Julien Gagneur
Technische Universität München
School of Computation, Information and Technology

Prof. Dr. Stephen B. Montgomery
Stanford University
Department of Pathology


Ein großer Anteil von Patienten mit seltenen Krankheiten bleibt undiagnostiziert, was nicht nur oft zu einer falschen Behandlung, sondern auch zu psychischem Leid führt. Um diesem Problem entgegenzuwirken, hat unsere Arbeitsgruppe die Programme OUTRIDER und FRASER 2.0 entwickelt, die aberrante Genexpression und Splicing in RNA-Sequenzierungsdaten detektieren. Als Teil der Detection of RNA Outliers Pipeline (DROP) wurden sie bereits erfolgreich auf die genetischen Daten von Patienten mit seltenen Erkrankungen des europäischen Solve-RD-Projektes angewandt, was zur Entwicklung von diagnostischen Richtlinien führte. Im Rahmen dieses Projektes werden wir diese Methoden auf zwei große nordamerikanische Datensätze des Undiagnosed Disease Networks und des GREGoR-Konsortiums mit genetischen Daten von Patienten mit seltenen Erkrankungen anwenden. Wir verfolgen drei Hauptziele: Erstens streben wir an, den Patienten direkt akkurate genetische Diagnosen zu liefern. Zweitens beabsichtigen wir, die bereits etablierten diagnostischen Richtlinien und Methoden in einem nordamerikanischen Kontext zu validieren und damit Ärzten die Möglichkeit zu geben, RNA-Sequenzierungsdaten häufiger und effektiver einzusetzen. Schließlich wird das Projekt dazu beitragen, unsere Programme weiter zu verbessern.

Abschlussbericht
Das Undiagnosed Diseases Network (UDN) ist ein von den National Institutes of Health finanziertes Forschungsprojekt mit dem Ziel, Patienten mit seltenen Krankheiten zu diagnostizieren und die zugrunde liegenden Krankheitsmechanismen besser zu verstehen. Die Teilnehmer, vor allem Kinder mit neurologischen Entwicklungsstörungen und neuromuskulären Erkrankungen, durchlaufen eine umfassende klinische Untersuchung, darunter fachärztliche Konsultationen, Labortests und eine standardisierte Phänotypisierung. DNA und RNA werden aus Blut-, Haut- und Muskelproben extrahiert und sequenziert. Für unsere Analyse nutzten wir die in der database of Genotypes and Phenotypes (dbGaP) verfügbaren Daten von 1.327 Familien, darunter 4.248 DNA- und 831 RNA-Proben.

Mit diesem Projekt verfolgten wir zwei Hauptziele: Erstens die Leistungsfähigkeit der in unserer Arbeitsgruppe entwickelten Detection of RNA Outliers Pipeline (DROP)1 zu testen und die im europäischen Solve-RD-Projekt entwickelten Richtlinien für RNA-Seq-Analysen zu validieren. Zweitens wollten wir neue Kandidatenvarianten identifizieren, die zu Diagnosen für bislang ungelöste Fälle im UDN führen könnten.

Genetische Varianten in nicht-kodierenden Regionen der DNA sind oft schwer zu interpretieren, da ihr Einfluss auf die Proteinbildung nicht direkt erkennbar ist. Mithilfe von RNA-Seq können die Auswirkungen solcher Varianten jedoch beobachtet werden, beispielsweise durch Änderungen der Transkriptmenge oder durch Spleißdefekte. Zum ersten Mal haben wir alle RNA-Seq-Proben des UDN einer systematischen Analyse unterzogen, um molekulare Effekte aufzudecken, die mit herkömmlichen DNA-zentrierten Ansätzen übersehen werden könnten.

Während des Qualitätskontrollschritts der DROP-Analyse stellten wir Inkonsistenzen wie falsche Gewebeannotationen oder vertauschte DNA- und RNA-Proben fest. Nach deren Korrektur nutzten wir die Programme OUTRIDER2 und FRASER 2.03, 4, um abweichende Genexpression und aberrante Spleißereignisse zu identifizieren. In 476 RNA-Proben von 259 Familien entdeckten wir 3.081 Expressions- und 27.569 Spleißausreißer. Diese RNA-Ausreißer kombinierten wir mit einem phänotypischen Ähnlichkeitsscore, der misst, wie stark die Symptome des Teilnehmers mit bekannten Krankheitsbildern bei Defekten im betroffenen Gen übereinstimmen. Zusätzlich annotierten wir die genetischen Varianten in der DNA der Teilnehmer mit Vorhersagen zu ihrer Auswirkung und Schädlichkeit. Mit diesen Informationen analysierten wir die Fälle systematisch: Wir prüften zunächst, ob das Gen mit dem Phänotyp übereinstimmt, und identifizierten dann die wahrscheinlichste kausale Variante, indem wir sie mit dem RNA-Ereignis in Verbindung brachten (z.B. Spleißdefekte mit Spleißstellenvarianten, Unterexpression mit Stoppvarianten). Von den 259 analysierten Familien identifizierten wir 74 Fälle, die bereits in früheren Publikationen5, 6, 7, 8 oder in ClinVar beschrieben wurden. In 17 dieser Fälle waren abweichende Expression oder Spleißereignisse bereits bekannt; 14 davon konnten wir mit DROP reproduzieren. In weiteren 57 Fällen, bei denen bisher keine RNA-Anomalien beschrieben worden waren, entdeckte DROP in 15 Fällen neue RNA-bezogene Auffälligkeiten. Darüber hinaus fanden wir für neun ungelöste Fälle neue Kandidatenvarianten. Ein solcher Fall wird hier vorgestellt:

Bei einem männlichen Teilnehmer mit globaler Entwicklungsverzögerung, motorischer Entwicklungsstörung sowie urologischen, ophthalmologischen und dermatologischen Auffälligkeiten entdeckte DROP eine verminderte Expression von vier benachbarten Genen auf Chromosom 15. Diese Gene (NIPA1, NIPA2, TUBGCP5 und CYFIP1) sind mit dem Mikrodeletionssyndrom 15q11.2 assoziiert. Der Phänotyp des Teilnehmers stimmt gut mit den bekannten Symptomen dieser seltenen Erkrankung überein, was sie zur wahrscheinlichsten Diagnose macht.

Mit dem Modellvorhaben Genomsequenzierung, der damit verbundenen Einführung der Kostenerstattung für die Ganzgenomsequenzierung bei seltenen Erkrankungen in Deutschland und der Gründung der European Rare Diseases Research Alliance (ERDERA) steigt die Menge verfügbarer Sequenzierungsdaten – und damit das Potenzial für RNA-basierte Diagnostik. Wir haben gezeigt, dass die RNA-Seq-Analyse mittels DROP eine effiziente und flexible Methode darstellt, die klinische Diagnostik bei seltenen Erkrankungen zu unterstützen.

Meine Zeit in der Arbeitsgruppe von Stephen Montgomery in Stanford war entscheidend für den Erfolg dieses Projekts. Ich hatte Zugang zu detaillierten Patientendaten, und konnte Fälle mit Mitgliedern der Forschungsgruppe und Klinikern des Stanford UDN-Standorts diskutieren. Diese Diskussionen waren zentral für die Identifikation von Kandidatenvarianten und das Auffinden bereits gelöster Fälle. Darüber hinaus markiert mein Forschungsaufenthalt den Ausgangspunkt für zukünftige Projekte und Kooperationen: Wir werden die neun bisher ungelösten Fälle mit den zuständigen Kliniken weiterverfolgen, was möglicherweise zu lang ersehnten Diagnosen führen wird. Weitere geplante Kooperationen mit Professor Montgomerys Forschungsgruppe umfassen die Entwicklung neuer computergestützter Methoden für die Diagnostik seltener Krankheiten sowie die Analyse neuer Daten aus dem GREGoRKonsortium und dem ERDERA-Projekt.

  1. Y'epez VA, Mertes C, Müller MF, Klaproth-Andrade D, Wachutka L, Frésard L, Gusic M, Scheller IF, Goldberg PF, Prokisch H, Gagneur J. Detection of aberrant gene expression events in RNA sequencing data. Nat Protoc. 2021 Feb;16(2):1276-1296. doi: 10.1038/s41596-020-00462-5. Epub 2021 Jan 18. PMID: 33462443.
  2. Brechtmann F, Mertes C, Matusevičiūtė A, Y'epez VA, Avsec Z, Herzog M, Bader DM, ̌Prokisch H, Gagneur J. OUTRIDER: A Statistical Method for Detecting Aberrantly Expressed Genes in RNA Sequencing Data. Am J Hum Genet. 2018 Dec 6;103(6):907-917. doi: 10.1016/j.ajhg.2018.10.025. Epub 2018 Nov 29. PMID: 30503520; PMCID: PMC6288422.
  3. Scheller IF, Lutz K, Mertes C, Y'epez VA, Gagneur J. Improved detection of aberrant splicing with FRASER 2.0 and the intron Jaccard index. Am J Hum Genet. 2023 Dec 7;110(12):2056-2067. doi: 10.1016/j.ajhg.2023.10.014. Epub 2023 Nov 24. PMID: 38006880; PMCID: PMC10716352.
  4. Mertes C, Scheller IF, Y'epez VA, Cçelik MH, Liang Y, Kremer LS, Gusic M, Prokisch H, Gagneur J. Detection of aberrant splicing events in RNA-seq data using FRASER. Nat Commun. 2021 Jan 22;12(1):529. doi: 10.1038/s41467-020-20573-7. Erratum in: Nat Commun. 2022 Jun 16;13(1):3474. doi: 10.1038/s41467-022-31242-2. PMID: 33483494; PMCID: PMC7822922.
  5. Splinter K, Adams DR, Bacino CA, Bellen HJ, Bernstein JA, Cheatle-Jarvela AM, Eng CM, Esteves C, Gahl WA, Hamid R, Jacob HJ, Kikani B, Koeller DM, Kohane IS, Lee BH, Loscalzo J, Luo X, McCray AT, Metz TO, Mulvihill JJ, Nelson SF, Palmer CGS, Phillips JA 3rd, Pick L, Postlethwait JH, Reuter C, Shashi V, Sweetser DA, Tifft CJ, Walley NM, Wangler MF, Westerfield M, Wheeler MT, Wise AL, Worthey EA, Yamamoto S, Ashley EA, Undiagnosed Diseases Network Effect of Genetic Diagnosis on Patients with Previously Undiagnosed Disease. N Engl J Med. 2018 Nov 29;379(22):2131-2139. PMID: 30304647.
  6. Lee H, Huang AY, Wang LK, Yoon AJ, Renteria G, Eskin A, Signer RH, Dorrani N, Nieves-Rodriguez S, Wan J, Douine ED, Woods JD, Dell’Angelica EC, Fogel BL, Martin MG, Butte MJ, Parker NH, Wang RT, Shieh PB, Wong DA, Gallant N, Singh KE, Tavyev Asher YJ, Sinsheimer JS, Krakow D, Loo SK, Allard P, Papp JC, Undiagnosed Diseases Network, Palmer CGS, Martinez-Agosto JA, Nelson SF Diagnostic utility of transcriptome sequencing for rare Mendelian diseases. Genet Med. 2020 Mar;22(3):490-499. PMID: 31607746.
  7. Frésard L, Smail C, Ferraro NM, Teran NA, Li X, Smith KS, Bonner D, Kernohan KD, Marwaha S, Zappala Z, Balliu B, Davis JR, Liu B, Prybol CJ, Kohler JN, Zastrow DB, Reuter CM, Fisk DG, Grove ME, Davidson JM, Hartley T, Joshi R, Strober BJ, Utiramerur S, Undiagnosed Diseases Network, Care4Rare Canada Consortium, Lind L, Ingelsson E, Battle A, Bejerano G, Bernstein JA, Ashley EA, Boycott KM, Merker JD, Wheeler MT, Montgomery SB Identification of rare-disease genes using blood transcriptome sequencing and large control cohorts. Nat Med. 2019 Jun;25(6):911-919. PMID: 31160820.
  8. Murdock DR, Dai H, Burrage LC, Rosenfeld JA, Ketkar S, Müller MF, Y'epez VA, Gagneur J, Liu P, Chen S, Jain M, Zapata G, Bacino CA, Chao HT, Moretti P, Craigen WJ, Hanchard NA, Undiagnosed Diseases Network, Lee B Transcriptome-directed analysis for Mendelian disease diagnosis overcomes limitations of conventional genomic testing. J Clin Invest. 2021 Jan 04;131(1). PMID: 33001864.