Come i network genetici svelano nuovi geni legati all'aterosclerosi coronarica?

Le ricerche genetiche stanno cambiando il modo in cui capiamo le malattie complesse, come l'aterosclerosi coronarica (CAD). Tradizionalmente, gli studi di associazione trascrittomica (TWAS) collegano varianti genetiche a tratti osservando gli eQTL cis, cioè gli effetti vicini al gene. Ma il DNA è una città con strade lunghe: molte varianti agiscono a distanza, influenzando altri geni attraverso reti di regolazione. Il nuovo framework GRN‑TWAS ricostruisce queste reti (GRN) e le inserisce nei modelli di previsione dell'espressione genica. Così, gli effetti trans‑eQTL, che viaggiano attraverso la rete, vengono catturati. Applicando il metodo a 600 pazienti CAD dello studio STARNET e a dati GWAS, i ricercatori hanno migliorato la previsione dell'espressione e scoperto 5.779 geni significativi, di cui più della metà mai associati prima alla CAD. Un algoritmo di ranking ha poi evidenziato 882 geni altamente rilevanti, 237 dei quali regolati esclusivamente da effetti trans. L'analisi dei driver chiave ha identificato 18 possibili mediatori trans con alta centralità nella rete, offrendo ipotesi meccanistiche per i segnali di associazione. In pratica, inserire la topologia della rete nei TWAS permette di vedere il quadro completo: dal genotipo, passando per le interazioni geniche, fino al fenotipo della malattia. Questo approccio apre nuove strade per scoprire target terapeutici e comprendere meglio la complessità genetica della CAD.

Il modello GRN‑TWAS si basa su due passaggi chiave: (1) ricostruzione della rete di regolazione genica (GRN) e (2) integrazione della topologia della rete nei modelli di imputazione dell’espressione. Per la ricostruzione della GRN, i ricercatori hanno combinato dati di espressione multi‑tessuto con metodi di inferenza basati su correlazioni parziali e regressione LASSO, ottenendo grafi diretti che rappresentano le relazioni di attivazione o repressione tra geni. La topologia è poi codificata in matrici di adiacenza pesate, che vengono inserite come covariate nei modelli di predizione dell’espressione (ad esempio, elastic net). Questo permette di propagare l’effetto di un SNP su un gene target attraverso percorsi di lunghezza arbitraria, catturando così gli eQTL trans. Dal punto di vista statistico, il framework utilizza una regressione bayesiana per stimare i coefficienti di peso, garantendo una regolarizzazione efficace in presenza di molte variabili collegate. L’analisi è stata condotta su sette tessuti rilevanti per la CAD (ad esempio, fegato, muscolo scheletrico, arteria coronarica), sfruttando le summary statistics GWAS per calcolare i test di associazione gene‑fenotipo mediante il metodo di colocalizzazione. La priorità dei geni è stata valutata con un algoritmo di ranking basato su punteggi di evidenza (p‑value, Z‑score) e metriche di centralità di rete (grado, betweenness). I 18 driver chiave emergono come hub con elevata connettività e sono stati validati in silico mediante analisi di pathway (KEGG, Reactome) che mostrano arricchimento in processi di risposta infiammatoria, metabolismo lipidico e segnalazione vascolare. Questo approccio sistemico conferma l’ipotesi omnigenica, secondo cui la maggior parte dei geni del genoma contribuisce, direttamente o indirettamente, alla variazione fenotipica di una malattia complessa come la CAD.