Ugrás a tartalomhoz

Genetika és genomika

Falus András, László Valéria, Tóth Sára, Oberfrank Ferenc, Pap Erna, Dr. Szalai Csaba (2014)

Typotex Kiadó

Megoldáshoz közelítő utak

Megoldáshoz közelítő utak

A fent említett problémákra a kutatók folyamatos fejlesztésekkel válaszolnak. Így például az előző fejezetben említett 1000 genom projekt eredményeit felhasználva már fejlesztés alatt vannak az olyan chipek, amellyel ritkább variációkat is ki lehet mutatni (pl. Illumina 5M chip-je). Illetve, a genetikai variációkra koncentráló detektálások mellett egyre inkább fejlődik a teljes genomszekvenálás is („újgenerációs” vagy angolul new generation sequencing, vagy NGS), ami egyre gyorsabb és olcsóbb lesz. Elképzelhető, hogy a közeljövőben a GWAS-t ennek a technikának a segítségével fogják végezni. Ez ugyanis minden ritka mutációt ki tud mutatni. Hozzá kell tenni azonban, hogy az ehhez tartozó informatikai, számítástechnikai igény nagyságrendekkel nagyobb (tekintve, hogy itt egyetlen embernél terrabit mennyiségű információt kapunk) a csak a variációkra koncentrálóknál, ami valószínűleg még nagyobb kihívás, mint maga a mérés technikai végrehajtása. Továbbá, a ritka variációk funkcionális jellemzése is jelentős problémákat tartalmazhat.

Hasonlóan, vannak már metilációs mintázat elemzésére alkalmas chipek, az epigenetikai vizsgálatok elősegítésére. Azonban mivel az epigenetikai (metilációs) mintázat szövetenként különböző, illetve az eredmények interpretálása is nagyon nehéz, még itt is hosszú út áll előttünk, hogy ezeket az eredményeket először a szakemberek, majd később a nem szakemberek számára is értelmezhetően hasznosítani tudjuk. További nehézség ezzel kapcsolatban, hogy az epigenetikai információ, szemben a genom szekvenciájával, a különböző környezeti tényezők hatására, illetve az életkor előrehaladásával állandóan változik.

A statisztikai problémák megoldására is hatalmas erőfeszítések történnek. Egy lehetséges megoldás például a Bayes-statisztikai keretrendszer és a Bayes-hálók alkalmazása, amelyben Magyarországon is történnek fejlesztések. Itt nem az egyes variációk gyakoriságát hasonlítják össze a populációkban, hanem valószínűségi modellek, kölcsönhatási hálók elemzése folyik. Feltételezhető, hogy megfelelő statisztikai módszerekkel már a ma meglevő eredményekből is sokkal több információt ki lehet nyerni. Például, az egyik közleményben a már meglevő eredmények újraelemzésével a magasság öröklődő hajlamának 67%-át tudták magyarázni, szemben az eredeti közleményben található 5%-kal [9.6]. Egy másikban számos, magas vérnyomásra hajlamosító olyan gént azonosítottak, amelyeket az eredeti közleményben nem detektáltak. Ebben nem az egyes genetikai variációkra koncentráltak, hanem azt vizsgálták, hogy vannak-e olyan anyagcsere-útvonalak, amelyben a genetikai variációk eloszlása eltért a várttól [9.7].

Szintén nagy kihívást jelent, hogy a detektált, betegséggel asszociált SNP-k 93%-a nem a fehérjekódoló régiókba esik, és nagyon nehéz a variációk betegségben betöltött szerepét magyarázni. Ebben nagy segítséget jelenthetnek az ENCODE projekt eredményei (8. fejezet; és http://genome.ucsc.edu/ENCODE/). Az egyik vizsgálat pl. kimutatta, hogy a nem-kódoló GWAS-sal detektált SNP-k 76,6% valamelyik vizsgált sejttípusban DN-áz hiperérzékeny helyen van, vagy azzal szoros kapcsoltságban: http://www.nature.com/encode/#/threads; http://www.sciencemag.org/content/337/6099/1190.

A DN-áz hiperérzékeny helyek szabályozó, promóter és enhancer régiókra utalnak. Viszont azt is megfigyelték, hogy ezek a DN-áz hiperérzékeny helyek sejtspecifikusak, azaz az egyes SNP-k funkciói is sejt-specifikusak lehetnek. A vizsgálatok azt is igazolták, hogy az SNP-k túlnyomó többsége, a betegségben releváns sejtben, vagy szövetben esett a DN-áz hiperérzékeny helyre, azaz befolyásolta a genom szabályozó régióját.