2019年6月28日牛津大學Julian C. Knight教授團隊以及歐盟創新藥物計劃ULTRA-DD協會在Nature Genetics線上發表題為 A genetics-led approach defines the drug target landscape of 30 immune-related traits研究成果, 使以遺傳學為導向的GWAS醫學轉化研究更靠近臨床現實。
1
研究背景
目前大多數候選藥物在後期臨床試驗中失敗，很大程度上是因為對早期靶點選擇的療效預測不足。具有遺傳支援的藥物靶點更有可能用于治療，但将基因組關聯研究等基因組資料用于複雜疾病的藥物靶點發現仍具有挑戰性。在這裡，本文展示了功能基因組和免疫相關注釋的整合，以及網絡連接配接的知識，最大化靶驗證的遺傳資訊性，在基因和通路水準上定義了30種免疫特性的靶标優先級。本文示範了基因引導的藥物靶标優先排序方法(優先指數)如何成功地識别目前的治療方法，預測高通量細胞篩選(包括L1000、CRISPR、誘變和病人來源的細胞化驗)中的活性，使未開發的靶标優先排序成為可能，并允許确定靶标級性狀關系。優先級名額是一個開放擷取的、可擴充的系統，加速免疫介導性疾病的早期藥物靶點選擇。
2
方法流程及實驗
牛津大學Julian C. Knight教授團隊開發了優先級指數(Pi)途徑(圖1)，以特定免疫性狀的全基因組關聯研究(GWAS)變量作為輸入。全基因組關聯研究（GWAS）産生了海量遺傳學大資料，蘊含潛在疾病易感遺傳位點，是研究複雜疾病的有效手段。GWAS最大的希望之一是将GWAS結果轉化成支援藥物研發的靶點，然而實作起來極具挑戰性。GWAS發現的複雜疾病易感遺傳位點大部分位于基因組的非編碼區，其生物學意義（目标基因和疾病通路）難以解釋，進而加大對治療潛在靶點選擇的難度。優先指數攻克了這一難題，針對複雜免疫疾病GWAS統計資料，通過功能基因組資料（産自于基因表達數量性狀定位分析技術與染色體構象捕獲技術）預測疾病易感基因，對易感基因進一步注解功能、表型、疾病資訊，整合基因間互相作用網絡資訊将潛在基因擴充至網絡關鍵節點，對遺傳治療靶點量化推薦。
圖1 優先指數的方法學
2.1 生成基因級靶點優先級
首先，将Pi應用于類風濕關節炎，使用整理的GWAS彙總資料生成基因級靶點優先級。排名最高的基因包括：ICAM1 (内皮粘附的作用), TRAF1 (惡性良性腫瘤壞死因子(TNF)受體相關), STAT4 (免疫調節), PTPN2 (發炎), PTPN22 (T-cell 活化), CD40 and BLK (B細胞功能), 和IRF8 (骨代謝)。盡管沒有直接的基因證據，黃金标準的靶點TNF，由于互相作用夥伴的互動而被高度評價，如圖2所示。對高度優先的靶點中顯著富集的通路所涉及的T-cell antigen receptor signal transduction, interferon-γ (IFN-γ), programmed cell death protein 1, interleukin-6 (IL-6), interleukin-20 (IL-20) 和 tumor necrosis factor receptor 1 signaling，如圖3所示。然後确定途徑之間的串擾，使高度優先的互相連接配接基因的數量最大化。這确定了潛在的幹預節點，包括JAK1, JAK3 和 TYK2, IL2, IL6, STAT1, STAT4, STAT5A, RELA, EGFR, TRAF2 和 PTPN2，如圖4所示。
圖2. 舉例說明網絡連接配接與高度優先的種子基因如何識别非種子基因(TNF)。
圖3. 優先目标路徑。采用Fisher精确檢驗(單邊檢驗)計算95%置信區間(Cls；由行表示)的優勢比(ORs)。
圖4. 靶點通路串擾的可視化，并将相關證據制成表格。
2.2 建立支援Pi優先級的證據
目标是建立證據支援Pi優先用于類風濕關節炎和潛在的效用。研究者發現目前類風濕關節炎的臨床概念驗證目标往往是高度優先的。研究者将Pi應用于29個額外的免疫介導性狀（如圖5），利用臨床概念驗證名額(限制在16個性狀和10個這樣的目标)和準許名額的知識分析Pi輸出，使其能夠建立Pi預測因子的資訊性。
圖5. 分類學共分析了30個與免疫相關的性狀。來源于實驗因子本體論(EFO)，與“免疫系統疾病”相關(用粗體标記)。
探讨基因如何影響免疫特性的治療前景，發現Pi評分(在“發現模式”中)捕獲了16個性狀中的15個或準許藥物的臨床概念驗證靶标的顯著比例（如圖6ab）。其中潰瘍性結腸炎、強直性脊柱炎、全身性紅斑狼瘡(SLE)、克羅恩病、類風濕關節炎和多發性硬化症最明顯（如圖6c）。
圖6.
a, 16種免疫特性;
b, 顯示TSEA結果的散點圖，包括标準化富集評分、覆寫率和FDR;
c, 基因主導的16個免疫性狀的治療景觀，高度訓示G2CT潛力。
然後，詢問Pi對單個基因的評分如何告知通路級靶點的優先級（如圖7），研究者發現，在多個特征中高度優先的基因的富集途徑包括TH1 / 2/17分化，TCR，趨化因子，核苷酸寡聚化域樣受體，磷酸肌醇3激酶（PI3K），絲氨酸/蘇氨酸激酶（AKT），TNF ，有絲分裂原激活的蛋白激酶和JAK / STAT信号傳導。具體富集包括I型和II型IFNs及其受體在多發性硬化症，與目前的治療方法一緻。研究者假設來自随機誘變篩選的IFN調節因子1（IRF1）調節劑的活性與多發性硬化症中的Pi評分相關，并且發現情況确實如此（圖8），其中高度優先的基因（如SOCS1）顯示在小鼠模型中的治療潛力。
圖7. 徑向布局的免疫系統優先路徑概述
圖8. IRF1陽性調節因子(n = 65)在突變指數29和Pi評級(左)之間的相關性分析，以SOCS1的優先級互動圖(右)。相關性基于皮爾遜檢驗(雙邊)。
研究特定蛋白質家族的Pi優先次序如何與治療功效相關。研究者分析了一套完整的小分子抑制劑作為表觀遺傳學靶标，重點研究了SLE，因為有證據表明在發病機理中DNA甲基化群組蛋白乙酰化失調，獲批藥物的表觀遺傳學作用以及在小鼠模型中組蛋白脫乙酰基酶抑制的治療益處。研究者發現在SLE患者來源的細胞測定中特異性抑制劑的活性與SLE的Pi評分之間存在高度相關性。排名最高的基因EHMT2編碼一個甲基轉移酶，促進核穩定性，其核結構改變被認為可促進SLE自身免疫（圖9）.
圖9. 頂部，SLE患者（n = 5）PBMC中細胞因子刺激的免疫球蛋白G（IgG）水準在1μM時的表觀遺傳學探針活性與Pi值的關系。底部，計算Spearman等級相關性，根據随機檢驗（左下方）估算顯着性水準（經驗P值），并評估與其他29種免疫性狀的特異性（右下方；誤差線代表sd，平均居中）。
最後，研究者考慮如何識别跨性狀評價很高的靶标。研究者首先根據排名（多性狀評分分數（MRS））計算了大多數性狀中靶标的高度評價，基于12個具有高G2CT潛力的性狀鑒定了668個基因。然後，考慮了通路串擾，對這些基因進行了分析，确定了一個高度重要的網絡（P = 5.4×10-67），包含豐富的JAK / STAT和TNF信号傳導的50個基因（圖10），與既定的TNF抑制作用和目前的研究興趣JAK抑制劑相符。交叉驗證這一點，研究者發現該網絡高度豐富了小鼠免疫介導的疾病表型，可用藥幹擾性和免疫疾病治療，但未準許的非免疫特性（圖11）。
圖10. 目标通路串擾的可視化，根據MRS對節點進行顔色編
圖11. 網絡中的目标富集（頂部；免疫和非免疫）和準許的治療方法的詳細資訊（底部）。
3
總結
綜上所述，研究者已經展示了基因資訊的價值是如何通過一個整合的基因組級方法來轉化的，以确定潛在的藥物靶點和幹預節點的優先級，并了解免疫特性的治療前景。研究者已經證明Pi能夠在沒有偏置輸入的情況下恢複實驗/臨床驗證的目标和通路。研究者預計Pi将允許使用者提出假設，以推進基因組中尚未開發但可能有藥物作用的目标。pi是一個為轉化研究而設計的開源和可擴充的系統，其目的是促進社群工作，支援利用遺傳學進行早期藥物開發。