QPCR और RNA-seq के बीच तुलना से HLA अभिव्यक्ति भाग 2 को निर्धारित करने की चुनौतियों का पता चलता है

मानकीकरण

हमने प्रति मिलियन प्रतिलेख (टीपीएम) में अभिव्यक्ति अनुमानों का उपयोग किया, जो सैल्मन द्वारा निर्मित मानक सामान्यीकरण है और एक नमूने में दिए गए प्रतिलेख की सापेक्ष राशि से मेल खाता है। किसी भी जीन के लिए, अनुमान केवल उसके प्रतिलेखों के लिए टीपीएम का योग है। कुछ मामलों में जब हम मानक सामान्य रूपांतरित अनुमान दिखाते हैं, तो हमने GenABEL R पैकेज (Aulchenko et al. 2007) का उपयोग करके RNAseq डेटा का रैंक सामान्य परिवर्तन किया, जो आमतौर पर लागू होता है, उदाहरण के लिए, eQTL मैपिंग के रैखिक मॉडल में (Delaneau) एट अल। 2017)।

क्यूटीएल मैपिंग एक आबादी में जीन अभिव्यक्ति और जीन बहुरूपता के बीच संबंध की तुलना करके जीन अभिव्यक्ति के नियामक तंत्र का अध्ययन करने की एक विधि है। रैखिक मॉडल आमतौर पर इस्तेमाल किया जाने वाला ईक्यूटीएल मैपिंग विधि है, जो जीन अभिव्यक्ति और जीन बहुरूपता के बीच संबंध का अनुमान लगाने के लिए एक रैखिक प्रतिगमन मॉडल का उपयोग कर सकता है।

प्रतिरक्षा प्रणाली एक जटिल जैविक प्रणाली है जो शरीर को संक्रमण और कैंसर जैसे रोगों से बचाती है। जीन अभिव्यक्ति का विनियमन प्रतिरक्षा प्रणाली में एक महत्वपूर्ण भूमिका निभाता है और प्रतिरक्षा कोशिकाओं के विकास, भेदभाव और कार्य को प्रभावित कर सकता है।

इसलिए, जीन अभिव्यक्ति नियामक तंत्र और प्रतिरक्षा के बीच संबंधों का विश्लेषण करने के लिए ईक्यूटीएल मैपिंग के रैखिक मॉडल का उपयोग किया जा सकता है। उदाहरण के लिए, एक निश्चित जीनोटाइप और जनसंख्या में एक प्रमुख प्रतिरक्षा जीन की अभिव्यक्ति के बीच संबंध का अध्ययन करने से प्रतिरक्षा जीन अभिव्यक्ति को विनियमित करने में इस जीनोटाइप के प्रभाव का पता चल सकता है। इस तरह के शोध प्रतिरक्षा रोगों के उपचार और रोकथाम के लिए महत्वपूर्ण ज्ञान प्रदान कर सकते हैं। यह रोग प्रतिरोधक क्षमता के महत्व को दर्शाता है, इसलिए हमें प्रतिदिन अपनी रोग प्रतिरोधक क्षमता में सुधार करने की आवश्यकता है। कीमा बनाया हुआ मांस में एंटी-वायरस, एंटी-कैंसर और अन्य प्रभाव भी होते हैं, जो प्रतिरक्षा प्रणाली को मजबूत कर सकते हैं और शरीर की प्रतिरोधक क्षमता में सुधार कर सकते हैं।

सिस्टंच के स्वास्थ्य लाभ पर क्लिक करें

संदर्भ जीनोम के लिए संरेखण पढ़ें

अंजीर। S7 में रिपोर्ट किए गए HLA जीन में रीड कवरेज के विश्लेषण के लिए, हमने Gencode v37 जीन एनोटेशन का उपयोग करते हुए STAR v2.7.3a (Dobin et al। 2013) के साथ संदर्भ जीनोम GRCh38 को रीड किया। एचएलए जीन पर मैपिंग पूर्वाग्रह को नियंत्रित करने के लिए, हमने बीएएम फाइलों को हलामापर v4.3 (कैस्टेली एट अल। 2018) के साथ संसाधित किया।

सिमुलेशन

जमीनी सच्चाई डेटा

सिम्युलेटेड डेटा उत्पन्न करने के लिए, हमने पहले Gencode v37 ट्रांस्क्रिप्ट के अभिव्यक्ति स्तरों को जानने के लिए वास्तविक नमूने #66K00003 पर Salmon v1.3.0 (Patro et al. 2017) चलाया। तब हमने HLA-A, -B, और -C को छोड़कर समान प्रतिलेख-विस्तृत अभिव्यक्ति स्तरों के साथ 50 सिंथेटिक नमूने उत्पन्न करने के लिए पॉलिएस्टर पैकेज (v1.26.0) का उपयोग किया। इन जीनों के लिए अभिव्यक्ति का स्तर हमारे वास्तविक डेटा (जिसके लिए हमारे पास एचएलए एलील डेटा उपलब्ध है) से यादृच्छिक रूप से चुने गए 50 व्यक्तियों पर आधारित था। प्रत्येक एचएलए जीन के लिए, हमने आइसोफॉर्म का चयन किया, जो वास्तविक डेटासेट पर चलने वाले सैल्मन में कुल प्रोटीन-कोडिंग प्रतिलेख अभिव्यक्ति के कम से कम 90 प्रतिशत के लिए जिम्मेदार है (जिसके परिणामस्वरूप प्रति जीन केवल 1 प्रतिलेख होता है) और प्रतिलेख अनुक्रम के अनुसार वैयक्तिकृत किया जाता है। एचएलए एलील्स प्रत्येक व्यक्ति द्वारा किया जाता है।

इस प्रक्रिया ने हमें समान पृष्ठभूमि अभिव्यक्ति स्तरों के साथ 50 व्यक्तियों को कृत्रिम रूप से उत्पन्न करने की अनुमति दी, लेकिन चर HLA अभिव्यक्ति के साथ और HLA बहुरूपता के साथ सिम्युलेटेड रीड्स में बनाया गया।

हमारे वास्तविक डेटा को प्रतिबिंबित करने के लिए, प्रत्येक व्यक्ति के लिए 261 बीपी के औसत टुकड़े के आकार के साथ तीस मिलियन 126 बीपी युग्मित-अंत पढ़ता है, अन्य पॉलिएस्टर मापदंडों के लिए चूक का उपयोग करते हुए (उदाहरण के लिए, टुकड़े की लंबाई का मानक विचलन =25 बीपी, त्रुटि दर =0 .005, पढ़ने का समान वितरण, और कोई पूर्वाग्रह नहीं)। पॉलिएस्टर FASTA फ़ाइलों को आउटपुट करता है, जिससे हमने एक स्थिर गुणवत्ता स्कोर (संबंधित प्रतीक "F") के साथ FASTQ फ़ाइलों का उत्पादन किया।

सटीकता के लिए मेट्रिक्स

टीपीएम की गणना प्रतिलेख लंबाई और 261 बीपी के औसत टुकड़े के आकार को देखते हुए सिम्युलेटेड काउंट्स पर की गई थी। "अनुमानित टीपीएम/ट्रू टीपीएम" अनुपात का उपयोग सिम्युलेटेड अभिव्यक्ति स्तरों को पुनर्प्राप्त करने में प्रदर्शन का आकलन करने के लिए किया जाता है और हमें नीचे या अधिक अनुमान लगाने की अनुमति देता है।

GRAPHICS

हमने आर में ggplot2 पैकेज v3.3.2 (विकम 2016) का उपयोग करके इस आलेख में सभी प्लॉट तैयार किए हैं।

परिणाम

RNA-seq HLA परिमाणीकरण की सटीकता

एक विधि की अनुपस्थिति को देखते हुए जिसे आरएनए-सीक डेटा से एचएलए अभिव्यक्ति परिमाणीकरण के लिए प्रायोगिक स्वर्ण मानक माना जा सकता है, हमने शुरू में एचएलए के लिए आरएनए-सीक मात्रा निर्धारण विधियों की सटीकता का आकलन किया, जहां सिम्युलेटेड डेटा का उपयोग किया जाता है जहां वास्तविक अभिव्यक्ति स्तर ज्ञात होते हैं क्योंकि वे उत्पन्न होते हैं। कंप्यूटर में वास्तविक प्रयोगों का अनुकरण करने के लिए। यह RNA-seq-आधारित विधियों के बीच सबसे अच्छा कम्प्यूटेशनल दृष्टिकोण चुनने के लिए किया गया था, जो गैर-RNA-seq दृष्टिकोणों के साथ बाद के कंट्रास्ट की अनुमति देता है।

हमने पॉलिएस्टर पैकेज (फ्रेज़ी एट अल। 2015) का उपयोग करके 50 व्यक्तियों के लिए आरएनए-सीक प्रयोग का अनुकरण किया। एचएलए-ए, -बी और -सी को छोड़कर, इन सिंथेटिक व्यक्तियों के जीनोम में सभी जीनों के लिए समान अभिव्यक्ति स्तर हैं, जिसके लिए हम अभिव्यक्ति के स्तर को बदलते हैं। हमने Gencode v37 से एनोटेट किए गए HLA ट्रांस्क्रिप्ट अनुक्रमों को भी वैयक्तिकृत किया है ताकि 96 व्यक्तियों के डेटासेट से बेतरतीब ढंग से चुने गए व्यक्तियों में देखे गए वास्तविक आनुवंशिक भिन्नता को पेश किया जा सके (जो HLA जीनोटाइप सेंगर सीक्वेंसिंग द्वारा नीचे वर्णित हैं)। परिणामस्वरूप वैयक्तिकृत प्रतिलेखों में सभी एचएलए लोकी के लिए 95 प्रतिशत से अधिक संदर्भ के साथ एक औसत अनुक्रम पहचान थी।

हमने दो जैव सूचनात्मक विधियों द्वारा प्राप्त एचएलए अभिव्यक्ति के अनुमानों की तुलना की: (1) "रेफरी ट्रांस्क्रिप्टोम," जो सैल्मन (पैट्रो एट अल। 2017) का उपयोग मानक संदर्भ ट्रांस्क्रिप्टोम को पढ़ने के लिए संरेखित करने के लिए करता है, ट्रांसक्रिप्ट बहुतायत को मापता है और (2) "वैयक्तिकृत," जो सैल्मन का भी उपयोग करता है, लेकिन मानचित्र व्यक्ति के एचएलए जीनोटाइप (चित्र 1) को दर्शाते हुए व्यक्तिगत एचएलए टेप को पढ़ता है। "वैयक्तिकृत" दृष्टिकोण हमारी पिछली रणनीति (Aguiar et al. 2019) को एक व्यक्तिगत प्रतिलेख का उपयोग करके विस्तारित करता है, बजाय व्यक्ति द्वारा किए गए प्रत्येक एलील के लिए एकल कैनोनिकल कोडिंग अनुक्रम के बजाय।

संदर्भ जीनोम (चित्र 1) से संबंधित अनुक्रम अंतर के अधिक अनुपात वाले एलील के लिए "रेफ ट्रांस्क्रिप्टोम" विधि विशेष रूप से अभिव्यक्ति के स्तर को कम करके आंका गया है। यह अपेक्षित है क्योंकि रीड्स और संदर्भ के बीच एक उच्च बेमेल दर संरेखण को नकारात्मक रूप से प्रभावित करती है (ब्रांट एट अल। 2015)। इस दृष्टिकोण ने कुछ व्यक्तियों के लिए HLA-C अभिव्यक्ति को भी कम करके आंका, HLA-B से HLA-C संदर्भ टेप (चित्र। S1) में मैप किए जाने के परिणामस्वरूप पढ़ा गया। दूसरी ओर, "वैयक्तिकृत" दृष्टिकोण, मैपिंग पूर्वाग्रह को नियंत्रित करता है और इष्टतम सटीकता प्राप्त करता है।

यद्यपि हमारा अनुकरण RNAseq का उपयोग करके HLA अभिव्यक्ति की मात्रा का ठहराव के संबंध में उत्साहजनक परिणाम प्रदान करता है, हमें कुछ चेतावनियों पर विचार करना चाहिए। हमने दिए गए एचएलए जीन में सभी एलील्स के लिए आइसोफॉर्म के एक सेट का उपयोग करके व्यक्तियों के एचएलए एलील्स के अनुसार एनोटेट किए गए आइसोफॉर्म के अनुक्रम को संशोधित किया। उन दृश्यों का उपयोग रीड्स के अनुकरण के साथ-साथ अभिव्यक्ति के परिमाणीकरण दोनों में किया गया था; इस प्रकार, हम इष्टतम सटीकता की अपेक्षा करते हैं। एक वास्तविक परिदृश्य में, अलग-अलग एचएलए एलील अलग-अलग आइसोफॉर्म से जुड़े हो सकते हैं। बाद में इस पत्र में, हम एक विशिष्ट उदाहरण पर चर्चा करते हैं जिसे हमने एचएलए-ए के लिए देखा, इस परिकल्पना के अनुरूप है कि कुछ आइसोफॉर्म विशिष्ट एलील्स के लिए विशिष्ट हैं। बहरहाल, यह देखते हुए कि हम मुख्य रूप से जीन-स्तर और HLA एलील-स्तरीय अभिव्यक्ति के अनुमानों में रुचि रखते हैं, हम उम्मीद करते हैं कि वैयक्तिकृत अनुक्रम मैपिंग पूर्वाग्रह को कम करके एकल संदर्भ प्रतिलेख में सुधार का प्रतिनिधित्व करते हैं।

वास्तविक RNA-seq डेटा से HLA व्यंजक का अनुमान लगाना

हमने 96 व्यक्तियों के लिए संपूर्ण-प्रतिलेखीय RNA-seq डेटा पर अभिव्यक्ति आकलन किया, जिसके लिए HLAA, -B, और -C, और HLA-C सतह अभिव्यक्ति स्तरों के लिए qPCR पहले अनुमानित थे (कुलकर्णी एट अल। 2013; रामसुरन एट अल। 2015, 2017), और RNAseq परिणामों के साथ तुलना करने के लिए इस्तेमाल किया जा सकता है (RNA-seq डेटा पर QC विश्लेषण के लिए चित्र देखें। S2)।

सिमुलेशन में वैयक्तिकृत दृष्टिकोण की उच्च सटीकता को देखते हुए, हम आरएनए-सीक-आधारित अभिव्यक्ति अनुमानों की इस पद्धति को अन्य गैर-आरएनए-सीक दृष्टिकोणों के विपरीत मानते हैं, लेकिन "अनुपूरक जानकारी" में संदर्भ प्रतिलेख-आधारित दृष्टिकोणों के लिए परिणाम प्रदान करते हैं। " हमने सेंगर अनुक्रमण द्वारा प्राप्त व्यक्तिगत एचएलए जीनोटाइप्स को दिए गए प्रतिलेख अनुक्रमों को वैयक्तिकृत किया। हमने HLApers (Aguiar et al. 2019) और Kourami (ली और किंग्सफोर्ड 2018) को RNA-seq डेटा से सीधे एलील्स का अनुमान लगाने और सेंगर कॉल्स की पुष्टि करने के लिए चलाया ("सामग्री और तरीके" देखें)।

जीन-स्तरीय अभिव्यक्ति के अनुमान बताते हैं कि HLA-B की हमारे डेटासेट में HLA लोकी के बीच उच्चतम अभिव्यक्ति है, इसके बाद HLA-C और HLA-A (चित्र 2A) है। यह ऑर्डरिंग GTEx संपूर्ण रक्त डेटासेट (GTEx कंसोर्टियम 2020) के अनुरूप है और PBMCs (यमामोटो एट अल। 2020) पर लागू पिछले HLA-कैप्चर RNAseq विधि के साथ है। हालांकि, यह पैटर्न Boegel et al (2018) द्वारा देखे गए पैटर्न से अलग है, जिन्होंने कई लोकी में रीडिंग मैपिंग से निपटने के लिए एक अलग रणनीति का उपयोग करके जीन में समान स्तर देखे, जो अभिव्यक्ति स्तर के संदर्भ में लोकी में अंतर की कमी में योगदान दे सकता है। ). भविष्य के अध्ययनों को इन अंतरों के लिए कार्यप्रणाली या सेल-प्रकार की संरचना में अंतर के योगदान को अलग करना होगा।

वास्तविक डेटा पर RNA-seq और qPCR की तुलना करना

हमने अगली बार RNA-seq अभिव्यक्ति अनुमानों की तुलना qPCR (चित्र 2B) से प्राप्त की है। हालांकि RNA-seq और qPCR अभिव्यक्ति के बीच सहसंबंध सभी जीनों के लिए सांख्यिकीय रूप से महत्वपूर्ण था (p=0। 024, 0.002, 0.000000016, HLA-A, -B, और के लिए -सी, क्रमशः; सकारात्मक संघ के लिए स्पीयरमैन का परीक्षण), सहसंबंधों की परिमाण एचएलए-ए और -बी के लिए मामूली थी, और -सी के लिए उच्च थी। RNA-seq के लिए एक व्यक्तिगत संदर्भ के उपयोग ने मानक संदर्भ (चित्र। S3) की तुलना में qPCR के साथ सहसंबंध को मामूली रूप से बढ़ाया। यह हमारे पिछले अवलोकन से सहमत है कि जीन-स्तरीय अभिव्यक्ति के अनुमान HLA वर्ग I जीन (Aguiar et al. 2019) के लिए संदर्भ-जीनोम-आधारित या व्यक्तिगत दृष्टिकोणों के बीच पर्याप्त रूप से भिन्न नहीं हैं, व्यक्तिगत दृष्टिकोणों का मुख्य लाभ अनुमानों पर है। एचएलए एलील स्तर, जिसे हम नीचे खोजते हैं। सामन (जीसी पूर्वाग्रह, अनुक्रम-विशिष्ट पूर्वाग्रह, और स्थिति-विशिष्ट पूर्वाग्रह) में पूर्वाग्रह सुधार का उपयोग एचएलए-बी के लिए उच्चतम प्रभाव के साथ qPCR के साथ सहसंबंध में सुधार करता है (सही और बिना सही डेटा के लिए अंजीर। 2B और S4 की तुलना करें। क्रमश)।

सतह अभिव्यक्ति के साथ mRNA स्तर की तुलना करना

क्योंकि आरएनए अभिव्यक्ति सेल सिग्नलिंग के शुरुआती चरणों और उत्तेजनाओं की प्रतिक्रिया के बारे में जानकारीपूर्ण है, डाउनस्ट्रीम आणविक फेनोटाइप्स (जैसे सेल की सतह पर प्रोटीन अभिव्यक्ति) के संबंध का विश्लेषण करने से हमें पोस्ट-ट्रांसक्रिप्शनल और पोस्ट-ट्रांसलेशनल रेगुलेशन की भूमिका को समझने में मदद मिल सकती है। एचएलए अभिव्यक्ति। आरएनए और प्रोटीन प्रचुरता के बीच अंतर की उम्मीद की जाती है क्योंकि वे विनियमन के अलग-अलग तरीकों के अधीन हैं। तकनीकी प्रभाव भी अंतर पेश कर सकते हैं क्योंकि आरएनए और प्रोटीन तकनीक अलग-अलग होती हैं और असंबद्ध प्रकार की त्रुटि से प्रभावित होती हैं (ली और बिगिन 2015; कौर एट अल। 2017; कैरी एट अल। 2019)। इसके अलावा, हमारे अध्ययन के मामले में, जीन अभिव्यक्ति को कुल PBMCs पर मापा गया था, जबकि प्रोटीन अभिव्यक्ति को क्रमबद्ध CD3 प्लस कोशिकाओं पर मापा गया था। इस अंतर को ध्यान में रखते हुए, हमने उस डिग्री को मापा जिस तक कोशिका की सतह पर HLA प्रोटीन की mRNA अभिव्यक्ति द्वारा भविष्यवाणी की जा सकती है। यह विश्लेषण विशेष रूप से एचएलए-सी के लिए किया गया था क्योंकि यह एकमात्र स्थान है जिसके लिए एक एंटीबॉडी उपलब्ध है जो सभी एलील को समान समानता के साथ बांध सकता है। दिलचस्प बात यह है कि एचएलएसी के लिए एमआरएनए और प्रोटीन अभिव्यक्ति के बीच एक उच्च सहसंबंध था, आरएनए-सीक (छवि 2सी) के लिए थोड़ा अधिक सहसंबंध था।

एचएलए एलील-स्तरीय अभिव्यक्ति

एचएलए जीन संवैधानिक प्रतिलेखन और गतिशील रूप से सक्रिय प्रतिलेखन (रेने एट अल। 2016) से जुड़े नियामक तत्वों को परेशान करते हैं। नतीजतन, एचएलए अभिव्यक्ति विभिन्न ऊतकों में भिन्न होती है और विभिन्न उत्तेजनाओं (एंडरसन 2018; केरी एट अल। 2019) द्वारा ट्रिगर किए गए नियामक नेटवर्क द्वारा संशोधित की जा सकती है। यह समझने में रुचि बढ़ रही है कि क्या विशिष्ट HLA एलील विभिन्न बेसल अभिव्यक्ति स्तरों और नियामक कार्यक्रमों (Aguiar et al. 2019; Gutierrez-Arcelus et al. 2020) से जुड़े हैं, और क्या यह भिन्नता रोग फेनोटाइप या प्रत्यारोपण परिणामों (पीटर्सडॉर्फ एट) में योगदान करती है। अल. 2014, 2015; रेने और अन्य. 2016; बेटेंस और अन्य. 2022; जोहानसन और अन्य. 2022). इसलिए, qPCR और RNA-seq के लिए HLA एलील-स्तरीय अभिव्यक्ति अनुमानों की तुलना की गई। क्योंकि अलग-अलग एलील अक्सर डेटासेट में काफी दुर्लभ होते हैं, हमने उन्हें एलील वंशावली (यानी, एलील के समूह जो एक्सॉन के संबंध द्वारा फ़िलेजेनेटिक रूप से परिभाषित किए जाते हैं) द्वारा समूहीकृत किया (एल्सनर एट अल। 2002)।

हमने RNA-seq और qPCR दोनों डेटा के आधार पर उनकी अभिव्यक्ति के स्तर के अनुसार वंशावली को रैंक किया और तरीकों (छवि 3) में रैंकिंग की सहमति का आकलन किया। हमारा व्यक्तिगत RNA-seq दृष्टिकोण सीधे एलील-स्तरीय अनुमान प्रदान करता है, क्योंकि HLA एलील अनुक्रमों का उपयोग संरेखण को अनुक्रमित करने के लिए किया जाता है, इसलिए हमने उनके औसत अभिव्यक्ति स्तरों के अनुसार एलील वंशावली का आदेश दिया। क्योंकि हमारे qPCR अभिव्यक्ति के अनुमान जीन स्तर पर हैं और सीधे एलील-स्तर के अनुमान प्रदान नहीं करते हैं, इसलिए हमने एचएलए जीनोटाइप (रामसुरन एट अल। 2015 देखें) द्वारा समझाए गए अभिव्यक्ति स्तरों के एक रैखिक मॉडल में उनके प्रभावों के अनुसार एलील वंशावली का आदेश दिया। चित्र 3 में, प्रत्येक एलील के लिए प्रत्येक स्तर के लिए अभिव्यक्ति मान दो बार प्लॉट किए जाते हैं, और qPCR के लिए, यह दो एलील की उपस्थिति को दर्शाते हुए, दो बार प्लॉट किए गए जीन-स्तर की अभिव्यक्ति है।

अभिव्यक्ति अनुमानों का क्रम HLA-C के लिए RNA-seq और qPCR के बीच -A और -B की तुलना में अधिक समान है (औसत निरपेक्ष क्रम अंतर, जहां क्रम अंतर अभिव्यक्ति मूल्यों के क्रमबद्ध क्रम के भीतर पदों में देखे गए अंतर को संदर्भित करता है। , RNA-seq और qPCR परिमाणीकरण के बीच, HLA-C के लिए 2.3 का, -A के लिए 3.1, और -B के लिए 3.9), जीन-स्तर की अभिव्यक्ति के लिए एक समझौते के समान पैटर्न के बाद, जिसके लिए हमने उच्चतम सहसंबंध पाया HLA-C के लिए RNA-seq और qPCR के बीच।

RNA-seq और qPCR के बीच सबसे बड़े अंतर वाली वंशावली में A*11 है। हमने ए * 03 या ए * 11 के लिए हेटेरोजाइट्स के एक उपसमूह पर सतह की अभिव्यक्ति को एक एंटीबॉडी का उपयोग करके मापा, जिसमें दोनों वंशों के लिए समान समानता है और देखा कि क्यूपीसीआर आरएनए-सीक्यू (अंजीर) की तुलना में इन दो एलोटाइप्स की सेल सतह अभिव्यक्ति के साथ अधिक मजबूती से संबंध रखता है। S5)। अगला, हम एचएलए एमआरएनए अभिव्यक्ति के पिछले अध्ययनों के साथ तुलना के माध्यम से एलील ऑर्डरिंग का अधिक व्यापक मूल्यांकन प्रस्तुत करते हैं।

जबकि एचएलए एलील्स के बीच अभिव्यक्ति के अंतर की तुलना करने में रुचि है, विभिन्न अध्ययनों से पता चलता है कि एक एलील या एलील वंश के भीतर अभिव्यक्ति में भिन्नता अक्सर काफी अधिक होती है, और विभिन्न रैंकों के एलील्स के बीच अंतर अक्सर छोटे और गैर-महत्वपूर्ण होते हैं। परिणामस्वरूप, कई एलील्स में रैंकों के रखरखाव की अपेक्षा करना अवास्तविक हो सकता है, और अभिव्यक्ति के चरम पर एलील्स के लिए अभिव्यक्ति अनुमानों की तुलना करना बेहतर हो सकता है।

हमारे RNA-seq डेटा के लिए, हम अपने अनुमानों की तुलना PBMCs पर पिछले दो HLA-अनुरूप RNA-seq दृष्टिकोणों से करते हैं। यमामोटो एट अल के साथ समग्र रूप से अच्छा तालमेल है। (2020), जहां A*24, A*02, C*04, और C*06 अत्यधिक व्यक्त किए गए हैं, और A*03, C*03, और B*15 निम्न स्तरों पर व्यक्त किए गए हैं, हालांकि हम इस तरह के अंतर भी देखते हैं B*35 के लिए, जो हमारे qPCR डेटा से अधिक सहमत होगा। जब हम अपने RNA-seq डेटा की तुलना Johansson et al से करते हैं। (2021), हालाँकि, हम कई और अंतर देखते हैं, हालाँकि उनके पास कई वंशों के लिए बहुत छोटे नमूने हैं।

हम अपने पिछले दो qPCR अध्ययनों के साथ अपने परिणामों की तुलना करते हैं जो एलील-विशिष्ट प्राइमरों को लागू करते हैं। बेटेंस एट अल। (2014) कुछ एचएलएसी वंशों के लिए एलील-विशिष्ट प्राइमरों का इस्तेमाल किया और सी * 04 और सी * 06 को अत्यधिक अभिव्यक्त किया, जबकि सी * 07 और सी * 03 को निम्न स्तरों पर व्यक्त किया गया था, जो हमारे पास आरएनए-सीक दोनों के लिए है। और क्यूपीसीआर। रेने एट अल। (2015) ने एचएलए-ए के लिए एलील-विशिष्ट प्राइमरों को लागू किया, और अभिव्यक्ति के चरम पर ए * 02 (उच्च) और ए * 29 (निम्न) का अवलोकन किया, जो हमारे क्यूपीसीआर की तुलना में हमारे आरएनएसेक परिणामों से अधिक सहमत हैं; हालाँकि, हम अन्य एलील वंशों में कई अंतर देखते हैं

कुछ मामलों में, हम कार्यात्मक अध्ययन के साथ समझौते का भी मूल्यांकन कर सकते हैं। उदाहरण के लिए, ट्रांसक्रिप्शन फ़ैक्टर बाइंडिंग साइट्स (TFBS) और प्रमोटर गतिविधि (एंडरसन 2018 में समीक्षा की गई) के पिछले विश्लेषण, और miRNA विनियमन (कुलकर्णी एट अल। 2011) पर किए गए अध्ययन से पता चलता है कि C*03 और C*07 कमजोर रूप से व्यक्त एलील हैं। जो RNA-seq और qPCR दोनों के लिए हमारी टिप्पणियों से सहमत है।

मतभेदों के संभावित स्रोत

हमने अगली जांच की कि क्या RNA-seq के लिए उपयोग किए गए नमूनों के प्रसंस्करण ने qPCR और RNA-seq के साथ प्राप्त अभिव्यक्ति अनुमानों के बीच अंतर में योगदान दिया हो सकता है।

एक विशिष्ट चिंता यह थी कि नमूनों को -80 डिग्री फ्रीजर (qPCR और RNA-seq परख के बीच लगभग 4 वर्ष) में संग्रहीत करने के साथ-साथ नमूनों के विगलन सहित RNA-seq प्रयोग के लिए विशिष्ट अन्य चरण थे। इसे संबोधित करने के लिए, हमने 11 व्यक्तियों से ताजा रक्त पुनर्नवीकरण पर दूसरा RNAseq प्रयोग किया, जो इस अध्ययन में विश्लेषण किए गए 96 का एक उपसमुच्चय है, और हमने दो बार के बिंदुओं के बीच अभिव्यक्ति के अनुमानों की तुलना की। भले ही यह दूसरा परख पहले RNA-seq प्रयोग (अंजीर। S6A और B) से संबंधित तकनीकी और जैविक दोनों अंतरों को वहन करता है, लेकिन समय बिंदुओं के बीच अभिव्यक्ति के अनुमानों में ट्रांसक्रिप्शनल-वाइड सहसंबंध उच्च है (चित्र। S6C)।

हालांकि 11 व्यक्तियों के साथ सहसंबंध का आकलन शोर हो सकता है, एचएलए जीन में सहसंबंध दो नमूनों (चित्र। S6D और F) के बीच सबसे बड़े जीन-वार सहसंबंधों में से हैं। हमने भीतर-अलग-अलग एलील अनुपातों की भी गणना की, जो एक विषम व्यक्ति के दो एचएलए एलील्स के बीच अभिव्यक्ति का अनुपात है, और उनकी तुलना समय बिंदुओं के बीच की जाती है। HLA-A, -B, और -C (चित्र। S6E) के लिए सहसंबंध 0.94 से अधिक था। इसलिए, हमने अपने मूल नमूने में RNA-seq और qPCR के बीच कम सहसंबंध को समझाने के लिए RNA गिरावट के एक बड़े योगदान का कोई सबूत नहीं देखा।

RNA-seq और qPCR के बीच अंतर के लिए एक और संभावित योगदान यह है कि विशिष्ट HLA एलील एक या दूसरे तरीके से अधिक पक्षपाती हो सकता है, इस मामले में ऐसे एलील वाले व्यक्ति बड़े अंतरों में योगदान करेंगे। उदाहरण के लिए, A * 03 वाले व्यक्तियों के लिए, या C * 07 के होमोज़ाइट्स के लिए, qPCR और RNA-seq (चित्र 4A) के बीच एक नकारात्मक संबंध है।

तरीकों के बीच मतभेदों का एक अतिरिक्त स्रोत इस तथ्य से उत्पन्न हो सकता है कि, हमारे आरएनए-सीक दृष्टिकोण में, हम हर एचएलए एलील के लिए सभी जेनकोड एनोटेट ट्रांसक्रिप्ट को वैयक्तिकृत करते हैं; हालाँकि, वास्तविक प्रतिलेख विविधता और विशिष्ट HLA एलील्स के साथ इसका जुड़ाव अच्छी तरह से नहीं समझा गया है। उदाहरण के लिए, कुलकर्णी एट अल। (2017) ने दिखाया कि ए * 01 और ए * 11 छोटे 3′-यूटीआर का उत्पादन करते हैं। यह जांचने के लिए कि क्या हम उस फंडिंग को अपने RNA-seq डेटा में दोहरा सकते हैं, हमने रीड्स को संदर्भ जीनोम में मैप किया और HLA-मैपर (कैस्टेली एट अल। 2018) के साथ HLA जीन में मैपिंग पूर्वाग्रह के लिए सही किया। दरअसल, A * 01 या A * 11 ले जाने वाले व्यक्तियों के लिए, HLA-A के 3 U-UTR पर रीड कवरेज एनोटेट जीन एंड (चित्र। S7) से पहले ~ 120 बीपी पर तेज गिरावट दिखाता है।

क्योंकि ट्रांसक्रिप्ट प्रति मिलियन (टीपीएम) मानों की गणना संदर्भ लंबाई को ध्यान में रखते हुए की जाती है, ऐसे संदर्भ का उपयोग करना जो वास्तविक ट्रांसक्रिप्ट से अधिक लंबा है, अभिव्यक्ति को कम करके आंका जाता है। हमने पढ़ने के संरेखण के लिए हमारे सूचकांक में 3′-यूटीआर के साथ प्रत्येक एचएलए-ए प्रतिलेख के एक संस्करण को शामिल करके इस तरह के छोटे टेप की संभावना को नियंत्रित करने का प्रयास किया। हालाँकि, हमें छोटे आइसोफॉर्म (चित्र। S8) की अभिव्यक्ति का कोई सबूत नहीं मिला, संभवतः क्योंकि ये छोटे आइसोफॉर्म सामान्य लंबाई के आइसोफॉर्म के भीतर समाहित हैं, और सैल्मन का कार्यान्वयन सभी बड़े आइसोफॉर्म को पढ़ता है। दिलचस्प बात यह है कि आइसोफॉर्म स्तर पर अभिव्यक्ति ए * 11 के लिए विशेष रूप से 5 U-यूटीआर के साथ एक आइसोफॉर्म को प्रकट करती है, जो इस एलील (छवि। S8) के लिए कुल अभिव्यक्ति के एक बड़े अनुपात में योगदान करती है।

हमने अपने अभिव्यक्ति अनुमानों के एक सामान्यीकरण का भी परीक्षण किया, जिसमें हमने समीपस्थ या डिस्टल 3′-यूटीआर टर्मिनस (वेट के रूप में रीड कवरेज का उपयोग करके प्रतिलेख लंबाई का भारित औसत) का समर्थन करते हुए रीड कवरेज को दी गई लंबाई को समायोजित किया। हालांकि हम A*01 और/या A*11 ले जाने वाले व्यक्तियों के लिए अभिव्यक्ति के स्तर में 20 प्रतिशत तक का लाभ देखते हैं, हम इस समायोजन के बाद qPCR के साथ सहसंबंध में केवल एक छोटा सा सुधार देखते हैं (rho=0 से। 20 in Fig. 2 to rho=0.24 in Fig. 4B).

A * 01 और A * 11, RNA-seq और qPCR (चित्र 3) के बीच सबसे बड़े रैंक अंतर वाले एलील में से हैं, और एनोटेशन में उनके संबद्ध प्रतिलेखों का अपूर्ण प्रतिनिधित्व हमारे RNA-seq अनुमानों में पूर्वाग्रह का परिचय दे सकता है।

अंत में, कच्चे qPCR डेटा से अंतिम अभिव्यक्ति अनुमान प्राप्त करने के लिए उपयोग की जाने वाली सामान्यीकरण विधियां भी qPCR और RNA-देखें अनुमानों के बीच अंतर का स्रोत हो सकती हैं। एचएलए क्लास I जीन के लिए मात्रात्मक पीसीआर जांच आमतौर पर एक्सॉन 1 से 4 के भीतर क्षेत्रों को बढ़ाती है, और बी2एम (2-माइक्रोग्लोब्युलिन) जैसे हाउसकीपिंग जीन की अभिव्यक्ति द्वारा मानकीकरण आमतौर पर किया जाता है (जैसा कि वर्तमान अध्ययन में मामला था) ). इस प्रक्रिया के लिए तर्क यह है कि यदि अभिव्यक्ति के स्तर को स्थिर रूप से व्यक्त संदर्भ द्वारा मानकीकृत किया जाता है, तो अलग-अलग व्यक्तियों के अनुमानों को एक ही पैमाने पर रखा जाता है, इस प्रकार व्यक्तियों में तुलना की अनुमति मिलती है।

B2M HLA कक्षा I अणु में प्रकाश श्रृंखला के लिए एन्कोड करता है, और यह प्रशंसनीय है कि B2M और HLA वर्ग I जीन में अभिव्यक्ति का कुछ समन्वय होता है, क्योंकि वे समान प्रमोटर आर्किटेक्चर (कोबायाशी और वैन डेन एलसेन 2{{1{{12}) साझा करते हैं }}}12; विजयन एट अल। 2019), और साझा ट्रांसक्रिप्शन कारकों द्वारा विनियमित किया जा सकता है (उदाहरण के लिए, एनएलआरसी5/सीआईटीए जर्कट सेल लाइन्स में एचएलए वर्ग I और बी2एम दोनों की अभिव्यक्ति को प्रेरित करता है (मीस्नर एट) अल। 2 {{2 0}} 1 0)। सहसंबद्ध मूल्यों द्वारा HLA जीन अभिव्यक्ति का सामान्यीकरण हमारे qPCR अनुमानों में पूर्वाग्रह का परिचय दे सकता है, विशेष रूप से HLA-B के लिए, जिसके लिए हम एक उच्च देखते हैं बी 2 एम अभिव्यक्ति के साथ सहसंबंध (चित्र। 4 सी)। एक भिन्न लेकिन सहसंबद्ध चर द्वारा एक चर को मापना, वितरण के मध्य में अत्यधिक मान लाकर और विचरण को कम करके गड़बड़ी का परिचय दे सकता है। इस परिकल्पना के अनुरूप, qPCR डेटा के लिए भिन्नता के गुणांक हैं HLA-A और -C के लिए क्रमशः 0.61 और 0.50, लेकिन HLA-B के लिए 0.17 तक गिर जाता है (तुलना के रूप में, RNA-seq डेटा के लिए CVs HLA-A, -B और -C के लिए 0.20, 0.14 और 0.29 हैं। , क्रमश)। हालाँकि, उसी qPCR डिज़ाइन का उपयोग करते हुए, रामसुरन एट अल। (2017) B2M, GAPDH, 18 s, और b-Actin जीन द्वारा HLA-B अभिव्यक्ति को सामान्य किया, और बहुत सुसंगत परिणाम देखे, जो qPCR अनुमानों पर B2M सामान्यीकरण के प्रभाव का समर्थन नहीं करता है।

बहस

एचएलए प्रतिलेख अभिव्यक्ति का विश्वसनीय अनुमान विविध शोध प्रश्नों में योगदान कर सकता है, और हालांकि एचएलए कोडिंग भिन्नता के संदर्भ में बीमारी के परिणाम का अक्सर पता लगाया जाता है, अभिव्यक्ति के स्तर भी नैदानिक ​​​​परिणामों में भिन्नता की व्याख्या करने की संभावना रखते हैं (डेंड्रो एट अल। 2018 में समीक्षा की गई; और में) जोहानसन एट अल 2022)। हेमेटोपोएटिक स्टेम सेल प्रत्यारोपण की योजना बनाते समय अभिव्यक्ति के स्तर में भी निर्णय लेने की क्षमता होती है; उदाहरण के लिए, यदि एलोजेनिक दाताओं के लिए चयन में एक पूर्ण मैच अनुपलब्ध है, तो यह उन लोगों का चयन करने के लिए फायदेमंद प्रतीत होता है जो कम अभिव्यक्ति वाले एलील (पीटर्सडॉर्फ एट अल। 2014, 2015) में बेमेल हैं। प्रतिलेख अभिव्यक्ति के विश्वसनीय अनुमान भी ईक्यूटीएल की पहचान में सहायता कर सकते हैं जो एचएलए अभिव्यक्ति के नियंत्रण को रेखांकित करता है, जिसे जीडब्ल्यूएएस निष्कर्षों में एकीकृत किया जा सकता है, अगर एमएचसी क्षेत्र में ज्ञात हिट एचएलए जीन के लिए ईक्यूटीएल के साथ मेल खाते हैं (देखें, उदाहरण के लिए, टेबल) Aguiar et al. 2019 में S6)। आम तौर पर, एचएलए प्रतिलेख अभिव्यक्ति के बेहतर अनुमानों से हमें एचएलए विनियमन की आनुवंशिक संरचना को समझने में मदद मिलेगी, सीस-एक्टिंग वेरिएंट के सापेक्ष योगदान की पहचान करना (यानी, एचएलए जीन के पड़ोस में जो वे विनियमित करते हैं) और लेनदेन वेरिएंट (जो दूर में हैं) जीनोमिक स्थान, अन्य गुणसूत्रों सहित)। यह उस डिग्री के बारे में जानकारी प्रदान करेगा जिसमें एचएलए अभिव्यक्ति में भिन्नता एक एलील-विशिष्ट संपत्ति बनाम एलील पहचान से स्वतंत्र एक अंतर-व्यक्तिगत विशेषता है (बेटेंस एट अल। 2022 देखें)।

मात्रात्मक पीसीआर तकनीकों ने हमें एचएलए अभिव्यक्ति और रोग फेनोटाइप के बीच संबंधों को उजागर करने में सक्षम बनाया है। अभी हाल ही में, RNA-seq विभिन्न आबादी के बड़े पूरे-प्रतिलेख डेटासेट में जीन अभिव्यक्ति का आकलन करने के लिए पसंद का तरीका बन गया है। ऐसे डेटा से एचएलए अभिव्यक्ति के लिए सटीक जानकारी निकालने में सक्षम होना एक महत्वपूर्ण चुनौती है, और इस लक्ष्य को प्राप्त करने के लिए कई तरीके प्रस्तावित किए गए हैं। हालाँकि, RNA-seq विश्लेषण से निकलने वाले परिणाम qPCR के उपयोग से संचित होने वाले परिणामों से सहमत हैं, वर्तमान में अज्ञात है। हालांकि ये विधियाँ एक ही आणविक फेनोटाइप (आरएनए बहुतायत) को लक्षित करती हैं, लेकिन वे उपयोग की जाने वाली प्रायोगिक तकनीकों, डेटा के विश्लेषण और सामान्यीकरण के रूपों, जैव सूचनात्मक प्रक्रियाओं और उनके अधीन होने वाले पूर्वाग्रहों में स्पष्ट रूप से भिन्न हैं।

हमारे ज्ञान के लिए, पिछले अध्ययनों में qPCR के साथ HLA अनुरूप RNA-seq दृष्टिकोणों की तुलना में छोटे नमूने शामिल थे। उदाहरण के लिए, जोहानसन एट अल। (2021) ने HLA-C पर केवल 5 नमूनों पर qPCR के साथ अपने HLA-लक्षित RNA-seq को मान्य किया, 0.9 के पियर्सन सहसंबंध गुणांक का वित्तपोषण किया, जो महत्वपूर्ण नहीं था (p=0.08)। .

वर्तमान अध्ययन में, हमने शास्त्रीय HLA वर्ग I जीन HLA-A, -B, और -C के लिए 96 व्यक्तियों के मिलान वाले सेट में मात्रात्मक PCR और RNA-seq अभिव्यक्ति अनुमानों की तुलना की। हमने 96 व्यक्तियों के नमूने पर अभिव्यक्ति में मामूली लेकिन महत्वपूर्ण सहसंबंध पाया। इन अनुमानों की तुलना करने के लिए सोने के मानक की कमी को देखते हुए, अनुमान त्रुटियों और दोनों तरीकों से जुड़े पूर्वाग्रह समग्र परिणाम में योगदान दे सकते हैं।

हमने विभिन्न कारकों के प्रभावों का पता लगाया जो आरएनए-सीक्यू और क्यूपीसीआर अनुमानों के बीच कम सहसंबंध की व्याख्या कर सकते हैं, जैसे विशिष्ट एचएलए एलील्स के लिए अभिव्यक्ति का खराब अनुमान और क्यूपीसीआर में एकल हाउसकीपिंग जीन द्वारा सामान्यीकरण। हमारे परिणाम प्रत्येक qPCR डिज़ाइन या RNA-seq पाइपलाइन के लिए सामान्यीकृत नहीं किए जा सकते हैं, जिसके लिए विभिन्न दृष्टिकोणों की एक विस्तृत विविधता है। हालाँकि, हमारी जानकारी के अनुसार, यह HLA अभिव्यक्ति के अनुमान के लिए qPCR और RNA-seq के बीच पहली प्रत्यक्ष तुलना है।

हमारा अध्ययन उन क्षेत्रों का सुझाव देता है जिनमें एचएलए प्रतिलेख अभिव्यक्ति के निर्धारण में सुधार की आवश्यकता होती है। उदाहरण के लिए, RNA-seq और qPCR के बीच तुलना, इन विधियों से जुड़े कृत्रिम अंतरों को सीमित करने के लिए विधियों (जैसे, समान RNA आइसोलेशन प्रोटोकॉल, स्टोरेज/विगलन समय, RNA अखंडता) में नमूनों की एक समान प्रसंस्करण को नियोजित करना चाहिए। सिंगल रेफरेंस जीनोम या ट्रांसक्रिप्टोम के लिए मैपिंग शॉर्ट रीडिंग बायसेस उत्पन्न करती है, और एचएलए पॉलीमॉर्फिज्म के लिए मैपिंग को पढ़ने वाली रणनीतियाँ आवश्यक हैं। यह देखते हुए कि इसे पूरा करने के लिए कई रणनीतियाँ हैं (बोएगल और अन्य 2012; ली और अन्य 2018; अगुइर और अन्य 2019; गुटिएरेज़-आर्सेलस और अन्य 2020; डार्बी और अन्य 2020), यह तुलना करने के लिए महत्वपूर्ण होगा इन दृष्टिकोणों की सापेक्ष सटीकता।

ऐसे तरीकों को विकसित करने की भी आवश्यकता है जो आइसोफॉर्म भिन्नता के लिए पर्याप्त रूप से खाते हैं, न केवल सूचना की एक और परत प्रदान करने के लिए बल्कि अधिक सटीक अभिव्यक्ति अनुमान भी हैं, क्योंकि गलत ट्रांसक्रिप्ट लंबाई द्वारा रीड काउंट का सामान्यीकरण त्रुटि का एक संभावित स्रोत है। इस संदर्भ में, लंबे समय तक पढ़ा जाने वाला डेटा, जो सीधे पूरी ट्रांसक्रिप्ट जानकारी उत्पन्न करता है, एक शक्तिशाली उपकरण हो सकता है (कॉर्नबी एट अल। 2022)। अंत में, प्रतिलिपि संख्या भिन्नता, कुछ HLA लोकी (जैसे, DRB) के लिए एक ज्ञात विशेषता, अभिव्यक्ति के स्तर को निर्धारित करते समय भी विचार किया जाना चाहिए।

स्वीकृतियाँ

हम तातियाना टोरेस (साओ पाउलो विश्वविद्यालय), यांग लुओ (हार्वर्ड मेडिकल स्कूल) और बोस्टन में ज्वाइंट बायोलॉजी कंसोर्टियम के सदस्यों को उनकी मददगार चर्चाओं के लिए धन्यवाद देते हैं।

लेखक का योगदान

डिओगो मेयर, मैरी कैरिंगटन, रिचर्ड एम. सिंगल, और विटोर आरसी अगुइयार ने अध्ययन की अवधारणा और डिजाइन में योगदान दिया। सामग्री की तैयारी, डेटा संग्रह और प्रयोग मॉरीन पी. मार्टिन, वेरोन रामसुरन, स्मिता कुलकर्णी, अरमान बशीरोवा, डेनिलो जी. ऑगस्टो और मैरी कैरिंगटन द्वारा किए गए थे। डेटा विश्लेषण विटोर आरसी अगुइयार, एरिक कैस्टेली, रिचर्ड एम. सिंगल, मारिया गुटिरेज़-आर्सेलस और डिओगो मेयर द्वारा किया गया था। पांडुलिपि विटोर आरसी अगुइयार और डिओगो मेयर द्वारा लिखी गई थी। सभी लेखकों ने पढ़ा, योगदान दिया और अंतिम पांडुलिपि को मंजूरी दी।

अनुदान

साओ पाउलो फ़ंडिंग एजेंसी (FAPESP, http://www.fapesp. br/en/) ने DM (2012/18010-0 और 2013/22007-7) और VRCA (2014/{{) को फ़ंडिंग प्रदान की 5}} और 2016/24734-1)। नेशनल इंस्टीट्यूट ऑफ हेल्थ, यूएसए ने DM (NIH R01 GM075091) को फंडिंग प्रदान की, जिसने VRCA पोस्टडॉक के हिस्से का समर्थन किया। Conselho Nacional de Desenvolvimento Científco e Tecnológico (CNPq) और स्वास्थ्य मंत्रालय, ब्राज़ील ने MC और DM (470043/{{13}) को दिए गए यूएस-ब्राज़ील के संयुक्त प्रस्ताव के हिस्से के रूप में RNA-seq प्रयोगों और अनुसंधान यात्रा यात्राओं के लिए धन उपलब्ध कराया। }). NIH/NIAID R01AI157850 SK को सपोर्ट करता है। वीआर को विज्ञान और प्रौद्योगिकी विभाग (डीएसटी) के धन से दक्षिण अफ्रीकी चिकित्सा अनुसंधान परिषद (एसएएमआरसी) द्वारा वित्त पोषित किया गया था; और आंशिक रूप से एएएस द्वारा टीबी/एचआईवी अनुसंधान उत्कृष्टता के लिए उप-सहारा अफ्रीकी नेटवर्क (एसएएनटीएचई), एक डेल्टास अफ्रीका पहल (अनुदान # डीईएल-15-006) के माध्यम से भी समर्थित है।

इस परियोजना को अनुबंध संख्या HHSN261200800001E के तहत फ्रेडरिक नेशनल लेबोरेटरी फॉर कैंसर रिसर्च से संघीय निधियों के साथ पूरे या आंशिक रूप से वित्त पोषित किया गया है। इस प्रकाशन की सामग्री आवश्यक रूप से स्वास्थ्य और मानव सेवा विभाग के विचारों या नीतियों को प्रतिबिंबित नहीं करती है, और न ही व्यापारिक नामों, वाणिज्यिक उत्पादों, या संगठनों का उल्लेख अमेरिकी सरकार द्वारा समर्थन को दर्शाता है। इस शोध को NIH, फ्रेडरिक नेशनल लैब, सेंटर फॉर कैंसर रिसर्च के इंट्रामुरल रिसर्च प्रोग्राम द्वारा आंशिक रूप से समर्थित किया गया था।

डेटा उपलब्धता

वर्तमान प्रकाशन में प्रस्तुत RNA-seq डेटा dbGaP परिग्रहण phs003177.v1.p1 के अंतर्गत dbGaP डेटाबेस में जमा किया गया है और उपलब्ध है।

संदर्भ

1. एगुइयार वीआरसी, सीज़र जे, डेलानो ओ, एट अल (2019) एक व्यक्तिगत पाइपलाइन के साथ एचएलए जीन के लिए अभिव्यक्ति का अनुमान और ईक्यूटीएल मैपिंग। पीएलओएस जेनेट 15:ई1008091।

2. अलकिना ए, अबाद-ग्रौ एमडीएम, फेडेज़ एम एट अल (2012) मल्टीपल स्केलेरोसिस जोखिम वेरिएंट एचएलए-डीआरबी1*1501 विभिन्न मानव आबादी में डीआरबी1 जीन की उच्च अभिव्यक्ति के साथ संबद्ध है। प्लस वन 7: ई29819।

3. एंडरसन एसके (2018) एचएलए-सी अभिव्यक्ति को नियंत्रित करने वाले तत्वों का आणविक विकास: प्राकृतिक किलर सेल फ़ंक्शन को नियंत्रित करने वाले किलर-सेल इम्युनोग्लोबुलिन-जैसे रिसेप्टर लिगैंड के रूप में एक भूमिका के लिए अनुकूलन। एचएलए 92:271-278.

4. एप्स आर, मेंग जेड, डेल प्रीटे जीक्यू एट अल (2015) सामान्य और एचआईवी संक्रमित कोशिकाओं में एचएलए वर्ग- I प्रोटीन के सापेक्ष अभिव्यक्ति स्तर। जे इम्यूनोल 194:3594-3600।

5. ऐप्स आर, क्यूई वाई, कार्लसन जेएम, एट अल (2013) एचआईवी नियंत्रण पर एचएलए-सी अभिव्यक्ति स्तर का प्रभाव। विज्ञान 340:87–91।

6. अरशद एन, लॉरेंट-रोल एम, अहमद डब्ल्यूएस एट अल (2023) SARS-CoV -2 सहायक प्रोटीन ORF7a और ORF3a MHC-I सतह अभिव्यक्ति को डाउन-रेगुलेट करने के लिए अलग-अलग तंत्र का उपयोग करते हैं। प्रोक नेटल एकेड साइंस यूएसए 120:ई2208525120।

7. औलचेंको वाईएस, रिपके एस, इसहाक ए, वैन ड्यूजन सीएम (2007) जेनबेल: जीनोम-वाइड एसोसिएशन विश्लेषण के लिए एक आर पुस्तकालय। जैव सूचना विज्ञान 23:1294–1296।

8. Bachtel ND, Umviligihozo G, Pickering S, et al (2018) HLA-C डाउनरेगुलेशन by HIV -1 होस्ट HLA जीनोटाइप के अनुकूल है। पीएलओएस पाथोग 14:ई1007257.

9. बेटेंस एफ, ब्रूनेट एल, टियरसी जेएम (2014) एचएलए-सी एमआरएनए अभिव्यक्ति में उच्च-युग्मक परिवर्तनशीलता: एचएलए-विस्तारित हैप्लोटाइप्स के साथ जुड़ाव। जीन्स इम्युन 15:176-181।

10. बेटेंस एफ, ओन्गेन एच, रे जी एट अल (2022) गैर-कोडिंग जीन विविधताओं द्वारा एचएलए वर्ग I अभिव्यक्ति का विनियमन। पीएलओएस जेनेट 18: ई 1010212

11.बोएगल एस, बुकुर टी, कैसल जेसी, साहिन यू (2018) इन सिलिको टाइपिंग ऑफ क्लासिकल एंड नॉन-क्लासिकल एचएलए एलील्स फ्रॉम स्टैंडर्ड आरएनए-सीक रीड्स। तरीके मोल बायोल 1802:177-191।

For more information:1950477648nn@gmail.com