An eQTL landscape of kidney tissue in human nephrotic syndrome
Notice bibliographique
Résumé
Abstract Expression quantitative trait loci (eQTL) studies illuminate the genetics of gene expression and, in disease research, can be particularly illuminating when using the tissues directly impacted by the condition. In nephrology, there is a paucity of eQTLs studies of human kidney. Here, we used whole genome sequencing (WGS) and microdissected glomerular (GLOM) & tubulointerstitial (TI) transcriptomes from 187 patients with nephrotic syndrome (NS) to describe the eQTL landscape in these functionally distinct kidney structures. Using MatrixEQTL, we performed cis -eQTL analysis on GLOM (n=136) and TI (n=166). We used the Bayesian “Deterministic Approximation of Posteriors” (DAP) to fine-map these signals, eQtlBma to discover GLOM-or TI-specific eQTLs, and single cell RNA-Seq data of control kidney tissue to identify cell-type specificity of significant eQTLs. We integrated eQTL data with an IgA Nephropathy (IGAN) GWAS to perform a transcriptome-wide association study (TWAS). We discovered 894 GLOM eQTLs and 1767 TI eQTLs at FDR <0.05. 14% and 19% of GLOM & TI eQTLs, respectively, had > 1 independent signal associated with its expression. 12% and 26% of eQTLs were GLOM-specific and TI-specific, respectively. GLOM eQTLs were most significantly enriched in podocyte transcripts and TI eQTLs in proximal tubules. The IGAN TWAS identified significant GLOM & TI genes, primarily at the HLA region. In this study of NS patients, we discovered GLOM & TI eQTLs, identified those that were tissue-specific, deconvoluted them into cell-specific signals, and used them to characterize known GWAS alleles. These data are publicly available for browsing and download at http://nephqtl.org .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».