MétaCan
Menu
← Retour à la cohorte
Enregistrement W2911720118 · doi:10.1182/blood-2018-99-120229

Comprehensive Integrated Genomic Perturbations Reveal Molecular Mechanisms of Red Blood Cell Trait Associations

2018· article· en· W2911720118 sur OpenAlexaff
Yuxuan Wu, Mitchel A. Cole, Abdou Mousas, Jing Zeng, Qiuming Yao, Divya S. Vinjamur, Ryo Kurita, Yukio Nakamura, Luca Pinello, G. Lettre, Daniel E. Bauer

Notice bibliographique

RevueBlood · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversité de MontréalMontreal Heart Institute
Organismes subventionnairesnon disponible
Mots-clésBiologyGeneticsGenome-wide association studySingle-nucleotide polymorphismChromatinGeneComputational biologyGenotype

Résumé

récupéré en direct d'OpenAlex

Abstract Discovery of molecular mechanisms responsible for trait associations as discovered by genome-wide association studies (GWAS) is hampered by difficulty in identifying causal genetic variants due to linkage disequilibrium. Typical assays of genetic function are low throughput or evaluate sequences in heterologous ectopic settings. Genome editing enables perturbation of trait-associated genetic sequences within relevant genomic, chromatin and cellular context. Here we perform comprehensive analysis of genetic variants associated with red blood cell traits by pooled CRISPR screening. We performed a genome-wide Cas9 gene knockout screen in immortalized erythroid precursors (HUDEP-2 cells) during erythroid maturation to define functional erythroid genes required for cell growth or differentiation. We evaluated 952 loci associated with nine red blood cell traits (Astle et al, Cell 2016) comprising 24,843 SNPs. We linked 7,187 (28.9%) of these SNPs to genes by at least one of four routes: sharing topological associated domain, physical proximity (<20 kb), long-range chromatin interaction (promoter HiC), or eQTL with a functional erythroid gene. We designed ~5 guide RNAs per SNP requiring cleavage position within at least 50 bp and exceeding an off-target score threshold, resulting in 32,710 sgRNAs testing 5,592 SNPs at 481 loci. We utilized four editors: Cas9 nuclease to produce indels, dCas9-VP64 for gene activation, dCas9-KRAB for gene repression, and dCas9 as a DNA targeting control. By pooled lentiviral transduction, erythroid differentiation culture, and guide RNA library deep sequencing, we found reproducible results across biological replicates, with guide count clustered by Cas9 protein type. We performed fine-mapping of association results by Bayesian inference to calculate posterior probability of inclusion (PPI). We found a strong correlation between PPI and CRISPR significance score indicating agreement between CRISPR screening and genetic fine-mapping, despite examples of validated CRISPR signals with low PPI scores. We identified numerous CRISPR-implicated functional SNPs at regulatory elements including promoters and enhancers but also at noncoding sequences lacking chromatin marks. The editing of CRISPR -implicated functional SNPs correlated well with expression of linked genes. Editing of CRISPR-implicated functional SNPs caused altered proliferation and/or differentiation of both HUDEP-2 cells and CD34+ HSPC-derived primary erythroid precursors. We validated a functional SNP at the BCL2L1 enhancer, where both Cas9 disruption and dCas9-KRAB inhibition resulted in decreased expression of BCL2L1,and reduced cell survival during erythropoiesis. We validated several CRISPR-implicated functional SNPs at GFI1B that controlled erythroid cell differentiation, including one at a distal enhancer element and another that impacted exon splicing. These results demonstrate the potential and challenges of comprehensive integrated genomic perturbation to complement genetic, biochemical, and statistical approaches to uncover molecular underpinnings of human blood cell traits. Disclosures No relevant conflicts of interest to declare.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,244
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood→Même sujetCRISPR and Genetic Engineering→Travaux en français237 207→