In der folgenden Studie wird eine multizentrische ME/CFS-Gesamtgenomanalyse vorgestellt, die auf einem neuartigen Deep-Learning-Framework, HEAL2, basiert.
Die Modellinterpretation von HEAL2 identifiziert 115 ME/CFS-Risikogene, die eine signifikante Intoleranz gegenüber Funktionsverlustmutationen (LoF) aufweisen. Transkriptom- und Netzwerkanalysen unterstreichen die funktionelle Bedeutung dieser Gene in einer Vielzahl von Geweben und Zelltypen, einschließlich des zentralen Nervensystems (ZNS) und von Immunzellen.
Patientenbasierte Multi-Omics-Daten deuten auf eine reduzierte Expression von ME/CFS-Risikogenen bei ME/CFS-Patienten hin, einschließlich des Plasmaproteoms, und in den Transkriptomen von B- und T-Zellen, insbesondere zytotoxischen CD4+-T-Zellen, was deren Krankheitsrelevanz untermauert.
Die Pan-Phänotyp-Analyse von ME/CFS-Genen enthüllt zudem die genetische Korrelation zwischen ME/CFS und anderen komplexen Erkrankungen und Merkmalen, einschließlich Depressionen und Long COVID-19.
Insgesamt stellt HEAL2 ein mögliches genetisches Diagnoseinstrument für ME/CFS dar, und die Ergebnisse tragen zu einem umfassenden Verständnis der genetischen, molekularen und zellulären Grundlagen von ME/CFS bei und liefern neue Erkenntnisse über therapeutische Zielstrukturen. Das Deep-Learning-Modell bietet zudem einen breit anwendbaren Rahmen für die parallele Analyse seltener Varianten und die genetische Vorhersage für andere komplexe Erkrankungen und Merkmale.
Zur Studie geht es hier.
