Une étude d’association intégrative transcriptome à l’échelle et la randomisation mendélienne identifient LYNX1 et MS4A14 comme cibles thérapeutiques pour l’ostéomyélite

Résumé

Cette étude intègre l’analyse d’association à l’échelle du transcriptome et la randomisation mendélienne pour identifier systématiquement les cibles médicamenteuses pour l’ostéomyélite. En s’appuyant sur des bases de données génétiques, les auteurs ont identifié LYNX1 et MS4A14 comme des gènes candidats clés, mettant en lumière des voies moléculaires cruciales et éclairant des stratégies thérapeutiques précises pour la gestion des infections osseuses.

Résumé

L’ostéomyélite est une maladie infectieuse sévère caractérisée par une inflammation profonde de l’os et de la moelle osseuse, principalement causée par des agents pathogènes bactériens tels que Staphylococcus aureus (S. aureus). Cependant, les traitements actuels sont considérablement entravés par l’apparition de résistances aux antibiotiques et d’infections récurrentes, provoquées par une formation robuste de biofilms et une persistance bactérienne intracellulaire. Ainsi, il est urgent d’identifier de nouvelles cibles thérapeutiques au-delà des antimicrobiens conventionnels. Une approche computationnelle intégrative combinant une étude d’association transcriptocomique (TWAS) avec une analyse de randomisation mendélienne basée sur un résumé (SMR) a été appliquée pour identifier systématiquement les gènes de susceptibilité causale sous-jacents à l’ostéomyélite. Des variants génétiques à grande échelle ont été utilisés comme variables instrumentales pour prédire l’expression génique à travers les tissus, permettant d’explorer les associations causales entre ces cibles et le risque de maladie. Le cadre intégratif a identifié LYNX1 et MS4A14 comme des gènes candidats clés et des cibles thérapeutiques potentielles. Plus précisément, LYNX1 était associée à une plus grande susceptibilité à l’ostéomyélite, tandis que MS4A14 présentait des propriétés protectrices potentielles. Ces résultats mettent en lumière les rôles régulateurs de ces gènes dans la réponse immunitaire de l’hôte et la modulation inflammatoire lors des infections osseuses. Cette étude fait le pont entre les résultats d’association génomique et l’interprétation biologique, faisant progresser la compréhension des bases génétiques de l’ostéomyélite et soutenant le développement de stratégies ciblées de médecine de précision pour renforcer la défense de l’hôte et surmonter la résistance thérapeutique.

Introduction

L’ostéomyélite est une maladie infectieuse sévère caractérisée par une inflammation profonde de l’os et de la moelle osseuse. Il est fréquemment déclenché par une invasion bactérienne, Staphylococcus aureus (S. aureus) étant un pathogène courant dans les présentations hématogènes aiguës^{et chroniques 1,2}. Bien que S. aureus soit prononcé, l’ostéomyélite est souvent polymicrobienne, et l’éradication seule de S. aureus ne résout pas toujours l’infection en raison de la persistance de micro-organismes incultivables et des interactions dynamiques de^{biofilms 3,4}. Chez les hôtes sensibles, les agents pathogènes emploient des stratégies d’évasion complexes, notamment la persistance intracellulaire au sein des macrophages et la formation de biofilms denses. Ces biofilms, composés d’ADN extracellulaire, de polysaccharides et de protéines spécialisées, créent des barrières physiques redoutables qui résistent aux défenses immunitaires de l’hôte et limitent la pénétration des agents antimicrobiens^{conventionnels 5,6}. Par conséquent, bien que la prise en charge clinique implique généralement un débridement chirurgical agressif et une thérapie antibiotique prolongée, la présence de biofilms résilients et de communautés polymicrobiennes réduit significativement l’efficacité du traitement, entraînant une morbidité prolongée et des infections^{récurrentes 7,8}. L’élucidation de l’architecture moléculaire sous-jacente aux interactions hôte-pathogène reste cruciale pour identifier de nouvelles cibles^{thérapeutiques 9}.

Les études d’association génomique (GWAS) ont fait progresser la compréhension de l’ostéomyélite en identifiant plusieurs loci génétiques associés à la susceptibilité aux^{maladies 10}. Cependant, en raison de seuils multiples stricts et de limites en puissance statistique et en taille de l’échantillon, de nombreux loci critiques influençant la susceptibilité à l’ostéomyélite risquent de rester non^{détectés 7}. De plus, l’interprétation des résultats GWAS reste difficile, car la plupart des variants identifiés se trouvent dans des régions non codantes ou intergéniques, suggérant des effets régulateurs sur l’expression génique plutôt que des altérations directes de la structure^{protéique 11}. De plus, les données GWAS primaires manquent de spécificité tissulaire directe, nécessitant des analyses complémentaires en aval pour déterminer les contextes cellulaires dans lesquels ces variants exercent leurs effets. Les études d’association à l’échelle du transcriptome (TWAS) répondent à ces limites en intégrant l’expression génétiquement prédite des panels de référence dans les ensembles de données GWAS existants, permettant une identification systématique de gènes associés à la maladie fonctionnellement pertinents sur plusieurs^{tissus 12}.

Pour renforcer l’inférence causale, la randomisation mendélienne (RM) utilise des variantes génétiques comme variables instrumentales, en tirant parti de l’allocation aléatoire des allèles à la conception pour réduire la confusion et inverser la^{causalité 13,14}. Les analyses des loci de traits quantitatifs d’expression (eQTL) relient davantage les variants GWAS à la transcription^{génique 15}, tandis que la randomisation mendélienne basée sur un résumé (SMR) intègre des ensembles de données GWAS et QTL pour prioriser les gènes causaux et les distinguer des associations dues au déséquilibre de liaison via le test^{d’hétérogénéité 16}.

Cette étude représente la première application d’un cadre intégratif TWAS et IRM spécifiquement axé sur l’ostéomyélite, en répondant à l’écart entre les résultats du GWAS et les analyses cliniquement exploitables. En combinant des données transcriptomiques expérimentales avec des données génétiques de population à grande échelle, les gènes de susceptibilité à la maladie ont été systématiquement cartographiés et les relations causales ont été déduites. Cette stratégie intégrative vise à découvrir des voies moléculaires auparavant non reconnues impliquées dans la résistance de l’hôte à l’ostéomyélite et à identifier des cibles candidates pour un développement thérapeutique de précision.

Protocole

Toutes les statistiques résumées utilisées dans les analyses de randomisation mendélienne (RM) et d’étude d’association transcriptomé (TWAS) ont été strictement dérivées de jeux de données précédemment publiés et désidentifiés. L’approbation éthique et le consentement individuel pour les études originales sont documentés dans leurs publications respectives. Par conséquent, une approbation éthique supplémentaire pour cette étude d’exploration de données a été dispensée par le Conseil d’éthique institutionnelle de l’hôpital Tongde de la province du Zhejiang (Zhe Tongde Lunshen 2024 [Yan] n° 028-JY). Les outils utilisés pour cette recherche sont listés dans le Tableau des matériaux.

1. Acquisition et traitement des données RNA-seq

Les données transcriptomiques ont été obtenues à partir de la base de données Gene Expression Omnibus (GEO) (GSE272198) pour évaluer la conservation des voies immunitaires innées chez les espèces de mammifères en vue d’une validation^{initiale 17}. Les macrophages dérivés de la moelle osseuse (BMDM) ont été infectés par S. aureus (multiplicité de l’infection, MOI = 10) pendant 1 heure, suivis d’un traitement par lysostaphine (20 μg/mL) et gentamicine (50 μg/mL) pour éliminer les bactéries extracellulaires. Après trois lavages avec du sérum physiologique tamponné phosphate (PBS), les BMDM ont été cultivés pendant 24 heures, lysés dans un réactif d’extraction totale d’ARN, puis séquencés.

La qualité de l’ARN a été évaluée à l’aide d’un système automatisé d’électrophorèse afin d’en assurer l’intégrité. Des bibliothèques ont été préparées à partir de trois expériences indépendantes et séquencées sur une plateforme de séquençage à haut débit. Les lectures brutes ont été alignées sur le génome de la souris (GRCm38, mm10) à l’aide de STAR (v2.7.10a). Des gènes différenciellement exprimés (DEG) ont été identifiés à l’aide de DESeq2 (v1.38.0). Pour atténuer les faux positifs, la signification statistique a été définie comme une valeur p ajustée (FDR) < 0,05 et |log₂ de changement de fold| > 1. L’analyse de l’ontologie génique (GO) a été réalisée à l’aide de clusterProfiler (v4.6.0), et l’analyse d’enrichissement des ensembles de gènes (GSEA) a été réalisée avec GseaVis (v0.0.5). Les heatmaps étaient générés à l’aide du package pheatmap (v1.0.12) dans R (v4.2.0).

Analyse TWAS

Les données de séquençage de l’ARN du sang entier et du séquençage du génome entier (WGS) ont été obtenues à partir du projet Genotype-Tissue Expression (GTEx) (V8)¹⁸. Des modèles d’expression génique pré-entraînés ont été utilisés à partir d’un dépôt public (https://doi.org/10.5281/zenodo.3842289). Les statistiques résumées de l’ostéomyélite pour TWAS ont été consultées auprès du consortium FinnGen, comprenant 2 336 cas et 473 264^{témoins 12}.

TWAS a été réalisé à l’aide de trois algorithmes : imputation des tissus articulaires (JTI), PrediXcan¹⁹ et UTMOST ^12,20. Le JTI estime la similarité de l’expression génique et l’accessibilité à la chromatine épigénétique afin d’optimiser la précision de la prédiction. PrediXcan applique la régression nette élastique avec une validation croisée à cinq reprises, tandis qu’UTMOST améliore la précision en exploitant des données d’expression multitissulaires à l’aide de LASSO à groupes clairsemés. Le cadre UTMOST modifié décrit par Zhou et ^al.12 standardise les hyperparamètres pour une estimation impartiale. Les gènes avec des scores de validation croisée stables — prédéfinis comme un coefficient de corrélation r > 0,1 et une signification prédictive p < 0,05²¹ — ont été conservés comme imputables. Des modèles de transcriptome sanguin entier ont été établis à l’aide de matrices de covariance SNP issues du jeu de données de référence 1000 Genomes.

Les associations entre l’expression génique prédite et le risque d’ostéomyélite ont ensuite été analysées. Pour tenir compte des tests multiples, la signification statistique pour TWAS a été principalement définie à l’aide d’un seuil de taux de fausse découverte (FDR) de < 0,05. Compte tenu de la nature génératrice d’hypothèses de cette étude en plusieurs étapes, les loci atteignant un seuil (nominal) suggestif de p < 0,05 ont également été priorisés pour la randomisation mendélienne en aval (SMR) et les analyses de colocalisation. Cette stratégie intégrative vise à maximiser la capture des facteurs réglementaires potentiels tout en s’appuyant sur la validation croisée multi-omique (TWAS + SMR) pour garantir la robustesse des candidats priorisés.

Analyse SMR

Cette étude respectait les directives STROBE (Strengthening the Reporting of Observational Studies in Epidemiology^{) 22}. Pour définir de manière computationnelle un phénotype représentant une prédisposition génétique à la dysfonction mitochondriale (désormais appelée « mitodys » à des fins d’analyse), des transcriptions correspondant à tous les gènes liés aux mitochondriaux connus ont été extraits de la base de données MitoCarta3.0²³. Cet ensemble de gènes a servi de base prédéfinie, informée par la biologie, pour la prédiction ultérieure du risque polygénique. Toutes les interprétations fonctionnelles en aval relatives aux « mitodys » sont dérivées de cette inférence computationnelle et doivent être considérées comme prédictives et génératrices d’hypothèses.

Les instruments de loci de traits quantitatifs d’expression (eQTL) ont été générés à partir de variants situés à moins de 1000 kb des séquences codantes (cis-eQTLs). Les statistiques résumées proviennent du consortium eQTLGen et du GTEx V8²⁴. Un total de 8 932 843 SNP liés à 1 013 transcrits liés aux mitodys ont été sélectionnés sur la base d’un seuil de signification génomique P < 5E-8. Les statistiques de base GWAS pour les résultats de l’ostéomyélite ont été obtenues à partir de FinnGen²⁰.

L’analyse de randomisation mendélienne (SMR) basée sur des données résumées a été réalisée à l’aide de SMR (version 1.0.3) avec des paramètres par défaut pour estimer les associations pléiotropes entre les traits d’expression génique et les résultats de l’ostéomyélite. L’effet causal beta_mitodys–ostéomyélite représente la taille d’effet log-odds estimée du dysfonctionnement mitochondrial sur l’ostéomyélite et est calculé comme suit :

Les rapports de cotes (OR) représentent le changement par augmentation logarithmique naturelle d’une unité des niveaux d’expression génique standardisés. La co-localisation a été ensuite évaluée à l’aide du test d’hétérogénéité dans les instruments dépendants (HEIDI).

Résultats

Caractérisation du séquençage d’ARN en vrac et des enrichissements fonctionnels

En suivant la méthodologie utilisée pour isoler les BMDM non infectés (témoins) versus infectés par S. aureus, 3 775 DEG ont été identifiés dans le groupe expérimental, comprenant 1 686 gènes à la hausse et 2 089 à la baisse. L’analyse GO a révélé un réseau fortement enrichi pour l’activation immunitaire innée, incluant une régulation positive (GO :0045089...

Discussion

En intégrant les analyses TWAS et SMR dans des ensembles de données translationnelles, cette étude a identifié un réseau central de loci génétiques associés aux phénotypes d’ostéomyélite. L’identification de LYNX1 et MS4A14 comme cibles géniques candidates représente une contribution clé, fournissant une vision mécaniste au-delà des résultats GWAS conventionnels en intégrant un contexte transcriptomique. Cette approche intégrative met en lumière le potentiel des stratégies de médecine de...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
clusterProfiler	Guangchuang Yu's Team (Université Sun Yat-sen)	NA	Utilisé pour l'analyse d'enrichissement fonctionnel de l'ontologie des gènes (GO) des gènes exprimés de manière différentielle.
DESeq2	Projet Bioconductor (Source Ouverte)	NA	Utilisé pour identifier les gènes exprimés de manière différentielle (DEG)
GSEA / GseaVis	Broad Institute / Communauté Open Source	NA	Utilisé pour l'analyse d'enrichissement de l'ensemble de gènes (GSEA) afin d'identifier les ensembles de gènes exprimés de manière coordonnée. GseaVis est probablement utilisé pour la visualisation.
Test HEIDI (Heterogeneity in Dependent Instruments)	Fonction intégrée au logiciel SMR	NA	Utilisé pour tester si l'association observée dans SMR est due au déséquilibre de liaison plutôt qu'à une variante causale partagée. P_HEIDI > 0,05 indique l'absence d'hétérogénéité majeure
JTI (Joint-Tissue Imputation)	Zhou et al. (Modèle Open Source)	NA	Un algorithme TWAS qui estime la similarité d'expression génique et l'accessibilité épigénétique de la chromatine pour optimiser la précision des prédictions.
pheatmap	Raivo Kolde (Package R)	NA	Utilisé pour générer des heatmaps des gènes exprimés de manière différentielle pour la visualisation des données.
PrediXcan	Gamazon et al. (Modèle Open Source)	NA	Un algorithme TWAS qui applique une régression élastique avec une validation croisée par cinq à l'imputation de l'expression génique et au test d'association avec le risque de maladie.
SMR (Summary-data-based Mendelian Randomization)	Développé par une équipe de l'Université Fudan (Logiciel Open Source)	NA	Utilisé pour effectuer une analyse de randomisation mendélienne basée sur les résumés afin d'explorer les associations causales entre l'expression génique et le risque d'ostéomyélite. La version 1.0.3 a été utilisée.
STAR	Alexander Dobin (Cold Spring Harbor Laboratory)	NA	Utilisé pour aligner les lectures de RNA-seq sur le génome de référence (génome de souris GRCm38/mm10).
UTMOST	Hu et al. (Modèle Open Source)	NA	Un algorithme TWAS qui améliore la précision des prédictions en exploitant les données d'expression multi-tissus à l'aide d'un cadre LASSO de groupe épars.