多队列患者招募与表型评估
收集SSc-ILD+、SSc-ILD−患者及健康对照的DNA样本和临床数据，确定SSc-ILD状态。
纳入10个国际队列，共5,962例SSc患者（2,412例ILD+，3,550例ILD−）和15,076例对照。所有个体均为欧洲裔。SSc-ILD通过HRCT或胸片及肺功能检查确定。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
系统性硬化症相关间质性肺病发病机制的新HLA I类和II类见解
Novel HLA class I and II insights into the pathogenesis of systemic sclerosis-associated interstitial lung disease
实验完整度
中包含多队列遗传关联分析、条件分析、ATA分层与调整、功能注释及预测模型验证，但缺乏功能实验或动物模型，证据层级单一（遗传关联）。
主要模型
SSc-ILD+患者队列 SSc-ILD−患者队列 健康对照队列 UK Biobank验证队列
重点核对
SSc-ILD+和SSc-ILD−患者的数量分别为2,412和3,550，以及15,076例对照 HLA变异体在MHC区域通过四位数多民族HLA v1参考面板进行填补，并在填补后严格质量控制 使用5个主成分和性别作为协变量进行逻辑回归分析，并进行逆方差加权荟萃分析 条件逐步分析使用COJO工具进行，以识别独立关联 复合评分包括六个HLA SNP、ATA/ACA状态、SSc亚型和性别，在测试队列中AUC为0.754
摘要
目的：系统性硬化症相关间质性肺病（SSc-ILD）是系统性硬化症（SSc）死亡的主要原因，但其遗传结构仍未完全阐明。因此，鉴于MHC在SSc中的关键作用，我们旨在迄今为止最大的SSc-ILD队列中进行全面的MHC全关联研究。方法：我们分析了来自10个国际队列的2,412例SSc-ILD+患者、3,550例SSc-ILD−患者和15,076例欧洲裔对照。质量控制后，对MHC区域进行填补，并进行逆方差加权荟萃分析。随后，进行条件逐步分析、抗拓扑异构酶自身抗体（ATA）状态调整以及显著单核苷酸多态性（SNP）的功能注释。最后，我们构建了一个结合遗传、临床和人口统计学变量的综合评分来预测SSc-ILD。结果：条件分析后，我们在I类和II类HLA基因中检测到十二个显著关联。ATA调整降低了II类HLA变异的显著性，而I类HLA变异不受影响。最后，构建的综合评分的曲线下面积为0.754，显著优于任何单独变量构成的模型。结论：在本研究中，我们确定了支持CD8+ T细胞和ATA自身抗体可能参与SSc-ILD发病机制的遗传机制。此外，我们还证明了将遗传信息整合到预测模型中以检测SSc-ILD高风险患者的有效性增强。这些发现为疾病发病机制提供了新的见解，并提示了潜在的生物标志物和治疗靶点，以改善患者管理。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- MHC区域在SSc-ILD易感性中的具体遗传贡献是什么？
- 核心机制
- HLA II类变异主要通过ATA相关机制促进SSc-ILD，而HLA I类变异通过独立的ATA非依赖性途径，涉及CD8+ T细胞介导的细胞毒性反应。
- 主要证据
- 12个显著关联变异，包括HLA-DQA1*01:01:01:01、HLA-DPB1*13:01:01:01和HLA-C Asp9等。ATA调整后，II类关联减弱，I类关联保持显著；功能注释显示SNP影响基因表达和剪接，优先考虑66个潜在基因。
- 研究意义
- 这些发现为SSc-ILD的发病机制提供了新见解，提示了潜在的生物标志物和治疗靶点，并支持将遗传数据整合到临床预测模型中，以改善高风险患者的识别。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基因分型与质量控制
获得高质量基因型数据，为MHC区域填补做准备。
对样本进行基因分型，并实施严格的质量控制，包括样本和变异过滤。
MHC区域填补与关联分析
填补MHC变异并识别与SSc-ILD显著相关的变异。
使用Michigan填补服务器和四位数多民族HLA v1参考面板填补MHC区域变异。进行逻辑回归和逆方差加权荟萃分析，比较SSc-ILD+ vs SSc-ILD−、SSc-ILD+ vs 对照、SSc-ILD− vs 对照。
条件逐步分析
确定条件独立关联的变异。
使用GCTA-COJO工具对SNP、经典等位基因和氨基酸残基分别进行条件逐步分析。
ATA分层与调整分析
评估ATA状态对遗传关联的影响。
在SSc-ILD+患者中按ATA状态进行分层分析，并在回归模型中作为协变量调整ATA。
功能注释
评估显著SNP的潜在调控作用。
使用FUMA GWAS和GTEx v.8数据库对显著SNP及其代理变异进行功能注释，包括eQTL、sQTL和染色质相互作用。
风险预测模型构建与验证
结合遗传和临床变量构建并验证SSc-ILD风险预测模型。
使用PRSice-2计算多基因风险评分（PRS），并与临床变量结合构建复合评分。在训练队列中优化模型，在测试队列中评估性能，并在UK Biobank队列中验证。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究设计与样本 | 样本量（2,412 SSc-ILD+、3,550 SSc-ILD−、15,076对照）、队列数（10个）、种族（欧洲裔） 阅读提示：Materials and Methods - Study population |
| 基因分型与QC | 基因分型阵列、QC阈值（缺失率、HWE、MAF）、填补参考面板（Four-digit Multi-ethnic HLA v1） 阅读提示：Materials and Methods - Quality control and MHC imputation |
| 关联分析 | 协变量（性别、5个主成分）、比较组（SSc-ILD+ vs SSc-ILD−等）、显著性阈值（4.6×10−6） 阅读提示：Materials and Methods - Statistical analysis |
| 条件分析 | COJO分析设置（分别对SNP、等位基因、氨基酸残基） 阅读提示：Materials and Methods - Statistical analysis |
| ATA调整与分层 | ATA状态定义、分层标准、调整模型 阅读提示：Materials and Methods - Stratification and adjustment of associations by ATA |
| 功能注释 | FUMA参数（如LD、eQTL组织）、代理SNP r2阈值（>0.9） 阅读提示：Materials and Methods - Functional annotation of SSc-ILD specific variants |
| 预测模型 | 训练/测试队列划分、PRS计算参数、复合评分公式（权重） 阅读提示：Materials and Methods - Risk prediction with polygenic risk score |