Gli assi di plasticità fenotipica indipendenti definiscono l'obesità distinta

Blog

CasaCasa / Blog / Gli assi di plasticità fenotipica indipendenti definiscono l'obesità distinta

Oct 22, 2023

Gli assi di plasticità fenotipica indipendenti definiscono l'obesità distinta

Nature Metabolism volume 4,

Nature Metabolism volume 4, pagine 1150–1165 (2022)Citare questo articolo

19k accessi

6 citazioni

518 Altmetrico

Dettagli sulle metriche

Studi condotti su individui geneticamente “identici” indicano che circa il 50% della variazione dei tratti complessi non può essere ricondotta alla genetica o all'ambiente. I meccanismi che generano questa variazione fenotipica “inspiegabile” (UPV) rimangono in gran parte sconosciuti. Qui, identifichiamo la neuronatina (NNAT) come un fattore conservato che tampona contro l'UPV. Troviamo che la carenza di Nnat nei topi isogenici innesca l'emergere di un polifenismo bistabile, in cui i compagni di cucciolata emergono nell'età adulta "normali" o "troppo cresciuti". Meccanicamente, questo è mediato da una crescita eccessiva insulino-dipendente che deriva dall’iperproliferazione delle cellule β dipendente dall’istone deacetilasi (HDAC). Un'analisi multidimensionale della discordanza dei gemelli monozigoti rivela l'esistenza di due modelli di UPV umano, uno dei quali (tipo B) fenocopia il polifenismo tamponato da NNAT identificato nei topi. Nello specifico, i co-gemelli monozigoti di tipo B mostrano aumenti coordinati di massa grassa e magra in tutto il corpo; diminuzione dell'espressione NNAT; aumento delle firme genetiche reattive all'HDAC; ed esiti clinici legati all’insulinemia. Fondamentalmente, la firma UPV di tipo B stratifica sia le coorti infantili che quelle adulte in quattro stati metabolici, inclusi due tipi di obesità fenotipicamente e molecolarmente distinti.

La ricerca biomedica è guidata da un dogma vecchio di 100 anni secondo cui il fenotipo risulta dagli effetti additivi dei geni e dell'ambiente1,2. Dagli anni '20, un insieme di prove persistente e convincente ha sostenuto l'esistenza di un'ulteriore dimensione della variazione fenotipica non spiegata dalla genetica o dall'ambiente3. Lo sforzo trentennale di Klaus Gärtner per standardizzare i modelli di roditori, ad esempio, ha opportunamente dimostrato che gli animali continuamente consanguinei allevati in condizioni rigorose e standardizzate continuano a mostrare un notevole grado di UPV4. I potenziali mediatori dell'UPV includono la variazione genetica residua5, la variazione genetica del mosaico, le interazioni gene-gene e gene-ambiente (effetti modificatori non additivi), la programmazione intergenerazionale e di sviluppo e meccanismi probabilistici come quelli alla base dei polifenismi organismici e del controllo epiallelico metastabile6,7 . Per la medicina di precisione, la nostra conoscenza limitata dell’UPV rappresenta un’enorme fonte di potenziale non sfruttato: le stime derivanti dalle analisi di concordanza dei tratti tra co-gemelli8 suggeriscono che l’UPV è responsabile di circa il 50% della variazione rilevante dei tratti complessi9,10,11,12,13,14 ,15.

Una vasta letteratura sull'epigenetica dimostra l'esistenza di macchinari molecolari altamente conservati che stabilizzano unità trascrizionali transitoriamente plastiche in output trascrizionali (fenotipici) ON o OFF altamente stabili tra cellule isogeniche e organismi16,17. La letteratura sulla variegatura per effetto di posizione, ad esempio, evidenzia l'esistenza di centinaia di tali loci genomici il cui risultato di espressione è transitoriamente probabilistico nello sviluppo iniziale e in definitiva deterministico (ON o OFF) nonostante abbia origine nello stesso tessuto dello stesso individuo nello stesso ambiente, senza cambiamenti nella sequenza sottostante del DNA. Questi studi indicano che una frazione dell'UPV probabilmente non è dovuta a un "rumore" biologico casuale. L’esistenza di sottostati fenotipici alternativi ma distinti, in contrapposizione al rumore fenotipico casuale, comporta profonde implicazioni per la medicina di precisione. Sebbene non tipicamente interpretato in questo modo, il lavoro originale che ha aperto la strada alla scoperta dei meccanismi di silenziamento epigenetico nel lievito e nella Drosophila, dimostra che esiste una complessa rete di regolamentazione sufficiente a sostenere l'UPV18,19,20 dell'organismo, almeno per quanto riguarda i singoli loci reporter. Mentre è ormai chiaro che gli ormoni e le vie della cromatina possono regolare l’UPV, sappiamo molto poco del meccanismo molecolare che tampona la variazione fenotipica e limita i risultati dello sviluppo/fenotipico a un intervallo specifico per un dato contesto gene-ambiente. In particolare, sebbene concettualmente correlata, si ritiene che la regolazione della robustezza sia distinta da quella della plasticità fenotipica21,22,23. Ad esempio, i regolatori della plasticità mediano intrinsecamente l’interazione gene-ambiente; i fattori di robustezza prevengono la variazione fenotipica in seguito alle perturbazioni ambientali22,23.

 30). BMI discordant co-twins, BMI difference >5 BMI points. Dashed colored boxes highlight distinct lean mass discordances between Type-A and Type-B UPV. c, Heat map showing the hierarchical clustering of Trim28/IGN1 genes based on the correlation of their expression discordance and indicated phenotypic discordances. A dashed black box highlights NNAT expression discordance correlation with phenotypic discordances of those traits that distinguish Type-A and Type-B UPV. d, Heat map showing the hierarchical clustering of Trim28/IGN1 genes based on the average correlation of their expression discordance and all phenotypic discordances, stratified by four co-twin pairs’ clusters. e, Box-plots representing discordance of NNAT expression, among MZ co-twins, belonging to the indicated clusters. **P = 0.0082, as assessed by one-tailed t-tests. f, Box-plots representing serum insulin discordance, among MZ co-twins, belonging to the indicated groups. ***P = 0.0003 as assessed by one-sided Tukey's multiple comparisons test, following one-way analysis of variance (ANOVA). In all box-plots, lower and upper hinges indicate 25th and 75th percentiles. The upper/lower whiskers indicate largest/smallest observation less/greater than upper/lower hinge + 1.5 ×IQR. Central median indicates 50% quantile. g, GSEA results of HDAC-responsive gene sets between the ‘light’ and ‘heavy’ co-twins, belonging to the indicated MZ co-twins groups. Solid and transparent colored dots, highlight either statistically significant or not significant enrichments, respectively (adjusted P value cutoff <0.01). h, Heat map showing association of single-nucleotide polymorphisms (SNPs) and indicated phenotypic traits, within the DMRs identified between ‘light’ and ‘heavy’ Type-B UPV co-twins. White boxes indicate no significant associations (P > 1 × 10−3), dark-red boxes indicate genome-wide significant associations (P < 1 × 10−8). Nearest are reported. Gray and black boxes indicate the enrichment of DMR in either the ‘light’ or ‘heavy’ co-twin. BMIadjSMK, BMI adjusted by smoking; T2D, type 2 diabetes; HR, heart rate; PDR, proliferative diabetic retinopathy; PDRvNoDR, PDR versus no PDR./p>30 BMI; severe obesity, >35 BMI). The average expression of HDAC-signature (HDAC-sig) genes (leading-edge genes from Extended Data Fig. 6d) is reported. a′, Heat map (bottom), the expression profile of the most variable genes (top 1,000) across all samples is reported, after k-means clustering into five gene sets. Venn plot (left) shows the overlap between the most variable genes and the UPV-B. b–b′, Same as in a–a′, but on the LCAT cohort. The obesity annotation is based on standardized BMI arbitrary cutoffs (BMI standard score (SDS), obesity >1.88). On the right, representative results from Gene Ontology (GO) and pathway enrichment analysis for the five gene sets from the heat map of the TwinsUK individuals (a′). GO, KEGG and Molecular Signatures Database (MSigDB) databases were assessed. Related to the extended analysis in Extended Data Fig. 8g. c–f, Box-plots showing the distributions of indicated gene expression profiles (c), normalized DNA methylation on UPV-B DMRs (d), metabolic traits (e) and morphometric measurements (f), between Type-A and Type-B obesities (TwinsUK individuals affected by obesity and belonging to clusters 3 and 4 (cl.3 and 4) from the heat map in a). *P ≤ 0.05, **P ≤ 0.01, ***P ≤ 0.001, NS, not significant, as assessed by two-tailed Student's t-tests. NNAT P = 0.00036; IGN1 P value = 0.0067; HDAC P = 2.2 × 10–16; UPV-B DMRs ‘heavy’ P = 0.028; UPV-B DMRs ‘light’ P = 0.00026; insulin P = 0.001; height P = 0.4; BMI P = 0.21; FatMI P = 0.46; LeanMI P = 0.047. In all box-plots, the lower and upper hinges indicate 25th and 75th percentiles. The upper/lower whiskers indicate largest/smallest observation less/greater than upper/lower hinge + 1.5 × IQR. Central median indicates 50% quantile. GSH, glutathione; MHC, major histocompatibility; IFN, interferon; T1D, type 1 diabetes./p>0.05 (DNA methylation differences under 5% were not considered biologically meaningful). The heat map of the differentially methylated CpGs between co-twin pairs belonging to the four different phenotypic variation clusters was generated with ‘ComplexHeatmap’88. The genomic regions of DMRs from the Type-B UPV co-twins were used to search for genome-wide relevant associations between SNPs and phenotypes in the T2D Knowledge Portal (https://t2d.hugeamp.org). When DMRs were defined by just a single nucleotide, we searched in ±50-kb regions. All genome-wide significant associations were reported (P = 10−8). We also visualized all the GWAS associations within our DMRs with a P < 10−3./p>99.9% of the data. These analyses were conducted in R (v.4.1.1) using the ‘stats’ package./p>

99.9% of the analyzed loci and differences due to missing data account on average for ~ 0.06% of the total data, among all UPV groups. d, Heatmaps showing the distribution of SNPs that resulted different between MZ cotwins, only due to missing data. On the left, the cotwin pairs are ordered by the UPV sub-types. On the right, they are ordered according to hierarchical clustering. These data show that neither the degree of missingness, nor the specific genomic positions of missing data showed any correlation to UPV sub-types. e, Same as in a, on the indicated genesets. These data show no specific enrichment of missingness in any UPV group, nor any genesets, arguing against evidence for genotypic differences underlying the detected transcriptional signatures. All p-values as assessed by ANOVA./p>

0.05. Dark-gray and black boxes highlight DNA methylation enrichment in either the ‘light’ or ‘heavy’ cotwin, respectively. b, Venn diagram showing the overlap between differentially DNA methylated sites from the indicated cotwin groups and highlighting the specificity of these epigenetic profiles. c, Barplots showing the amount of differentially methylated regions (DMRs) among ‘heavy’ and ‘light’ cotwins belonging to the indicated groups identified in the TwinsUK cohort. Only in Type-B UPV, DMRs were detected. Dark-gray and black bars highlight DNA methylation enrichment in either the ‘light’ or ‘heavy’ cotwin, respectively./p>