REDH: Eine Datenbank des RNA-Editoms bei hämatopoetischer Differenzierung und Malignität

RNA-Editing, insbesondere die A-zu-I-Desaminierung, stellt einen entscheidenden posttranskriptionellen Modifikationsmechanismus dar, der Transkriptome diversifiziert und die Genexpression in eukaryotischen Spezies reguliert. Dieser Prozess beeinflusst mRNA-Stabilität, Spleißen, Proteincodierung und Interaktionen nicht-kodierender RNAs, wobei Dysregulationen mit Entwicklungsstörungen und Krebserkrankungen assoziiert sind. In der Hämatopoese spielt RNA-Editing eine zentrale Rolle bei der Aufrechterhaltung der Homöostase hämatopoetischer Stamm- und Vorläuferzellen (HSPC). ADAR1, das primäre Enzym der A-zu-I-Modifikation, ist für die embryonale Hämatopoese essenziell, und seine Fehlregulation steht im Zusammenhang mit Leukämogenese und Therapieresistenz. Trotz Fortschritten in der RNA-Editing-Forschung fehlte bisher eine dedizierte Ressource, die hämatopoiesespezifische RNA-Editiome integriert. Die REDH-Datenbank schließt diese Lücke durch die Konsolidierung von RNA-Editing-Ereignissen in normaler hämatopoetischer Differenzierung und malignen Transformationen und bietet eine umfassende Plattform zur Erforschung editierungsdynamischer Prozesse in physiologischen und pathologischen Kontexten.

Datenbankarchitektur und Datenintegration

REDH (RNA Editome in Hematopoietic Differentiation and Malignancy) ist ein kuratiertes Repositorium zur Analyse von RNA-Editing-Dynamiken während der Hämatopoese und bei hämatologischen Malignomen. Es umfasst vier analytische Module – Differenzierung, Erkrankung, Anreicherung und Wissen –, die jeweils spezifische Forschungsfragen adressieren. Die Datenbank integriert RNA-Sequenzierungsdaten (RNA-seq) von 12 murinen hämatopoetischen Zellpopulationen und 48 humanen Proben (29 Leukämiepatienten, 19 gesunde Spender).

Datenerfassung und -verarbeitung

Die murinen hämatopoetischen Daten stammen von 12 Zelltypen: langfristige HSCs (LT-HSCs), kurzfristige HSCs (ST-HSCs), multipotente Progenitoren (MPPs), gemeinsame myeloische Progenitoren (CMPs), megakaryozytär-erythroide Progenitoren (MEPs), granulozyto-monozytäre Progenitoren (GMPs), Megakaryozyten (MKs), Erythrozyten (Ery-A, Ery-B), Granulozyten (Gn), Monozyten (Mo) und Makrophagen (Ma). Humane Daten umfassten akute myeloische Leukämie (AML), chronische myeloische Leukämie (CML) und gesunde Kontrollen. Strandspezifische RNA-seq-Daten mit ≥25 Gb effektiven Basen wurden priorisiert, um falsch-positive Befunde zu minimieren.

RNA-Editing-Stellen wurden mittels einer etablierten Pipeline identifiziert. Reads wurden mittels Burrows-Wheeler-Aligner (BWA) an Referenzgenome (GRCm38 für Mäuse, GRCh38 für Menschen) aligniert, gefolgt von der Entfernung von PCR-Duplikaten mittels Picard. Editing-Stellen wurden mit hauseigenen Skripten detektiert, wobei eine Mindestabdeckung von ≥10 Reads erforderlich war. Stringente Filter eliminierten Einzelnukleotid-Polymorphismen (SNPs) und niedrig-konfidente Stellen: für SINE/Alu-Regionen wurde eine Editierfrequenz (EF) >0,02; für Nicht-SINE/Alu-Regionen eine EF >0,05 mit ≥3 unterstützenden Reads gefordert. Differenzielles Editing zwischen Gruppen (z.B. AML vs. gesund) wurde mittels Fisher’s Exact Test (Falschentdeckungsrate [FDR] <0,10) analysiert.

Modulmerkmale und Funktionalitäten

Differenzierungsmodul

Dieses Modul beschreibt RNA-Editing-Dynamiken in murinen hämatopoetischen Linien. Es katalogisiert 30.796 A-zu-I-Editing-Stellen, klassifiziert nach Zelltypspezifität (stadienspezifisch, gruppenspezifisch oder stabil). Benutzer können Editing-Ereignisse über „Fuzzy Search“ (Breite Kategorien: Zellpopulation, Editiermuster, Genbiotyp, genomische Region) oder „Exact Search“ (genomische Koordinaten, Genbezeichnungen) erforschen.

Kernmerkmale umfassen:

• Genbiotypen: mRNA, miRNA, lncRNA.
• Genomische Regionen: Kodierende Sequenzen (CDS), untranslatierte Regionen (UTRs), Introns, intergenische Regionen.
• Funktionelle Auswirkungen: Nicht-synonyme Substitutionen, Spleißvarianten, Änderungen der mRNA-Stabilität. Beispielsweise beeinflusst Azin1-Editing die Proteinlokalisation und damit die HSPC-Differenzierung.

Ergebnisse werden in interaktiven Tabellen dargestellt, die Chromosomenposition, Strang, Genannotationen, repetitive Elemente, Aminosäureänderungen, Editiermuster (z.B. LT-HSC-spezifisch), EF-Verteilungen und Genexpressionslevel detaillieren. Dynamische Balkendiagramme visualisieren EF und Expression über die 12 Zelltypen hinweg (Abbildung 2D).

Erkrankungsmodul

Dieses Modul fokussiert auf hämatologische Malignome und enthält 469.362 Editing-Stellen aus 20 AML-, 9 CML- und 19 gesunden Proben. Es bietet drei Suchmodi:

1. Probenrecherche: Klinische Metadaten (Krebstyp, Geschlecht, Alter) und Editing-Statistiken (z.B. durchschnittlich 11.426 differentielle Editing-Stellen in AML vs. Kontrollen).
2. DiffEd-Analyse: Identifiziert differentiell editierte Stellen (DiffEds) zwischen Subgruppen. Bei AML vs. gesund wurden 11.426 DiffEds (1782 Gene) detektiert; CML vs. gesund zeigte 6974 DiffEds (1182 Gene). Rezidivierte AML wies 4164 DiffEds (2242 Gene) vs. primäre AML auf (Abbildung 3C).
3. Exakte Suche: Filterung nach genomischer Lage, Genregion oder Editierprävalenz (gesundheitsspezifisch, leukämiespezifisch, gemeinsam).

Das Modul hebt klinisch relevante Edits hervor, wie hypereditierte dsRNA-Regionen in Leukämiestammzellen, die mit entzündlicher Signalgebung verknüpft sind. EF-Balkendiagramme ermöglichen vergleichende Analysen zwischen Proben, während herunterladbare Tabellen kohortenbasierte Untersuchungen erleichtern.

Anreicherungsmodul

Dieses Modul identifiziert über Metascape-basierte Genontologie (GO)-Analysen biologische Pfade, die durch RNA-Editing beeinflusst werden. Stadienspezifische Edits in muriner Hämatopoese reicherten 18 funktionelle Netzwerke an:

• LT-HSC-spezifisch: Chromatinorganisation, ubiquitinvermittelte Proteolyse.
• GMP-spezifisch: Mitotische Spindel-Checkpoints.
• Erythrozyten-spezifisch: Histon-H3K36-Trimethylierung.

Bei Malignomen umfassten angereicherte Termini „Zellzyklus“, „Zytokin-Signalgebung“ und „WNT-Pfad“ (Abbildung 4C). Benutzer können Editing-Stellen zu spezifischen Pfaden (z.B. „Methylierungsabhängige Chromatin-Silencing“) über interaktive Tabellen abrufen, die genomische Daten mit funktionellen Annotationen verknüpfen (Abbildung 4B).

Wissensmodul

Ein manuell kuratiertes Repositorium mit 34 experimentell validierten Editing-Ereignissen, die Hämatopoese und Malignome beeinflussen. Highlights beinhalten:

• Physiologische Edits: 8 Ereignisse (7 mRNAs, 1 lncRNA), die die HSPC-Differenzierung regulieren.
• Pathogene Edits: 26 Ereignisse (17 mRNAs, 2 miRNAs) in 12 Malignomen. Beispiel: ADAR1-Überexpression treibt die Selbsterneuerung von Leukämiestammzellen via JAK-STAT-Hyperaktivierung.
• Virale dsRNA-Edits: 7 mit hämatopoetischen Störungen assoziierte Ereignisse.

Jeder Eintrag detailliert Editing-Enzyme (ADAR1, APOBEC3G), genomische Regionen und molekulare Konsequenzen (z.B. nicht-synonyme Änderungen in FLT3 bei AML-Progression).

Technische Validierung und Anwendungen

Die analytische Rigorosität von REDH wird durch hohe Spearman-Korrelationen (ρ >0,85) zwischen biologischen Replikaten belegt. Die Anwendungsbreite wird durch Fallstudien demonstriert:

1. Azin1-Dynamiken: Stadienspezifisches Editing in HSCs korreliert mit differenzierungsassoziierten Genexpressionsverschiebungen.
2. Leukämiespezifische Edits: Hyperediting in Alu-Regionen von CML-Proben stört miRNA-mRNA-Netzwerke.
3. Therapeutische Targets: ADAR1-assoziierte Edits in rezidivierter AML korrelieren mit Therapieresistenz.

Zukünftige Erweiterungen werden zusätzliche hämatologische Malignome (z.B. Lymphome) und Einzelzell-RNA-seq-Daten zur Auflösung editierungsspezifischer Heterogenität innerhalb von Zellpopulationen integrieren.

Fazit

REDH ist die erste dedizierte Ressource zur Erforschung von RNA-Editing in hämatopoetischer Entwicklung und Malignität. Durch die Integration multidimensionaler Datensätze, funktioneller Annotationen und klinischer Korrelationen ermöglicht sie die Identifikation regulatorischer Knotenpunkte, dysregulierter Pfade und therapeutischer Targets. Die benutzerfreundliche Oberfläche kombiniert mit robusten Analysetools beschleunigt Entdeckungen in der RNA-Epitranskriptomik und präzisionsonkologischen Forschung.

doi.org/10.1097/CM9.0000000000002782