Nghiên cứu liên kết toàn bộ genome (GWAS): Khám phá cơ sở di truyền của các bệnh phức tạp

Tại sao một số người phát triển tiểu đường loại 2 dù không béo phì, trong khi những người khác thừa cân nhưng lại không bao giờ mắc bệnh? Tại sao bệnh tim mạch có thể di truyền trong gia đình nhưng không theo qui luật đơn giản như màu mắt hay nhóm máu? Những câu hỏi này đã làm đau đầu các nhà khoa học trong nhiều thập kỉ. Khác với các bệnh di truyền đơn gen như hồng cầu hình liềm hay xơ nang, đa phần các bệnh phổ biến hiện nay như tiểu đường, bệnh tim mạch, ung thư, Alzheimer là những bệnh phức tạp, không tuân theo qui luật di truyền Mendel truyền thống. Các bệnh này không bắt nguồn từ một gen duy nhất, thay vào đó là kết quả của sự tương tác giữa hàng trăm, thậm chí hàng nghìn biến thể di truyền khác nhau, kết hợp với các yếu tố môi trường.

Trước những năm 2000, các nhà khoa học chủ yếu dựa vào phương pháp phân tích liên kết dựa trên phả hệ nhằm tìm kiếm gen gây bệnh. Phương pháp này hoạt động tốt với các bệnh di truyền đơn gen, nhưng gần như vô dụng với các bệnh phức tạp. Do đó, GWAS (Genome-Wide Association Studies) ra đời nhằm trở thành một công cụ hữu ích trong phân tích cơ sở di truyền của các bệnh phổ biến.

Lịch sử phát triển của GWAS

GWAS là một phương pháp nghiên cứu nhằm tìm ra mối liên hệ giữa các biến thể gen và bệnh tật. Phương pháp này hoạt động bằng cách so sánh ADN của hai nhóm người gồm nhóm bị bệnh và nhóm khỏe mạnh. GWAS có thể quét toàn bộ bộ gen để tìm các biến thể gen liên quan đến bệnh, thay vì chỉ tập trung vào một vài gen như các phương pháp trước đây. Từ kết quả so sánh, người ta có thể tìm ra những thay đổi di truyền có khả năng dẫn đến bệnh.

Ý tưởng về GWAS được đề xuất lần đầu vào năm 1996 bởi hai nhà khoa học Neil Risch và Kathleen Merikangas. Tuy nhiên, phải đến năm 2005, GWAS mới thực sự được ứng dụng trong thực tế. Nhóm nghiên cứu của Robert Klein đã thực hiện nghiên cứu GWAS đầu tiên về bệnh mù lòa do tuổi già. Sau khi so sánh gen của 96 người bệnh với 50 người khỏe mạnh, họ tìm ra được gen liên quan đến căn bệnh này.

Từ thành công đầu tiên, GWAS đã phát triển nhanh chóng nhờ nhiều yếu tố thuận lợi. Chi phí xét nghiệm gen ngày càng giảm, các ngân hàng mẫu sinh học được xây dựng với số lượng mẫu lớn, và công nghệ xử lí dữ liệu cũng tiến bộ vượt bậc. Đến năm 2017, đã có hơn 3.000 nghiên cứu GWAS được công bố, qua đó các nhà khoa học có thể hiểu rõ thêm về mối liên hệ giữa gen và hơn 1.800 loại bệnh tật khác nhau. Những phát hiện này đã góp phần quan trọng để tìm hiểu nguyên nhân và phát triển phương pháp điều trị cho nhiều bệnh.

Nguyên lí khoa học và kĩ thuật cơ bản của GWAS

Biến thể đơn nucleotide (SNP)

Biến thể đơn nucleotide (SNP) là những thay đổi nhỏ trong ADN, nó xảy ra khi một nucleotide được thay thế bằng nucleotide khác. Nucleotide vốn là những thành phần cơ bản cấu tạo nên ADN. Chẳng hạn, tại một vị trí cụ thể trong bộ gen, nucleotide cytosine (C) có thể được thay thế bằng thymine (T).

SNP rất phổ biến trong bộ gen người. Trung bình cứ 1.000 nucleotide lại có một SNP, nghĩa là mỗi người mang khoảng 4–5 triệu SNP trong bộ gen của mình. Hiện nay, các nhà khoa học đã phát hiện hơn 600 triệu SNP khác nhau.

Để được xem là SNP, một biến thể phải xuất hiện trên ít nhất 1% dân số. SNP có thể nằm trên nhiều vị trí trong sợi ADN bao gồm giữa các gen, bên trong gen hoặc gần các vùng điều hòa gen. Khi nằm trong hoặc gần gen, SNP có thể ảnh hưởng đến cách gen hoạt động, từ đó góp phần gây ra các bệnh tật.

GWAS được ứng dụng nhằm tìm ra những SNP có liên quan đến bệnh. Chẳng hạn, để xác định các yếu tố di truyền góp phần gây ra một bệnh phức tạp như tiểu đường, các nhà nghiên cứu tập hợp hàng nghìn người mắc bệnh nhằm so sánh kiểu hình SNP của họ với hàng nghìn người không mắc bệnh. Khi nghiên cứu có đủ số lượng người tham gia, các nhà khoa học có thể sử dụng SNP như những dấu chỉ để nhận thấy một số vùng nhất định trên bộ gen có xu hướng giống nhau giữa những người mắc bệnh tiểu đường. Từ đó, họ xác định được vùng nào cần nghiên cứu sâu hơn để tìm ra nguyên nhân di truyền.

Liên kết không ngẫu nhiên (Linkage Disequilibrium)

Khi nghiên cứu SNP, các nhà khoa học phát hiện ra một đặc điểm quan trọng được gọi là “liên kết không ngẫu nhiên” (LD). LD cho thấy các biến thể gen tại những vị trí gần nhau trên ADN thường được di truyền cùng nhau từ thế hệ này sang thế hệ khác. Một đột biến mới xuất hiện thường được truyền đi cùng với các biến thể gen xung quanh trên cùng một đoạn ADN.

Liên kết không ngẫu nhiên giúp GWAS trở nên hiệu quả hơn nhiều. Thay vì phải kiểm tra tất cả SNP trong bộ gen, các nhà khoa học chỉ cần nghiên cứu một số SNP đại diện. Khi phát hiện một SNP có liên quan đến bệnh, họ có thể xác định được các SNP lân cận cũng có khả năng liên quan, do chúng thường được di truyền cùng nhau. Phương pháp này tiết kiệm thời gian và chi phí nghiên cứu, đồng thời vẫn đảm bảo độ chính xác trong tìm ra các biến thể gen liên quan đến bệnh.

Qui trình tiến hành GWAS

Thu thập mẫu và xác định kiểu hình

Để thực hiện GWAS, bước đầu tiên là thu thập mẫu từ một số lượng lớn người tham gia nghiên cứu. Trong một nghiên cứu GWAS tiêu chuẩn, người ta thường cần từ vài nghìn đến hàng trăm nghìn người. Những người tham gia được chia thành hai nhóm: nhóm người bệnh (hoặc có đặc điểm quan tâm) và nhóm người khỏe mạnh. Từ mỗi người tham gia, họ lấy mẫu ADN (thường từ máu hoặc nước bọt) và ghi nhận đầy đủ thông tin như tình trạng bệnh, tuổi tác, giới tính.

Số lượng người tham gia nắm vai trò quyết định đến độ chính xác của nghiên cứu. Bởi vì các biến thể gen thường có ảnh hưởng nhỏ đến nguy cơ mắc bệnh nên cần phải có thật nhiều người tham gia để có thể phát hiện chính xác những ảnh hưởng này. Càng nhiều người tham gia, các nhà khoa học càng có khả năng tìm ra được mối liên hệ thực sự giữa gen và bệnh tật.

Genotyping với chip microarray SNP

Sau khi có mẫu ADN từ người tham gia, các nhà khoa học cần xác định kiểu gen (genotype) của từng người. Họ dùng một công nghệ gọi là chip SNP—một thiết bị nhỏ có thể phân tích hàng trăm nghìn đến hơn 2 triệu SNP cùng lúc.

Chip SNP có gắn sẵn các đoạn đầu dò ADN chuyên biệt được thiết kế nhằm nhận biết một trình tự ADN cụ thể chứa SNP. Khi ADN của người tham gia trùng khớp với đầu dò trên chip, hai đoạn ADN này kết hợp với nhau. Sau đó, chip được chiếu tia laser nhằm đo tín hiệu huỳnh quang. Cường độ tín hiệu xác định được kiểu gen tại mỗi vị trí SNP.

Kiểm soát chất lượng dữ liệu

Kiểm soát chất lượng dữ liệu là một bước cực kì quan trọng trong GWAS. Bởi vì nghiên cứu phải xử lí một lượng dữ liệu khổng lồ, các sai số nhỏ có thể cộng dồn và ảnh hưởng lớn đến kết quả cuối cùng. Vì vậy, các nhà khoa học phải loại bỏ những dữ liệu không đạt tiêu chuẩn, bao gồm cả dữ liệu về SNP và thông tin của người tham gia.

Đầu tiên, họ kiểm tra và loại bỏ những trường hợp không chính xác về thông tin cơ bản. Chẳng hạn, khi thông tin về giới tính trong hồ sơ không khớp với kết quả phân tích gen, hoặc khi phát hiện những người tham gia có quan hệ họ hàng gần (như anh chị em ruột), vì điều này có thể ảnh hưởng đến độ chính xác của nghiên cứu. Các SNP cũng được sàng lọc kĩ để đảm bảo chất lượng và phải tuân theo qui luật cân bằng về sự ổn định của tần số allen trong quần thể.

Phân tích thống kê và tìm kiếm liên kết

Bước cuối cùng và quan trọng nhất của GWAS là phân tích thống kê để tìm ra những SNP thực sự liên quan đến bệnh. Các nhà khoa học so sánh tần số xuất hiện của từng SNP giữa nhóm người bệnh và nhóm người khỏe mạnh. Họ tính toán một chỉ số gọi là giá trị p (p-value) nhằm xác định xem sự khác biệt này có ý nghĩa thống kê hay chỉ là ngẫu nhiên.

Tuy nhiên, GWAS phải kiểm tra hàng triệu SNP cùng một lúc, do đó đôi lúc sự khác biệt giữa hai nhóm chỉ là ngẫu nhiên. Để tránh nhầm lẫn này, các nhà khoa học đặt ra một tiêu chuẩn rất nghiêm ngặt rằng một SNP chỉ được coi là thực sự liên quan đến bệnh khi giá trị p cực kì nhỏ. Tiêu chuẩn này đảm bảo rằng những SNP được phát hiện có khả năng cao là thực sự liên quan đến bệnh.

Các ứng dụng của GWAS

Xác định yếu tố rủi ro bệnh

Bằng GWAS, người ta đã xác định được nhiều biến thể gen làm tăng nguy cơ mắc các bệnh như Alzheimer, tâm thần phân liệt và hen suyễn. Một ví dụ điển hình là nghiên cứu về bệnh hen suyễn trên trẻ em vào năm 2007. Nghiên cứu này đã phát hiện ra gen ORMDL3 trên nhiễm sắc thể số 17 có liên quan đến nguy cơ phát triển bệnh hen. Đây được xem là một trong những phát hiện quan trọng nhất về mối liên hệ giữa gen và bệnh hen suyễn.

Tính đến nay, các nghiên cứu GWAS đã tìm ra khoảng 10.000 mối liên hệ chặt chẽ giữa các biến thể gen và những đặc điểm hoặc bệnh tật khác nhau. Những phát hiện này đã được kiểm chứng và xác nhận qua nhiều nghiên cứu khác nhau, trên nhiều nhóm dân số khác nhau, miễn là nghiên cứu có đủ số lượng người tham gia.

Phát triển các mô hình dự đoán rủi ro di truyền

GWAS có thể dự đoán nguy cơ mắc bệnh của một người thông qua chỉ số được gọi là “điểm rủi ro đa gen” (PRS). PRS được tính bằng cách xem xét tất cả các biến thể gen có thể gây bệnh một người đang có để cho ra một con số ước tính nguy cơ mắc bệnh của người đó.

Chẳng hạn, với bệnh tiểu đường type 2, người ta tạo ra một mô hình dự đoán kết hợp giữa PRS và các yếu tố lâm sàng. Mô hình này có thể chia người bệnh thành ba nhóm gồm nguy cơ cao, trung bình và thấp. Ngoài thông tin về gen (PRS), mô hình còn xem xét các yếu tố khác như chỉ số cơ thể, tuổi tác và lượng đường trong máu để đưa ra dự đoán chính xác hơn.

Tuy nhiên, cần lưu ý rằng PRS chỉ là một phần của bức tranh tổng thể. Trong nhiều trường hợp, các yếu tố lâm sàng như lối sống hoặc môi trường sống có tác động đến khả năng khởi phát bệnh hơn yếu tố di truyền. Do đó, mặc dù gen giữ vai trò quan trọng, cách sống và môi trường xung quanh cũng ảnh hưởng rất lớn đến sức khỏe mỗi người.

Hiểu rõ cơ chế bệnh

GWAS còn được ứng dụng để tìm hiểu sâu hơn về cách bệnh phát triển trong cơ thể. Khi tìm ra được những biến thể gen liên quan đến bệnh, người ta có thể hiểu được những quá trình sinh học nào bị ảnh hưởng và dẫn đến bệnh. Chẳng hạn, nhờ GWAS, người ta đã hiểu rõ hơn về vai trò của đề kháng insulin và rối loạn chất béo trong bệnh tiểu đường type 2.

Một ví dụ thú vị là nghiên cứu gần đây trên 33.136 người cao tuổi Trung Quốc. Các nhà khoa học đã dùng điểm rủi ro di truyền của bệnh tiểu đường type 2 để tìm hiểu mối liên hệ với các bệnh sa sút trí tuệ. Họ phát hiện ra người có nguy cơ di truyền cao với tiểu đường type 2 cũng có nguy cơ cao mắc sa sút trí tuệ do mạch máu, nhưng không liên quan đến bệnh Alzheimer. Đáng chú ý, họ còn tìm ra rằng những gen liên quan đến tăng insulin quá mức là nguyên nhân chính tạo nên mối liên hệ này. Phát hiện này gợi ý rằng rối loạn insulin có thể là cầu nối giữa bệnh tiểu đường type 2 và sa sút trí tuệ do mạch máu.

Những hạn chế và thách thức của GWAS

Tính di truyền không giải thích được

Một trong những thách thức lớn của GWAS là hiện tượng “tính di truyền không giải thích được”. Khi nghiên cứu trên các cặp song sinh, người ta có thể ước tính được mức độ ảnh hưởng của yếu tố di truyền đến một bệnh. Ví dụ, họ có thể xác định rằng 50% nguy cơ mắc bệnh do di truyền, 50% còn lại do môi trường. Tuy nhiên, khi dùng GWAS để tìm các SNP liên quan đến bệnh, tổng tác động của tất cả các SNP tìm được chỉ giải thích được 10–20% yếu tố di truyền. Phần còn lại (30–40%) được gọi là “tính di truyền không giải thích được”.

Có nhiều giả thuyết để giải thích hiện tượng này. Một số nhà khoa học cho rằng có thể tồn tại những biến thể gen hiếm (rare variants) hoặc những biến đổi cấu trúc ADN (structural variants) mà GWAS không phát hiện được. Tuy nhiên, những nghiên cứu gần đây đề xuất rằng phần lớn “tính di truyền không giải thích được” có thể đến từ rất nhiều biến thể gen phổ biến có ảnh hưởng quá nhỏ, khó phát hiện với cỡ mẫu hiện tại của GWAS. Khi các nghiên cứu GWAS được thực hiện với số lượng người tham gia lớn hơn, khả năng phát hiện những biến thể có ảnh hưởng nhỏ này sẽ tăng lên, do đó tính di truyền của bệnh trở nên rõ ràng hơn.

Sự phân tầng dân số và các yếu tố gây nhầm lẫn

Một trong những thách thức lớn của GWAS là vấn đề phân tầng dân số khi nhóm người bệnh và nhóm đối chứng có nguồn gốc di truyền khác nhau. Ví dụ, nếu nhóm bệnh chủ yếu là người châu Á còn nhóm đối chứng chủ yếu là người châu Âu, khác biệt về gen giữa hai nhóm có thể bị nhầm lẫn là nguyên nhân gây bệnh.

Ngoài ra, còn có một vấn đề kĩ thuật được gọi là hiệu ứng lô (batch effect). Trong quá trình xét nghiệm gen, các mẫu thường được chia thành nhiều lô nhỏ để phân tích.

Mỗi lô có thể có những khác biệt về:

• Chất lượng xét nghiệm gen
• Tỉ lệ giữa mẫu của người bệnh và người khỏe mạnh
• Điều kiện thí nghiệm
• Thời gian thực hiện

Những khác biệt này có thể dẫn đến phát hiện ra những mối liên hệ giả giữa gen và bệnh. Vì vậy, các nhà khoa học phải rất cẩn thận trong thiết kế nghiên cứu và phân tích dữ liệu để tránh những sai lệch này.

Hạn chế trong ứng dụng lâm sàng của GWAS

Mặc dù GWAS đã tìm ra hàng chục nghìn biến thể gen liên quan đến bệnh, vẫn còn nhiều hạn chế khi sử dụng thông tin từ các nghiên cứu này để dự đoán bệnh cho từng người.

Có hai lí do chính dẫn đến tình trạng này bao gồm:

• Thứ nhất, mỗi biến thể gen riêng lẻ thường chỉ có ảnh hưởng rất nhỏ đến nguy cơ mắc bệnh, nghĩa là một người mang một biến thể gen nào đó không đồng nghĩa với họ chắc chắn sẽ mắc bệnh.
• Thứ hai, kết quả nghiên cứu GWAS trên một nhóm dân số có thể không áp dụng được cho nhóm dân số khác. Ví dụ, những phát hiện từ nghiên cứu trên người châu Âu có thể không chính xác khi áp dụng cho người châu Á do sự khác biệt về nguồn gốc di truyền.

Những biến thể ít thường gặp bị bỏ sót

GWAS chỉ có thể phát hiện được những biến thể gen phổ biến (xuất hiện trên 1% dân số). Trong khi những biến thể gen hiếm (dù có thể có ảnh hưởng mạnh hơn đến nguy cơ mắc bệnh) lại thường không được phát hiện qua GWAS. Bởi vì số lượng người mang các biến thể hiếm quá ít, không đủ để tạo ra ý nghĩa thống kê trong phân tích GWAS.

Để tìm ra những biến thể gen hiếm này, các nhà khoa học cần sử dụng những phương pháp nghiên cứu khác như:

• Nghiên cứu di truyền trong phạm vi gia đình
• Giải trình tự toàn bộ gen

Các ứng dụng lâm sàng tương lai và triển vọng

GWAS ngày càng được ứng dụng rộng rãi trong phát triển các mô hình dự đoán nguy cơ bệnh. Với số lượng người tham gia nghiên cứu tăng lên, điểm rủi ro đa gen (PRS) trở nên chính xác hơn trong dự đoán bệnh. Các nhà khoa học đang kết hợp PRS với các yếu tố như thói quen sinh hoạt và môi trường để tạo ra những mô hình dự đoán toàn diện hơn.

Y học cá thể hóa là một lĩnh vực đầy tiềm năng của GWAS. Phương pháp này có thể xác định những người có nguy cơ cao mắc một bệnh cụ thể hoặc những người sẽ đáp ứng tốt với một phương pháp điều trị nhất định. Từ đó, bác sĩ có thể điều chỉnh phương pháp điều trị phù hợp với từng người bệnh dựa trên đặc điểm di truyền.

GWAS cũng góp phần giảm bất bình đẳng trong chăm sóc sức khỏe. Hiện nay, phần lớn nghiên cứu GWAS tập trung trên người châu Âu. Khi có thêm nhiều nghiên cứu trên các nhóm dân số khác, người ta sẽ hiểu rõ hơn đặc điểm di truyền của từng dân tộc để phát triển những phương pháp điều trị phù hợp cho mỗi nhóm người.

Kết luận

GWAS là một bước đột phá trong nghiên cứu di truyền và y học. Từ những năm 2000, GWAS đã phát hiện hàng chục nghìn mối liên hệ giữa gen và bệnh tật, mang lại hiểu biết mới về cơ chế gây bệnh.

Tuy nhiên, GWAS vẫn còn những hạn chế như chưa giải thích được hết vai trò của di truyền trong bệnh tật, khả năng dự đoán bệnh còn thấp và khó áp dụng kết quả nghiên cứu vào điều trị. Để khắc phục, các nhà khoa học đang kết hợp GWAS với các công nghệ mới như giải trình tự toàn bộ gen và phân tích tương tác gen-môi trường.

Trong tương lai, với số lượng người tham gia nghiên cứu ngày càng tăng và đa dạng hơn, GWAS sẽ giúp các bác sĩ phát triển những phương pháp phòng ngừa, chẩn đoán và điều trị bệnh hiệu quả hơn, từ đó góp phần cải thiện sức khỏe cộng đồng.