Thoái hóa hoàng điểm tuổi già (AMD) là một bệnh lý phức tạp với nền tảng di truyền mạnh mẽ. Mặc dù các nghiên cứu liên kết toàn bộ hệ gen (GWAS) đã xác định được hàng chục locus liên quan đến nguy cơ mắc bệnh, việc chuyển đổi từ các tín hiệu liên kết thống kê sang xác định gen gây bệnh thực sự vẫn là một thách thức lớn. Hầu hết các biến thể di truyền được phát hiện nằm trong các vùng không mã hóa (non-coding), khiến việc kết nối chúng với các gen đích trở nên khó khăn. Hơn nữa, các nghiên cứu trước đây thường dựa trên dữ liệu mô tổng thể (bulk tissue), bỏ qua bối cảnh tế bào cụ thể – yếu tố then chốt để hiểu cơ chế bệnh sinh thực sự của AMD.
Bản chất của thách thức trong lập bản đồ gen gây bệnh
Để hiểu tại sao việc xác định gen gây bệnh lại khó khăn, chúng ta cần nhìn vào cấu trúc của hệ gen. Khoảng 95% các biến thể di truyền liên quan đến bệnh nằm trong các vùng không mã hóa. Những vùng này thường chứa các yếu tố điều hòa gen (regulatory elements) như enhancer hoặc promoter. Một biến thể tại đây có thể làm thay đổi biểu hiện gen thông qua việc ảnh hưởng đến cấu trúc chromatin, độ ổn định của RNA hoặc quá trình hậu phiên mã. Thách thức nằm ở chỗ: gen gần nhất với biến thể không nhất thiết là gen gây bệnh. Chúng ta cần một phương pháp tiếp cận tích hợp để kết nối biến thể với yếu tố điều hòa, và từ đó kết nối yếu tố điều hòa với gen đích trong một bối cảnh tế bào cụ thể.
Chiến lược tiếp cận đa omics và dữ liệu cốt lõi
Nghiên cứu đề xuất một quy trình tích hợp dữ liệu đơn bào (single-cell) bao gồm: single-cell RNA-seq (để xác định biểu hiện gen), single-cell ATAC-seq (để xác định vùng chromatin mở) và giải trình tự toàn bộ hệ gen (WGS) hoặc kiểu gen. Bằng cách kết hợp các dữ liệu này, chúng ta có thể xây dựng bản đồ tương tác giữa các yếu tố điều hòa và gen đích, từ đó thu hẹp khoảng cách từ liên kết thống kê đến tính nhân quả.
| Phương pháp | Mục tiêu | Ý nghĩa lâm sàng |
|---|---|---|
| Single-cell RNA-seq | Định danh biểu hiện gen theo từng loại tế bào | Hiểu rõ chức năng tế bào trong AMD |
| Single-cell ATAC-seq | Xác định vùng chromatin mở | Tìm kiếm các yếu tố điều hòa gen |
| Tích hợp đa omics | Kết nối biến thể - yếu tố điều hòa - gen đích | Xác định gen gây bệnh tiềm năng |
Phân tích chuyên sâu về tính nhân quả
Việc sử dụng dữ liệu đơn bào giúp khắc phục sự thiên lệch của các nghiên cứu mô tổng thể, nơi các tín hiệu từ các loại tế bào hiếm nhưng quan trọng có thể bị lu mờ bởi các tế bào chiếm ưu thế. Một phát hiện quan trọng là sự khác biệt trong biểu hiện gen giữa các vùng võng mạc (trung tâm so với ngoại vi), điều này giải thích tại sao AMD không xảy ra đồng nhất. Tuy nhiên, cần lưu ý rằng các mô hình AI hiện nay, dù ấn tượng, vẫn cần được kiểm chứng bằng các thử nghiệm chức năng (functional assays) như CRISPR để xác nhận tính nhân quả thực sự.
Việc xác định gen gây bệnh không chỉ dừng lại ở các mô hình thống kê, mà đòi hỏi sự kết hợp giữa dữ liệu đa omics và các hệ thống mô phỏng tế bào để xác nhận chức năng của từng biến thể trong bối cảnh sinh học cụ thể.
Thông điệp mang về cho thực hành lâm sàng
- Tư duy đa chiều: Không nên chỉ tập trung vào các gen mã hóa protein; các yếu tố điều hòa không mã hóa đóng vai trò quyết định trong cơ chế bệnh sinh của AMD.
- Tầm quan trọng của bối cảnh tế bào: Các nghiên cứu tương lai cần ưu tiên dữ liệu đơn bào để hiểu rõ sự khác biệt giữa các loại tế bào trong võng mạc và biểu mô sắc mặt (RPE).
- Kết hợp AI và thực nghiệm: AI là công cụ mạnh mẽ để dự đoán, nhưng việc xác nhận bằng các kỹ thuật chỉnh sửa gen (như CRISPR) là bắt buộc để khẳng định tính nhân quả.
- Hướng tới y học cá thể hóa: Việc hiểu rõ các biến thể di truyền cụ thể sẽ mở đường cho các liệu pháp điều trị nhắm trúng đích trong tương lai.
Tài liệu tham khảo:
Chen, R. (2026). Session 3: Mapping Causal Genes and Variants in AMD Using a Multi-Omics Approach. BrightFocus Foundation. https://www.youtube.com/watch?v=v_KoSoLKR7c