THESE DE DOCTORAT DE

NANTES UNIVERSITE

ECOLE DOCTORALE N° 605

Biologie Santé
Spécialité : Bioinformatique

Par
Rokhaya BA
Intégration de données génétiques à grande échelle pour l'amélioration
de la prise en charge du transplanté rénal

Thèse présentée et soutenue à Nantes, le 06 Décembre 2022

Unité de recherche : UMR 1064 Centre de Recherche en Transplantation et Immunologie

Rapporteurs avant soutenance :

Carmen Lefaucheur Professeur des Universités – Praticien Hospitalier, Université de Paris

François Cornélis Professeur des Universités – Praticien Hospitalier, Université de Clermont-Ferrand

Composition du Jury :

Président : Magali Giral Professeur des Universités – Praticien Hospitalier, Nantes Université
Examinateurs : Magali Giral Professeur des Universités – Praticien Hospitalier, Nantes Université
Jean-François Zagury Professeur des Universités, CNAM Paris
Gwendaline Guidicelli Praticien Hospitalier, CHU de Bordeaux

Dir. de thèse : Pierre-Antoine Gourraud Professeur des Universités – Praticien Hospitalier, Nantes Université
Co-dir. de thèse : Sophie Limou Maître de conférence, Centrale Nantes
«C’est de la force des convictions que dépend la réussite, pas du nombre de partisans»
Remus Lupin

3
 R EMERCIEMENTS

J’aimerais remercier toutes les personnes qui de près ou de loin ont contribué à la réussite
de ce projet de thèse.
Mes remerciements vont tout d’abord à mes directeurs de thèse, le Dr Sophie Limou et le Pr
Pierre-Antoine Gourraud pour m’avoir offert cette opportunité et m’avoir amené jusqu’au bout
de ce projet de thèse. Merci de m’avoir ouvert les portes de la recherche scientifique d’abord par
le biais de mon stage et ensuite à travers ces années de thèse.

Je remercie chaleureusement mes rapporteurs, le Pr François Cornélis et le Pr Carmen Le-

faucheur, pour leur intérêt pour ce travail, leur disponibilité, leur lecture rigoureuse et leur
contribution scientifique très enrichissante. Par la même occasion je remercie mes examinateurs
les Pr Magali Giral et Jean-François Zagury et le Dr Gwendaline Guidicelli d’avoir accepté de
faire partie de mon jury de thèse. Particulièrement, j’aimerais vivement remercier le Pr Giral
et le Pr Zagury qui ont été en première loge de cette thèse à travers mes CSI. Merci pour vos
conseils et votre apport scientifique tout au long de ces années.

Je remercie tous les membres du CR2TI qui de près ou de loin, ont contribué à ce travail.
Merci aux cliniciens, techniciens, ingénieurs, chercheurs, gestionnaires, doctorants, stagiaires etc.
avec lesquels j’ai pu travailler ou échanger durant ma thèse. Je remercie très chaleureusement
tous les membres de l’équipe 5 nouvellement équipe 3 (anciens comme nouveaux) que j’ai pu
côtoyer avec un immense plaisir. Nico, merci pour ton encadrement, ton sang froid devant les
questions parfois naïves sur le HLA et la génétique des populations et ton sens du second degré
à toute épreuve qui a souvent égayé ma journée. Je n’oublie pas Axelle, la maman des chats,
Abel, Hélène, Léo, Ayan, Chadia, Claire et Raphaël avec qui j’ai partagé une moitié de bureau
pendant 8 mois, Clémence, Morgane, Irène, Martin, Sonia. C’était un réel plaisir de travailler
et d’échanger avec vous tous, j’en garderais un très bon souvenir. Particulièrement j’aimerais
remercier Vincent, j’ai énormément aimé travailler avec toi et je te remercie sincèrement pour
toute ton aide et ta contribution dans le projet KiT-GENIE. Tu hérites d’un bon gros bébé, soit
en digne ;). J’espère que ta thèse sera à l’image de ce que tu es, brillant et prometteur.
Bien sûr je n’oublie pas les membres qui sont devenus plus que des collèges de travail mais de
très bons amis et qui ont été d’un très grand soutien moral durant cette thèse. Estelle, ma vie
n’a plus jamais été la même depuis que tu es partie. Ven (Vency :P), je n’oublierai jamais toutes
les soirées bouffes/YouTube (je veux dire guitare) qu’on s’est faites chez moi. Éléa, Anaïs, les

5
journées au labo n’auraient jamais été les mêmes sans nos longues pauses gourmandes. Olivia,
coach de vie, chargée de motivation ! Je me marre encore de nos rendez vous matinaux à l’arrêt
de tram et de mes sprints pour ne pas le rater (ce qui était souvent le cas d’ailleurs). Sirine,
on devrait se chercher une ligne d’urgence car le téléphone simple tous les jours ne suffit plus.
Enfin, Magalie merci pour ta bonne humeur et ta gentillesse en toute occasion.

Je tiens à remercier ces amis qui ne sont peut être pas liés au travail mais qui ont toujours
été là. D’abord mon support system au delà de toutes frontières : Cas d’urgence, Sophie mon
amour, Pa Demba my very best friend, Loucar, Tabara, Falilou (tu es devenu expert en Ferret
à force). Je ne saurais jamais vous remercier assez pour ce que vous êtes. Frézza et Maïra aka
la Team B, je ne vous oublie pas. Adri je ne sais pas exactement où te placer mais saches que
tu es mon coloc belge préféré et le plus beau des pandas.

Je ne saurais terminer sans remercier ma famille. Merci à mes frères et sœurs pour leur
soutien, leur bonne humeur, leurs appels ambigüs, leurs quotidiens qui me donnent souvent
une bonne distraction, les fous rires etc. Ramata, tu remportes le prix de la meilleure sœur
pour m’avoir donné une si belle nièce pendant ma thèse. Merci à mes chers parents qui m’ont
accompagné et m’ont porté avec fierté tout le long de ma vie. Merci pour votre soutien et votre
amour inconditionnels. Papa, je me suis battue pour toi. Cette thèse, c’est pour toi. Enfin,
j’aimerais remercier mon mari pour l’immense soutien qu’il m’a témoigné durant cette thèse
et ceci dans tous les domaines. Je ne saurais jamais te remercier assez pour ta patience, tes
encouragements, tes efforts quotidiens pour me supporter et surtout ta foi en moi lorsque moi
même je n’y croyais plus. Merci pour tout. Je t’aime.

6
 TABLE DES MATIÈRES

Liste des acronymes et abréviations 13

I Introduction 15

1 Introduction à la transplantation rénale 17

1.1 Historique de la transplantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2 Le rein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Structure du rein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.2 La fonction rénale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
[Link] Fonction de filtration et d’épuration du sang . . . . . . . . . . . 21
[Link] Fonction d’équilibration et de régulateur . . . . . . . . . . . . . 21
[Link] Fonction endocrine du rein . . . . . . . . . . . . . . . . . . . . . 21
1.2.3 Mesure de la fonction rénale . . . . . . . . . . . . . . . . . . . . . . . . . . 22
[Link] Mesure de la créatinine sérique . . . . . . . . . . . . . . . . . . . 23
[Link] Clairance urinaire de la créatinine sur les urines des 24 heures . 23
[Link] Mesure du DFG par calcul de la clairance de substances exogènes 24
[Link] Autres mesures de la fonction rénale . . . . . . . . . . . . . . . . 24
[Link] Estimation du Débit de Filtration Glomérulaire . . . . . . . . . 25
1.3 L’insuffisance rénale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.3.1 L’insuffisance rénale aigüe (IRA) . . . . . . . . . . . . . . . . . . . . . . . 27
1.4 L’insuffisance rénale chronique (IRC) . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.1 L’insuffisance rénale chronique terminale (IRCT) . . . . . . . . . . . . . . 29
[Link] La dialyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
[Link].1 L’hémodialyse . . . . . . . . . . . . . . . . . . . . . . . . . . 30
[Link].2 La dialyse péritonéale . . . . . . . . . . . . . . . . . . . . . 31
1.5 La transplantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.1 Pré-transplantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
[Link] Critères d’éligibilité à la greffe . . . . . . . . . . . . . . . . . . . 33
[Link] Sélection des donneurs . . . . . . . . . . . . . . . . . . . . . . . 34
[Link].1 Donneurs décédés . . . . . . . . . . . . . . . . . . . . . . . . 34
[Link].2 Donneurs vivants . . . . . . . . . . . . . . . . . . . . . . . . 35

7
TABLE DES MATIÈRES

[Link] Compatibilité Donneur/Receveur . . . . . . . . . . . . . . . . . . 36

[Link].1 Le système ABO . . . . . . . . . . . . . . . . . . . . . . . . 36
[Link].2 Le système HLA (Human Leukocyte Antigen) . . . . . . . . 38
[Link] Attribution de l’organe . . . . . . . . . . . . . . . . . . . . . . . 42
1.5.2 Déroulement de la greffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.5.3 Post-transplantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
[Link] Suivi du patient . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
[Link] Complications de la transplantation . . . . . . . . . . . . . . . . 45
[Link].1 Les rejets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
[Link].2 Récidive de la maladie . . . . . . . . . . . . . . . . . . . . . 48

2 La transplantation rénale à l’ère des «omiques» 51

2.1 Les «omiques» en transplantation . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1.1 Définition des omiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
[Link] La génomique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
[Link] La transcriptomique . . . . . . . . . . . . . . . . . . . . . . . . . 52
[Link] La protéomique . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
[Link] La métabolomique . . . . . . . . . . . . . . . . . . . . . . . . . . 54
[Link] L’épigénomique . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.1.2 Etat de l’art des études omiques en transplantation . . . . . . . . . . . . . 55
[Link] Résumé de la revue . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2 Génomique de la transplantation rénale . . . . . . . . . . . . . . . . . . . . . . . 70
2.2.1 Le génome humain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
[Link] L’ADN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
[Link] Gène et génome . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
[Link] Séquençage du génome humain . . . . . . . . . . . . . . . . . . . 74
[Link].1 Technologies de séquençage . . . . . . . . . . . . . . . . . . 75
2.2.2 La transmission génétique . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
[Link] Théorie de l’hérédité de Mendel . . . . . . . . . . . . . . . . . . 78
[Link] Transmission génétique et maladies . . . . . . . . . . . . . . . . 79
[Link] Les polymorphismes génétiques . . . . . . . . . . . . . . . . . . . 81
[Link].1 Les polymorphismes nucléotidiques simples (SNP) . . . . . . 81
[Link].2 Les insertions/délétions (indels) . . . . . . . . . . . . . . . . 82
[Link].3 Variation du nombre de copies (CNV) . . . . . . . . . . . . 82
[Link] Notion de génétique des populations . . . . . . . . . . . . . . . . 82
[Link].1 Équilibre d’Hardy-Weinberg . . . . . . . . . . . . . . . . . . 82
[Link].2 Déséquilibres de liaison . . . . . . . . . . . . . . . . . . . . . 83
2.2.3 Les études d’association génétiques . . . . . . . . . . . . . . . . . . . . . 84

8
 TABLE DES MATIÈRES

[Link] Etude gène candidat . . . . . . . . . . . . . . . . . . . . . . . . . 85

[Link] Etudes d’association à l’échelle du génome (Genome Wide Asso-
ciation Studies, GWAS) . . . . . . . . . . . . . . . . . . . . . . . 85

3 Objectifs de la thèse 89
3.1 Axe 1 : Consolidation d’une biobanque de paires donneur/receveur pour la trans-
plantation rénale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.2 Axe 2 : Explorations statistiques et analyse de données génétiques à grande échelle
pour une meilleure prise en charge du greffon rénal . . . . . . . . . . . . . . . . . 90

II Protocoles 91

1 Génération des données 93

1.1 Extraction et collecte des données . . . . . . . . . . . . . . . . . . . . . . . . . . 93
1.2 Génotypage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
1.3 Analyse primaire des données brutes . . . . . . . . . . . . . . . . . . . . . . . . . 95
1.4 Stockage des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

2 Méthodes statistiques 97
2.1 Contrôle qualité des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.2 Analyses en composantes principales (ACP) . . . . . . . . . . . . . . . . . . . . . 98
2.3 Imputation SNP et HLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.3.1 Imputation SNP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.3.2 Imputation HLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
2.4 Analyses GWAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

III Résultats 105

1 Résultats pré-GWAS 107

1.1 Description des données et analyses préliminaires . . . . . . . . . . . . . . . . . . 107
1.1.1 La cohorte KiT-GENIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
[Link] Résumé de l’article . . . . . . . . . . . . . . . . . . . . . . . . . 107

2 Résultats GWAS 147

2.1 Association entre variant génétique et retour en dialyse chez les receveurs et chez
les donneurs KiT-GENIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.1.1 Association entre variants génétiques et retour en dialyse pour les rece-
veurs et les donneurs avant imputation . . . . . . . . . . . . . . . . . . . . 147

9
TABLE DES MATIÈRES

2.1.2 Association entre variants génétiques et retour en dialyse pour les rece-
veurs et les donneurs après imputation . . . . . . . . . . . . . . . . . . . . 149
2.1.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

IV Discussion 153

1 L’intégration des données biomédicales en transplantation 154

1.1 Intérêt d’une ressource de données conséquente en transplantation rénale . . . . . 154
1.1.1 Augmentation de la puissance des études . . . . . . . . . . . . . . . . . . 155
1.1.2 Accès à des données diverses . . . . . . . . . . . . . . . . . . . . . . . . . 155
[Link] Importance de l’intégration de la double couche de données gé-
nomiques et phénotypique . . . . . . . . . . . . . . . . . . . . . . 155
[Link] Accès à des données longitudinales . . . . . . . . . . . . . . . . . 156
[Link] Diversité populationnelle/ethnique des données . . . . . . . . . . 157
1.2 Les défis de l’intégration des données . . . . . . . . . . . . . . . . . . . . . . . . . 158

2 Analyse de données génomiques à grande échelle 160

2.1 Importance de la pré-analyse des données . . . . . . . . . . . . . . . . . . . . . . 160
2.2 Les études GWAS dans la compréhension des mécanismes de rejet/perte chronique
du greffon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
2.2.1 Limite des études GWAS aux receveurs et aux donneurs uniquement . . . 161
2.2.2 Intérêt de l’analyse double génome . . . . . . . . . . . . . . . . . . . . . . 162
2.2.3 Prise en compte de l’ancestralité . . . . . . . . . . . . . . . . . . . . . . . 163
2.2.4 Validation des études . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

V Conclusion et perspectives 165

1 Conclusion 166

2 Perspectives 168

VI Références bibliographiques 171

VII Liste des communications scientifiques 211

1 Bibliographie scientifique 212

1.1 Publications scientifiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212

10
 TABLE DES MATIÈRES

1.2 Communications orales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212

1.3 Posters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212

11
 L ISTE DES ACRONYMES ET
ABRÉVIATIONS

1KGP 1000 Genomes Project

AA Afro-American
ABM Agence de la Biomedecine
ADN Acide Désoxyribo-Nucléique
AMR Antibody Mediated Rejection
ARN Acide Ribo-Nucléique
CMH Complexe Majeur d’Histocompatibilité
CNV Copy Number Variation
CR Call Rate
DDAC Donneur Décédé par Arrêt Cardiaque
DDME Donneur Décédé par Mort Encéphalique
DFG Débit de Filtration Glomérulaire
DIVAT Données Informatisées et Validées en Transplantation
DQC dishQC
DSA Donor Specific Antibody
EFI European Federation for Immunogenetic
EUR European
EWAS Epigenome-Wide Association Study
GWAS Genome-Wide Association Study
HLA Human Leucocyte Antigens
HSCT Hematopoietic Stem-Cell Transplantation
HSF Hyalinose Segmentaire Focale
IBD Identity By Descent
IBS Identity By State
IMC Indice de Masse Corporel
IRA Insuffisance Rénale Aiguë
IRC Insuffisance Rénale Chronique
IRCT Insuffisance Rénale Chronique Terminale

13
TABLE DES MATIÈRES

LB Lymphocyte B
LRS Long Read Sequencing
LT Lymphocyte T
MAF Minor Allelic Frequency
MDRD Modification of Diet in Renal Disease
MRC Maladie Rénale Chronique
MS Mass Spectrometry
NGS Next Generation Sequencing
NK Natural Killer
PCR Polymerase Chain Reaction
QC Quality Control
RMN Résonance Magnétique Nucléaire
SMRT Single Molecule Real Time
SNP Single Nucleotide Polymorphism
TCMR T-Cell Mediated Rejection
WES Whole Exome Sequencing
WGS Whole Genome Sequencing

14
 Première partie

Introduction

15
 Chapitre 1

I NTRODUCTION À LA TRANSPLANTATION
RÉNALE

1.1 Historique de la transplantation

Les premiers succès d’autogreffes humaines remontent au 19e siècle avec les avancées de
Jacques Louis Reverdin qui effectue, en 1869, des greffes épidermiques en couvrant les surfaces
sans peau de petites pièces d’épiderme humain [1]. Au début du XXe siècle, Mathieu Jaboulay
et Alexis Carrel mettent au point plusieurs techniques de suture vasculaire, qui seront immédia-
tement appliquées à la transplantation d’organe [2, 3]. En 1908, Alexis Carrel réussit la première
auto-transplantation rénale (transfert du rein sur une autre partie du corps) chez le chien avec
une survie prolongée de l’animal et du greffon [2]. La réalité chirurgicale de la transplantation
est alors reconnue mais les hétéro-transplantations rénales (transplantations entre deux espèces)
chez l’homme échouent systématiquement. En 1933, Voronoy pratique la première transplanta-
tion rénale chez l’homme en greffant un rein de cadavre sur une jeune femme atteinte d’insuf-
fisance rénale [4, 5] qui se solde par un échec. En 1952, la transplantation d’un rein maternel
(donneur vivant) à un patient âgé de 16 ans par le groupe de Jean Hamburger à Necker ne par-
vient pas non plus à obtenir un fonctionnement prolongé du greffon [6] (décès du patient au 21e
jour). Au début du siècle, les travaux de James Murphy puis de Williamson avaient déjà iden-
tifiés un facteur biologique innomé à l’époque, responsable des réactions de rejet d’homogreffe,
et atténué par les rayons X et le benzol [7, 8]. Mais de nombreuses années de recherche seront
encore nécessaires avant la découverte de l’immunité humorale par Woglom, en 1933 [9], puis du
système HLA par Jean Dausset, en 1952 [10]. Le premier succès en transplantation rénale à long
terme est celui d’une transplantation entre deux jumeaux monozygotes en 1954, à Boston [11].
En 1959, deux transplantations rénales entre jumeaux dizygotes sont réussies, la première à
Boston, la seconde à Paris, à l’Hôpital Necker. En 1960, l’équipe de l’hôpital Foch, de Suresnes,
va plus loin, en tentant les premières transplantations entre frère et sœur non jumeaux, puis en
dehors de toute parenté entre le donneur et le receveur. À chaque fois, l’immunosuppression est
induite [1, 12]. En 1956 les greffes de moelle osseuse débutent [13] suivies par les premières trans-
plantations hépatiques (1963-1969) [14], de cœur (1967) [15, 16] et de poumon (1963) [17, 18].

17
PartI, Chapitre 1 – Introduction à la transplantation rénale

En 1994, l’établissement français des greffes est créé et une convention de collaboration entre
France Greffe de Moelle et les Etablissements Français du Sang sera signée en 2000. En 2020,
4 417 transplantations d’organes ont été réalisées dont 400 (9%) à partir de donneurs vivants
(rein, foie). Par comparaison avec 2019, il y eu une baisse de 25 % du nombre total de greffes
en France en raisons du Covid-19. Cet écart a été en grande partie comblé en 2021 avec une
hausse de 19,5% par rapport à 2020. Les transplantations courantes concernent aujourd’hui le
rein (3251, 62%), le foie (1 224, 23%), le coeur (408, 8%), le poumon (316, 6%), le pancréas (67,
1%), la double transplantation coeur/poumon (6, 0.1%). Le rein reste à ce jour l’organe le plus
transplanté dans l’histoire [19] (Table 1.1).

Table 1.1 – Evolution du nombre de transplantations d’organes en France au cours

des 5 dernières années [19].

1.2 Le rein
1.2.1 Structure du rein
Les reins sont localisés dans l’espace rétropéritonéal, de part et d’autre de la colonne ver-
tébrale sous les dernières côtes. Ils ont la forme typique d’un haricot et mesurent environ 12
cm pour 160 g. Les reins sont reliés d’une part à l’artère aorte et à la veine cave inférieure par
l’artère et la veine rénale et d’autre part à la vessie par deux longs canaux, les uretères ; ils font
partie de l’appareil urinaire [20] (Figure 1.1). Les reins sont entourés d’une couche de graisse

18
 1.2. Le rein

périrénale, puis d’une enveloppe de tissu conjonctif appelée fascia de Gerota. Ils sont chacun
surmontés d’une glande surrénale. Chaque rein est protégé par une enveloppe dure externe ; la
capsule. A l’intérieur de celle-ci se trouve le parenchyme rénal qui renferme une partie péri-
phérique appelée le cortex et une partie centrale appelée la médulla [21, 22]. Entre les deux se
trouvent environ 400 à 800 000 petites structures composées essentiellement de tubules et de
glomérules, les néphrons [23] (Figure 1.1). Le néphron est l’unité fonctionnelle du rein. Il a pour
rôle de filtrer les différentes substances contenues dans le sang pour ensuite réabsorber les nutri-
ments et éliminer les déchets par l’urine. La formation de l’urine commence dans les glomérules
qui filtrent les substances sanguines et l’eau pour former l’urine primaire. Ensuite, par des phé-
nomènes de sécrétion et de réabsorption entre le fluide tubulaire et les capillaires, la composition
de l’urine est modifiée dans les tubules pour aboutir à la formation de l’urine définitive. Cette
urine passe ensuite dans les calices, s’écoule dans le bassinet puis transite dans les uretères pour
atteindre la vessie où elle est stockée puis éliminée lors d’une miction via l’urètre [24] (Figure
1.1). Chacun d’entre nous possède normalement deux reins. Mais dans certains cas (Anomalie
congénitale ou retrait d’un rein), un seul rein suffit pour vivre (5% des individus). Les reins
sont des organes vitaux qui assurent les fonctions essentielles d’épurateur et de régulateur de
l’organisme [22, 23, 24]

19
PartI, Chapitre 1 – Introduction à la transplantation rénale

Figure 1.1 – Anatomie de l’appareil urinaire et physiologie du rein. Le rein appartient

à l’appareil urinaire. Il est richement vascularisé et se divise en 2 parties : (1) le cortex, (2)
la médullaire. La médullaire est composée de milliers de néphrons. Le néphron est l’unité fonc-
tionnelle du rein. Chaque néphron comprend un glomérule et un tubule (composé de différents
segments) [25]

20
 1.2. Le rein

1.2.2 La fonction rénale

[Link] Fonction de filtration et d’épuration du sang

Les reins possèdent la capacité de filtrer le sang. Ils sont parcourus par de nombreux vaisseaux
sanguins qui assurent la circulation du sang dans l’organe. Le sang arrive dans chaque rein via une
artère rénale qui provient d’une ramification de l’aorte. Le débit sanguin rénal représente environ
600 mL/min, soit 20 à 25 % du débit cardiaque et est transmis en quasi-totalité aux glomérules.
Le sang est ensuite épuré par le rein qui trie et régule ses composants. Trois classes de substances
sont filtrées au niveau du glomérule : les électrolytes (sels minéraux en circulation dans le
sang, tels que le sodium, calcium, potassium, etc.), les non-électrolytes (issus du catabolisme
des protéines, peptides et acides aminés, tels que le glucose ou l’urée) et l’eau. Lors de cette
étape, il n’y a pas de passage des protéines qui sont trop grosses pour passer à travers les
pores et sont retenues dans le sang. La réabsorption est réalisée au niveau des tubules à la
suite de l’étape de filtration. Ainsi, les reins régulent la conservation ou la perte de certains
constituants comme l’eau, l’urée, l’acide urique ou la créatinine. Ils éliminent également les
substances étrangères comme les résidus des médicaments, dont l’accumulation serait toxique
pour l’organisme. Chaque jour, les glomérules produisent environ 180 litres d’ultrafiltrat (Débit
de Filtration Glomérulaire), pour un débit urinaire d’environ 1 à 2 litres/j, la différence étant
réabsorbée par le tubule (diurèse). Une fois épuré, le sang repart par la veine rénale qui rejoint la
veine cave inférieure et les substances non réabsorbées sont éliminées via l’urine qui sera stockée
dans la vessie avant d’être évacuée [23, 24].

[Link] Fonction d’équilibration et de régulateur

Les reins ont une fonction de régulation du milieu intérieur afin de maintenir l’homéostasie.
Ils équilibrent de façon constante les sorties rénales de certains constituants principalement l’eau
et les sels minéraux (le sodium contenu dans le sel, le potassium, le calcium, le bicarbonate qui
règle l’acidité du sang, le magnésium) en fonction des besoins de l’organisme et des entrées
digestives. L’ajustement de chaque soluté (condition de l’homéostasie) se fait finement grâce
aux phénomènes tubulaires de sécrétion et de réabsorption, sous contrôle hormonal spécifique
(aldostérone pour le Na, ADH pour l’eau par exemple). Ceci permet une régulation de l’équilibre
acido-basique et de la pression artérielle. Lorsque les reins fonctionnent mal, ils n’éliminent
pas suffisamment les électrolytes tels que le sodium ou le potassium ce qui peut induire de
l’hypertension artérielle, des œdèmes ou des complications cardiaques [23, 25].

[Link] Fonction endocrine du rein

De nombreuses substances à activité biologique sont synthétisées dans le rein tels que des
hormones, des enzymes et des vitamines :

21
PartI, Chapitre 1 – Introduction à la transplantation rénale

— L’érythropoïétine (EPO) L’erythropoïétine est une hormone produite par le rein plus
spécifiquement par des cellules interstitielles péritubulaires fibroblastiques. Elle permet à
l’organisme de s’adapter à différentes situations physiologiques (baisse du taux d’oxygène
circulant dans les artères rénales, hémorragie, hémolyse etc.) en régulant la quantité des
globules rouges pour véhiculer l’oxygène dans l’organisme. Un manque d’EPO est fréquent
lorsqu’il existe une insuffisance rénale, responsable d’une anémie [23, 24].
— Le système rénine-angiotensine-aldostérone (SRAA) Le rein sécrète une enzyme
appelée la rénine. Elle est produite au niveau de l’appareil juxta-glomérulaire et s’active
par protéolyse de l’angiotensinogène circulant d’origine hépatique. Par des mécanismes
de fragmentations, l’angiotensinogène est transformée en angiotensineI puis en angio-
tensineII grâce à la rénine et une enzyme de conversion. On parle de SRAA qui joue
un rôle très important dans la régulation de la pression artérielle notamment avec des
mécanismes de vasoconstrictions ou de vasodilatations [23, 24].
— La vitamine D Le rein participe à la production de vitamine D active appelée calcitriol
et sécrétée à partir de son précurseur hépatique ( 25 (OH) vitamine D3). La forme active
de la vitamine D augmente l’absorption digestive et rénale de calcium, et l’absorption
intestinale de phosphate. Un manque de vitamine D est fréquent lorsqu’il existe une
insuffisance rénale [23, 24].

1.2.3 Mesure de la fonction rénale

Les mesures de la fonction rénale permettent d’évaluer la capacité des reins à filtrer les déchets
azotés du sang (urée, créatinine, acide urique) [26]. Ces tests contribuent à calibrer la posologie
de plusieurs médicaments qui sont excrétés ou métabolisés par les reins, d’indiquer le moment
approprié pour le début de la dialyse et d’évaluer le statut rénal des donneurs et des receveurs
pour une transplantation de reins. Plus important encore, ces mesures sont primordiales pour
la détection précoce de l’insuffisance rénale qui bien souvent évolue silencieusement (pas de
symptômes visible chez le patient) jusqu’au stade de non réversibilité. Il est également important
de suivre la fonction rénale chez les individus qui sont dits « à risques » (antécédents de diabète
mellitus, hypertension artérielle, maladie cardiaque, cholestérol élevé, âge supérieur à 50 ans,
antécédents familiaux d’insuffisance rénale etc.) [27]. Toutefois, la fonction rénale considérée
comme « normale » diffère en fonction de plusieurs facteurs tels que l’âge, le sexe, le poids,
l’ethnie, le régime alimentaire etc. Par exemple, un sujet avec une masse musculaire importante
n’aura pas les mêmes mesures de la fonction rénale qu’un individu avec un poids normal. Cela
ne signifie pas toutefois qu’il a une mauvaise fonction rénale [26]. L’évaluation de cette fonction
rénale doit donc prendre en compte tous ces facteurs pour être la plus précise possible. Pour
se faire, on se base sur la mesure du taux de filtration glomérulaire rénale ; l’idée étant de
mesurer s’il y’a une augmentation du taux de molécules présentes normalement dans le sang

22
 1.2. Le rein

et éliminées par le rein (créatinine, urée, acide urique etc.) pouvant résulter d’une mauvaise
filtration rénale [28].

[Link] Mesure de la créatinine sérique

La créatinine, est un produit de dégradation des muscles naturellement présent dans l’or-
ganisme et éliminé uniquement par les reins. Un dosage sanguin de la créatinine (exprimé en
µmol/L) est souvent réalisé pour évaluer la fonction rénale. Lorsque celle-ci est dysfonctionnelle,
le taux de créatinine augmente dans le sang. Toutefois cette mesure est insuffisante pour conclure
sur une insuffisance rénale car le taux de créatinine sanguin est intrinsèquement lié à la masse
musculaire. Les individus ayant un poids important ont tendance à avoir une créatinine plus
élevé que les individus avec un poids moins élevé. Par exemple, les valeurs considérées comme «
normales » chez la femme sont entre 50 et 90 µmol/L chez la femme et entre 80 et 115 µmol/L
chez l’homme. Le taux de créatinine peut également varier en fonction de l’âge ou de l’ethnie. De
ce fait, la créatininémie seule est donc un marqueur imparfait de la fonction rénale. Pour avoir
une mesure plus précise, on évalue plutôt la clairance de la créatinine ou le débit de filtration
glomérulaire (DFG) [26, 29].

[Link] Clairance urinaire de la créatinine sur les urines des 24 heures

La créatinine est librement filtrée par les glomérules, sécrétée par les tubules rénaux et éli-
minée dans les urines. Par une collecte de l’urine sur une période définie (habituellement sur 24
heures), il est possible d’évaluer la clairance de la créatinine basée sur une formule classique :

Clairance de la créatinine=UCr (mg/mL)*UVol (mL/min)/PCr (mg/mL)

UCr = Créatinine urinaire, UVol = Volume d’urine sur 24 heures, PCr = Créatinine plasmatique

Cette mesure est indépendante de la masse musculaire et la valeur obtenue est proche du
DFG. Elle reste la manière la plus simple de déterminer la clairance de la créatinine afin d’évaluer
la fonction rénale surtout lorsqu’elle est combinée avec une mesure des taux sériques de créatinine
aux mêmes moments. Néanmoins, le taux de créatinine mesuré est surestimé car la créatinine
est également sécrétée par le tubule. De plus, elle peut être imprécise car sa fiabilité dépend
grandement de la précision du recueil des urines de 24 heures souvent pris en défaut (vidange
vésicale incomplète, miction jetée etc.). Ces facteurs rendent cette mesure imparfaite. Elle est
surtout recommandée en cas de grossesse [26].

23
PartI, Chapitre 1 – Introduction à la transplantation rénale

[Link] Mesure du DFG par calcul de la clairance de substances exogènes

Ces mesures basées sur des méthodes radio-isotopiques ou non isotopiques sont les plus
précises pour la mesure du DFG et représentent le Gold standard pour évaluer de façon exacte
la filtration rénale. Elles reposent sur l’utilisation de produits injectés dans le sang et dont
on mesure l’élimination urinaire. Ces techniques sont longues et coûteuses et nécessitent une
certaine expertise (structures spécialisées). Plusieurs traceurs peuvent être utilisés dont l’Inuline,
l’EDTA marqué au Chrome, l’Iothalamate radioactif marqué à l’iode-125, et l’Iohexol (produit
de contraste iodé). Ces substances sont librement filtrées, non fixées aux protéines, non sécrétées
et non réabsorbées. Leur dosage est sensible ce qui permet une mesure précise. Après injection
du produit, on peut estimer la clairance dans le plasma (non filtré), dans les urines (filtré) ou
bien dans le rein par scintigraphie (capter par le rein) [30].

[Link] Autres mesures de la fonction rénale

Il existe d’autres méthodes pour mesurer la fonction rénale basée sur le dosage de substances
endogènes mais aucune de ces substances ne représente un marqueur parfait. Néanmoins ces
mesures peuvent être effectuées en complément ou lorsque les autres mesures sont insuffisantes
pour évaluer la fonction rénale.
— L’azote uréique
L’urée est un déchet du métabolisme des protéines. Elle est moins cohérente que la créati-
nine sérique dans l’évaluation de la fonction rénale, car elle est également affectée par de
nombreux autres facteurs, tels qu’un apport élevé en protéines, un traitement par cortico-
stéroïdes, des fluctuations de poids etc. De plus, l’urée est réabsorbée dans le néphron (à
hauteur de 50%), surtout en cas d’atteinte rénale dans les premiers stades de la maladie
rénale. La concentration de l’azote uréique sanguin peut néanmoins constituer un indice
de la fonction rénale [26, 31].
— La moyenne des clairances de l’urée et de la créatinine
Cette mesure est utilisée chez les patients sous dialyse, afin d’évaluer le pourcentage
restant de la fonction rénale. La moyenne des clairances de l’urée et de la créatinine est
plus précise que l’une ou l’autre de ces valeurs prises individuellement, car les variations
individuelles entre la quantité d’urée réabsorbée et la quantité de créatinine activement
sécrétée se compensent. Bien qu’ils soient évocateurs, ces mesures ne sont toutefois pas
fiables pour l’évaluation des troubles rénaux [31].
— L’albumine
L’albumine est une protéine présente dans le sang et qui n’est normalement pas filtrée
dans l’urine. Cependant, si le rein est endommagé, il permet à une certaine quantité
d’albumine de s’échapper dans l’urine. On peut donc évaluer le taux d’albumine urinaire
excrété ou le rapport albumine/créatinine dans l’urine. Une albuminurie modérément

24
 1.2. Le rein

augmentée correspond à une excrétion persistante d’albumine de 30 à 300 mg/jour (20 à

200 mcg/min). Lorsque l’albumine urinaire est supérieure à 300 mg/jour (> 200 mcg/-
min), on est dans le cas d’une protéinurie avérée. Cela peut signifier que les reins sont
endommagés. L’albuminurie peut cependant être augmentée pour d’autres raisons tels
qu’un diabète sucré, une hypertension, une infection urinaire, une maladie rénale chro-
nique etc [31].
— La cystatine C
La cystatine C est une protéine du sang parfois mesurée en tant qu’indicateur de la
fonction rénale. C’est un inhibiteur de la protéinase sérine qui est produite par toutes
les cellules nucléées et filtrée par les reins. Elle est surtout utilisée comme mesure de
confirmation d’une atteinte rénale spécifiquement lorsque les calculs du DFG basé sur
les méthodes standards sont moins précis et/ou lorsque le DFG estimé est de 45 à 59
mL/min en l’absence de marqueurs de lésions rénales [32].

[Link] Estimation du Débit de Filtration Glomérulaire

Cette estimation est basée sur des formules mathématiques qui en plus du taux de créatinine
dans le sang prennent en compte des facteurs comme le poids, l’âge, l’ethnie le sexe afin d’avoir
une mesure plus précise. La valeur de créatinine dans le plasma est inversement liée au DFG,
donc à la fonction rénale. Trois formules sont principalement utilisées pour estimer la clairance
de la créatinine qui est elle-même une estimation du DFG (formule de Cockcroft) ou le DFG
(formules MDRD (Modification of Diet in Renal Disease) et CKD-EPI (Chronic kidney disease
epidemiology collaboration)) [26, 31].
— La formule de cockcroft
La formule de Cockcroft et Gault a été établie en 1976 par D.W. Cockcroft et H.
Gault [33]. Elle estime la clairance de la créatinine en prenant en compte l’âge, le sexe,
le poids et la créatininémie. Le résultat obtenu est en ml/min. Cette formule est simple
d’utilisation, mais de moins en moins utilisée en pratique clinique pour l’estimation du
DFG, car la méthode de dosage de la créatininémie sur laquelle elle se base est obsolète
avec de mauvaises performances surtout chez les patients âgés ou en surpoids. Toutefois
la formule conserve un intérêt clinique pour l’adaptation posologique des médicaments
ayant été développés avec la formule de Cockcroft [26, 31].

Formule de la clairance de Cockroft normalisée :

[140 − âge(années) × poids(kg)]

Clairance = ×k (1.1)
creatininemie(µmol/L)

k=1,23 pour les hommes et k=1,04 pour les femmes.

25
PartI, Chapitre 1 – Introduction à la transplantation rénale

— La formule MDRD (Modification of Diet in Renal Disease)

La formule MDRD a été développée en 1999 [34]. Elle permet d’estimer directement le
DFG indexé sur la surface corporelle. Initialement, l’équation MDRD comprenait six va-
riables. Elle a été simplifiée en 2006 en une équation à quatre variables, normalisée pour
une surface corporelle de 1,73 m2 et qui inclue le sexe, l’âge, la créatininémie et l’ethnie,
mais pas le poids [26, 31].

Formule MDRD simplifiée chez l’homme (DFG estimé en mL/min/1,73 m2 ) :

−0,203
186 × créatinine (µmol/L) × 0, 0113−1,154 × âge (années) ×k (1.2)

k=0,742 pour les femmes et k=1,21 pour les afro-américain.

— La formule CKD-EPI (Chronic kidney disease epidemiology collaboration) La

formule CKD-EPI a été définie en 2009 [32]. Elle permet également d’évaluer le DFG en
considérant la créatininémie, l’âge, le sexe et l’origine ethnique. La formule normalise le
résultat pour une surface corporelle standard de 1.73m2 afin de permettre la comparaison
de DFG entre patients [26, 31].
Formule du débit de filtration glomérulaire estimé en mL/min/1.73 m2 :

141 × min(C/κ, 1)α × max(C/κ, 1)−1.209 × 0.993âge(années) (1.3)

×1.159 pour les sujets d’origine africaine (African American) ;

×1.018 pour les femmes ;
κ = 0.7 pour les femmes ou 0.9 pour les hommes ; α = −0.329 pour les femmes ou
−0.411 pour les hommes ; C : Créatinine sérique en µmol/L.

Il est important de noter qu’il existe d’autres formules de CKD-EPI qui ne sont pas
basées sur la créatinine. Il s’agit de l’estimation du DFG basée sur la cystatine C (CKD-
EPI CYST) [35], ou encore la combinaison de la créatinine et de la cystatine (CKD-EPI
CYST-CREAT) [36]. L’évaluation du DFG avec la cystanine permet une mesure moins
dépendante de la masse musculaire que la créatinine [37].

Les équations MDRD et CKD-EPI sont plus précises que celle de Cockcroft qui n’estime pas
directement le DFG mais la clairance de la créatinine. La formule CKD-EPI est plus précise
surtout pour les valeurs basses de créatininémie (taux de filtration glomérulaire inférieur à 60
mL/min pour 1,73 m2). La Haute Autorité de Santé recommande d’utiliser la formule CKD-
EPI à partir d’une créatininémie dosée par méthode enzymatique, à défaut la formule MDRD

26
 1.3. L’insuffisance rénale

si la créatininémie est dosée par méthode colorimétrique (méthode dite de Jaffé) [27]. Toutefois,
ces formules restent des estimateurs du DFG et sont donc sensibles aux facteurs pouvant faire
fluctuer le DFG (dénutrition majeure, variation aiguë de la fonction rénale, surpoids, grossesse
etc.). De plus, ces équations n’ont pas été validée dans certaines populations à savoir les enfants
(utiliser la formule de Schwartz, spécifique de l’enfant), les populations non afro-américaines, les
patients âgés de plus de 75 ans etc [26].

1.3 L’insuffisance rénale

Lorsque les reins n’assurent plus leur rôle de filtration et de régulateur, les toxines et l’eau
s’accumulent dans l’organisme et conduisent à une insuffisance rénale qui est dîte aigüe (IRA) si
l’altération de la fonction rénale est réversible et chronique (IRC) lorsque le dysfonctionnement
est irréversible [26, 38].

1.3.1 L’insuffisance rénale aigüe (IRA)

L’IRA se définit comme une altération soudaine et rapide du fonctionnement rénale qui se
traduit par une accumulation des déchets organiques et des troubles de la régulation hydromi-
nérale et acido-basique dans l’organisme [39]. L’IRA se manifeste par une augmentation de la
créatininémie en quelques jours ou quelques semaines associée à une diurèse faible, inférieure à
500ml/24h (soit inférieure à 20ml/h). Du fait de cette augmentation soudaine, aucune formule
d’estimation du DFG n’est utilisable en cas d’IRA. Toutefois, selon une définition universelle
de l’insuffisance rénale aiguë établie par KDIGO (Kidney Disease/Improving Global Outcome
2012) [40], il est possible de poser un diagnostic et de déterminer l’évolution de l’IRA en se
basant sur les taux de créatininémie et le volume de la diurèse. On distingue 3 stades :
— Le stade 1 correspond à une augmentation de la créatininémie > 26 µmol/L (3 mg/L)
en 48 h avec une diurèse < 0,5 ml/kg/h pendant 6 à 12h.
— Le stade 2 est atteint lorsque le taux de créatininémie double en l’espace d’une semaine
avec une diurèse < 0,5 ml/kg/h pendant plus de 12h.
— Le stade 3 correspond à une créatininémie qui triple en une semaine avec une diurèse
< 0,3 ml/kg/h pendant plus de 24 h. Ce stade est le plus avancé et peut nécessiter une
dialyse d’urgence.
Les causes de l’IRA sont nombreuses. Elle peut survenir sur des reins sains suite à un traumatisme
grave, une intervention médicale etc. ou être la conséquence d’une poussée aiguë dans le cadre
d’une insuffisance rénale chronique. Dans la majorité des cas l’atteinte de la fonction rénale est
réversible. Selon le mécanisme étiologique, les IRA se classent en trois catégories d’IRA : les
IRA pré-rénales ou fonctionnelles, les IRA post-rénales ou obstructives et les IRA rénales ou
organiques [41].

27
PartI, Chapitre 1 – Introduction à la transplantation rénale

1.4 L’insuffisance rénale chronique (IRC)

L’insuffisance rénale chronique (IRC) correspond à la perte progressive et irréversible des
fonctions des reins, caractérisée par un DFG (débit de filtration glomérulaire) inférieur à 60
ml/min par 1,73 m2 de surface corporelle ; l’absence de réversibilité au-delà de 3 mois signe la
chronicité [42]. L’IRC est souvent secondaire à une maladie chronique rénale (MRC) incluant les
néphropathies vasculaires et hypertensives (25%), les néphropathies diabétiques (22%, essentiel-
lement diabète type 2), les glomérulonéphrites chroniques (11%), les néphropathies héréditaires
(8%, essentiellement polykystose rénale), les néphropathies interstitielles chroniques (moins de
5%), les néphropathies diverses (10%), les néphropathies d’origine indéterminée (16 %) [43, 44].
La MRC est définie par la présence de signes biologiques de néphropathie évolutive (protéinu-
rie, hématurie etc.) avec ou sans altération de la fonction rénale ou par une insuffisance rénale.
Suivant cette définition, l’évolution des MRC est subdivisée en 5 classes [45] (Table 1.2) :
— Stade 1 : Présence de signes de néphropathie sans altération de la fonction rénale (DFG
> à 90 mL/min par 1,73 m2)
— Stade 2 : Présence de signes de néphropathie avec une réduction du DFG (89 < DFG <
60 mL/min par 1,73 m2)
— Stade 3 Insuffisance rénale modérée (59 < DFG < 30 mL/min par 1,73 m2)
— Stade 4 Insuffisance rénale sévère (29 < DFG < 15 mL/min par 1,73 m2)
— Stade 5 Insuffisance rénale terminale (DFG < 15 ml/min/1,73 m2)

Table 1.2 – Les stades de la maladie rénale chronique [43]

Le rythme de progression de l’IRC est très variable en fonction de la MRC. Aux premiers
stades l’IRC est inexistante ou légère et s’intensifie aux stades 3 et 4. Les modifications biochi-

28
 1.4. L’insuffisance rénale chronique (IRC)

miques apparaissent très tardivement. En effet, les néphrons sains s’hypertrophient et continuent
à assurer leur rôle en augmentant leur capacité de travail afin de compenser le déficit fonction-
nel. Le parenchyme rénal se réduit et le rein devient progressivement fibreux. Lorsque 50 %
ou plus des néphrons ne sont plus fonctionnels, les troubles cliniques commencent à apparaître
(hypertension artérielle, troubles cardio-vasculaires, anémie, hyperkaliémie, dénutrition etc.).
L’adaptation excessive des néphrons entraîne leur dégradation et conduit à une évolution vers
les stades 4 et 5 de la maladie qui nécessitent souvent un traitement de suppléance pour les
reins (dialyse ou transplantation rénale) [43]. Il est donc primordial de pouvoir diagnostiquer
précocement les dysfonctionnements rénaux afin de pouvoir mettre en œuvre un traitement et
un suivi dans le but de ralentir la progression de l’insuffisance rénale chronique. Le diagnos-
tic de l’IRC repose sur la mesure du DFG. De préférence, il est préconisé d’utiliser l’équation
CKD-EPI. La mesure de l’albuminurie contribue aussi à l’interprétation clinique de l’évolution
de la maladie puisque ce facteur est significativement associé au risque de progression des MRC
vers une insuffisance rénale terminale [46]. Chez certains individus, le risque de développer une
IRC est plus élevé (hypertendus, diabétiques, individus de plus de 60 ans, individus en surpoids,
individus ayant des antécédents d’uropathies, de néphropathies ou cardiovasculaires etc.). Les
néphropathies diabétiques et hypertensives représentent près de la moitié des causes d’IRC. Ces
atteintes rénales touchent encore plus les sujets âgés de plus de 65 ans qui représentent 17 %
de la population générale et 60 % des patients commençant une dialyse de suppléance. Ces
populations « à risques » doivent passer par un dépistage annuel afin d’anticiper l’apparition
d’une MRC [43]. En terme de traitements, la prise en charge dépend du degré de l’IRC. Lorsque
la MRC est détectée précocement (stade 1 et 2), il est possible de ralentir la progression de la
maladie par la détection des facteurs de risques et la prescription de traitements en fonction du
type de MRC tels que des immunosuppresseurs, les stéroïdes etc. Associé à cela, il est important
de prendre en charge les facteurs de progression : contrôle strict de la pression artérielle, dimi-
nution de la protéinurie, utilisation d’inhibiteurs de l’enzyme de conversion et des récepteurs
de type 1 de l’angiotensine II, prévention des épisodes d’insuffisance rénale aiguë, restriction
protidique modérée et adaptée au patient, contrôle d’un diabète s’il existe et l’arrêt du tabac.
Lorsque l’IRC atteint la phase terminale, les derniers recours sont la filtration externe du sang
dans un rein artificiel (dialyse), ou la trnasplantation rénale [43, 47].

1.4.1 L’insuffisance rénale chronique terminale (IRCT)

L’insuffisance rénale chronique terminale en France a une incidence de 157 par million d’ha-
bitants (pmh) et par an (10 697 cas en 2020) et une prévalence de 749 pmh et 605pmh pour la
dialyse et la transplantation respectivement. Elle est 2 à 3 fois plus fréquente chez l’homme que
chez la femme et est plus prévalente avec l’âge. Chez la plupart des patients en France, l’IRCT
peut être traitée par la transplantation rénale ou la dialyse. En 2020, 92 199 personnes sont ainsi

29
PartI, Chapitre 1 – Introduction à la transplantation rénale

traitées dont 55% par dialyse et 45% par transplantation rénale [48].

[Link] La dialyse

La dialyse est une méthode de suppléance qui correspond à l’ensemble des techniques d’épura-
tion extrarénales permettant d’assurer artificiellement les fonctions de filtration et de régulateur
des reins. Cette méthode nécessite un échange entre le sang du patient et une solution de com-
position électrolytique proche de celle du plasma, à travers une membrane semi-perméable. Le
but est de pouvoir épurer le sang des déchets azotés et de corriger, au moins partiellement, les
troubles hydro-électrolytiques, phosphocalciques et acido-basiques qui résultent de la défaillance
de la fonction rénale. La dialyse est généralement indiquée lorsque le DFG est inférieure à 10
ml/min/1.73 m2 ou inférieure à 15 ml/min chez les sujets diabétiques, âgés et/ou dénutris.
D’un point de vue clinique, il est préconisé de débuter le traitement avant l’apparition des com-
plications graves de l’IRCT tels qu’une péricardite, une surcharge hydrosodée ou une atteinte
neurologique. Il existe deux types de dialyse : l’hémodialyse basée sur une circulation sanguine
extracorporelle et la dialyse péritonéale qui utilise des méthodes intracorporelles. Le choix de
l’une des deux techniques de dialyse repose sur des critères médicaux (contre-indication d’une
des techniques) mais également sur la situation personnelle, le mode de vie et l’autonomie du
patient [47].

[Link].1 L’hémodialyse

L’hémodialyse est la technique de dialyse la plus utilisée en France (> 90%) [49]. Elle consiste
à l’épuration extracorporelle du sang au travers d’une membrane artificielle intégrée dans une
machine appelée le dialyseur (Figure 1.2.A). Pour cette technique, un abord vasculaire particulier
est nécessaire : la fistule artério-veineuse qui doit être installée des semaines avant le début de
la dialyse. L’appareillage d’hémodialyse comprend [50] :
— Une pompe qui permet d’aspirer, à travers la fistule artério-veineuse, le sang chargé de
déchets et de le renvoyer dans le corps une fois épuré.
— Un générateur qui produit un liquide stérile appelé dialysat dont la composition est proche
du plasma humain.
— Un dialyseur composé de fibres capillaires (poils) qui jouent le rôle de surface d’échange
entre le sang circulant dans les poils et le dialysat qui circule tout autour de ces poils. Le
sang est donc séparé du liquide de dialyse par une très fine membrane perméable qui va
permettre le passage de molécules dans les deux sens. Ainsi, les déchets passent du sang
vers le dialysat. Une fois épuré, le sang retourne à nouveau dans la circulation sanguine
via la fistule artério-veineuse et le dialysat chargé de déchets est jeté [50].

30
 1.4. L’insuffisance rénale chronique (IRC)

[Link].2 La dialyse péritonéale

La dialyse péritonéale est la méthode de suppléance la moins utilisée en France (< 10%).
C’est une technique intracorporelle basée sur l’utilisation d’un filtre interne particulièrement
riche en vaisseaux : le péritoine (Figure 1.2.B). Ce dernier est une membrane fine qui tapisse
toute la cavité abdominale ainsi que les organes qui s’y trouvent. La dialyse péritonéale consiste
à mettre en contact un liquide sain (le dialysat) avec le sang en utilisant la membrane péritonéale
comme paroi filtrante (dialyseur) ; l’idée étant de faire migrer les toxines depuis le sang vers le
dialysat en traversant le péritoine [43]. Pour se faire, un cathéter est introduit dans la cavité pé-
ritonéale, sous anesthésie générale ou locale. Ceci permettra de pouvoir injecter le dialysat et le
retirer une fois rempli de déchets. L’extrémité du cathéter dépasse d’une dizaine de centimètres
à l’extérieur de l’abdomen et est fixée sur une tubulure adaptée pour chaque séance de dialyse.
La dialyse péritonéale est généralement pratiquée à domicile soit par le patient lui-même soit
par un infirmier.
En termes de performances d’épuration, la dialyse péritonéale est moins efficace que l’hémo-
dialyse (difficultés techniques chez les patients de fort gabarit) et son utilisation est limitée à
quelques années du fait de l’altération progressive des propriétés du péritoine. Néanmoins, les
techniques de dialyse péritonéale permettent une plus grande autonomie du patient et s’avèrent
moins contraignantes sur le plan de la vie quotidienne en comparaison avec l’hémodialyse qui
est en plus du manque d’autonomie est bien plus coûteuse (25 000 à 50 000 euros/an ) et génère
plus d’effets secondaires dont complications infectieuses, bactériennes ou virales (hépatites B et
C par exemple). Dans tous les cas, quelle que soit la technique, la dialyse reste un traitement
lourd qui impacte grandement la qualité de la vie du patient et dont le taux de mortalité reste
toutefois plus importante que pour les personnes transplantées [43, 51]. Le taux de mortalité
en dialyse est de 16 pour 100 patients-années alors que celui de la greffe est de 3 pour 100
patients-années depuis 2008 [48].

31
PartI, Chapitre 1 – Introduction à la transplantation rénale

Figure 1.2 – A) Représentation schématique d’un dispositif d’hémodialyse. L’épura-

tion du sang va se faire à travers le passage d’une membrane et par échange avec un dialysat
propre. En hémodialyse, la membrane est une membrane artificielle contenue dans le dialyseur.
Le dialyseur est alimenté dialysat et en sang provenant du patient. B) Représentation sché-
matique d’un dispositif de dialyse péritonéale. L’épuration du sang se fait à travers une
membrane naturelle, le péritoine. Un cathéter permanent permet le transfert du dialysat dans la
cavité péritonéale.∗

* Figure créée avec [Link].

32
 1.5. La transplantation

1.5 La transplantation
1.5.1 Pré-transplantation

Une transplantation rénale est une intervention chirurgicale qui consiste à placer un rein sain
provenant d’un donneur vivant ou décédé avec rétablissement de la continuité vasculaire chez
un receveur dont les fonctions rénales sont irréversiblement altérées. Le rein transplanté appelé
greffon est généralement placé plus bas que la position anatomiquement normale (dans la fosse
iliaque) sans nécessité de retirer les reins malades. Lorsqu’elle est possible, la transplantation
est la meilleure méthode de suppléance de la fonction rénale. Elle permet une meilleure qualité
de vie par rapport à la dialyse, une morbidité cardio-vasculaire moindre et une espérance de vie
supérieure [52, 53]. Selon les chiffres de l’ABM [44], 91.8% des greffons sont encore fonctionnels
après 1 an, 77.9% après 5 ans et 58.3% après 10 ans. Depuis 1959, année de la première greffe
rénale enregistrée dans Cristal* , un total de 94 160 greffes rénales a été enregistré : il s’agit de
la greffe la plus courante en France [54]. Le nombre estimé de malades porteurs d’un greffon
rénal fonctionnel est de 42 068 au 31 décembre 2020 soit une prévalence de 620 pmh [54].
En 2021, 3 251 transplantations ont été effectuées dont 502 greffons provenant de donneurs
vivants [19]. Néanmoins, malgré le nombre croissant de transplantations rénales chaque année,
la liste des patients en attente de greffe continue de s’allonger. En 2021, la liste de d’attente
de l’ABM comptabilise 17 148 patients inscrits [44] soit plus de 4 candidats à la transplanta-
tion pour 1 greffon. 57% des malades sont greffés 3 ans après leur inscription sur le registre de
greffe [44]. Il y a un manque évident de greffons rénales qui rend difficile l’accès à la transplan-
tation pour beaucoup bien qu’elle soit la meilleure méthode de suppléance. Les patients pour
qui une transplantation rénale est envisagée doivent respecter certains critères d’éligibilité. Le
greffon peut provenir d’un donneur vivant ou décédé compatible (ABO et HLA) et son attribu-
tion est réglementée par l’Agence de la Biomédecine sur la base de critères d’équité et d’égalité
entre les patients [44].

[Link] Critères d’éligibilité à la greffe

L’indication principale en faveur de la transplantation rénale est une insuffisance rénale en

phase terminale. L’inscription sur la liste de transplantation rénale peut être réalisée dès que
le DFG est à 20 ml/min/1,73 m2. Dans la plupart des cas où elle est possible, elle peut être
envisagée au stade 5, avant qu’un traitement par dialyse ne soit institué (greffe préemptive). C’est
d’ailleurs l’option de choix de la transplantation rénale car elle permet d’éviter la contrainte et
les complications de la dialyse et offre une meilleure survie pour le patient comme pour le
greffon [55]. Un bilan biologique et clinique est effectué chez le patient pour détecter toute

*Logiciel développé par l’ABM pour l’attribution efficace des greffons et qui recense toutes les informations
relatives aux transplantations et greffes effectuées en France

33
PartI, Chapitre 1 – Introduction à la transplantation rénale

contre-indications qui pourraient mettre en péril la survie du greffon ou du patient après la

transplantation [52]. On distingue : les contre-indications absolues qui concernent généralement
les troubles cardiovasculaires sévères, les cancers, la présence de maladies rénales avec risque
important de récidive sur le greffon etc. et les contre-indications relatives qui comprennent le
diabète, l’âge, la séropositivité au VIH etc. Ce bilan permet également d’établir le typage HLA
et le groupage ABO et rhésus du patient afin de pouvoir sélectionner un donneur compatible
et d’évaluer l’immunisation du patient qui sera importante dans le contrôle des complications
post-transplantation (rejets et perte de greffe) [55, 56]

[Link] Sélection des donneurs

Initialement, la sélection d’un donneur potentiel était basée sur des critères très stricts afin
de réduire au maximum le risque d’altération du greffon après transplantation et d’assurer une
meilleure survie du patient. Le donneur devait être un sujet jeune (moins de 50 ans), en bonne
santé, sans antécédents ou facteurs de risques de comorbidités (maladies cardio-vasculaire par
exemple) et sans lésions sur l’organe prélevé [57]. Dans ces conditions, la majorité des donneurs
étaient des victimes d’accident de la voie publique (AVP) avec un traumatisme crânien grave
évoluant vers un état de mort encéphalique. Avec la baisse très importante des décès liés aux
AVP et l’augmentation progressive du nombre d’inscrits dans les listes d’attente de greffe, la
pénurie d’organes est très vite devenue un problème majeur. Pour pallier à cette carence, certains
critères de sélection ont été élargis et des programmes de recherche d’autres sources de greffons
ont été mis en place. Ceci concerne : le prélèvement sur donneur décédé à critères élargis, le
prélèvement sur donneur décédé après arrêt cardiaque, et le prélèvement à partir de donneurs
vivants [57].

[Link].1 Donneurs décédés

Il s’agit du type de donneurs le plus courant (84% des dons de rein en 2021) [19]. Les greffons
provenant de ce type de donneurs assurent une survie de 91% à 1an, 76% à 5 ans et 56% à 10ans
post-greffe [58, 59].
Les donneurs décédés peuvent être divisés en 2 catégories :
— Les donneurs décédés en mort encéphaliques (DDME) :
La mort encéphalique est définie comme la destruction définitive et irréversible de l’encé-
phale avec absence totale de conscience, d’activité motrice ou de de ventilation spontanée
et abolition de tous les réflexes du tronc cérébral [56]. Elle représente moins de 1 % de
tous les décès (0,58 %) mais constitue la principale source de donneurs de greffe rénale
(89% en 2019). On différencie les donneurs à critères standard (âgé > 50, sans facteurs
de comorbidité associé) et les donneurs à critères élargis [57, 60]. Il s’agit des donneurs
âgés de plus de 60 ans ou les donneurs entre 50 et 59 ans présentant des comorbidités tels

34
 1.5. La transplantation

qu’une hypertension, un fonctionnement rénale réduit (créatinine ≥133 µmol/L) etc. Ces
donneurs « marginaux » ont des organes de qualité inférieure et présentent un risque po-
tentiel de retard à la reprise de fonction, un taux de non fonction primaire plus important,
une durée de fonctionnement moindre et une sensibilité plus importante à l’ischémie. Les
donneurs à critères élargis représentaient 2,2% en 1996 et sont plus de 30% en 2021 [59].
Le recours à ces dons de moins bonne qualité était pour pallier au manque de greffon.
Pour augmenter les chances de fonctionnement du greffon et de survie du patient, le
patient peut recevoir les 2 reins du même donneur (bigreffe) lorsque le DFG estimé du
donneur est < 60 mL/min/1,73 m2.58
— Les donneurs décédés après arrêt cardiaque (DDAC) :
Il s’agit des donneurs décédés présentant un arrêt cardiaque et respiratoire persistant.
Ils ont généralement âgés de moins de 50 ans et leur décès a une origine cardiaque, sans
antécédents [56]. Les DDAC sont classés en 4 catégories dites de Maastricht. On distingue :
I) Les personnes qui font un arrêt cardiaque en dehors de tout contexte de prise en charge
médicalisée et pour lesquelles le prélèvement d’organes ne pourra être envisagé que si la
mise en œuvre de gestes de réanimation de qualité a été réalisée moins de 30 min après
l’arrêt cardiaque. (II) Les personnes qui font un arrêt cardiaque en présence de secours
qualifiés, aptes à réaliser un massage cardiaque et une ventilation mécanique efficaces,
mais dont la réanimation ne permettra pas une récupération hémodynamique. (III) Les
personnes hospitalisées pour lesquelles une décision d’un arrêt des traitements est prise
en raison de leur pronostic. (IV) Les personnes décédées en mort encéphalique qui font un
arrêt cardiaque irréversible au cours de la prise en charge de réanimation. Les classes I et
II de Maastricht sont catégorisés comme des arrêts non contrôlés et étaient plus fréquents
au début des années 2000. Les classes 3 et 4 sont des arrêts contrôlés et concernent les
dons plus récents [56]. Néanmoins, ces dons présentent plus de risques que ceux issus des
DDME. En effet, ces reins peuvent avoir été lésés par une ischémie chaude avant le décès
et leur fonction est souvent altérée par une nécrose tubulaire aiguë. Les receveurs de
greffons prélevés sur des DDAC présentent un retard de reprise de la fonction rénale plus
important (80 à 90% des cas [61]). Cependant, le pronostic à 1 an est très comparable à
ceux provenant des DDME (95% de survie) surtout pour la catégorie III de Maastricht
(94% de survie) [56, 60].

[Link].2 Donneurs vivants

Les transplantations rénales à partir de donneurs vivants sont celles qui offrent les meilleures
performances en terme de survie du patient et du greffon. Elle est de 96 % à 1 an, 89% à 5
ans et 74 % à 10 ans post-greffe [58]. Les greffons issus des donneurs vivants sont de très bonne
qualité en raison du bon état général du donneur, de l’absence de problèmes liés à la conservation

35
PartI, Chapitre 1 – Introduction à la transplantation rénale

du greffon et des procédures de transplantation bien codifiées (durée d’ischémie froide courte,
chirurgies programmées et contrôlées etc.) [56, 59].
Toutefois, les donneurs vivants sont relativement rares surtout en France. Seulement 16 % des
transplantations rénales sont réalisées à partir d’un donneur vivant en 2021 contre 40 à 50 % aux
États-Unis ou dans les pays scandinaves [19]. La pénurie d’organes a conduit progressivement à
élargir le cercle des donneurs vivants en France. Initialement, les donneurs vivants éligibles ne
concernaient que les personnes ayant un lien familial ou affectif avec le receveur (parents, enfants,
fratie, conjoints). Depuis 2011, le don du vivant est élargi à toute personne pouvant apporter la
preuve d’un lien affectif étroit et stable depuis au moins deux ans avec le receveur [57].
En amont de la transplantation, un bilan est nécessaire pour s’assurer qu’il n’y a pas de contre-
indication à la transplantation et pour établir la compatibilité entre le donneur et le receveur. Ce
bilan comporte une évaluation de la fonction rénale, une recherche de potentielles comorbidités
(hypertension, diabète etc.), une recherche d’anomalie du sédiment urinaire (protéinurie ou
hématurie) etc [56, 55]. Dans le cas où il y’a une incompatibilité entre le donneur vivant et le
receveur, il est possible de procéder à un don croisé : le donneur d’un couple A donne son rein
au receveur du couple B et vice-versa. Les deux opérations chirurgicales sont alors engagées
simultanément, tout en respectant l’anonymat entre les deux paires [56, 55]. La protection des
futurs donneurs est assurée par un comité qui encadre la décision du donneur en s’assurant
qu’elle est libre, éclairée consentie et ne présente pas de dangers majeurs pour la santé du
candidat [56, 55].

[Link] Compatibilité Donneur/Receveur

La réussite d’une transplantation rénale est en grande partie régie par la compatibilité im-
munologique entre le patient et son donneur qui implique une compatibilité en groupe sanguin
(système ABO) et en HLA (Human Leukocyte Antigen). Cette compatibilité immunologique
permet de limiter le risque de développer des réactions immunitaires contre le greffons (rejets
ou perte du greffon post-transplantation) [60].

[Link].1 Le système ABO

Le système ABO, découvert par Karl Landsteiner en 1901 [62], est défini par la présence
ou non de deux antigènes A et B, à la surface des globules rouges. Lorsque les globules rouges
n’expriment pas les antigènes A ou B, des anticorps (anti A et anti B) sont produits par l’individu.
En fonction de cette définition, les individus sont classés entre les groupes A, B, AB et O :
— Une personne du groupe A possède l’antigène A et produit des anticorps contre l’antigène
B. Elle ne peut pas être transfusée avec du sang de groupe B ou AB.
— Une personne du groupe B possède l’antigène B et des anticorps anti-A. Elle est incom-
patible avec les groupe A ou AB.

36
 1.5. La transplantation

— Une personne du groupe AB porte les antigènes A et B et ne produit aucun anticorps.

Elle sera donc compatible avec tous les autres groupes sanguins ; on parle de receveur
universel.
— Une personne du groupe O ne porte ni l’antigène A, ni l’antigène B. Elle produit par
conséquent des anticorps dirigés contre ces deux groupes et ne peut être compatible
qu’avec le groupe O. Par contre, les individus du groupe O peuvent donner du sang à
tous les autres groupes du fait de l’absence d’antigène à la surface des cellules sanguines ;
on parle de donneur universel [63]. (Figure 1.3)
En cas d’incompatibilité ABO entre les individus lors de la transfusion sanguine ou de la trans-
plantation d’organe, un complexe anticorps-antigène se forme et conduit à une hémolyse (des-
truction des globules rouges) et/ou un choc transfusionnel [63]. La compatibilité ABO permet
donc de limiter le risque de rejet du greffon post-transplantation. Dans le cas du don du vivant,
il existe environ 36% de risque d’incompatibilité ABO entre le patient et le donneur vivant [64].
Une première solution est d’avoir recours au don croisé mais il n’est pas toujours évident de trou-
ver rapidement deux couples compatibles ABO et HLA. De nombreux pays dont le japon, les
états unis et la suisse ont développé la greffe rénale ABO incompatible (ABOi) basée sur l’élimi-
nation des anticorps anti-ABO présents chez le receveur avant la transplantation [65, 66, 67, 68].
Des conditions rigoureuses sont requises pour le succès de ce type de transplantation impliquant
l’absence d’anomalies immunologiques entre le donneur et le receveur, le traitement immuno-
suppresseur intraveineux et per os en amont de la greffe, un taux des anticorps inférieur à 1 :8
la veille de la transplantation etc. [64, 69].

Figure 1.3 – Compatibilité ABO entre donneur et receveur en fonction de leur

groupe sanguin ∗

37
PartI, Chapitre 1 – Introduction à la transplantation rénale

[Link].2 Le système HLA (Human Leukocyte Antigen)

Le complexe majeur d’histocompatibilité (CMH) est un système de reconnaissance du soi

qui assure la distinction entre les antigènes appartenant à l’organisme (le soi) et les antigènes
étrangers (le non soi). Les antigènes peptidiques sont reconnus par les lymphocytes T (LT)
grâce aux molécules du CMH présentes à la surface des cellules ; quand un antigène étranger
est reconnu cela induit une réponse immunitaire [70]. Chez l’Homme, ce système est dénommé
HLA (Human Leukocyte Antigen) et a été découvert par Jean Dausset en 1952 à la surface
des leucocytes au cours d’expériences de transfusion et transplantation [10, 71]. La région du
HLA est situé sur le bras court du chromosome 6 (6p21). Il ne que représente 0,1% du génome
humain mais contient environ 1% des gènes codants [72]. On distingue deux catégories principales
de molécules HLA présentes à la surface des cellules qui assurent la présentation des peptides
antigéniques [73, 74] :
— Les gènes de classe I codent pour des molécules de surface de classe I du HLA. Parmi
ces gènes, les plus polymorphiques sont les gènes dit classiques HLA-A, HLA-B et HLA-
C. Les molécules du HLA de classe I sont présentes à la surface de toutes les cellules
de l’organisme avec une expression plus importante au niveau des lymphocytes. Elles
assurent la présentation des cellules du soi aux LT CD8 qui lorsqu’elles sont activées par
la présence d’un corps étranger deviennent des lymphocytes cytotoxiques (LT CD8) et
assurent la lyse de la cellule infectée [73, 74] (Figure 1.4).

— Les gènes de classe II codent pour des molécules de surface de classe II du HLA. Les
plus importantes sont les gènes HLA-DPA1, HLA-DPB1, HLA-DQB1 et HLA-DRB1.
Les molécules du HLA de classe II sont présentes à la surface des cellules présentatrices
d’antigènes (CPA) qui incluent les monocytes, les macrophages, les cellules dendritiques,
les lymphocytes B (LB) et les cellules épithéliales du thymus. Les molécules de classe II
vont présenter les peptides antigéniques aux LT CD4 qui activent la réponse immunitaire
dite humorale traduite par la production massive par les LB, d’anticorps dirigés contre
le corps étranger [73, 74] (Figure 1.4).

* Figure créée avec [Link].

38
 1.5. La transplantation

Figure 1.4 – Présentation d’allo-antigène par les molécules HLA de classe I et II.
A) Caractéristiques des molécules du CMH de classe I, les molécules du HLA de classe
I sont présentes sur toutes les cellules nucléées, elles ont pour fonction de présenter des peptides
d’antigènes endogènes à des LT, les LT CD8 qui deviendront des LT cytotoxiques. Les molécules
de classe I sont composées de deux chaînes polypeptidiques α et β. B) Caractéristiques des
molécules du CMH de classe II Les molécules du HLA de classe II sont présentes uni-
quement sur les CPA (cellules présentatrices d’antigènes), elles ont pour fonction de présenter
des peptides d’antigènes exogènes à des LT, les LT CD4 qui deviendront des LT helpers. Les
molécules de classe II sont également composées de deux chaînes polypeptidiques α et β. ∗

La région du HLA est extrêmement polymorphique [75], elle est dite hypervariable. Chaque
individu porte deux allèles HLA, un du père et un de la mère [76]. Chaque gène HLA présente un
très grand nombre d’allèles (20 076 allèles pour les gènes de classe I et 8244 allèles pour les gènes
de classe II) [75]. De plus, ces allèles sont liés entre eux génétiquement, ils ne se transmettent
pas de manière aléatoire à travers les générations, on parle de déséquilibre de liaison [77].
Afin d’identifier les allèles HLA portés par un individu, un typage est effectué grâce à plu-
sieurs approches qui ont évolué au fur et à mesure des avancées technologiques. Les premières
approches de typage étaient basées sur la sérologie correspondant à la caractérisation des anti-

* Figure créée avec [Link].

39
PartI, Chapitre 1 – Introduction à la transplantation rénale

gènes exprimés à la surface des cellules grâce à des tests systématiques d’anti-sera ou d’anticorps
monoclonaux connus sur des lymphocytes T et B de patients (pour le HLA de classe I) ou de
lymphocytes B (pour le HLA de classe II) [78]. Ces méthodes ont été succédées par des tech-
niques de biologies moléculaires plus précises (la PCR-SSO et la PCR-SSP) qui contrairement
à la sérologie, permettent une reconnaissance de séquences connus d’allèle ou de groupe d’al-
lèles HLA permettant ainsi de différencier les allèles HLA qui étaient reconnus par les mêmes
anticorps mais qui disposaient de séquences différentes [79]. Aujourd’hui, avec l’avénement des
nouvelles technologies, la technique standard de typage HLA est le séquençage basé sur deux
méthodes : le PCR-SBT, pour Sequence Based Typing ou séquençage de Sanger et les techniques
de NGS (Next Generation Sequencing) [80, 81].
Cette évolution des techniques de typage au cours des dernières décennies a amélioré le niveau
de précision impactant parallèlement la nomenclature des allèles HLA. Avec la limitation des
techniques sérologiques à la détection de l’expression antigénique en surface cellulaire, la nomen-
clature sérologique se limitait au locus suivi d’un numéro identifiant l’antigène (ex : HLA-A2,
HLA-DR4). Cela correspond à un typage dit de basse résolution [82]. Les techniques de bio-
logie moléculaire ont permis un typage de résolution dite intermediaire (ex : HLA-A*02 :CNV
= HLA-A*02 :01/05/10, HLA-DRB1*04 :AF = HLA-DRB1*04 :01/09) qui ne permet pas de
définir un allèle HLA unique mais un groupe d’allèles dont la séquence est proche, et parmi
lesquels on retrouve un allèle majoritairement fréquent. Ce groupe d’allèles correspond à une
liste d’ambiguïtés et sont regroupées sous une combinaison de lettres appelée code NMDP (Na-
tional Marrow Donor Program) [82, 83]. Enfin, grâce au séquençage, la nomenclature allélique
permet de regrouper l’ensemble des informations nécessaires permettant de caractériser chacun
des allèles au niveau de la protéine synthétisée. On parle de typage à haute résolution (exemple :
HLA-A*14 :01), qui est le plus utilisé aujourd’hui en routine. Cette nomenclature identifie le
gène, suivi d’un astérisque et d’un numéro à 1 champ (2 chiffres, information sur le groupe
allélique) ou 2 à 4 champs (4 à 8 chiffres, information sur la protéine) [83, 84].

Le système HLA représente l’un des déterminants du rejet de greffe [77, 85, 86, 87]. Il est donc
essentiel lors d’une transplantation rénale de rechercher la meilleure compatibilité possible entre
un receveur et son donneur afin de limiter au maximum le risque de rejet du greffon [55, 56, 60].
En amont de la transplantation, une recherche des anticorps anti-HLA permet de mettre en
évidence la présence d’éventuels anticorps dans le sérum du receveur qui seraient dirigés contre
les antigènes HLA du donneur (Donor Specific Antibody ; DSA) [56, 88]. Ces anticorps sont
la conséquence d’immunisations induites, entre autres, par des grossesses, des transfusions ou
des transplantations antérieures [89]. Ce test appelé cross-match permet de prévenir les rejets
hyperaigus qui surviennent dans les heures suivants l’acte chirurgical et qui sont délétères pour
le greffon [56, 90]. La réaction de rejet contre le rein greffé est de mieux en mieux maîtrisée grâce
aux traitements immunosuppresseurs [55] et le rejet aigu a drastiquement diminué ces dernières

40
 1.5. La transplantation

années même en cas d’incompatibilité HLA (moins de 10% des patients ont subi un rejet aigu
de greffe rénale en France en 2020) [44]. Il est important de noter que malgré la prise en compte
de la compatibilité HLA entre donneurs et receveurs, les résultats de la transplantation peuvent
différer d’un couple à un autre et ceci même avec un nombre d’incompatibilités HLA identiques
pour les couples de donneur/receveur [91]. Classiquement, la compatibilité HLA est mesurée
au niveau allélique c’est à dire en évaluant le nombre d’antigènes communs entre receveurs et
donneurs au niveau des allèles. Cependant, ce système d’attribution basé sur les allèles HLA
présente plusieurs limites. Parmi celles-ci, les individus présentant des génotypes HLA rares ou
déjà immunisés contre un ou plusieurs allèles HLA ont des chances très réduites de bénéficier
d’un donneur sur la base de la compatibilité allélique. De plus, seuls les anticorps anti-HLA
pré-existants sont pris en compte pour l’attribution du greffon c’est à dire qu’il y’aura toujours
un risque de développer des anticorps post-transplantation (DSA de novo). Des progrès récents
ont été réalisés pour explorer la reconnaissance anticorps-antigène en étudiant les épitopes [92].
Un épitope fait référence aux acides aminés cibles spécifiques auxquels un paratope se lie (site de
reconnaissance). Un épitope se compose d’une ou plusieurs entité fonctionnelle nommée éplet qui
se composent d’un ou plusieurs acides aminés polymorphes que l’on retrouve à la surface de la
molécule [93]. La compatibilité entre donneur et receveur au niveau épitopique devient un sujet
d’actualité dans le domaine de la transplantation, car les anticorps anti-HLA sont spécifiques
des épitopes plutôt que des allèles. Entre 2 molécules HLA, les épitopes peuvent être totale-
ment identiques (épitopes publiques), partiellement identiques (partageant certains éplets) ou
totalement différents (épitopes privés) [94]. Certains de ces épitopes sont plus immunogènes que
les autres et n’auront pas le même impact sur la reconnaissance immunitaire. Il existe des épi-
topes cryptiques qui ne sont pas détectés par le système immunitaire et peu immunogènes. Ainsi,
l’apparition d’une immunisation est due à une sensibilisation face à ces épitopes HLA. La compa-
tibilité épitopique pourrait donc être plus précise pour évaluer la compatibilité donneur receveur
et ainsi améliorer l’allocation des greffons [94]. En transplantation rénale, des études ont montré
que l’anticipation de la charge épitopique permet d’identifier les patients à risque d’allosensi-
bilisation et d’ajuster les niveaux cibles des médicaments immunosuppresseurs [95]. Plusieurs
outils permettent aujourdhui d’évaluer la compatibilité épitopique dont les plus utilisés sont
HLAMatchmaker [96], HLA-EMMA [97], PIRCHE [98] etc. Plus récemment, un outil nommé
HLA-EPI a été développé au sein de notre équipe et se base sur la reconnaissance directe des
éplets pour l’étude de la compatibilité HLA [99]. Toutefois l’identification des facteurs immunolo-
giques ne suffit pas à comprendre toute la complexité des interactions donneur/receveur après la
transplantation surtout dans le cas des rejets chroniques dont les mécanismes restent encore flous.
Bien que les les DSA soient reconnus comme la principale cause de la perte tardive de la greffe,
il existerait d’autres facteurs impliqués. Des études ont montré l’implication de certains facteurs
tels que les cellules NK ("Natural Killer"), mais aussi d’auto-anticorps et d’allo-anticorps non-

41
PartI, Chapitre 1 – Introduction à la transplantation rénale

HLA dans le rejet chronique (cf. [Link].1 Les rejets : Le rejet chronique p. 46) [100, 101, 102].
Ceci est bien illustré par le fait qu’il n’existe que 15% de différence de survie entre les transplanta-
tions 100% compatibles et celles incompatibles à 10 ans post-transplantation [91]. Ces avancées
lèvent le voile sur la compléxité des mécanismes régissant le rejet chronique et suggèrent la
necéssité d’études avec des données intégratives (cliniques, biologiques, immunologiques et mo-
léculaires) et multi-couches (génomiques, transcriptomiques, cliniques, proteomiques etc.) pour
pouvoir améliorer le diagnostic et la prédiction de rejet ou perte de greffon chronique. C’est le
défi que s’est lancé le projet KTD-innov (https ://[Link]) qui intègre à grande échelle
l’évaluation systématique des données cliniques, biologiques, immunologiques et moléculaires des
patients afin d’établir un système de prédiction du rejet fournissant une probabilité des risques
individuels de rejet d’allogreffe ainsi qu’un système diagnostic de précision adressant l’activité
et le stade du rejet de greffon [103, 102, 104].

[Link] Attribution de l’organe

Le don d’organe est régi par des règles et des principes établis selon les lois de la bioéthique
et gérée par l’agence de la biomédecine. Le don doit être consenti, gratuit et garantir l’anonymat
entre le donneur et le receveur. Suivant ces principes, l’attribution d’organes se base sur deux
notions fondamentale : l’utilité et l’équité du don. Cela veut dire qu’il faut tenir compte d’une
part de l’urgence de la greffe ainsi que du temps d’attente pour les patients et d’autre part de
l’utilisation optimale des greffons et des chances de survie du patient.
Des échelons de priorités ont été définies pour pouvoir attribuer le plus justement les greffons
aux patients préalablement inscrits en liste d’attente [56].
— Un premier échelon de priorités nationales s’applique à tous les greffons et pour tous
les patients. Il priorise les patients en urgence vitale dont la survie est menacée à court
terme (hépatite sévère, patient sous cœur artificiel etc.), les patients ayant une difficulté
d’accès particulière à la greffe (les hyperimmunisés par exemple), les patients mineurs si
le donneur a moins de 18 ans et les patients 100% compatibles en HLA avec le donneur.
— Un deuxième échelon de priorités interrégionales est défini afin de favoriser les échanges
de greffons entre les équipes dans l’inter région. L’attribution régionale à un patient est
définie selon le score régional.
— Un dernier échelon de priorités s’applique au niveau local c’est-à-dire à l’échelle d’une
équipe qui va définir les critères de sélection du receveur [56]. Lorsque deux reins sont
prélevés, l’équipe de prélèvement bénéficie d’une priorité sur un des reins pour un de ses
patients, et le second est proposé à l’échelon national. Dans les deux cas, l’attribution
va être basée sur un score calculé pour chaque patient qui prend en compte l’ensemble
des critères liés au donneur, au receveur et à l’appariement donneur/receveur. Ce score
permet de classer les malades par ordre de priorité pour la greffe selon les règlementations

42
 1.5. La transplantation

de l’agence de la biomédecine. Une fois le receveur attribué et le donneur prélevé, la greffe

rénale peut commencer [56].

1.5.2 Déroulement de la greffe

L’opération de greffe rénale, qu’il s’agisse d’une greffe à partir d’un donneur décédé ou d’un
donneur vivant, dure environ deux à trois heures. Lorsqu’il s’agit d’une transplantation avec un
donneur décédé, l’opération ne concerne que le receveur. Le greffon est préalablement disponible
et conservé à 4°C (ischémie froide) tout au long de la procédure. Cette ischémie froide qui
correspond au temps pendant lequel le rein n’a plus de circulation sanguine est primordial à la
réussite de la transplantation et doit être la plus courte possible. Dans le cas du donneur vivant,
le rein est prélevé immédiatement avant la transplantation, ainsi il ne subit pas d’ischémie
froide mais uniquement une ischémie tiède (température >4°C). D’une manière générale, la
transplantation rénale va se subdiviser en 2 étapes [55, 60] :
— Prélèvement de l’organe chez le donneur :
L’opération est généralement effectuée en utilisant une technique minimale invasive ap-
pelée laparoscopie. Cette technique permet, surtout pour les donneurs vivants, un ré-
tablissement plus rapide après l’intervention et une diminution des morbidités post-
transplantation. Le prélèvement rénal se fait en « déconnectant » le rein de toutes les
structures anatomiques qui y sont liés. Le chirurgien identifie l’ensemble des vaisseaux
afférants et efférents de l’organe dont l’artère rénale, la veine rénale qui débouche dans la
veine cave inférieure et l’uretère qui s’anastomose avec la vessie pour y acheminer l’urine.
Ils sont ensuite clampés afin d’empêcher la perte sanguine lors de leur dissection. Le rein
est ensuite retiré et placé dans une glacière contenant une solution de préservation froide
(liquide physiologique). Dans le cas d’un donneur vivant, le greffon est transporté directe-
ment dans la salle d’opération du receveur. A l’issue de l’intervention, le donneur vivant
est hospitalisé entre 3 à 7 jours en fonction de son évolution. Un suivi post-transplantation
est réalisé au bout d’un mois puis une fois par an pour contrôler au mieux la fonction
rénale du donneur [55, 56, 105].
— Insertion de l’organe
Le rein est inséré au niveau de l’abdomen dans la fosse iliaque sans nécessité d’une
néphrectomie du/des reins malades (sauf pour les cancers et autres cas particuliers (ex.
PKD sévère et douloureuse). L’insertion rénale implique une mise en communication des
vaisseaux du pédicule rénal du donneur avec ceux du receveur (Figure 1.5). A la fin
de l’opération, le patient est hospitalisé entre 7 à 14 jours avec un contrôle strict de
la diurèse, de la fonction du greffon et de l’évolution de la cicatrice jusqu’à la reprise
normale de la fonction rénale. Il est possible qu’une ou deux séances de dialyse soient
nécessaires avant le retour d’un fonctionnement optimal du nouveau rein. Le patient

43
PartI, Chapitre 1 – Introduction à la transplantation rénale

devra ensuite prendre un traitement immunosuppresseur le reste de sa vie pour prévenir

les épisodes de rejets du greffon. Un accompagnement thérapeutique est néanmoins mis
en place pour informer et accompagner le patient afin qu’il puisse se familiariser à sa
nouvelle condition notamment pour le traitement médicamenteux à long terme. Un suivi
périodique est également nécessaire pour pouvoir contrôler la fonction et l’évolution rénale
du patient [55, 56]

Figure 1.5 – Implantation d’un nouveau greffon chez le receveur [106]. Le rein est
placé dans la fosse iliaque sans forcément la nécessité d’une néphrectomie du/des reins malades.
Le chirurgien connecte d’abord l’artère et la veine du rein greffé à la veine et à l’artère iliaques
externes du receveur. Ensuite l’uretère du greffon est connecté à la vessie du receveur.

1.5.3 Post-transplantation

[Link] Suivi du patient

Après la transplantation, un suivi médical régulier est mis en place entre l’équipe de trans-
plantation et le néphrologue afin de surveiller la fonction rénale du patient et d’anticiper toutes
complications potentielles qui pourraient altérer la survie du greffon et du patient à court, moyen
et long termes [107]. Au cours des trois premiers mois post-transplantation, le suivi est étroit.
Les visites médicales et les examens sont très fréquents : deux fois par semaine le premier mois,
puis une fois par semaine, puis deux fois par mois. Ensuite, une consultation est recommandée
une fois toutes les 2 semaines de 4 à 6 mois, une fois par mois de 7 à 12 mois puis tous les 3 à 4
mois après la première année post-transplantation. Le suivi habituel comporte des analyses de
sang et d’urine, un examen clinique, la prise de la tension artérielle [107]. Ces consultations ont
pour objectifs de surveiller :

44
 1.5. La transplantation

— La prise du traitement immunosuppresseur qui cible l’activation et la prolifération des

lymphocytes T et B afin de prévenir et de traiter les rejets. En l’absence de traitement
immunosuppresseur, le rejet d’un organe allogénique est inéluctable. Toutefois un suivi
pharmacologique est nécessaire pour déterminer la dose adéquate pour le patient afin
d’éviter les effets indésirables (complications toxiques, infectieuses et néoplasiques liées
un excès d’immunosuppression) [108].
— La fonction du rein greffé avec une évaluation du DFG et de la protéinurie qui sont des fac-
teurs très importants pour le suivi car ils permettent d’estimer l’efficacité ou la tolérance
du traitement en cours. Un DFG compris entre 40 et 70 mL/min/1.73m2 est considéré
comme correct. Si le DFG est inférieur à 10 mL/min/1.73 m2 et que des complications
sur l’organe sont observées, le greffon n’est plus considéré comme fonctionnel [56, 107].
— Les risques cardio-vasculaires et les complications carcinologiques avec un contrôle de la
pression artérielle et du régime alimentaire pour les complications cardiovasculaires et un
dépistage précoce des cancers notamment ceux cutanés et urologiques [56, 107]. Lorsque
ces facteurs ne sont pas pris en charge ou ne sont pas détectés à temps, la fonction rénale
du patient peut se dégrader rapidement et conduire à la perte du greffon [56].

[Link] Complications de la transplantation

De nombreuses complications peuvent survenir après la transplantation comme des récidives

de la néphropathie initiale, des complications infectieuses, cardiovasculaires et métaboliques,
digestives, néoplasiques, osseuses ou encore immunologiques. En cas de suspicion d’échec de la
transplantation rénale (baisse de la fonction rénale), la biopsie du greffon reste l’analyse primor-
diale pour le diagnostic. Elle permet de distinguer quelles sont les causes de cet échec : rejet
humoral/cellulaire aigu ou chronique, toxicité médicamenteuse, récidive de la maladie initiale,
glomérulonéphrite de novo, infection virale, etc [56]. Dès 1991, a été mise en place la classifi-
cation de Banff [109] permettant une classification standardisée et internationale des biopsies
des greffons rénaux. Elle oriente le diagnostic clinique, évalue la gravité des lésions (aigu ou
chronique) et uniformise les études de recherche et les essais cliniques portant sur le diagnostic,
le traitement et les résultats des greffes de rein. La classification repose sur l’analyse des lésions
histologiques de l’interstitium, des tubules, des glomérules et des vaisseaux pour déterminer un
score semi-quantitatif [109]. Cette classification est mise à jour 2 fois par an pour intégrer les
données scientifiques les plus récentes et tenter de différencier les lésions associées au rejet chro-
nique. On distingue 6 catégories selon les critères de Banff : (1) rein normal ou changements non
spécifiques, (2) modifications médiées par les anticorps, (3) modifications "borderline" : suspicion
de rejet médié par les LT aiguë, (4) rejet médié par les LT, (5) fibrose interstitielle et atrophie tu-
bulaire, (6) autres (néphropathie à BK virus, troubles lymphoprolifératifs post-transplantation,
maladie récurrente, pyélonéphrite, etc.) [109]. Dans cette partie nous allons principalement nous

45
PartI, Chapitre 1 – Introduction à la transplantation rénale

intéresser à deux types de complications : les rejets et la récidive de la maladie initiale.

[Link].1 Les rejets

Les premières causes de complications immunologiques post-transplantation sont caractéri-

sées par les rejets. On distingue 2 catégories de rejets [110] :
— Le rejet cellulaire dont les acteurs principaux sont les LT effecteurs, est dû au déve-
loppement d’une immunisation du receveur contre les antigènes HLA du donneur : on
parle d’allo-reconnaissance. Elle est caractérisée par la capacité des LT à être stimulés
par des molécules allo-antigènes (antigènes génétiquement différents) capables d’induire
l’activation de LT allo-spécifiques et de déclencher une réponse immunitaire. Dans le
cas de la transplantation rénale, cette allo-reconnaissance peut être directe ou indirecte.
Elle est directe lorsqu’elle fait intervenir les CPA du donneur, apportées avec le greffon,
dont les complexes CMH/peptides sont directement reconnus par les LT du receveur.
L’allo-reconnaissance indirecte quant à elle fait intervenir les CPA du receveur qui vont
phagocyter des peptides allo-géniques issus du greffon et présenter à leur surface un
complexe CMH/peptides qui va être reconnu par les LT et entrainer leur activation.
Afin de limiter ces réactions, des traitements immunosuppresseurs sont prescrits aux
patients [111, 112, 113].
— Le rejet humoral dont les acteurs principaux sont les anticorps spécifiques anti-HLA du
donneur, ou DSA est dû au développement d’immunisations induites, entre autres, par
des grossesses, des transfusions ou des transplantations antérieures. On distingue 2 types
de DSA : les DSA préformés (antérieur à la transplantation) impliqués dans la réponse
humorale des rejets hyper-aigus, et les DSA de novo (suite à la transplantation) associés
au rejet aigu tardif médié par les anticorps, au rejet chronique médié par les anticorps et
à la glomérulopathie de transplantation. De manière générale, les DSA sont responsables
de rejets médiés par les anticorps (AMR : Antibody Mediated Rejection). Les anticorps
vont cibler les cellules endothéliales et, via une toxicité directe et une toxicité indirecte
médiée par le complément, ils vont former le complexe d’attaque membranaire, attirer
des cellules inflammatoires et activer la phagocytose. Ces dommages vont contribuer à
la thrombose et à l’occlusion vasculaire. Il est possible d’éviter le développement des
DSA en limitant les incompatibilités HLA entre donneur et receveur et en évitant les
transplantations avec un donneur dont les HLA sont la cible des anticorps circulants chez
le receveur (test du cross match primordial en amont de la transplantation) [114, 115].
Au sein de ces 2 catégories de rejets, 3 types de rejets peuvent être caractérisés en fonction
du délai d’apparition après la transplantation et des types de lésions sur le greffon : le rejet
hyper-aigu, le rejet aigu et le rejet chronique [55, 56, 110]
— Le rejet hyper-aigu

46
 1.5. La transplantation

Le rejet hyper-aigu est un rejet à médiation principalement humorale, déclenché au mo-

ment du rétablissement de la circulation sanguine entre le greffon et le receveur. Il peut se
produire dans les minutes suivant cette reconnexion sanguine (rejet hyper-aigu immédiat)
ou dans la première semaine post-transplantation (rejet hyper-aigu retardé). Le méca-
nisme du rejet hyper-aigu est lié à la présence, chez le receveur, d’anticorps anti-HLA
ou anti-ABO présents sur les cellules endothéliales du greffon. Si les anticorps anti-ABO
ou les DSA circulant chez le receveur sont spécifiques des antigènes du groupe sanguin
ABO ou du HLA du donneur, alors ils vont former un complexe antigène/anticorps à la
surface des cellules endothéliales du greffon et entraîner une fixation et une activation
du complément. Dès lors, le rejet hyper-aigu se traduit par la thrombose des vaisseaux
irriguant le greffon et par un arrêt brutal et définitif de sa fonction. Toutefois, la survenue
de ce type de rejet est devenue exceptionnelle depuis la pratique systématique du test de
cross-match [88, 115].
— Le rejet aigu
On distingue deux sous-types de rejet aigu : (1) le rejet aigu humoral, et (2) le rejet
aigu cellulaire. Le rejet aigu humoral se produit typiquement de manière précoce, dès le
4ème jour post-transplantation ; il peut toutefois survenir plus tardivement. Le rejet aigu
cellulaire se produit généralement dans les premiers mois suivant la transplantation. Il
constitue le type de rejet le plus fréquemment observé (80% des épisodes de rejet aigu). Sa
survenue est favorisée par une mauvaise observance du traitement immunosuppresseur.
Il existe deux voies du rejet aigu cellulaire, la reconnaissance de l’allogreffe par les LT
pouvant se faire directement par reconnaissance des complexes CMH-peptides du greffon
ou indirectement par l’apprêtement des antigènes du greffon sur le CMH des cellules du
receveur [56, 110].
— Le rejet chronique
Le rejet chronique se définit par une dysfonction progressive du greffon, en l’absence de
causes mécaniques ou infectieuses. Il constitue la principale cause de perte des greffons
rénaux, en particulier à long terme (56% à 10 ans post-transplantation) [44, 116]. D’un
point de vue clinique, ce rejet se manifeste par une protéinurie et une dysfonction du
greffon. Le rejet chronique est le résultat de lésions cumulées (effet secondaire de l’is-
chémie/reperfusion, rejets aigus, infiltration du greffon de LT allo-réactifs, inflammation
chronique) et impliquent également des mécanismes immuns (immunisation vis-à-vis des
allo-antigènes, en pré- et post-transplantation : DSA) et nonimmuns, aggravés par la
toxicité des traitements [56]. Malgré ces facteurs de risques connus, les facteurs immuno-
logiques impliqués dans les mécanismes de rejet de greffes chroniques restent encore flous.
Les DSA sont reconnus comme la principale cause de la perte tardive de la greffe [117].
Mais récemment, des études ont montré l’implication d’autres facteurs. En effet, une étude

47
PartI, Chapitre 1 – Introduction à la transplantation rénale

avait déjà mis en évidence l’implication des cellules NK dans le rejet chronique. L’absence
d’activation des cellules NK auto-induites favorise le développement d’une inflammation
vasculaire du greffon qui a exactement le même impact négatif sur la survie de l’organe
que l’absence d’activation de l’anti-DSA [100]. Plus récemment, d’autres études ont mon-
tré la grande diversité des mécanismes qui sous-tendent le rejet chronique notamment
avec l’implication d’auto-anticorps et d’allo-anticorps non-HLA [101]. Les allo-anticorps
sont dirigés contre des antigènes polymorphes qui diffèrent entre le donneur et le rece-
veur tandis que les auto-anticorps sont des anticorps qui reconnaissent des auto-antigènes.
Plusieurs gènes ont déjà été identifiés tels que AT1R qui code pour un recepteur de l’an-
giotensine II, ICAM4 qui code pour une molécule d’adhesion intracellulaire, la protéine
kinase Cz etc. Ces avancées lèvent le voile sur la compléxité des mécanismes régissant le
rejet chronique et suggèrent que des études avec des données multi-couches (génomiques,
transcriptomiques, cliniques, proteomiques etc.) sont nécessaires pour mieux comprendre
l’évolution du greffon [118].

[Link].2 Récidive de la maladie

En France, les glomérulopathies primitives sont la 3ieme cause d’IRCT (11%) après les né-
phropathies diabétiques (22%) et celles vasculaires et hypertensives (25%) [43, 44]. Certaines de
ces maladies ayant entraîné l’insuffisance rénale chronique peuvent récidiver sur le rein greffé. Il
s’agit essentiellement de glomérulonéphrites [56]. La récidive de la maladie initiale est respon-
sable de moins de 4 % de l’ensemble des échecs de transplantation. Le risque de récidive est
majeur en cas de récidive sur une première greffe et lorsque la maladie initiale a rapidement
évolué vers l’insuffisance rénale [119, 120]. Le diagnostic peut être difficile à faire car la plupart
des récidives n’ont pas de signes cliniques ou biologiques visibles. La biopsie est la meilleure
option même si la différentiation entre glomérulopathies de novo, glomérulopathies transmises
par le greffon, et récidives de glomérulopathies n’est pas toujours évidente [56]. Il est possible
de prescrire des traitements dans certains cas de récidives, mais la marge de manœuvre est très
limitée conduisant surtout à poser des indications très prudentes dans le choix du donneur quand
une transplantation de donneur vivant est proposée. [56].
— Le syndrome néphrotique idiopathique (SNI) avec lésions de hyalinose seg-
mentaires et focales (HSF)
La HSF est décrite comme un ensemble de dépôts hyalins et de lésions de scléroses seg-
mentaires (touchant une partie du glomérule) et focales (n’atteignant que certains glo-
mérules). Ces lésions altèrent la barrière de filtration glomérulaire, qui devient perméable
aux éléments de haut poids moléculaire tels que l’albumine [121]. La HSF se décline gé-
néralement en 2 formes : la forme idiopathique (80% des cas) et la forme secondaire (20%
des cas). Un des problèmes majeurs du SNI avec HSF est la récidive sur le greffon, de 30

48
 1.5. La transplantation

à 50% des cas lors d’une première greffe, à plus de 90% lors de la deuxième [122]. Cette
récidive est généralement précoce et peut intervenir dans les 6 à 12 premiers mois post-
transplantation. Elle se caractérise par une protéinurie abondante (3g/24h) et une hyper-
tension artérielle avant que n’apparaissent les lésions histologiques de hyalinose [56, 122].
Des facteurs de risque tels que l’âge du donneur ont déjà été identifiés mais l’origine de
ces lésions reste indéterminée [123]. La présence d’un facteur de perméabilité circulant
est l’hypothèse privilégiée. En effet, une étude a identifié le récepteur soluble de l’acti-
vateur du plasminogène de l’urokinase (suPAR) dans le sérum comme pouvant être le
facteur circulant responsable de la récidive HSF [124]. Plus récemment, Gallon et al. ont
montré que la retransplantation chez un receveur n’ayant pas la HSF comme maladie ini-
tiale permettait la récupération rapide de la fonction d’ un greffon qui était initialement
dysfonctionnel chez un receveur avec la HSF comme maladie initiale [125]. Ces résultats
appuient la théorie selon laquelle un facteur circulant est à l’origine de la HSF. Toutefois,
l’étude sur suPAR n’a jamais été validée et une compréhension complète de la cascade
cellulaire impliquée est encore nécessaire [126].

49
 Chapitre 2

LA TRANSPLANTATION RÉNALE À L’ ÈRE

DES « OMIQUES »

2.1 Les «omiques» en transplantation

2.1.1 Définition des omiques
L’essor des nouvelles techniques de séquençage qui permettent aujourd’hui de pouvoir sé-
quencer un génome humain en une semaine a fait croître de façon considérable le volume de
données à stocker et à analyser [127]. Dans le domaine biomédical, ces données générées dites «
omiques » permettent la mesure et l’analyse à grande échelle de profils génétiques ou molécu-
laires à l’échelle d’un tissu ou d’une cellule. Au lieu d’étudier un seul gène ou une seule protéine,
les approches omiques permettent une vision systémique de l’entité biologique (génome, pro-
téome, transcriptome etc.). Par exemple, la génomique établit le profil de l’ADN (acide désoxy-
ribonucléique), la transcriptomique mesure les transcrits ; la protéomique et la métabolomique
quantifient respectivement les protéines et les métabolites etc [128].

[Link] La génomique

La génomique correspond à l’étude de l’ensemble du matériel génétique (appelé génome)

d’une cellule ou d’un tissu. Chaque cellule de l’organisme contient une copie complète des 3 mil-
liards de paires de bases d’ADN, qui constituent le génome humain. Au début des années 2000, le
séquençage du premier génome humain a révolutionné la génomique en permettant une descrip-
tion détaillée de la composition du génome entier (cf. 2.2.1 Le génome humain p. 70) [129, 130].
Plus tard, l’ambition était de pouvoir séquencer un grand nombre de génomes afin d’étudier la di-
versité interindividuelle et d’explorer des variations et/ou des mutations génétiques susceptibles
de jouer un rôle dans le développement ou la progression d’une maladie. En effet, la divergence
entre deux individus est estimée à environ 0,1 % (environ 3 à 4 millions de paires de bases) et est
responsable de la majeure partie de la diversité phénotypique observée au sein de la population
humaine [131]. Dans ce contexte, des projets tels que 1000 Génomes (1KGP) ont vu le jour et
ont permis de cartographier les variants génétiques humaines ayant une fréquence allélique («
Minor Allelic Frequency » - MAF) d’au moins 1 % au seins de 5 grandes populations (Africains,

51
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

Américains, Est et Sud Asiatiques, Européens) [132]. Cette cartographie a permis d’identifier
des polymorphismes tels que les SNP (Single Nucleotide Polymorphism) qui sont au cœur des
études d’associations pangénomiques (Genome-Wide Association Studies - GWAS) [133]. Ces
approches permettent d’établir, par des méthodes statistiques, une association entre un SNP
et un trait (ou une maladie) à l’échelle du génome. Ces études sont basées sur les technologies
de génotypage qui permettent de déterminer la présence ou l’absence de SNP dans la séquence
d’ADN d’un individu. Le génotypage s’effectue majoritairement à l’aide de puces à ADNs (ou
« microarray ») qui consistent en de fines couches de verre dans lesquels sont disposés des oli-
gonucléotides. Ces derniers également appelés "sondes" correspondent à des séquences d’ADN
connus et permettent de détecter les variants d’intérêt pour chaque individu. Toutefois, il est
également possible de génotyper des individus grâce à des approches de séquençages nouvelles
générations (« Next Generation Sequencing » - NGS) qui permettent de déterminer la séquence
exacte de l’ADN par opposition au génotypage qui ne cible que des séquences pré-définies. Ces
techniques sont néanmoins plus coûteuses mais permettent une exploration plus complète du
génome. De plus, si les puces à ADNs ne se concentrent généralement que sur les variants com-
muns (MAF > 5%) du génome. Le séquençage permet d’explorer les variations rares (MAF <
0.5%) et communes sur l’ensemble du génome (séquençage du génome entier ou « Whole Genome
Sequencing » - WGS) ou spécifiquement sur les régions codantes contenant les gènes (séquen-
çage de l’exome entier ou « Whole Exome Sequencing » - WES). La génomique permet de lever
le voile sur les relations entre génotype et phénotype. Dans le domaine de la transplantation,
les études génomiques permettent de mettre en évidence la variabilité génétique inter et intra
individuelle et interpopulationnelle entre donneurs et receveurs qui peuvent impacter le devenir
du greffon (cf. 2.2.3 Les études d’association génétiques p. 84) [134].

[Link] La transcriptomique

La transcriptomique représente l’étude du transcriptome, défini comme l’ensemble des sé-

quences d’acides ribonucléiques (ARN) produits lors de la transcription par un génome au sein
d’un tissus ou d’une cellule [135]. Initialement, le transcriptome ne concernait que les ARN
dites messagers (ARNm), codant pour les protéines. Mais cette définition s’est élargie et en-
globe dorénavant l’ensemble des ARN. Le transcriptome est constitué d’ARNm codants qui
représentent environ 1 à 4% des transcrits et d’ARN non codants qui représentent, avec les
régions intergéniques, le reste du génome et ne donnent pas lieu à des protéines. Les premières
études transcriptomiques sont basées sur la technologie des puces à ADN. Au cours des années
2010, les puces à ADN ont laissé place au RNA-seq, une technique de séquençage nouvelle gé-
nération qui permet de capturer l’ensemble des séquences présents dans un échantillon donné
qu’ils soient connus ou non. Cette technologie ne nécessite qu’une petite quantité d’ARN et
aucune connaissance préalable du transcriptome. Une autre technique qui dérive directement

52
 2.1. Les «omiques» en transplantation

du RNA-seq permet d’étudier la transcription à l’échelle d’une seule cellule (ou « single-cell
transcriptomics »). Le séquençage de l’ARN d’une cellule unique (scRNA-seq) permet en plus
de l’étude d’une cellule individuelle, d’analyser des sous-populations de types de cellules pour un
tissus d’intérêt. Les études RNA-seq permettent d’évaluer à la fois quantitativement et qualita-
tivement le taux d’ARN différentiel pour mieux comprendre certains mécanismes phénotypiques
tels que les maladies et favoriser la découverte de nouveaux transcrits. Elles permettent égale-
ment d’approfondir l’étude des ARN non codants qui jusque-là étaient peu connus mais ont été
prouvés comme essentiels dans de nombreux processus biologiques et maladies. De plus, grâce
au développement des techniques scRNA-seq, il est possible de caractériser des populations cel-
lulaires rares telles que les cellules tumorales circulantes, les cellules souches cancéreuses, et les
cellules souches embryonnaires dans les blastocystes de mammifères [134].

[Link] La protéomique

La protéomique est l’étude à grande échelle des protéines, de leur structure, de leur interac-
tion et de leur potentiel rôle au sein d’un organisme. Elle s’intéresse au protéome qui représente
l’ensemble des protéines produites par une cellule, un tissu ou un organisme donné. Ce nombre de
protéines varie en fonction du temps ou des conditions spécifiques (stress, maladies, variations
environnementales etc.). Plusieurs techniques ont été développées pour analyser le protéome.
Les plus couramment appliquées sont les techniques basées sur la spectrométrie de masse ou «
Mass Spectromy » - MS) qui comprennent deux méthodes : la MS en tandem (ou « Tandem-
MS ») basée sur l’utilisation de marqueurs à isotopes stables pour le marquage différentiel des
protéines et les techniques basées sur la migration sur gel telle que l’électrophorèse différentielle
en gel (ou « DIGE »). Cette dernière est la méthode la plus établie et la plus répandue. Elle
utilise l’électrophorèse bidimensionnelle à haute résolution pour séparer les protéines de diffé-
rents échantillons en parallèle. Ces protéines sont ensuite sélectionnées puis colorées de manière
distincte lors de l’identification par spectrométrie de masse. Les méthodes MS étudient l’interac-
tion des protéines et la quantification des modifications post-traductionnelles. Cependant, elles
ne sont pas adaptées pour l’analyse de centaines ou de milliers d’échantillons dans un délai court
(quelques jours ou quelques semaines). A cette échelle d’échantillons, les méthodes de purifica-
tion par affinité sont plus adéquates. Elles utilisent des anticorps ou d’autres réactifs d’affinité
(tels que les aptamères à base d’oligonucléotides) comme sondes pour la détection spécifique des
protéines. Une troisième approche basée sur les puces à protéines (protein chips ou microarrays)
est également utilisée pour l’identification des protéines spécialement pour la détection de la
présence ou non de certaines protéines au sein d’un échantillon biologique (détection de l’affinité
antigène-anticorps dans le sang par exemple) ou pour l’identification de complexes moléculaires
(protéine-ADN, protéine-protéine et protéine-ligand). Les approches protéomiques permettent
une analyse comparative et quantitative du répertoire de protéines au sein des tissus ou des

53
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

fluides biologiques dont le taux différentiel peut refléter une maladie sous-jacente. Ces études
favorisent l’identification de nouveaux biomarqueurs potentiels pour le traitement des maladies.
Par exemple, si une certaine protéine est impliquée dans une maladie, sa structure 3D fournit
les informations nécessaires pour concevoir des médicaments pouvant interferer avec l’action de
la protéine. En transplantation, cette approche permet, par exemple, de détecter la présence
de protéines dans l’urine associée au rejet ou d’adapter un traitement immunosuppresseur en
fonction des protéines produites [134].

[Link] La métabolomique

La métabolomique est l’étude à grande échelle des métabolites synthétisés dans les cellules,
les biofluides, les tissus ou les organismes. Un métabolite est un composé organique de faible
poids moléculaire (50 à 1500 daltons), généralement impliqué dans un processus biologique en
tant que substrat ou produit (acides aminés, lipides, sucres, nucléotides, alcaloïdes, etc.). L’en-
semble de ces petites molécules et leurs interactions au sein d’un système biologique constituent
le métabolome et sont influencées par des facteurs génétiques et environnementaux. Le métabo-
lome est par nature très dynamique : les molécules sont continuellement absorbées, synthétisées,
dégradées et interagissent avec d’autres molécules, tant au sein des systèmes biologiques qu’entre
eux, et avec l’environnement. Par conséquent, le métabolome reflète directement l’activité bio-
chimique sous-jacente et l’état des cellules/tissus. Les technologies utilisées dans le domaine de
la métabolomique sont la MS et la Résonance Magnétique Nucléaire (RMN). Ces techniques
quantifient l’abondance et la structure des métabolites en se basant respectivement sur leur
masse et sur les propriétés magnétiques des noyaux atomiques. Les métabolites sont d’abord sé-
parés par chromatographie. Il existe deux méthodes : la chromatographie en phase gazeuse (GC)
utilisée pour les petites molécules volatiles et la chromatographie liquide à haute performance
(HPLC) qui sépare les molécules en phase liquide. Ces méthodes sont couplées avec la MS et/ou
la RMN pour la détection et l’identification des métabolites. La métabolomique a pour objectif
de donner l’image la plus complète de l’état cellulaire en identifiant et quantifiant son emprunte
moléculaire. Des niveaux différentiels peuvent refléter une fonction métabolique anormale et être
le signe d’une maladie. En raison de son lien étroit avec le phénotype, la métabolomique est un
outil idéal pour la découverte de biomarqueurs [134].

[Link] L’épigénomique

L’épigénomique étudie les modifications réversibles de l’ADN ou des protéines associées à

l’ADN à l’échelle du génome, qui ont un impact sur l’expression des gènes sans induire de mo-
difications dans la séquence d’ADN elle-même. Ces modifications, notamment la méthylation
de l’ADN ou l’acétylation des histones, peuvent être influencées à la fois par des facteurs gé-
nétiques et environnementaux et influencer le schéma d’expression des gènes. Récemment, les

54
 2.1. Les «omiques» en transplantation

études d’association à l’échelle de l’épigenome (ou « Epigenome-Wide Association Studies »

- EWAS) permettent d’évaluer les modifications de l’ADN à un niveau global en utilisant les
technologies NGS mais également les puces à ADNs. Il existe une grande variété de méthodes
d’analyse des modifications épigénomiques, dont le choix dépend d’un certain nombre de fac-
teurs, notamment la qualité et le type d’échantillon de tissu disponible, le coût, les objectifs des
études et les ressources informatiques/laboratoires disponibles. Ces méthodes comprennent la
quantification de la méthylation globale par HPLC et l’analyse de la méthylation de l’ADN par
séquençage au bisulfite du génome entier. L’analyse de la méthylation globale permet d’évaluer
le statut de méthylation d’un échantillon de tissu, tandis que l’analyse de la méthylation de
l’ADN par séquençage au bisulfite du génome entier donne un statut de méthylation spécifique
à un site sur l’ensemble du génome. Cette approche met en évidence le rôle clé des signatures
épigénétiques dans les processus biologiques, le développement des maladies et d’autres états
physiopathologiques. Dans le domaine de la transplantation, une meilleure compréhension de
ces modifications épigénétiques chez les donneurs et les receveurs peut conduire à l’identifica-
tion de biomarqueurs [134].

2.1.2 Etat de l’art des études omiques en transplantation

Revue
Surfing the Big Data Wave : omics data in transplantation
Rokhaya BA, MSc* ; Estelle Geffard, PhD* ; Venceslas Douillard, MSc ; Françoise
Simon, MBA,PhD ; Laurent Mesnard, MD,PhD ; Nicolas Vince, PhD ; Pierre-Antoine
Gourraud, PhD,MPH ; Sophie Limou, PhD
Transplantation : February 2022 - Volume 106 - Issue 2 - p e114-e125 doi :
10.1097/TP.0000000000003992 PMID : 34889882

[Link] Résumé de la revue

Tant dans le domaine de la recherche que dans celui des soins, les patients, les soignants
et les chercheurs sont confrontés à une augmentation considérable de la quantité de données
disponibles pour l’analyse et l’interprétation, marquant ainsi « l’ère du big data ». Dans le do-
maine biomédical, ce changement quantitatif fait surtout référence à la -omique qui permet de
mesurer et d’analyser les caractéristiques d’une entité biologique spécifique dans son ensemble.
Les études omiques ont eu un impact considérable sur la recherche en transplantation. Certaines
études ont souligné l’apport des omiques dans le développement de thérapies personnalisées pour
éviter la perte de greffons. Cependant, l’intégration des données omiques reste un défi en termes
de processus analytiques. Ces données proviennent de sources multiples. Par conséquent, elles
peuvent contenir des biais et des erreurs systématiques qui peuvent être confondus avec des

55
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

informations biologiques pertinentes. Des méthodes de normalisation de correction des effets de

batch ont été développés pour résoudre les problèmes liés à la qualité et à l’homogénéité des
données. En parallèle, les méthodes d’imputation traitent les données manquantes. Le domaine
de la transplantation représente un contexte analytique unique car l’unité statistique biologique
est la paire donneur-receveur, ce qui rend les analyses omiques encore plus complexes. Des stra-
tégies telles que les scores de risque combinés entre deux génomes qui prennent en compte de
l’ancestralité génétique sont développées pour mieux comprendre les mécanismes de la greffe
et affiner les interprétations biologiques. Les futures omiques seront basées sur une biologie in-
tégrative, considérant l’analyse du système dans son ensemble et non plus l’étude d’une seule
caractéristique. Cette revue résume les avancées des études omiques dans le domaine de la trans-
plantation et présente les enjeux analytiques concernant ces approches.

Mots-clefs : transplantation, omiques, “big data”, contrôle qualité, normalisation, effet de

batch, imputation, paires donneur-receveur

56
 2.1. Les «omiques» en transplantation

Revue

57
 Review

Surfing the Big Data Wave: Omics Data

Challenges in Transplantation
Rokhaya Ba, MSc,1,2 Estelle Geffard, PhD,1 Venceslas Douillard, MSc,1 Françoise Simon, MBA, PhD,1,3
Laurent Mesnard, MD, PhD,4,5 Nicolas Vince, PhD,1 Pierre-Antoine Gourraud, PhD, MPH,1 and Sophie Limou, PhD1,2

Abstract. In both research and care, patients, caregivers, and researchers are facing a leap forward in the quantity of
Downloaded from [Link] by BhDMf5ePHKav1zEoum1tQfN4a+kJLhEZgbsIHo4XMi0hCywCX1AWnYQp/IlQrHD3i3D0OdRyi7TvSFl4Cf3VC1y0abggQZXdgGj2MwlZLeI= on 03/24/2022

data that are available for analysis and interpretation, marking the daunting “big data era.” In the biomedical field, this quan-
titative shift refers mostly to the -omics that permit measuring and analyzing biological features of the same type as a whole.
Omics studies have greatly impacted transplantation research and highlighted their potential to better understand transplant
outcomes. Some studies have emphasized the contribution of omics in developing personalized therapies to avoid graft
loss. However, integrating omics data remains challenging in terms of analytical processes. These data come from multiple
sources. Consequently, they may contain biases and systematic errors that can be mistaken for relevant biological informa-
tion. Normalization methods and batch effects have been developed to tackle issues related to data quality and homoge-
neity. In addition, imputation methods handle data missingness. Importantly, the transplantation field represents a unique
analytical context as the biological statistical unit is the donor–recipient pair, which brings additional complexity to the omics
analyses. Strategies such as combined risk scores between 2 genomes taking into account genetic ancestry are emerging
to better understand graft mechanisms and refine biological interpretations. The future omics will be based on integrative
biology, considering the analysis of the system as a whole and no longer the study of a single characteristic.
In this review, we summarize omics studies advances in transplantation and address the most challenging analytical issues
regarding these approaches.
(Transplantation 2022;106: e114–e125).

INTRODUCTION founded on 3 Vs: “Big data is data that contains greater

The definition of big data in the biomedical field is highly Variety, arriving in increasing Volumes and with ever-
debated. In the early 2000s, a popular definition was higher Velocity. This is known as the three Vs.”1 Even
if 17 other “Vs” have been proposed since,2 big data is
Received 30 April 2021. Revision received 23 September 2021. best described with 5 key concepts3,4: Volume represents
Accepted 9 October 2021. the quantitative change that occurs with the process-
1
Université de Nantes, Centre Hospitalier Universitaire Nantes, Institute of Health ing of high volumes of data (2314 exabytes produced
and Medical Research, Centre de Recherche en Transplantation et Immunologie,
UMR 1064, Institut de Transplantation Urologie-Néphrologie, Nantes, France.
in 2020 in Healthcare5,6). Variety refers to the diversity
2
Département Informatique et Mathématiques, Ecole Centrale de Nantes,
of data types. Velocity indicates at which rate the data
Nantes, France. can be made available for analysis. Value refers to the
3
Mount Sinai School of Medicine, New York, NY. usefulness of big data.7 Veracity ensures the integrity of
4
Urgences Néphrologiques et Transplantation Rénale, Hôpital Tenon, Assistance data that is meaningful to confidently use it for decision
Publique–Hôpitaux de Paris, Paris, France. making.
5
Sorbonne Université, Paris, France. In the biomedical field, Big data refers mostly to the
R.B. and E.G. are cofirst authors. -omics that permits measuring and analyzing large-scale
This work has been supported by the Government through the National genetic or molecular profiles of organisms or tissues.
Research Agency under the Future Investments program with the reference
Instead of studying a single gene, protein, or metabo-
KTD-Innov (ANR-17-RHUS-0010).
This project has received funding from the European Union’s Horizon 2020
lite, -omics approaches allow the exploration of a com-
Research and Innovation Programme under Grant Agreement No. 754995. plete biological feature8 (see Table 1). Omics data have
The authors declare no conflicts of interest. empowered the community to investigate how complex
R.B. and E.G. did the bibliographic research and cowrote the article. P.-A.G., interactions between genes and molecules may influence
S.L., and N.V. designed, supervised, and formalized the scientific content and the phenotypes and improved medical decision making.
writing of the review. V.D., L.M., and F.S. contributed to the formalization of the In transplantation, some studies have emphasized the
article. All authors have approved the final version of the article.
contribution of omics in developing personalized thera-
Correspondence: Pierre-Antoine Gourraud, PhD, MPH, Centre de Recherche en
Transplantation et Immunologie UMR1064, Institut de Transplantation Urologie-
pies to avoid graft loss while reducing comorbidities such
Néphrologie, Centre Hospitalier Universitaire Nantes, Hôtel Dieu, 30 Blvd Jean as cancer and diabetes.15,16 Additionally, the incorpora-
Monnet, 44093 Nantes Cedex 01, France. ([Link]@[Link]). tion of longitudinal structured and unstructured data
Copyright © 2021 Wolters Kluwer Health, Inc. All rights reserved. improves significantly graft loss and mortality predic-
ISSN: 0041-1337/20/1062-e114 tion.17 In terms of analysis, the challenge of omics data in
DOI: 10.1097/TP.0000000000003992 transplantation is 2-fold:
e114 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
<zdoi;10.1097/TP.0000000000003992>
© 2021 Wolters Kluwer Ba et al e115

TABLE 1.
Approaches used in omics

Genomics Genomics studies whole genomes of organisms that includes the complete set of DNA and genes. It is a multidisciplinary branch
that focuses on the identification of genetic variants associated with disease, differential drugs effect, transplant outcome, etc.
An approach called the GWAS9 allows the characterization of genetic variations related to complex diseases in human popula-
tions. In the realm of transplantation, GWAS permits to highlight interethnic and interindividual genetic variability of donors and
recipients (SNPs, CNVs, etc) that may impact graft function.10 Associated technologies are mainly based on genotype arrays
techniques and also on NGS for whole-genome sequencing and exome sequencing. Genomics studies enable a better under-
standing of complex phenotypes.
Transcriptomics Transcriptomics represents the study of all transcripts (mRNA and ncRNA) produced during the process of transcription by a
genome under specific circumstances or in a specific cell. It evaluates both quantitatively and qualitatively differential RNA rate
to have better insight into disease mechanisms.
There are several techniques used in transcriptomics field, such as quantitative PCR, DNA microarrays that estimate predeter-
mined sequences, and RNA-Seq using high-throughput sequencing to capture all transcripts. RNA-Seq studies not only lead
to the discovery of many novel isoforms of the protein-coding transcriptome, but also more importantly, these techniques
empower the study of noncoding RNA that play essential roles in many biological processes, diseases, and potentially may be
used as biomarkers or as therapeutic targets.10 Transcriptomics analysis has enabled us to grasp the impact of gene expression
depending on the organism and its consequences on human disease outcomes.
Proteomics Proteomics attempts to identify in a global wayproteins quantification, location, modification, interaction, and functions in genome
scale. It is an important component of functional genomics and provides comparative and quantitative analyeis of protein
repertoire in tissue and bio fluids that reflect an underlying disease.10 In transplantation, this approach allows, for example, to
detect the presence of protein in the urine associated with rejection. Several techniques have been developed to analyze the
proteome including MS methods that investigate protein interaction and quantification of posttranslational modifications and
affinity purification methods used in the detection of protein interaction with other molecules.11 Those approaches improved
considerably in the proteomics field, especially with the development of NGS technologies.
Metabolomics Metabolomics aims to provide a comprehensive quantification of all metabolites and small molecules in the metabolome under
a given condition. The metabolic profile of a cell/tissue may result from both genetic and environmental factors. Differential
levels reflect abnormal metabolic function and are often indicative of disease. Metabolomics has for objective to give the
most complete picture of the cell state by identifying and quantifying metabolic imprints. Technologies used in metabolomics
field are MS-based approaches, namely MS and NMR spectroscopy. Those techniques quantify small molecule abundances
and structure based respectively on their mass and on the magnetic properties of atomic nuclei.12
Epigenomics Epigenomics studies reversible changes of DNA or DNA-associated proteins on genome scale that impact gene expression without
inducing mutational changes in the actual DNA sequence. These modifications including DNA methylation or histone acetyla-
tion can be influenced both by genetic and environmental factors and influence the gene expression pattern, which results
in differential disease outcomes. Recently, EWAS permits to assess DNA modifications on a global level using NGS technolo-
gies. This approach highlights the key role of epigenetic signatures on biological processes, disease development, and other
pathophysiologic states.11 In transplantation field, a better understanding of these epigenetic modifications in both donors and
recipients may lead to the identification of biomarkers, improvement in transplant recipient selection, and progress in overall
prediction outcome.13
Phenomics Phenomics is an emerging field that studies the full range of physical and biochemical traits belonging to a given organism: the
phenome. Phenomics focuses on quantitative and qualitative measurements of traits and also concerns the characterization of
genotype–phenotype associations. The development of phenomics capabilities requires expertise from multiple fields (biology,
data sciences, engineering, etc). It is a necessary complement to genomics, offers useful insights into important outcomes such
as disease and allows a better understanding of the genotype–phenotype map.14
CNV, copy number variation; EWAS, epigenome-wide association study; GWAS, genome-wide association study; MS, mass spectrometry; ncRNA, noncoding RNA; NGS, next-generation sequencing;
NMR, nuclear magnetic resonance; PCR, polymerase chain reaction; RNA-Seq, RNA sequencing; SNP, single-nucleotide polymorphism.

1. Omics data come from multiple sources, require an inter- may include a single genome (recipient or donor) or 2
disciplinary team of specialists (clinicians, specialized biol- genomes (the donor–recipient pair). Therefore, statistical
ogists, bioinformaticians, etc), and need in certain cases, a methods for analysis will be different/more complex. In
long period of time to be collected. This implies being very transplantation, strategies such as combined risk scores
careful about the preanalytical processes because multi- between 2 genomes are emerging to better understand
source data sets contain even more systematic (biological graft mechanisms and refine biological interpretations.
or nonbiological) errors than a classic data set. In addi-
tion, omics data tend to have missing data, partly because In this review, we provide a nonexhaustive summary
of how they are collected (eg, hand-filled form) and how of omics studies in transplantation and address the most
they are stored (multicentric databases with variables challenging analytical issues regarding these approaches.
and technologies that may vary depending on the center).
Procedures such as normalization, correction of batch
effects, and imputation are highly needed to achieve the OMICS STUDIES IN TRANSPLANTATION
most reliable, complete, and responsive data set. High-throughput analyses in transplanted patients have
2. The data analysis in transplantation brings additional revealed key biomarkers18 for transplantation outcomes.
complexity because of the statistical unit of interest, which Monitoring biomarkers in transplantation aims to predict

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
e116 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

rejection, treatment outcomes, and immunosuppressive of studies do not exceed 500 samples, which is low for
therapy adaptation.19,20 omics studies and power for statistical discovery. Sample
Table 2 is a summary of omics studies published in the size needs special attention in omics studies, as often, the
transplantation field with >70 reported articles. These statistical methods only reveal significant results when the
studies focused on acute rejection (AR) with very little pro- cohort size is large.98 In addition, it has been proven in
gress on chronic rejection/loss. This reflects the fact that genomics and metabolomics that an increasing sample size
chronic rejection/loss is more difficult to study because it can improve the robustness and diagnostic accuracy of the
involves more complex and heterogenous mechanisms. It markers.99
occurs months or years after organ or tissue transplanta- The issue that often arises is how to anticipate these
tion and may involve changes on different levels: chronic questions? What cohort size could be sufficient to rule out
inflammation, humoral, cellular immune reactions, etc. In a possible lack of statistical power and validate the pres-
addition, data related to chronic rejection/loss can be more ence or absence of biologically relevant results? How to
difficult to obtain because it requires follow-up informa- balance an undersized study that may lead to missing an
tion from patients and may involve access to biopsy tissues interesting feature because of a lack of sensitivity versus
to better capture the mechanisms underlying the progress an oversized study that involves too many subjects with
of the graft. Usually, the appropriate sample type depends potentially harmful or invasive experiments that can raise
on the study (what are we trying to quantify, where? etc). ethical questions? In both cases, there will be a waste of
In transplantation, the sources are various but what comes time and money. The studies cited above suggest that sam-
up most often according to Table 2 is that there are usually ple size determination should be based on the specific pur-
blood draws and also biopsy tissues. However, biopsies are pose of the study. But that conclusion is really problematic.
more difficult to obtain, especially in large quantities. As a There are indeed ways to determine the number of subjects
result, few improvements have been observed in the long- that may be needed for a study.100-102 But it implies that we
term survival of the graft97 and the mechanisms of this have a strong a priori about the outcome. For omics stud-
dysfunction are still poorly understood. Overall, the stud- ies, analyses may assess millions of features and therefore
ied cohorts remain modest regarding sample size and 80% require several simultaneous statistical tests (multitesting).

TABLE 2.
Summary of omics studies in transplantation

Organ type Omics Sample type Sample size Outcome References

21-30
Kidney Genomics Blood, biopsies 100–3148 Acute rejection, chronic rejection, long-term allograft function,
renal function, graft survival, immunosuppressor
31-38
Transcriptomics PBL, biopsies, whole 10–485 Acute rejection, medium term allograft function, tolerance,
blood, urine renal function
39-47
Proteomics Biopsies, blood, 20–70 Acute rejection, chronic rejection, allograft survival, IFTA,
urine, plasma chronic allograft nephropathy
48
Epigenomics Urine 88 Acute kidney injury
49-52
Metabolomics Urine, biopsies, 16–165 Renal function, immunosuppressive therapy, rejection
serum
39, 53
Multiomics: proteom- Blood, biopsies, 32–40 Acute rejection, chronic rejection
ics + genomics plasma
54, 55
Heart Genomics Blood, biopsies 300–1043 Left ventricular dysfunction, graft survival, CAV
56-60
Transcriptomics Blood, PBMC 113–602 Acute rejection, chronic rejection, allograft loss
61-63
Proteomics Biopsies, plasma, 22–40 Acute rejection, CAV
peripheral blood
64
Epigenomics Biopsies 42 Acute rejection
65, 66
Lung Genomics Biopsies, BALF 71–226 Viral infection, acute rejection, BOS, graft survival
67
Transcriptomics Blood 132 BOS
68-71
Proteomics BALF 7–82 Chronic lung rejection, graft survival, graft dysfunction
72, 73
Metabolomics BALF, EVLP 29–50 Allograft injury, early transplant outcomes
74
Liver Genomics Whole blood 80 Rejection
75-79
Transcriptomics Blood, biopsies 42–102 Allograft tolerance
80, 81
Proteomics Blood, biopsies 9–46 Acute rejection, primary graft nonfunction
82, 83
Metabolomics Biopsies 78–124 Early allograft dysfunction
84-86
HSC Genomics Blood, biopsies 168–1589 Acute GvHD, survival
87
Transcriptomics Blood 63 Biomarker expression
88-90
Proteomics Urine, BALF 30–412 Acute GvHD, chronic GvHD, IPS
91, 92
Metabolomics Plasma, serum 99–114 Acute GvHD
93-95
Epigenomics Blood 47–85 Acute GvHD, immune reconstitution
BALF, bronchoalveolar lavage fluid; BOS, bronchiolitis obliterans syndrome; CAV, chronic allograft vasculopathy; EVLP, ex vivo lung perfusion; GvHD, graft-vs-host disease; HSC, hematopoietic stem cell;
IFTA, interstitial fibrosis and tubular atrophy; IPS, idiopathic pneumonia syndrome; PBL, peripheral blood lymphocyte; PBMC, peripheral blood mononuclear cell.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
© 2021 Wolters Kluwer Ba et al e117

It is then really challenging to predict the sample size in of European ancestry, which suggests that their conclu-
advance. The least we can do to ensure a good sensitivity sions may not be transferable to other populations.
for a current data set is to make sure that regardless of the AR risk is now well managed, thanks to the continuous
size of the data, we have a homogeneous data set (patient development of new immunosuppressive agents, as shown by
cohorts, technological platforms, etc) and that we did the fact that <10% of patient’s experienced AR in France in
anticipate the identification of variables and covariates. 2020.108 However, chronic graft loss remains a challenge as
Regardless of the transplantation type, most omics stud- there is 56% of graft survival within 10 y posttransplant even
ies (>75%) focused on genome, transcriptome, and pro- with a fully HLA compatible donor.97 In 2013, O’Brien et
teome with very few investigations of the metabolome. al21 performed a GWAS that included 326 renal transplants
Epigenomics and multiomics strategies have been barely from Irish recipients with long-term follow-up. They identi-
investigated. Kidney omics studies are predominant (at fied 2 SNPs (rs3811321 and rs6565887) that were associ-
least 1 study in each omic type and >35% of reported stud- ated with serum creatinine levels at 5 y. However, a validation
ies) with slightly more advances in genomics, proteomics, study by Pihlstrøm et al26 in 2016 on 1600 kidney grafts from
and transcriptomics (>20 studies). In the next section, we Caucasian recipients failed to replicate these results.
will further detail genomics in kidney transplantation to Given the lack of strong SNP associations with chronic
exemplify how omics can contribute to moving the under- rejection and long-term outcomes, some studies have turned
standing of transplantation outcomes forward. to a “combined donor–recipient” GWAS analytical strategy.
They simultaneously looked at the genetic variants in both
Genomics Studies in Kidney Transplantation individuals to summarize the incompatibilities between
The genomics era was marked by the apogee of genome- recipients and donors into a genetic score. Classically in
wide association studies (GWASs)9 that have identified GWAS, polygenic risk scores are used to evaluate the com-
hundreds of thousands of genetic variants (mainly single- bined effect of SNP alleles with an individual phenotype
nucleotide polymorphisms [SNPs]) associated with a trait (such as the risk factor to develop a disease). Here, instead
or disease. These approaches assess the allelic frequency of looking at 1 single genome and on combining effect size
difference between 2 different conditions (eg, healthy of each significant SNP, the score is calculated for a donor–
versus diseased) using statistical testing. More than 5273 recipient pair as the sum of mismatch (ie, allelic difference)
studies and 276 696 associated traits have been reported contributions over a set of genomic polymorphisms across
in the GWAS catalog to date.9 In transplantation, GWASs the genome.25 These methods add a layer of complexity as
have enabled a deeper understanding of the mechanisms we have to deal with 4 different sets of chromosomes.
underlying the interaction between donor and recipient.103 This approach was used in 2 studies published in 2019
The implication of genetic factors in transplant toler- respectively by Reindl-Schwaighofer et al28 and Steers et
ance and rejection was proven in the early 1950s, much al.27 The first study looked at nonsynonymous mismatches
before the first successful solid-organ transplantation in for transmembrane and secreted proteins and determined
humans.104,105 Recently, GWASs9 have enabled an inves- an a non-HLA score, based on a median value above which
tigation of molecular mechanisms underlying kidney graft the risk of kidney graft loss is increased. The second study
loss, including some innovative strategies considering the screened 50 deletions-tagging SNPs from 704 kidney allo-
donor and recipient genomes at once. graft recipients and defined a genomic collision (risk geno-
First, several studies have focused on the understanding type for graft rejection) as a specific donor–recipient genotype
of AR. In 2016, Ghisdal et al22 performed the very first combination in which a recipient who was homozygous for
GWAS of AR in kidney transplantation and identified 2 a deletion-tagging allele received a transplant from a non-
significant loci (discovery cohort: 275 cases and 503 con- homozygous donor. Both recent studies confirmed that
trols and replication cohort: 313 cases and 531 controls). non-HLA factors are involved in chronic renal transplanta-
The first locus encompasses PTPRO, coding for a receptor‐ tion outcomes. Extending the use of polygenic risk scores
type tyrosine kinase essential for B cell–receptor signaling in kidney transplantation, these 2 studies echoed the one by
(rs10846175 and rs7976329 SNPs), and the second locus Mesnard et al,25 who introduced for the first time a sum-
involves the ciliary CCDC67 gene (rs10765602 SNP). ming scoring system to evaluate non-HLA factors in renal
Both genes were thought to be interesting candidate genes graft function from genomic data (next-generation exome
as PTPRO might modulate alloreactivity106 (regulation of sequencing).
T cell–receptor and B cell–receptor signaling and cytokine This type of strategy may benefit from integrating addi-
production) and CCDC67 might play a role at the immune tional data layers (gene expression, proteins, metabolites) to
synapse; recent evidence indicate tight similarities between better understand transplantation outcomes. Researchers
the primary cilium and the immune synapse.107 Two years have recently combined multiple omics data sets from the
later, Hernandez-Fuentes et al23 published a study based same set of samples to capture complexity and reconstruct
on several cohorts that investigated the association and the molecular networks that cannot be reached with single
interaction effects of either donor SNPs, recipient SNPs, omics resolution.53,109,110 In kidney transplantation, the
donor–recipient SNPs on graft survival (graft failure or pursuit of biomarkers through a comprehensive approach
patient death with median follow-up time of 1886 d [~5 is ongoing. A study applied unsupervised and supervised
y]), and AR (AR event recorded within 12 mo posttrans- methods to explore and integrate genomics and proteom-
plant). Despite large sample size (discovery = 441 cases ics data from kidney transplant patients (AR events within
versus 941 controls, replication = 575 cases versus 2573 30 d posttransplant [n = 20] versus nonrejecting controls
controls), they did not replicate Ghisdal et al’s results and [n = 20]) and to determine which genes and proteins play
failed to identify any significant associations. It is impor- important roles in acute renal allograft rejection. A better
tant to note that these findings are only based on cohorts separation between the 2 groups of samples was observed

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
e118 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

in the integrative analysis (genomics and proteomics com- data contain systematic errors that are difficult to differ-
bined) than single omics analysis.53 entiate from true variants.113 Therefore, estimating data
trustworthiness becomes an essential first step to assess
ANALYTICAL METHODS TO TACKLE OMICS DATA their relevance and limit analytical errors. Especially in
CHALLENGES the omics era, QC has encompassed various statistical
Integrating large amount of data entails specific attention methods to check for proper data generation and experi-
to analytical processes. Figure 1 represents the workflow of mental procedures and for potential contamination before
a big data analysis in health. (1) Scientific questions remain running the main analysis.114-116 In transplantation, some
the starting point. Researchers should not jump into analyz- papers have shown the importance of QC procedures in
ing complex big data while neglecting the critical first step large clinical databases.117,118 Generally, the standard QC
of putting data into context. (2) Preanalytical steps include analysis includes calculating quality-related measures,
recruitment, collection, and storage as well as quality con- checking consistency among samples, detecting any exper-
trol (QC) methods that ensure data integrity. However, the iment batch effect (technical heterogeneity), or outlying
right data may not be available or there might be infor- observations. Below, we focus on 2 standard pre–preproc-
mation gaps. (3) The third point is the analytical process essing methods: normalization methods and batch effect
that involves downstream analyses and their interpreta- corrections.
tion. Although statistical analyses are pretty standardized
in omics (eg, multivariate regression models), preanalytical Normalization
data treatment dealing with confounding factors such as The normalization method calibrates systematic errors
batch effects and incomplete data remains one of the first that may be introduced by imperfect instrument calibra-
obstacles and a key step to obtain a reliable data set. tion. This data analysis technique adjusts global proper-
ties of measurements for individual samples so they can
Preanalytical Steps be appropriately comparable. Optimally, a normaliza-
tion method for a given data set should be selected both
Quality Control of Data on quantitative and qualitative evaluation measures.119
Data QC is crucial to achieve the most reliable, com- This has been successfully applied in several transplant
plete, and responsive data set.111 As an example, it has omic studies including transcriptomics,120,121 genomics,28
been stipulated that at least 8% of SNPs from single nucle- metabolomics,122 proteomics,123 etc. In transcriptom-
otide polymorphism database would be because of arti- ics, Wang et al120 used 9 various normalization methods
facts from paralogues,112 and next-generation sequencing to define housekeeping (HKG) genes suitable for RNA

FIGURE 1. Workflow of big data analysis. The workflow is a process that follows a certain direction (the orientation of arrow is important).
1—Scientific questions are the starting point to process big data analysis. 2—Preanalytical processes that include the recruitment, the
collect, and the storage of data. The large amount of data potentially available warrants QC methods that ensure data integrity. 3—
Downstream analysis processes and the right interpretation of the results, that is, which question can be answered with our results and
possibly which application can be made. QC, quality control.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
© 2021 Wolters Kluwer Ba et al e119

sequencing analysis of kidney biopsy tissue. They show clustering,135 and spatial methods136 to detect and quan-
that including normalization methods in objectively tify the impact of batch effects, as well as the effect of other
derived HKG data sets will avoid errors resulting from technical artifacts in the data; (2) downstream statistical
focusing on genes with unstable expression. In genomics, analyses to remove or adjust for the undesirable effects.
studies are mainly based on GWAS methods that include In genomics, principal component analysis134 is mostly
a robust QC procedure.124 The normalization methods used, especially in GWASs, to detect biases (Figure 2) and
are mainly based on log transformations.125 Most studies capture variability related to ancestry or phenotypic out-
related to transplantation include those steps as a standard comes.130,137 In transcriptomics, empirical Bayes138 is best
protocol before the main downstream analysis.27,28 Several recommended,139 but it is also largely used in other omics
normalization methods have been compared in all these studies such as metabolomics. In proteomics, the combi-
studies with 2 main observations: (1) the suitability of a nation of different methods (principal component analy-
normalization method depends on intrinsic characteristics sis, clustering, linear regression, etc) seems to produce the
of the data set including variations in sample processing best results.140 All these methods have been successfully
conditions, experimental and technical protocols, com- applied in transplantation studies.94,141,142 Therefore, the
plexity of biological features, etc. (2) The best technique best method depends on the type of omics and also on the
often depends on the type of omics. However, quantile size of the data set, the origin of the batch errors, and the
normalization126 as well as log transformation125 has been batch effect that is hardly detectable if it is not the main
largely used. Some studies offer to evaluate several nor- source of the variation in the data set.130 In any case, one
malization methods in parallel to guide the selection of the should keep in mind that whatever method chosen, it can
optimal method for a data set.119,127 only limit the batch error and no solution can replace a
good experimental design and analysis techniques.131
Correction of Batch Effects
Batch effects are experimental artifacts, that is, sys- Imputation
tematic nonbiological variations between groups of sam- The imputation principle is to fill in missing data with a
ples (batches) introduced during experiments.128,129 For probable value representative of the data set, with the goal
example, batch effects may occur if experiments are per- to reduce the modeling bias or improve accuracy of the
formed at different times, by different persons and/or in model. The “missing data” term refers to partially availa-
different conditions.130 The presence of batch effects has ble information for some variables, features, and individu-
been reported among most, if not all, high-throughput als.143 Imputation by definition tends to make the imputed
technologies.128 In practice, batch effects are almost inev- data sets similar to the reference database including cases
itable.131 At best, batch effects may lead to an increase imputed by controls.144 This requires a careful approach,
in data variability, characterized by a reduction in true- as they can lead to significant bias and loss of precision
positive biological signals and an inflation of false-nega- in downstream analyses.145 Three-category typology for
tive signals. More critical consequences may occur when missing data is defined143: (1) missing at random; (2) miss-
batch effects are mistaken for an outcome of interest ing completely at random; (3) missing not at random (see
(false positive).132 For example, in 2018, Leigh et al133 Table 3). Different imputation solutions exist for filling
presented a case study where small read misalignments in the missing values depending on their proportion and
created false SNP detection because of a batch effect in a type.146 One solution is to use simple imputations meth-
multiyear study. ods that replace information with values from the global
To limit the risk of batch effects, experiments should characteristics of the data set (mean or median, linear
be designed to randomly distribute each potential source regression, k-nearest ,147 random forest,148 local regres-
of experimental variation across biological groups. In sion Locally Estimated Scatterplot Smoothing,149 etc).
addition, computational solutions have been developed: However, simple imputation usually causes standard errors
(1) exploratory analyses using distance measures,134 to be too small, because it fails to consider uncertainty.150

FIGURE 2. PCA before and after batch effect correction. A, Before the correction, individuals from the same batch are grouped
together. B, After the correction, individuals are grouped depending on the disease. PC, principal component; PCA, PC analysis.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
e120 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

TABLE 3.
The different categories of missing data

MAR There might be systematic differences between the missing and observed values, but these can be entirely explained by other observed
variables. It happens when the data are not missing completely random (conditionally to other variables). There are appropriate
statistical methods to avoid biased analysis.
MCAR A special case of MAR. Data are MCAR when the missing values are randomly distributed across all observations. In this case, the
probability of absence is the same for all observations and the missing observations are a random subset of all observations. This
probability does not depend on any external parameters independent of this variable. If the amount of MCAR data is not too important,
it is reasonable to ignore cases with missing data as it will not bias the analysis. However, a loss of precision in the results is predicted.
MNAR These data depend directly on the variable in question. These are the most problematic type of missing values as they are not randomly
distributed across the observations. Furthermore, there is no information in the data that would help to choose an imputation model
(the probability cannot be predicted from the variables in the model). MNAR data lead to loss of precision (inherent to all missing data)
and also bias that requires the use of a sensitivity analysis.
MAR, missing at random; MCAR, missing completely at random; MNAR, missing not at random.

Multiple imputation has been arguably the most popular context. Actually, sample sources such as biopsy tissues
method for handling missing data in practice.151 It consists are barely available for certain organs. Recruitment and
of imputing the missing values several times and combin- data collection require a huge investment of both time and
ing the results to take into account the observed variability money that is generally not manageable by most individual
and reduce inference errors.152 laboratories.167 Collective efforts have been made to give
Examples of missing data imputation in an omics trans- access to large cohorts159,160 with substantial genetic and
plantation context are found in mass spectrometry based clinical information. However, an inherent issue related
on metabolomics or proteomics data.153-155 Comparing the to large multicenter in transplantation is the variability
performance of imputation methods for metabolomics data in donor selection and clinical protocols (immunosup-
sets in kidney transplanted patients, several studies reported pressive treatments) among centers that may impact the
that random forest and the k-nearest neighbor method outcome.168 Plus, the criteria used to define phenotypes
were usually outperforming other methods.153,156,157 In such as AR and chronic allograft dysfunction might vary
genomics, missing data imputation is crucial. Using a refer- depending on transplant centers. This represents a critical
ence panel, SNPs with missing data or SNPs that were not issue in transplantation where the gold standard is the his-
directly covered by the genotyping arrays can be predicted tology that can be subjective, as shown by the continual
from the neighboring genotyped SNPs by comparing the updating of the Banff classifications for AR over time.169
haplotypes and linkage disequilibrium patterns between All of these introduce further heterogeneity between
the data set of interest and the reference panel. The size and studies and have made genetic association studies difficult
diversity of the reference panel are therefore the key for to determine and validate.170 This may explain, alongside
high accuracy.158 International collaborative efforts, such the lack of power in statistical analysis, the lack of repro-
as the HapMap159 or the 1000 Genomes project,160 pro- ducibility among transplantation studies.
vide a valuable data source in human diversity representa- The International Genetics and Translational Research
tive populations. Some tools such as Haplotype Reference in Transplantation Network171 consortium integrates
Consortium161 or Beagle162 offer to predict missing SNPs multiple cohorts of different types of allograft recipients
from a given data set and are widely used in genomics stud- to overcome the problem of the small impact of SNPs.
ies related to transplantation.21,22 The consortium homogenized genotyping methods and
Finally, the current challenge for missing data imputa- used common definitions of AR to perform robust meta-
tion is the integration of multiomics.163 An imputation analyses of several types of transplantation. In addi-
method has recently been proposed to integrate network tion, International Genetics and Translational Research
dimensions and multiple correlated omics data sets.164 in Transplantation Network accounted for population
stratification and appropriate inclusion of covariates that
DISCUSSION lead to better identification of SNPs.172-175 This last point
Omics approaches, including GWAS, are characterized raises a real issue that is not always properly controlled
by the simultaneous testing of thousands to millions of in transplantation studies. Covariates such as age, sex,
features (eg, gene expression, SNP) in parallel for asso- and ancestry are included to avoid confounding effects
ciation with the phenotype of interest137; it is necessary from demographic factors and to account for stratifica-
to adopt a stringent significance threshold to account for tion.124 Genetic associations may differ across ancestries,
multiple testing and limit false-positive discoveries. In complicating direct comparisons between groups of indi-
GWASs, Bonferroni corrections are typically applied165 viduals.167 In transplantation, the impact of ancestry is
with a P value threshold of 5×10−8 for SNPs to maintain even more important as it implies compatibility between
the genome-wide false-positive rate at 5%.137 donor and recipient. Many studies have identified vari-
However, a high expectation of statistical significance ants such as CYP3A5 and APOL1 that are associated
considerably reduces the power to detect associated SNPs, with concentration of tacrolimus and greater risks of graft
as most association signals do not reach the required failure in African Americans, respectively.176,177 These
threshold.166 studies illustrate the differences between populations and
One way to address this issue is to increase sample size, emphasize the urge to better characterize such genomic
which is not always achievable especially in transplantation diversity, including in the transplantation field. For

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
© 2021 Wolters Kluwer Ba et al e121

example, recipient–donor genomic interactions may play a example, to study design or power limitations.24,26 Hence,
critical role in graft survival. Most transplantation studies challenges such as a lack of adequate sample sizes and lack
have focused on recipient SNPs, but there have been a few of replication are yet to be managed. Importantly, the sci-
studies that have turned to a “combined donor–recipient” entific community needs to proactively work to ensure that
GWAS strategy.25,27,28 They investigate genetic interactions studies that are to date very euro-centered are representa-
between donor and recipient to summarize their incompat- tive of the global human population and its diversity. This
ibilities into a genetic score (cf. section Genomics studies underlines the need for validation studies and large col-
in kidney transplantation). These approaches are highly laborative research initiatives to gain power and discover
promising and may finally give insights into chronic graft novel biomarkers in transplantation. Alternative solutions
rejection/loss. Multifactorial nature of genetics including for multitesting are explored including gene-based or path-
transplantation (tetraploid 4n) genetics is often intended to way-based association to reduce the number of tests per-
be reduced into a monogenic “signature.” Similar remarks formed and also to have a functional perspective of the data
are valid for reduction of expression signature to 1 or 2 and facilitate their interpretation.166 Finally, this calls for
genes. This is fundamentally wrong and approaches such innovative analytical strategies such as the computation of
as “combined donor–recipient” incompatibilities scores donor–recipient genetic incompatibility scores25,28 specific
permit to partially address this multifactorial level. to the transplantation context and the growing interest for
However, very few studies have sufficient numbers to multiomics approaches.109,179 Plus, more specific guidelines
be statistically powered to validate polygenic scores. This are needed for the discovery and validation of clinically
requires rigorous data collection and appropriately phe- relevant biomarkers180 and the reporting of GWASs (like
notyped recipients and donors. Importantly, these studies Strengthening the Reporting of Genetic Association Studies
made arbitrary choices on the outcomes and used different for genetic associations181 and Strengthening the Reporting
phenotypes to define rejection or graft loss. Hence, there is of Immunogenomic Studies for immunogenetics182 guide-
a need of collaborative and homogeneous large cohorts to lines). Interestingly, addressing data organization, compu-
achieve robust and replicable studies. Moreover, beyond tational challenges, and the translational gap of -omics as
genomic appreciations, functional studies are necessary to a source of data for both research and clinics is insightful
substantiate clinical decision making with -omic research for enriching the use of large registries and epidemiologi-
including donor-specific and anti-HLA immunization. cal cohorts as well as electronic health records (EHR/EMR)
and the emergence of biomedical data warehouses. These
developments offer the promise to further increase in the
CONCLUSION
near future our understanding of complex molecular mech-
Big data exploration offers new analytical opportunities, anisms underlying transplantation outcomes.
especially with the emergence of omics data both in trans-
plantation research and care15-17 to move toward personal-
ized medicine and personalized therapies. Omics methods REFERENCES
offer to better assess risk stratification for subcluster of 1. Doug L. 3D data management: controlling data volume, velocity and
phenotypes. The ambition to reach individualized medi- variety. 2001. Available at [Link]
cine (at the patient level) may not be attainable at present management-controlling-data-volume-velocity-and-varietypdf-pdf-
[Link]. Accessed October 13, 2021.
because of the multifactorial aspect of transplantation, 2. Panimalar SA, Shree SV, Kathrine AV. The 17 V’s of big data. IRJET.
which involves taking into account the donor and recipi- 2017;4:329–333.
ent, and also because of the complex mechanisms under- 3. Chang AC. Big data in medicine: the upcoming artificial intelligence.
lying transplantation especially in chronic rejection/loss. Prog Pediatr Cardiol. 2016;43:91–94.
4. De Mauro A, Greco M, Grimaldi M. A formal definition of big data
Large international consortium including (The European
based on its essential features. Libr Rev. 2016;65:122–135.
Transplantation and Innovation Consortium, ([Link] 5. Desjardins J. How big data will unlock the potential of healthcare.
[Link]) aims to combine several types of data set 2018. Available at [Link]
in a single tool to better monitor and predict the follow- care. Accessed October 13, 2021.
up of kidney transplanted patients.178 Despite the growing 6. Stewart C. Projected growth in global healthcare data volume 2020.
2020. Available at [Link]
breadth of available data, it is critical to ensure their homo- global-healthcare-data-volumeAccessed October 13, 2021.
geneity and veracity before analysis, as they can sometimes 7. Huang T, Lan L, Fang X, et al. Promises and challenges of big data
be incomplete and contain systematic biases that may be computing in health sciences. Big Data Res. 2015;2:2–11.
confused with relevant biological information. The very first 8. Conesa A, Beck S. Making multi-omics data accessible to research-
step is to shift to standardization of procedures in clinical ers. Sci Data. 2019;6:251.
9. MacArthur J, Bowler E, Cerezo M, et al. The new NHGRI-EBI cata-
trials and phenotype’s definitions such as AR and chronic log of published genome-wide association studies (GWAS catalog).
allograft dysfunction to perform robust meta-analyses. Plus, Nucleic Acids Res. 2017;45:D896–D901.
we presented 2 preprocessing methods (normalization and 10. Bontha SV, Maluf DG, Mueller TF, et al. Systems biology in kidney
batch effect corrections) and statistical inference techniques transplantation: the application of multi-omics to a complex model.
Am J Transplant. 2017;17:11–21.
for missing values, such as multiple imputation, to ensure 11. Hasin Y, Seldin M, Lusis A. Multi-omics approaches to disease.
a high-quality enriched data set. Proper management and Genome Biol. 2017;18:83.
analysis of omics data have revealed promising results in 12. Rhee EP. How omics data can be used in nephrology. Am J Kidney
the transplantation field (Table 2). Good advances have Dis. 2018;72:129–135.
been made in the omics field especially in kidney transplan- 13. Rakyan VK, Down TA, Balding DJ, et al. Epigenome-wide asso-
ciation studies for common human diseases. Nat Rev Genet.
tation. However, as exemplified in this review by genomic 2011;12:529–541.
studies in kidney transplantation, classic analytical strat- 14. Houle D, Govindaraju DR, Omholt S. Phenomics: the next challenge.
egies can sometimes lead to inconclusive results, due, for Nat Rev Genet. 2010;11:855–866.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
e122 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

15. Stapleton CP, Conlon PJ, Phelan PJ. Using omics to explore compli- 40. Quintana LF, Solé-Gonzalez A, Kalko SG, et al. Urine proteomics
cations of kidney transplantation. Transpl Int. 2018;31:251–262. to detect biomarkers for chronic allograft dysfunction. J Am Soc
16. Sirota M, Sarwal MM. Transplantomics: toward precision medicine in Nephrol. 2009;20:428–435.
transplantation research. Transplantation. 2017;101:1777–1782. 41. Kurian SM, Heilman R, Mondala TS, et al. Biomarkers for early and
17. Srinivas TR, Taber DJ, Su Z, et al. Big data, predictive analytics, and late stage chronic allograft nephropathy by proteogenomic profiling of
quality improvement in kidney transplantation: a proof of concept. Am peripheral blood. PLoS One. 2009;4:e6212.
J Transplant. 2017;17:671–681. 42. Clarke W, Silverman BC, Zhang Z, et al. Characterization of
18. Naesens M, Sarwal MM. Molecular diagnostics in transplantation. Nat renal allograft rejection by urinary proteomic analysis. Ann Surg.
Rev Nephrol. 2010;6:614–628. 2003;237:660–664.
19. Perkins D, Verma M, Park KJ. Advances of genomic science and sys- 43. O’Riordan E, Orlova TN, Mei J J, et al. Bioinformatic analysis of
tems biology in renal transplantation: a review. Semin Immunopathol. the urine proteome of acute allograft rejection. J Am Soc Nephrol.
2011;33:211–218. 2004;15:3240–3248.
20. Rozentals R, Jušinskis J, Amerika D. Biomarkers and their poten- 44. Cibrik DM, Warner RL, Kommareddi M, et al. Identification of a
tial use in transplantation. Proc Latvian Acad Sci, Section B. protein signature in renal allograft rejection. Proteomics Clin Appl.
2012;66:219–268. 2013;7:839–849.
21. O’Brien RP, Phelan PJ, Conroy J, et al. A genome-wide association 45. Cassidy H, Slyne J, O’Kelly P, et al. Urinary biomarkers of chronic
study of recipient genotype and medium-term kidney allograft func- allograft nephropathy. Proteomics Clin Appl. 2015;9:574–585.
tion. Clin Transplant. 2013;27:379–387. 46. Freue GV, Sasaki M, Meredith A, et al; Genome Canada Biomarkers
22. Ghisdal L, Baron C, Lebranchu Y, et al. Genome-wide association in Transplantation Group. Proteomic signatures in plasma dur-
study of acute renal graft rejection. Am J Transplant. 2017;17:201–209. ing early acute renal allograft rejection. Mol Cell Proteomics.
23. Hernandez-Fuentes MP, Franklin C, Rebollo-Mesa I, et al; United 2010;9:1954–1967.
Kingdom and Ireland Renal Transplant Consortium (UKIRTC) and the 47. Bañón-Maneus E, Diekmann F, Carrascal M, et al. Two-dimensional
Wellcome Trust Case Control Consortium (WTCCC)-3. Long- and difference gel electrophoresis urinary proteomic profile in the search of
short-term outcomes in renal allografts with deceased donors: a large nonimmune chronic allograft dysfunction biomarkers. Transplantation.
recipient and donor genome-wide association study. Am J Transplant. 2010;89:548–558.
2018;18:1370–1379. 48. Mehta TK, Hoque MO, Ugarte R, et al. Quantitative detection of pro-
24. Massart A, Ghisdal L, Viklicky O, et al. Reply to Hernandez moter hypermethylation as a biomarker of acute kidney injury during
et al.—GWAS of acute renal graft rejection. Am J Transplant. transplantation. Transplant Proc. 2006;38:3420–3426.
2018;18:2098–2099. 49. Klepacki J, Klawitter J, Klawitter J, et al. A high-performance liquid
25. Mesnard L, Muthukumar T, Burbach M, et al. Exome sequencing and chromatography-tandem mass spectrometry-based targeted metab-
prediction of long-term kidney allograft function. Plos Comput Biol. olomics kidney dysfunction marker panel in human urine. Clin Chim
2016;12:e1005088. Acta. 2015;446:43–53.
26. Pihlstrøm HK, Mjøen G, Mucha S, et al. Single nucleotide polymor- 50. Diémé B, Halimi JM, Emond P, et al. Assessing the metabolic effects
phisms and long-term clinical outcome in renal transplant patients: a of calcineurin inhibitors in renal transplant recipients by urine meta-
validation study. Am J Transplant. 2017;17:528–533. bolic profiling. Transplantation. 2014;98:195–201.
27. Steers NJ, Li Y, Drace Z, et al. Genomic mismatch at LIMS1 locus and 51. Blydt-Hansen TD, Sharma A, Gibson IW, et al. Urinary metabolomics
kidney allograft rejection. N Engl J Med. 2019;380:1918–1928. for noninvasive detection of borderline and acute T cell-mediated
28. Reindl-Schwaighofer R, Heinzel A, Signorini L, et al. Mechanisms rejection in children after kidney transplantation. Am J Transplant.
underlying human genetic diversity: consequence for antigraft anti- 2014;14:2339–2349.
body responses. Transpl Int. 2018;31:239–250. 52. Klepacki J, Brunner N, Schmitz V, et al. Development and validation of
29. Sarwal M, Chang S, Barry C, et al. Genomic analysis of renal an LC-MS/MS assay for the quantification of the trans-methylation path-
allograft dysfunction using cDNA microarrays. Transplant Proc. way intermediates S-adenosylmethionine and S-adenosylhomocysteine
2001;33:297–298. in human plasma. Clin Chim Acta. 2013;421:91–97.
30. Birdwell KA, Grady B, Choi L, et al. The use of a DNA biobank linked 53. Günther OP, Shin H, Ng RT, et al. Novel multivariate methods for inte-
to electronic medical records to characterize pharmacogenomic pre- gration of genomics and proteomics data: applications in a kidney
dictors of tacrolimus dose requirement in kidney transplant recipients. transplant rejection study. OMICS. 2014;18:682–695.
Pharmacogenet Genomics. 2012;22:32–42. 54. Khush KK, Pawlikowska L, Menza RL, et al. Beta-adrenergic receptor
31. Hidalgo LG, Einecke G, Allanach K, et al. The transcriptome of human polymorphisms and cardiac graft function in potential organ donors.
cytotoxic T cells: measuring the burden of CTL-associated transcripts Am J Transplant. 2012;12:3377–3386.
in human kidney transplants. Am J Transplant. 2008;8:637–646. 55. Gallardo ME, García-Pavía P, Chamorro R, et al. Mitochondrial
32. Mueller TF, Einecke G, Reeve J, et al. Microarray analysis of rejec- haplogroups associated with end-stage heart failure and coronary
tion in human kidney transplants using pathogenesis-based transcript allograft vasculopathy in heart transplant patients. Eur Heart J.
sets. Am J Transplant. 2007;7:2712–2722. 2012;33:346–353.
33. Saint-Mezard P, Berthier CC, Zhang H, et al. Analysis of independ- 56. Deng MC, Eisen HJ, Mehra MR, et al; CARGO Investigators.
ent microarray datasets of renal biopsies identifies a robust transcript Noninvasive discrimination of rejection in cardiac allograft recipients
signature of acute allograft rejection. Transpl Int. 2009;22:293–302. using gene expression profiling. Am J Transplant. 2006;6:150–160.
34. Scherer A, Gwinner W, Mengel M, et al. Transcriptome changes in 57. Pham MX, Teuteberg JJ, Kfoury AG, et al; IMAGE Study Group.
renal allograft protocol biopsies at 3 months precede the onset of Gene-expression profiling for rejection surveillance after cardiac trans-
interstitial fibrosis/tubular atrophy (IF/TA) at 6 months. Nephrol Dial plantation. N Engl J Med. 2010;362:1890–1900.
Transplant. 2009;24:2567–2575. 58. Crespo-Leiro MG, Stypmann J, Schulz U, et al. Performance of
35. Brouard S, Mansfield E, Braud C, et al. Identification of a periph- gene-expression profiling test score variability to predict future clini-
eral blood transcriptional biomarker panel associated with cal events in heart transplant recipients. BMC Cardiovasc Disord.
operational renal allograft tolerance. Proc Natl Acad Sci U S A. 2015;15:120.
2007;104:15448–15453. 59. Loupy A, Duong Van Huyen JP, Hidalgo L, et al. Gene expression
36. Danger R, Pallier A, Giral M, et al. Upregulation of miR-142-3p in profiling for the identification and classification of antibody-mediated
peripheral blood mononuclear cells of operationally tolerant patients heart rejection. Circulation. 2017;135:917–935.
with a renal transplant. J Am Soc Nephrol. 2012;23:597–606. 60. Duong Van Huyen JP, Tible M, Gay A, et al. MicroRNAs as non-
37. Suthanthiran M, Schwartz JE, Ding R, et al; Clinical Trials in Organ invasive biomarkers of heart transplant rejection. Eur Heart J.
Transplantation 04 (CTOT-04) Study Investigators. Urinary-cell mRNA 2014;35:3194–3202.
profile and acute cellular rejection in kidney allografts. N Engl J Med. 61. De Souza AI, Wait R, Mitchell AG, et al. Heat shock protein 27 is
2013;369:20–31. associated with freedom from graft vasculopathy after human cardiac
38. Verma A, Muthukumar T, Yang H, et al. Urinary cell transcriptom- transplantation. Circ Res. 2005;97:192–198.
ics and acute rejection in human kidney allografts. JCI Insight. 62. Lin D, Cohen Freue G, Hollander Z, et al; Biomarkers in Transplantation
2020;5:131552. Team; Networks of Centres of Excellence, Centres of Excellence for
39. Nakorchevsky A, Hewel JA, Kurian SM, et al. Molecular mechanisms Commercialization and Research-Prevention of Organ Failure Centre
of chronic kidney transplant rejection via large-scale proteogenomic of Excellence. Plasma protein biosignatures for detection of cardiac
analysis of tissue biopsies. J Am Soc Nephrol. 2010;21:362–373. allograft vasculopathy. J Heart Lung Transplant. 2013;32:723–733.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
© 2021 Wolters Kluwer Ba et al e123

63. Cohen Freue GV, Meredith A, Smith D, et al; Biomarkers in 85. Sato-Otsubo A, Nannya Y, Kashiwase K, et al; Japan Marrow
Transplantation and the NCE CECR Prevention of Organ Failure Donor Program. Genome-wide surveillance of mismatched alleles
Centre of Excellence Teams. Computational biomarker pipeline from for graft-versus-host disease in stem cell transplantation. Blood.
discovery to clinical implementation: plasma proteomic biomarkers for 2015;126:2752–2763.
cardiac transplantation. Plos Comput Biol. 2013;9:e1002963. 86. Bari R, Hartford C, Chan WK, et al. Genome-wide single-nucleotide
64. Boer K, Caliskan K, Peeters AM, et al. Thymus-derived regulatory T polymorphism analysis revealed SUFU suppression of acute graft-
cells infiltrate the cardiac allograft before rejection. Transplantation. versus-host disease through downregulation of HLA-DR expression
2015;99:1839–1846. in recipient dendritic cells. Sci Rep. 2015;5:11098.
65. Lewandowska DW, Schreiber PW, Schuurmans MM, et al. 87. Snavely AC, Mitin N, Torrice C, et al. Chemotherapy and stem cell
Metagenomic sequencing complements routine diagnostics in identi- transplantation increase p16 INK4a expression, a biomarker of T-cell
fying viral pathogens in lung transplant recipients with unknown etiol- aging. EBioMedicine. 2016;11:227–238.
ogy of respiratory infection. PLoS One. 2017;12:e0177340. 88. Holler E, Zander A, Schiffer E, et al. Proteomic patterns predict acute
66. Palmer SM, Klimecki W, Yu L, et al. Genetic regulation of rejection and graft-versus-host disease after allogeneic hematopoietic stem cell
survival following human lung transplantation by the innate immune transplantation. Blood. 2007;109:5511–5519.
receptor CD14. Am J Transplant. 2007;7:693–699. 89. Weissinger EM, Human C, Metzger J, et al. The proteome pat-
67. Danger R, Royer PJ, Reboulleau D, et al; COLT and SysCLAD tern cGvHD_MS14 allows early and accurate prediction of chronic
Consortia. Blood gene expression predicts bronchiolitis obliterans GvHD after allogeneic stem cell transplantation. Leukemia.
syndrome. Front Immunol. 2017;8:1841. 2017;31:654–662.
68. Kosanam H, Sato M, Batruch I, et al. Differential proteomic analy- 90. Wu B, Wendt CH, Kumar V, et al. Proteome profiling in lung injury
sis of bronchoalveolar lavage fluid from lung transplant patients after hematopoietic stem cell transplantation. Biol Blood Marrow
with and without chronic graft dysfunction. Clin Biochem. 2012;45: Transplant. 2016;22:1383–1390.
223–230. 91. Michonneau D, Latis E, Dubouchet L, et al. Metabolomics profiling after
69. Zhang Y, Wroblewski M, Hertz MI, et al. Analysis of chronic lung trans- allogeneic hematopoietic stem cell transplantation unravels a specific
plant rejection by MALDI-TOF profiles of bronchoalveolar lavage fluid. signature in human acute GVHD. Blood. 2018;132(suppl 1):69.
Proteomics. 2006;6:1001–1010. 92. Wu D, Liu H, Yang B, et al. Prediction of acute GVHD and relapse by
70. Meloni F, Salvini R, Bardoni AM, et al. Bronchoalveolar lavage fluid metabolic biomarkers after allogeneic hematopoietic stem cell trans-
proteome in bronchiolitis obliterans syndrome: possible role for plantation. JCI Insight. 2018;3:1–9.
surfactant protein A in disease onset. J Heart Lung Transplant. 93. Gonza M, Fernandez AF, Colado E, et al. DNA methylation
2007;26:1135–1143. dynamics in blood after hematopoietic cell transplant. PLoS One.
71. Wolf T, Oumeraci T, Gottlieb J, et al. Proteomic bronchiolitis obliterans 2013;8:e56931.
syndrome risk monitoring in lung transplant recipients. Transplantation. 94. Paul DS, Jones A, Sellar RS, et al. A donor-specific epigenetic clas-
2011;92:477–485. sifier for acute graft-versus-host disease severity in hematopoietic
72. Lockard C, Kirk AD, Uppal K, et al. Bile acid aspiration associated stem cell transplantation. Genome Med. 2015;7:128.
with lung chemical profile linked to other biomarkers of injury after lung 95. Hardy K, Smith C, Tu WJ, et al. Epigenetic programming of T cells
transplantation. Am J Transplant. 2014;14:841–848. impacts immune reconstitution in hematopoietic stem cell transplant
73. Hsin MK, Zamel R, Cypel M, et al. Metabolic profile of ex vivo lung recipients. Blood Adv. 2018;2:656–668.
perfusate yields biomarkers for lung transplant outcomes. Ann Surg. 96. Justiz Vaillant AA, Mohseni M. Chronic transplantation rejection. In:
2018;267:196–197. StatPearls. StatPearls Publishing LLC; 2021.
74. Sindhi R, Higgs BW, Weeks DE, et al. Genetic variants in major his- 97. Gondos A, Döhler B, Brenner H, et al. Kidney graft survival in Europe
tocompatibility complex-linked genes associate with pediatric liver and the United States: strikingly different long-term outcomes.
transplant rejection. Gastroenterology. 2008;135:830–839, 839.e1. Transplantation. 2013;95:267–274.
75. Martínez-Llordella M, Puig-Pey I, Orlando G, et al. Multiparameter 98. Zhang X, Cui X, Zhu F. The effects of sample size on omics study:
immune profiling of operational tolerance in liver transplantation. Am J from the perspective of robustness and diagnostic accuracy. IOP
Transplant. 2007;7:309–319. Conf Ser Earth Environ Sci. 2019;252:022127.
76. Lozano JJ, Pallier A, Martinez-Llordella M, et al. Comparison of 99. Kim SY. Effects of sample size on robustness and prediction
transcriptional and blood cell-phenotypic markers between oper- accuracy of a prognostic gene signature. BMC Bioinformatics.
ationally tolerant liver and kidney recipients. Am J Transplant. 2009;10:147.
2011;11:1916–1926. 100. Shein-Chung C, Shao J, Wang H, et al. Sample Size Calculations in
77. Bohne F, Martínez-Llordella M, Lozano JJ, et al. Intra-graft expres- Clinical Research. 3rd ed. Chapman and Hall/CRC; 2020.
sion of genes involved in iron homeostasis predicts the development 101. Purcell S, Cherny SS, Sham PC. Genetic power calculator: design of
of operational tolerance in human liver transplantation. J Clin Invest. linkage and association genetic mapping studies of complex traits.
2012;122:368–382. Bioinformatics. 2003;19:149–150.
78. Li L, Wozniak LJ, Rodder S, et al. A common peripheral blood gene 102. Suresh K, Chandrashekara S. Sample size estimation and
set for diagnosis of operational tolerance in pediatric and adult liver power analysis for clinical research studies. J Hum Reprod Sci.
transplantation. Am J Transplant. 2012;12:1218–1228. 2012;5:7–13.
79. Zhao X, Li Y, Ohe H, et al. Intragraft Vδ1 γδ T cells with a unique T-cell 103. Menon MC, Keung KL, Murphy B, et al. The use of genomics and
receptor are closely associated with pediatric semiallogeneic liver pathway analysis in our understanding and prediction of clinical renal
transplant tolerance. Transplantation. 2013;95:192–202. transplant injury. Transplantation. 2016;100:1405–1414.
80. Massoud O, Heimbach J, Viker K, et al. Noninvasive diagnosis of 104. Morris PJ. Transplantation—a medical miracle of the 20th century. N
acute cellular rejection in liver transplant recipients: a proteomic signa- Engl J Med. 2004;351:2678–2680.
ture validated by enzyme-linked immunosorbent assay. Liver Transpl. 105. Yang JYC, Sarwal MM. Transplant genetics and genomics. Nat Rev
2011;17:723–732. Genet. 2017;18:309–326.
81. Kornasiewicz O, Bojarczuk K, Bugajski M, et al. Application of a pro- 106. Motiwala T, Datta J, Kutay H, et al. Lyn kinase and ZAP70 are sub-
teomic approach to identify proteins associated with primary graft strates of PTPROt in B-cells: Lyn inactivation by PTPROt sensitizes
non-function after liver transplantation. Int J Mol Med. 2012;30: leukemia cells to VEGF-R inhibitor pazopanib. J Cell Biochem.
755–764. 2010;110:846–856.
82. Cortes M, Pareja E, García-Cañaveras JC, et al. Metabolomics dis- 107. Finetti F, Paccani SR, Rosenbaum J, et al. Intraflagellar trans-
closes donor liver biomarkers associated with early allograft dys- port: a new player at the immune synapse. Trends Immunol.
function. J Hepatol. 2014;61:564–574. 2011;32:139–145.
83. Faitot F, Besch C, Battini S, et al. Impact of real-time metabolomics 108. Agence de la Biomédecine. Annual report. 2020. Available at https://
in liver transplantation: graft evaluation and donor-recipient match- [Link]. Accessed October 13, 2021.
ing. J Hepatol. 2018;68:699–706. 109. Karczewski KJ, Snyder MP. Integrative omics for health and disease.
84. Niederwieser D, O’Brien SG, Pearce KF, et al. Impact of genomic Nat Rev Genet. 2018;19:299–310.
risk factors on outcome after hematopoietic stem cell transplan- 110. Yugi K, Kubota H, Hatano A, et al. Trans-omics: how to recon-
tation for patients with chronic myeloid leukemia. Haematologica. struct biochemical networks across multiple ‘omic’ layers. Trends
2010;95:922–927. Biotechnol. 2016;34:276–290.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
e124 Transplantation ■ February 2022 ■ Volume 106 ■ Number 2 [Link]

111. Sambourg L, Sambourg L. Décrypter les données omiques: impor- 138. Li C, Rabinovic A, Johnson WE, et al. Adjusting batch effects
tance du contrôle qualité. Application au cancer de l’ovaire. 2015. in microarray expression data using empirical Bayes methods.
Available at [Link] Accessed Biostatistics. 2007;8:118–127.
October 13, 2021. 139. Chen C, Grennan K, Badner J, et al. Removing batch effects in
112. Musumeci L, Arthur JW, Cheung FS, et al. Single nucleotide differ- analysis of expression microarray data: an evaluation of six batch
ences (SNDs) in the dbSNP database may lead to errors in genotyp- adjustment methods. PLoS One. 2011;6:e17238.
ing and haplotyping studies. Hum Mutat. 2010;31:67–73. 140. Gregori J, Villarreal L, Méndez O, et al. Batch effects correction
113. Patel RK, Jain M. NGS QC toolkit: a toolkit for quality control of next improves the sensitivity of significance tests in spectral count-
generation sequencing data. PLoS One. 2012;7:e30619. ing-based comparative discovery proteomics. J Proteomics.
114. Kim GT, Kim Y, Kwon MS, et al. Quality control plot for high dimen- 2012;75:3938–3951.
sional omics data. In: 2016 IEEE International Conference on 141. Wang LJ, Ma XB, Xia HY, et al. Identification of biomarkers for pre-
Bioinformatics and Biomedicine, Shenzhen, China. December dicting allograft rejection following kidney transplantation based on
15–18, 2016;1763–1766. the weighted gene coexpression network analysis. Biomed Res Int.
115. Shi L, Reid LH, Jones WD, et al. The MicroArray Quality Control 2021;2021:9933136.
(MAQC) project shows inter- and intraplatform reproduc- 142. Wang Y, Wang JY, Schnieke A, et al. Advances in single-cell sequenc-
ibility of gene expression measurements. Nat Biotechnol. 2006;24: ing: insights from organ transplantation. Mil Med Res. 2021;8:45.
1151–1161. 143. Rubin DB. Inference and missing data. Biometrika. 1976;63:581–592.
116. Soloviev M. Quality control of expression profiling data. J Proteomics 144. Khankhanian P, Din L, Caillier SJ, et al. SNP imputation bias reduces
Bioinform. 2015;8:176–187. effect size determination. Front Genet. 2015;6:30.
117. van der Meulen JH, Jacob M, Copley L. Assessing the quality of the 145. Kitchin R. Big data, new epistemologies and paradigm shifts. Big
data in a transplant registry: the European Liver Transplant Registry. Data Soc. 2014;1:205395171452848.
Transplantation. 2003;75:2164–2167. 146. Tierney NJ, Harden FA, Harden MJ, et al. Using decision trees to
118. Kuwatsuka Y. Quality control and assurance in hematopoietic stem understand structure in missing data. BMJ Open. 2015;5:e007450.
cell transplantation data registries in Japan and other countries. Int J 147. Beretta L, Santaniello A. Nearest neighbor imputation algorithms:
Hematol. 2016;103:20–24. a critical evaluation. BMC Med Inform Decis Mak. 2016;16(suppl
119. Chawade A, Alexandersson E, Levander F. Normalyzer: a tool for 3):74.
rapid evaluation of normalization methods for omics data sets. J 148. Stekhoven DJ, Bühlmann P. MissForest—non-parametric miss-
Proteome Res. 2014;13:3114–3120. ing value imputation for mixed-type data. Bioinformatics.
120. Wang Z, Lyu Z, Pan L, et al. Defining housekeeping genes suitable 2012;28:112–118.
for RNA-seq analysis of the human allograft kidney biopsy tissue. 149. Cleveland WS, Devlin SJ, Cleveland WS, et al. Locally weighted
BMC Med Genomics. 2019;12:86. regression : an approach to regression analysis by local fitting. J Am
121. van de Vrie M, Deegens JK, Eikmans M, et al. Urinary MicroRNA Stat Assoc. 1988;83:596–610.
as biomarker in renal transplantation. Am J Transplant. 150. Carpenter J, Kenward M. Missing data in randomised controlled
2017;17:1160–1166. trials—a practical guide. 2007. Available at [Link]
122. Lee SK, Kim BK, Jung HY, et al. Metabolomics study for identifica- [Link]/id/eprint/4018500. Accessed October 13, 2021.
tion of potential biomarkers of long-term survival in kidney transplan- 151. Little RJA, Rubin DB. Statistical Analysis with Missing Data. John
tation recipients. Transplant Proc. 2017;49:1005–1011. Wiley & Sons Inc.; 2002.
123. Song L, Fang F, Liu P, et al. Quantitative proteomics for monitoring 152. Rubin DB. Assignment to treatment group on the basis of a covari-
renal transplant injury. Proteomics Clin Appl. 2020;14:e1900036. ate. J Educ Stat. 1977;2:1–26.
124. Turner S, Armstrong LL, Bradford Y, et al. Quality control procedures 153. Wei R, Wang J, Su M, et al. Missing value imputation approach for
for genome-wide association studies. Curr Protoc Hum Genet. mass spectrometry-based metabolomics data. Sci Rep. 2018;8:663.
2011;Chapter 1:Unit1.19. 154. Dettmer K, Aronov PA, Hammock BD. Mass spectrometry-based
125. Feng C, Wang H, Lu N, et al. Log-transformation and its implications metabolomics. Mass Spectrom Rev. 2007;26:51–78.
for data analysis. Shanghai Arch Psychiatry. 2014;26:105–109. 155. Sarwal MM, Benjamin J, Butte AJ, et al. Transplantomics and bio-
126. Hicks SC, Okrah K, Paulson JN, et al. Smooth quantile normaliza- markers in organ transplantation: a report from the first international
tion. Biostatistics. 2018;19:185–198. conference. Transplantation. 2011;91:379–382.
127. Dillies MA, Rau A, Aubert J, et al; French StatOmique Consortium. 156. Donders AR, van der Heijden GJ, Stijnen T, et al. Review: a gen-
A comprehensive evaluation of normalization methods for Illumina tle introduction to imputation of missing values. J Clin Epidemiol.
high-throughput RNA sequencing data analysis. Brief Bioinform. 2006;59:1087–1091.
2013;14:671–683. 157. Hrydziuszko O, Viant MR. Missing values in mass spectrometry
128. Leek JT, Scharpf RB, Bravo HC, et al. Tackling the widespread and based metabolomics: an undervalued step in the data processing
critical impact of batch effects in high-throughput data. Nat Rev pipeline. Metabolomics. 2012;8:161–174.
Genet. 2010;11:733–739. 158. Marchini J, Howie B. Genotype imputation for genome-wide asso-
129. Benito M, Parker J, Du Q, et al. Adjustment of systematic microarray ciation studies. Nat Rev Genet. 2010;11:499–511.
data biases. Bioinformatics. 2004;20:105–114. 159. Frazer KA, Ballinger DG, Cox DR, et al. A second generation human
130. Reese SE, Archer KJ, Therneau TM, et al. A new statistic for identifying haplotype map of over 3.1 million SNPs. Nature. 2007;449:851–861.
batch effects in high-throughput genomic data that uses guided principal 160. Auton A, Abecasis GR, Altshuler DM, et al. A global reference for
component analysis. Bioinformatics. 2013;29:2877–2883. human genetic variation. Nature. 2015;526:68–74.
131. Goh WWB, Wang W, Wong L. Why batch effects matter in omics 161. McCarthy S, Das S, Kretzschmar W, et al; Haplotype Reference
data, and how to avoid them. Trends Biotechnol. 2017;35:498–507. Consortium. A reference panel of 64,976 haplotypes for genotype
132. Luo J, Schumacher M, Scherer A, et al. A comparison of batch effect imputation. Nat Genet. 2016;48:1279–1283.
removal methods for enhancement of prediction performance using 162. Browning BL, Zhou Y, Browning SR. A one-penny imputed
MAQC-II microarray gene expression data. Pharmacogenomics J. genome from next-generation reference panels. Am J Hum Genet.
2010;10:278–291. 2018;103:338–348.
133. Leigh DM, Lischer HEL, Grossen C, et al. Batch effects in a multiyear 163. Fang Z. Integration and missing data handling in multiple omics
sequencing study: false biological trends due to changes in read studies. 2018. Available at [Link]
lengths. Mol Ecol Resour. 2018;18:778–788. Accessed April 2, 2019.
134. Jolliffe I. Principal component analysis. In: Everitt B, Howell D, eds. 164. Lin D, Zhang J, Li J, et al. An integrative imputation method based
Encyclopedia of Statistics in Behavioral Science. John Wiley & Sons on multi-omics datasets. BMC Bioinformatics. 2016;17:247.
Ltd; 2005. 165. Napierala MA. What is the Bonferroni correction. AAOS. 2012;6:40.
135. Nielsen F. Hierarchical clustering. In: Introduction to HPC with MPI 166. Tam V, Patel N, Turcotte M, et al. Benefits and limitations of genome-
for Data Science. Undergraduate Topics in Computer Science. wide association studies. Nat Rev Genet. 2019;20:467–484.
Springer; 2016:195–211. 167. Yang J, Claas FHJ, Eikmans M. Genome-wide association stud-
136. Hout MC, Papesh MH, Goldinger SD. Multidimensional scaling. ies in kidney transplantation: advantages and constraints. Transpl
Wiley Interdiscip Rev Cogn Sci. 2013;4:93–103. Immunol. 2018;49:1–4.
137. Uffelmann E, Huang QQ, Munung NS, et al. Genome-wide associa- 168. Dorr CR, Oetting WS, Jacobson PA, et al. Genetics of acute rejection
tion studies. Nat Rev Methods Primers. 2021;1:59. after kidney transplantation. Transpl Int. 2018;31:263–277.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
© 2021 Wolters Kluwer Ba et al e125

169. Jeong HJ. Diagnosis of renal transplant rejection: Banff classification 177. Freedman BI, Pastan SO, Israni AK, et al. APOL1 genotype
and beyond. Kidney Res Clin Pract. 2020;39:17–31. and kidney transplantation outcomes from deceased African
170. Almoguera B, Shaked A, Keating BJ. Transplantation genetics: cur- American donors. Transplantation. 2016;100:194–202.
rent status and prospects. Am J Transplant. 2014;14:764–778. 178. Sayadi S, Geffard E, Sudholt M, et al. Distributed contextual-
171. Keating BJ, Van Setten J, Jacobson PA, et al. Design and imple- ization of biomedical data: a case study in precision medicine.
mentation of the international genetics and translational research in In: AICCSA 2020 – 17th International Conference on Computer
transplantation network. Transplantation. 2015;99:2401–2412. Systems and Applications, Antalya, Turkey. November 2–5,
172. Shaked A, Chang BL, Barnes MR, et al. An ectopically expressed 2020:1–6.
serum miRNA signature is prognostic, diagnostic, and biologically 179. Cisek K, Krochmal M, Klein J, et al. The application of
related to liver allograft rejection. Hepatology. 2017;65:269–280. multi-omics and systems biology to identify therapeutic tar-
173. Stapleton CP, Birdwell KA, McKnight AJ, et al. Polygenic risk score gets in chronic kidney disease. Nephrol Dial Transplant.
as a determinant of risk of non-melanoma skin cancer in a European- 2016;31:2003–2011.
descent renal transplant cohort. Am J Transplant. 2019;19:801–810. 180. Kurian SM, Whisenant T, Mas V, et al. Biomarker guidelines for
174. Sanders ML, Karnes JH, Denny JC, et al. Clinical and genetic factors high-dimensional genomic studies in transplantation: adding
associated with cutaneous squamous cell carcinoma in kidney and method to the madness. Transplantation. 2017;101:457–463.
heart transplant recipients. Transplant Direct. 2015;1:e13. 181. Little J, Higgins JP, Ioannidis JP, et al. STrengthening the
175. Oetting WS, Schladt DP, Dorr CR, et al; DeKAF Genomics and GEN03 REporting of Genetic Association Studies (STREGA)—an
Investigators. Analysis of 75 candidate SNPs associated with acute extension of the STROBE statement. Genet Epidemiol. 2009;
rejection in kidney transplant recipients: validation of rs2910164 in 33:581–598.
microRNA MIR146A. Transplantation. 2019;103:1591–1602. 182. Hollenbach JA, Mack SJ, Gourraud PA, et al; Immunogenomics
176. Oetting WS, Schladt DP, Guan W, et al; DeKAF Investigators. Data Analysis Working Group. A community standard for
Genomewide association study of tacrolimus concentrations in immunogenomic data reporting and analysis: proposal for a
African American kidney transplant recipients identifies multiple STrengthening the REporting of Immunogenomic Studies state-
CYP3A5 alleles. Am J Transplant. 2016;16:574–582. ment. Tissue Antigens. 2011;78:333–344.

Copyright © 2021 Wolters Kluwer Health, Inc. Unauthorized reproduction of this article is prohibited.
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

2.2 Génomique de la transplantation rénale

2.2.1 Le génome humain
[Link] L’ADN

L’ADN est un polymère composé de petites molécules répétées appelées nucléotides qui,
grâce à une liaison phosphodiester, forment le brin d’ADN. Chaque nucléotide est composé d’un
sucre (désoxyribose), d’un groupement phosphate et d’une des quatre nucléo-bases azotées (cy-
tosine [C], guanine [G], adénine [A] ou thymine [T]). Un brin d’ADN est toujours lié à un autre
brin selon les règles d’appariement des bases (A avec T et C avec G), formant une structure
connue sous le nom de double hélice [136]. L’ADN a été isolé pour la première fois par Friedrich
Miescher en 1869 [137], qui le décrit à l’époque comme une «nouvelle substance chimique» au
sein des noyaux cellulaires dont la composition diffère de celle des protéines ou de toute autre
molécule connue. Toutefois, ce n’est que près d’un siècle après que sa fonction et sa structure ont
été entièrement déterminés, respectivement en 1944 grâce aux travaux de Avery et al. [138] et
en 1953 avec les découvertes combinées de Rosalind Franklin [139, 140], Watson et Crick [141].
L’ADN cellulaire est réparti dans le noyau et dans les mitochondries. L’ADN mitochondriale
est une molécule circulaire à double brin et représente une faible proportion. En effet, il se
compose de 16 569 paires de bases et de 37 gènes dont 13 gènes codant pour des protéines, 22
gènes d’ARN de transfert et deux gènes d’ARN ribosomique [142, 143]. L’ADN humain est donc
majoritairement nucléaire. Celui-ci est condensé sous la forme de 23 chromosomes hérités des
deux parents [144] et contient environ 20.000 à 25.000 gènes [129, 130]. Toutefois, une étude
très récente a réévalué et reprécisé ces chiffres sur le génome humain qui compte 3 055 milliards
de paires de bases, et 19 969 gènes [145]. Les molécules d’ADN contiennent tout le matériel
génétique d’un organisme. Cette information, lorqu’elle est transcrite et traduite, produit les
protéines qui sont vitales pour le fonctionnement, le développement et la reproduction d’un or-
ganisme.

70
 2.2. Génomique de la transplantation rénale

Figure 2.1 – Structure de l’ADN.∗

[Link] Gène et génome

Une grande partie de l’ADN (plus de 98 % chez l’homme) est non codante, ce qui signifie que
ces sections ne sont pas impliquées dans la synthèse des protéines même si leurs rôles sont encore
mal connus. La partie restante appelée partie codante représente les gènes qui sont à la base de
la formation des protéines [144]. En effet, Les gènes contiennent un cadre de lecture ouvert qui
peut être transcrit, en ARNm puis synthétisée en protéine. Ce processus représente le dogme
central de la biologie moléculaire théorisée en 1958 par Francis Crick [146] qui décrit le flux de
l’information génétique unidirectionnel comprenant 3 étapes : la réplication, la transcription et
la traduction.
— La réplication de l’ADN
C’est le processus par lequel une molécule d’ADN double brin est copiée pour produire
deux molécules d’ADN identiques lors de la division cellulaire. On parle de synthèse
de l’ADN qui permet de copier exactement la même information génétique d’une cel-
lule parent à ses cellules filles. La réplication de l’ADN est dîte semi-conservative et
bi-directionnelle. En effet, lorsque l’ADN parental double brin se sépare en deux, chaque
brin sert de modèle pour un nouveau brin d’ADN complémentaire qui sera synthétisé
* Figure créée avec [Link].

71
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

dans les deux sens pour former deux nouvelles molécules d’ADN double brin constituées
chacune d’un brin parental et d’un brin néoformé. La réplication est contrôlée par l’ap-
pariement des bases tel que décrit par Watson et Crick [141] et fait intervenir plusieurs
enzymes dont les ADN polymérases. Elle comprend 3 étapes principales : l’initiation de la
réplication, l’élongation ou la synthèse de l’ADN et la terminaison. Tout d’abord, l’initia-
tion de la réplication a lieu à l’origine de réplication où se fixe une protéine dite initiatrice
qui provoque une dénaturation locale des deux brins et déroule ainsi une courte portion
de la double hélice d’ADN. Ensuite, une protéine appelée hélicase se fixe et rompt les
liaisons hydrogène entre les bases des brins d’ADN, séparant ainsi les deux brins. Paral-
lèlement, une autre enzyme appelée primase se fixe brièvement à chaque brin et crée une
amorce qui marque le début de la zone de synthèse. Une fois l’amorce en place, l’ADN
polymérase s’enroule autour de ce brin, et fixe de nouveaux nucléotides pour construire le
nouveau brin complémentaire. Les nucléotides qui composent le nouveau brin sont appa-
riés avec les nucléotides du brin matrice en respectant la correspondance A-T/G-C. On
aboutit à la production de deux brins d’ADN complémentaires néoformés qui vont être
liés aux brins matrices grâce à une ligase. La réplication s’arrête lorsque deux fourches
de réplication se rencontrent ou lorsqu’une fourche rencontre un signal de terminaison
(Figure 2.2).

Figure 2.2 – Réplication de l’ADN. [147]

— La transcription
Elle correspond à la synthèse de l’ARNm à partir de l’ADN. Elle se produit dans le noyau
en utilisant l’ADN comme matrice pour produire l’ARN pré-messager (pré-ARNm) qui
subira ensuite des modifications post-transcriptionnelles aboutissant à l’ARNm mature.
La transcription débute par la séparation de l’ADN double brin grâce à l’hélicase qui

72
 2.2. Génomique de la transplantation rénale

rompt les liaisons hydrogène, ce qui entraîne le déroulement d’une région de l’ADN (cor-
respondant à un gène) exposant ainsi une série de bases. Bien que l’ADN soit une molécule
à double brin, seul l’un des brins sert de modèle pour la synthèse du pré-ARNm ; ce brin
est appelé le brin matrice et son brin complémentaire est appelé le brin codant. L’ARN
polymérase se lie au brin matrice et transcrit la séquence dans le sens 3’-5’. La synthèse du
pré-ARNm quant à elle, s’effectue dans le sens 5’-3’. Les bases de l’ADN sont échangées
contre leurs bases correspondantes, sauf dans le cas de la thymine (T), à laquelle l’ARN
substitue l’uracile (U) (Figure 2.3). L’ARN simple brin qui en résulte est le complément
inverse de la séquence d’ADN d’origine et contient à ce stade des séquences non codantes
(introns) et des séquences codantes (exons).
Afin d’arriver à maturation, la molécule de pré-ARNm subit des modifications post-
transcriptionnelles telles que l’ajout d’une coiffe en 5’ et d’une queue poly(A) en 3’ ainsi
que l’épisssage des introns. Ces derniers, ne codant pas pour des protéines, sont retirés de
la molécule de pré-ARNm par un complexe multiprotéique appelé spliceosome. L’ARNm
mature ainsi formé est transporté hors du noyau pour être traduit en protéines [148].
— La traduction
Une fois dans le cytoplasme, l’ARNm va être traduit en protéines grâce à l’action des
ribosomes qui sont des complexes de protéines et d’ARN dits ARN ribosomiques orga-
nisés en 2 sous unités (40S et 60S). Les ribosomes lisent la molécule d’ARNm dans le
sens 5’-3’ afin de synthétiser des chaînes polypeptidiques d’acides aminés pour former
les protéines (Figure 2.3). Pour cela, le ribosome utilise de petites molécules, connues
sous le nom d’ARN de transfert (ARNt). Il existe environ 60 types différents d’ARNt.
Chaque ARNt se lie à une séquence spécifique de trois nucléotides (appelée codon) dans
la molécule d’ARNm et délivre un acide aminé spécifique. Ce processus est basé sur le
code génétique qui permet la correspondance entre les codons et les acides aminés. Le
ribosome se fixe initialement à l’ARNm au niveau du codon dit « start » (AUG) corres-
pondant à la méthionine afin de commencer la biosynthèse de la chaîne polypeptidique.
Ensuite, il traduit la séquence d’ARNm codon par codon (translocation) et progresse le
long de l’ARNm sous l’action de facteurs d’élongation. La synthèse de la protéine s’achève
lorsque le ribosome atteint un codon dit « stop » (UAA, UGA ou UAG).Le ribosome se
détache de la protéine et du brin d’ARN messager. La nouvelle protéine est libérée dans
la cellule.
A l’issue de la traduction, ces nouvelles protéines subissent des modifications de struc-
ture pour avoir une conformation en 3D. Ils peuvent également subir des modifications
post-traductionnelles (liaisons covalentes de groupements phosphates, acétate ou méthyle
par exemple). Il existe plus de 200 types connus de modifications post-traductionnelles.
Ces modifications peuvent altérer l’activité des protéines, leur capacité à interagir avec

73
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

d’autres protéines et leur localisation cellulaire [149].

Figure 2.3 – Les étapes de la synthèse des protéines.∗ Lors de la transcription, l’ADN
est copié en ARNm. Les bases de l’ADN sont échangées contre leurs bases correspondantes, sauf
dans le cas de la thymine (T), à laquelle l’ARN substitue l’uracile (U). L’ARNm simple brin qui
en résulte est le complément inverse de la séquence d’ADN d’origine. L’ARNm est transporté
hors du noyau pour être traduite en protéines grâce aux ribosomes. La traduction est basée sur
le code génétique qui permet la correspondance entre les codons (séquence de trois nucléotides
d’ARN) et les protéines.

[Link] Séquençage du génome humain

Le séquençage d’un génome consiste en la détermination de la séquence nucléotidique de

l’ADN présent dans chaque cellule d’un organisme donné. Dès la fin des années 1970, les tech-
niques de la biologie moléculaire popularisée par Sanger permettaient de séquencer un brin
d’ADN, c’est-à-dire de lire l’enchaînement de nucléotides d’une molécule d’ADN [150, 151].
Le séquençage du génome humain n’a été envisagée qu’au début des années 90 avec le projet
génome humain qui avait pour objectif d’établir le séquençage complet de l’ADN du génome hu-
main sur une période de 15 ans [152, 153]. Une première version brute du génome a été publiée en
2001 [129, 130] et a été très vite suivie par une séquence plus complète en 2003 [154]. Ce premier
séquençage a été un tremplin pour le domaine de la génomique et constitue le point de départ
de divers autres projets. A titre d’exemple, on peut citer le 1KGP [132, 155], lancé en 2008 qui
s’est donné pour objectif au départ de séquencer les génomes d’un millier de personnes réparties
dans 5 grandes populations afin d’améliorer la cartographie génétique du génome humain. En

* Figure créée avec [Link].

74
 2.2. Génomique de la transplantation rénale

2015, le projet présentait la cartographie génétique de 2504 individus issues de diverses origines
ethniques [132]. Avec l’évolution des technologies, le 1KGP compte maintenant 3 202 génomes
dont 602 trios familiales (parents-enfants) séquencées avec une couverture de 30X [155]. Plus
récemment, les projets sont encore plus ambitieux et se donnent le défi de séquencer jusqu’à
100.000 génomes [156]. Il est important de noter que la séquence génomique établie par le projet
génome humain en 2003 n’était pas tout à fait complète avec 8% de l’ADN manquant. Il s’agis-
sait principalement de l’ADN condensé au niveau des centromères et des télomères caractérisé
par une quantité importante de séquences répétées. En 2022, grâce à l’effort combiné d’une cen-
taine de chercheurs, le premier génome complet d’un même individu a été publié après 3 ans de
travaux. Cette étude a réévalué la composition du génome et mis en evidence 3604 nouveaux
gènes précedemment méconnus [145].

[Link].1 Technologies de séquençage

Les méthodes initiales de séquençage sont principalement basée sur les travaux de Sanger
et Gilbert qui permettaient de lire des séquences d’ADN respectivement par polymérisation de
l’ADN grâce à une amorce et par dégradation chimique de l’ADN basée sur les affinités des 4
bases (A,T,C,G). Ces méthodes étaient très efficaces pour lire des petites séquences mais étaient
inadaptées pour le séquençage d’un génome entier qui compte des milliards de bases [150, 151].
Des méthodes qui couplent les approches de biologies moléculaires et les technologies infor-
matiques ont été dévelopées : la méthode de séquençage par ordonnancement hiérarchique qui
consiste à fragmenter l’ADN génomique puis à classer ces fragments avant de les séquencer et la
méthode globale (ou « whole-genome shotgun ») qui consiste à séquencer les fragments d’ADN
génomiques aléatoirement et de les réordonner par chevauchement de séquences communes [151].
La principale différence entre ces deux principes est que l’ordonnancement hiérarchique essaie
d’aligner un jeu de clones de grande taille (100 kb environ) alors que la méthode globale se
base sur des fragments aléatoires de petite taille qui sont séquencés puis alignés. D’autres mé-
thodes, notamment les techniques de génotyppage ont été par la suite développées. Elles reposent
principalementt sur l’utilisation de puces à ADN contenant plusieurs centaines (pour les puces
de première génération) à plusieurs milliers d’oligonucléotides. Le type de séquençage le plus
couramment utilisé aujourd’hui est toutefois le séquençage par synthèse qui se base sur des mé-
thodes de fluorescence [151]. Ce type de séquençage, utilise une ADN polymérase pour générer
un nouveau brin d’ADN à partir d’un brin d’intérêt en incorporant des nucléotides individuels
qui ont été marqués chimiquement avec un marqueur fluorescent. Le nucléotide est alors excité
par une source lumineuse, et un signal fluorescent est émis et détecté. Le signal est différent
selon celui des quatre nucléotides qui a été incorporé.
Le projet génome humain [152, 153], sur la base de la méthode globale de séquençage, a été
réalisé grâce à l’utilisation de séquenceurs dits de première génération ou Sanger répartis dans

75
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

plusieurs laboratoires [129, 130]. Le projet a duré 13 ans (1990-2003) et a coûté 3 milliards de
dollars [157]. Avec l’avènement de la biotechnologie et l’amélioration continue des méthodes de
séquençages, on parle aujourd’hui de séquençage nouvelle génération (NGS) qui permettent de
séquencer en quelques jours un génome humain à moins de 1000 dollars selon la technologie [157].
La différence avec les méthodes de première génération repose sur la capacité de lire en parallèle
des millions de molécules d’ADN. Il existe plusieurs technologies de séquençage NGS dépen-
dantes du fabriquant : technologie 454 ou pyroséquençage chez Roche, séquençage par ligation
chez Applied Biosystem, séquençage par synthèse chez Illumina etc [158, 157]. De façon général,
ces technologies génèrent des séquences courtes de nucléotides (150-300 pb) appelées lectures
courtes « ou short reads » qui sont par la suite assemblées pour former des séquences d’ADN
plus longues comme un gène par exemple. Dans ce processus, chaque base doit être lue non
pas une seule fois, mais au moins plusieurs fois dans les segments qui se chevauchent afin de
garantir la précision. Il a été démontré que, malgré l’utilisation d’algorithmes bioinformatiques
sophistiqués, il est souvent impossible de cartographier avec précision, ou même d’assembler,
des lectures courtes provenant de régions présentant une variation, des séquences répétitives,
un contenu dense en guanine-cytosine (GC) ou des séquences comportant de multiples éléments
homologues au sein du génome [159]. Des nouvelles technologies basées sur des lectures longues
(>10 kb) « ou long reads » sont développées et ont démontré de meilleures performances dans
l’identification de séquences d’ADN auparavant difficiles à identifier [159] (Figure 2.4). Ces mé-
thodes sont notamment développées par Pacific Biosciences (PacBio) qui a lancé le séquençage
SMRT (« Single Molecule Real-Time ») basé sur l’utilisation d’une polymérase attachée au fond
d’un micro-puit et qui synthétise un brin complémentaire à partir de molécules d’ADN simple
brin circulaires. Cette technologie utilise la fluorescence pour le marquage des nucléotides comme
dans la technologie Illumina, mais avec pour différence importante que la synthèse ne s’arrête
pas après l’incorporation de chaque nucléotide, elle continue jusqu’au moment où la polymérase
s’arrête spontanément créant ainsi des lectures plus longues [159].

76
 2.2. Génomique de la transplantation rénale

Figure 2.4 – Avantage des approches de séquençage à lectures longues (LRS). [159]
La principale différence entre le LRS et les approches NGS conventionnelles est l’augmenta-
tion significative de la longueur des lectures. Contrairement aux lectures courtes (150-300 pb),
le LRS a la capacité de séquencer en moyenne plus de 10 kb en une seule lecture, nécessitant
ainsi moins de lectures pour couvrir le même gène (illustré dans le panneau supérieur). Par
conséquent, outre la réduction des erreurs d’alignement et de cartographie, la technologie LRS
présente divers avantages par rapport aux approches à lecture courte qui peuvent avoir un impact
considérable sur la génétique médicale (panneau inférieur). (1) Amélioration de la détection et
de la caractérisation des grandes variations structurelles (SV), dues, par exemple, à de grandes
inversions ou translocations. (2) Capacité de séquencer directement, et donc avec plus de préci-
sion, de longues expansions de répétitions en tandem et des régions extrêmement riches en GC.
(3) Amélioration de l’attribution des variantes génétiques aux chromosomes paternels ou mater-
nels homologues, afin de déterminer les schémas d’hérédité, l’origine parentale des événements
de novo, le mosaïcisme, l’expression spécifique des allèles et les haplotypes de risque de maladie.
(4) Meilleure discrimination des gènes cliniquement pertinents de leurs pseudogènes.

2.2.2 La transmission génétique

Les gènes sont présents en deux copies dans les chromosomes et peuvent influencer une ca-
ractéristique particulière dans un organisme (phénotype). Les différentes formes d’un même gène
sont appelées allèles. Ces allèles peuvent être différents ou identiques et proviennent des deux
parents. Les gènes représentent donc l’unité de l’hérédité qui se définit comme la transmission,

77
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

au sein d’une espèce vivante ou d’une lignée de cellules, de caractéristiques d’une génération à la
suivante [160]. Cette théorie de la transmission des gènes a été popularisée grâce aux travaux de
Gregor Mendel sur la génétique des populations. Les mécanismes de l’hérédité comme démontré
par Mendel comportent principalement un volet génétique (transmission de l’ADN nucléique à
travers les générations) [161]. Toutefois, la transmission des caractères peut se faire à travers
d’autres mécanismes qui impliquent de l’ADN non nucléiques (ex : ADN mitochondriale) ou
l’épigénétique qui englobe les mécanismes de modifications reversibles mais transmissibles de
l’expression d’un gène [160, 161].

[Link] Théorie de l’hérédité de Mendel

Les travaux de Mendel sur les lois de l’hérédité constituent la base de la génétique moderne.
Ils sont basés sur le principe selon lequel les traits individuels sont définis par les gènes et sont
hérités de générations en générations. Pour illustrer cela, Mendel étudie la transmission de septs
caractéristiques chez les pois tels que la hauteur, la couleur etc. Il selectionne des lignées de pois
présentant deux formes différentes d’un même trait (ex : grande vs petite taille) qu’il cultive sur
plusieurs générations jusqu’à obtenir des lignées pures dont tous les individus possèdent toujours
la même forme alternative c’est à dire un seul type d’allèle pour le caractère étudié. Il croise
ensuite ces lignées pures entre elles et observe leur transmission en notant leurs caractéristiques
et la proportion d’individus présentant chaque caractéristique [160].

Sur la base de ces observations, Mendel définit 3 lois sur la transmission des gènes [162, 160]
1. La loi de dominance (ou loi d’uniformité des hybrides de première généra-
tion). Les traits sont contrôlés par des paires de facteurs héréditaires (les allèles) qui ap-
paraissent sous différentes versions. Par exemple pour les petits pois, le caractère "taille"
va avoir deux formes (grande ou petite) qui vont chacune être determinées par un al-
lèle. L’allèle qui sera phénotypiquement visible est appelé allèle dominant (grande taille)
et l’allèle qui ne sera pas exprimé physiquement est appelé allèle récessif (petite taille).
Lorsque l’on croise deux individus d’une même espèce homozygote ayant un caractère
en commun (petite taille vs grande taille), les descendants obtenus à la première géné-
ration sont identiques relativement à ce caractère tant au niveau du phénotype que du
génotype, on parle de la loi d’uniformité de première génération. Ces individus sont tous
hétérozygotes pour le gène de la taille et présentent physiquement l’allèle dominant pour
le caractère étudié, l’allèle recessif étant "caché". En reprenant notre exemple, tous les
individus de la première génération seront de grandes tailles.
2. La Loi de la ségrégation (ou loi de disjonction des allèles). Lorsque les descen-
dants de la première génération sont recroisés entre eux, les deux phénotypes différents
apparaissent selon un ratio 3 :1. L’allèle recessif est exprimé physiquement chez une mi-

78
 2.2. Génomique de la transplantation rénale

norité d’individus. Plus précisément, on obtient 3/4 des individus qui présentent le trait
dominant (2/4 hétérozygotes et 1/4 homozygotes) et 1/4 des individus qui présentent le
trait récessif (homozygotes). Ce phénomène est défini comme la ségrégation des caractères
dans la deuxième génération.
3. La loi sur l’assortiment indépendant (ou loi d’indépendance de la transmis-
sion des caractères). Les études de Mendel ont également montré que lorsque l’on
étudie deux caractères (ex taille et couleur), la transmission des traits est indépendante
c’est à dire que le caractère taille n’influencie pas la transmission du caractère couleur.
Cette règle s’applique lorsque les gènes responsables des caractéristiques se situent sur
différents chromosomes ou s’ils sont éloignés sur le même chromosome. La première loi
s’applique à la première génération dans la transmission de plusieurs caractères : tous
les descendants sont identiques et sont hétérozygotes pour les caractères étudiés. Dans la
deuxième génération, les phénotypes apparaissent selon un ratio 9 :3 :3 :1.
Les caractères ne sont pas tous exclusivement dominants ou récessifs. Dans certains cas, les
allèles n’ont pas une relation de dominance pour un caractère donné. Les individus ayant ce
caractère sont hétérozygotes et présentent un phénotype hybride (mélange des deux formes du
caractère). Ce principe est appelé la dominance incomplète ou co-dominance [162, 160].

[Link] Transmission génétique et maladies

Les lois de Mendel ont permis d’établir les bases de la transmission des caractères chez
l’homme. En ce sens, cela a également permis de mieux comprendre les mécanismes de trans-
mission des maladies monogéniques ou mendeliennes. Ces maladies ont pour cause des anomalies
génétiques qui ne concernent qu’un seul gène et sont transmises au sein d’une même famille selon
quatres modes de transmissions : dominant ou recessif lié aux autosomes et dominant ou recessif
lié aux chromosomes sexuels (X ou Y) [163].
La transmission autosomique dominante est la plus fréquente (>50% des maladies mendeliennes).
La présence d’un seul allèle dominant provoque la pathologie qui se transmet de façon directe
ou verticale d’une génération à une autre. Les individus portant ce genre de maladies sont gé-
néralement hétérozygotes pour la maladie, les homozygotes étant très rares [163]. Un exemple
d’une maladie autosomique dominante est la polykystose rénale, une maladie génétique qui se
caractérise par la formation progressive de kystes (poches de liquide) pouvant conduire à une
insuffisance rénale. Elle est la conséquence de mutations génétiques sur le gène PKD1 (80% des
cas) et le gène PKD2 (20% des cas) et touche 1/1000 personne en France. Un individus atteint
de cette pathologie a une chance sur deux de transmettre la maladie à sa descendance [164].
La transmission autosomique récessive nécessite la présence de deux allèles récessifs pour que la
pathologie se manifeste avec une chance sur 4 de transmettre la maladie. Les individus atteints
sont exclusivement homozygotes. Un exemple d’une maladie autosomique récessive est la drépa-

79
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

nocytose qui est une maladie génétique du sang caractérisée par une anomalie de l’hémoglobine
qui joue un rôle dans le transport de l’oxygène vers les tissus. La drépanocytose est due à une
mutation du gène HBB. Pour des parents atteints de cette pathologie, chacun de leurs enfants
a une chance sur 4 d’avoir la drépanocytose [165].
La transmission liée au chromosomes sexuels concerne principalement le chromosome X, le chro-
mosome Y n’étant présente que chez les hommes en une seule copie comprenant un nombre de
gènes très restreint (71 gènes [166, 167]). La transmission dominante liée au chromosome X est
plus fréquente chez les femmes que chez les hommes qui heritent de l’allèle pathologique exclu-
sivement de leur mère. La maladie se transmet de façon directe de génération en génération. Un
exemple est le rachitisme vitamino résistant hypophosphatémique qui est une forme de rachi-
tisme resistante au traitement de la vitamine D. Cette pathologie est associée à la mutation du
gène PHEX présent sur le chromosome X [168]. Les femmes présentant la pathologie sont plus
fréquentes mais les hommes porteurs de la maladies sont plus gravement atteints car ils n’ont
pas d’allèle sain. La transmission récessive liée au chromosome X est quant à elle plus fréquente
que celle dominante. Elle concerne plus fréquemment les hommes dans la mesure où les femmes
ont deux chromosomes X tandis que les hommes n’en possèdent qu’un seul : ils sont dit hémi-
zygotes. Comme exemple, nous pouvons citer l’hémophilie qui est une pathologie hémorragique
due à l’absence ou au déficit d’un facteur de coagulation [169]. Il existe deux formes d’hémophilie
liées à une mutation du chromosome X : l’hemophilie A et B qui sont dues aux mutations des
gènes F8 et F9 respectivement. Les porteurs de l’allèle recessif sont atteints par la pathologie.
L’hémophilie concerne presque exclusivement les hommes. Les femmes sont souvent conductrices
de la maladie car elles possèdent deux chromosomes X et sont dans la grande majorité des cas
hétérozygotes pour la maladie. Il peut arriver qu’elles héritent de deux chromosomes X portant
chacun un gène muté ce qui est très rare et généralement les individus sont non viables [169].
Certaines maladies, bien que génétiques, font défaut aux lois de Mendel et ne correspondent
à aucun des modes mendéliens classiques de transmission : il s’agit des maladies complexes
ou multifactorielles caractérisées par l’interactions de plusieurs facteurs génétiques mais égale-
ment environnementaux [170]. L’héritabilité des maladies complexes implique plusieurs gènes
(déterminisme polygénique). Ces gènes pris individuellemnt n’influent pas sur la survenue de
la maladie à l’inverse des maladies mendéliennes, mais leur action combinée peut influencer la
susceptibilité à une maladie (effets additifs, effets multiplicatifs d’un grand nombre de gènes).
Elles sont très fréquentes, en augmentation constante et concernent une diversité de maladies
tels que les cancers, les maladies cardiovasculaires, les maladies neuro-dégénératives, les maladies
auto-immunes, les maladies rénales, les diabètes etc. [171, 172].
Au vu de la complexité des maladies polygéniques, l’identification des gènes associés à ces path-
logie nécessite l’adoption de stratégies et de méthodes d’études différentes. La disponibilité
d’outils techniques et de nouvelles méthodologies statistiques ont nettement contribué à l’avan-

80
 2.2. Génomique de la transplantation rénale

cée des études des maladies complexes à travers la réalisation d’études d’association basées sur
des approches populationnelles [173]. Classiquement, les études familiales notamment pour les
maladies mendéliennes nécessitent l’inclusion d’un maximun d’individus apparentés atteints et
non atteints pour une maladie donnée. A l’inverse, les études populationnelles s’intéressent aux
individus non apparentés atteints d’une même maladie avec l’inclusion d’un nombre au moins
équivalent ou supérieur de sujets témoins (sains) et la prise en compte de leur origine ethnique et
des principaux facteurs de risque connus de la maladie à l’étude. Ces approches populationnelles,
ont mené à l’identification d’un grand nombre de gènes de susceptibilité pour la plupart des ma-
ladies complexes [173]. Toutefois, seule la composante génétique associée aux variants communs
est étudiée. Les variants génétiques rares, ou les facteurs épigénétiques sont moins connus et
représentent encore une zone d’ombre pour la majorité de ces maladies complexes [174].

[Link] Les polymorphismes génétiques

La diversité génétique est décrite comme étant la variété des gènes au sein d’une même
espèce. Elle constitue la matière première de l’évolution car essentielle à la survie d’une es-
pèce [175]. Au cours des dernières années, les progrès dans la génétique populationnelle et la
génomique ont permis de mieux appréhender cette diversité des gènes. Des projets comme le
SNP Consortium [176], le HapMap Consortium [177] et plus récemment le 1KGP [132] ont vu le
jour afin de répertorier et cartographier chez l’Homme les polymorphismes génétiques tels que
les insertions/délétions (indels), les variations du nombre de copies d’un segment dans le génome
(CNV), et les SNP. Les polymorphismes génétiques sont définis par l’existence d’au moins deux
allèles dans une population à une fréquence égale ou supérieure à 1%. Ces variations entre indi-
vidus estimées à 0,1% du génome, contribuent grandement à la diversité génétique et peuvent
influencer la prédisposition à certaines maladies ou être à l’origine de certains traits [178].

[Link].1 Les polymorphismes nucléotidiques simples (SNP)

Un SNP définit la variation d’une seule paire de base dans la séquence nucléotidique. Ils
sont génétiquement stables et majoritairement bi-alléliques. Les SNP représentent le type de
variations génétiques la plus fréquente (plus de 90% de l’ensemble des polymorphismes géné-
tiques chez l’Homme) et la plus uniformément répartie dans le génome [178, 179]. La base de
données dbSNP [180] recense l’ensemble des SNP et indels connus. Du fait de leurs proprié-
tés, les SNP permettent de dresser des cartes génétiques très denses et représentent l’actuel
marqueur génétique de prédilection. L’analyse de ces marqueurs génétiques permet d’expliquer
certains traits mais également de trouver des prédispositions à certaines maladies complexesdes
approches GWAS [133].

81
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

[Link].2 Les insertions/délétions (indels)

Les indels sont des polymorphismes caractérisés par des insertions et/ou des délétions de
séquences courtes (<1kbs) dans le génome. Lorsque l’indel se produit à l’intérieur d’une région
codante, il est décrit comme étant « in-frame » si la quantité d’ADN perdue ou gagnée est
divisible par 3 correspondant à un ou plusieurs codons. Si non, il est appelé « frameshift »
car le code de lecture par codons est altéré pour tous les nucléotides suivants. Les indels «
frameshift » conduisent fréquemment à des codons « stop » prématurés et ont généralement
un impact fonctionnel plus important que les indels « in-frame » [181]. Ces polymorphismes
sont, de la même manière que les SNP, impliqués dans l’apparition de traits et de maladies chez
l’Homme [182, 183]. Ils sont d’ailleurs couramment identifiés dans la plupart des cancers, bien
qu’ils soient moins fréquents que les SNP [184]. .

[Link].3 Variation du nombre de copies (CNV)

Les CNVs sont décrits comme étant des variations du nombre de copies d’une région géno-
mique selon les individus [185]. Ces variations sont des séquences supérieures à 1kb ayant subi
une délétion, une duplication ou une inversion de fragments d’ADN et sont estimées à environ
9,5% du génome [186]. Les CNVs sont impliqués dans l’évolution et l’adaptation des espèces. En
effet, la variation du nombre de copies d’un gène influence la quantité de protéines produites ce
qui implique des changements phénotypiques. En 2006, une étude s’est penchée sur la question
pour mieux comprendre les conséquences des CNVs sur la régulation de l’expression des gènes
ou l’altération de la séquence codante [187]. Les CNVs sont référencés dans la base de données
dbVar [188].

[Link] Notion de génétique des populations

[Link].1 Équilibre d’Hardy-Weinberg

L’équilibre de Hardy-Weinberg [189] est l’un des principes fondamentaux en génétique des
populations basé sur le comportement des fréquences alléliques et génotypiques pour un poly-
morphisme bi-allélique (les SNP). Il stipule que ces fréquences alléliques restent constantes dans
une population et au fil des générations, sous certaines hypothèses :
1. La population d’étude est conséquente ou infinie.
2. Les générations sont non chevauchantes.
3. Le croisement entre individus est aléatoire (panmixie)
4. L’absence de selection, de mutation ou de migration des populations est avérée.
Selon ces hypothèses, le modèle s’établit de la manière suivante :

82
 2.2. Génomique de la transplantation rénale

Dans le cas d’un SNP A bi-allélique, d’allèles a1 et a2 , et de fréquences alléliques respectives

fa1 et fa2 , on observe que :

— les fréquences alléliques et génotypiques sont constantes au fil des générations

— les fréquences génotypiques suivent la distribution suivante :



 fa a = fa21
 1 1




f
a1 a2 = 2fa1 fa2

= fa22

fa a

2 2

Lorsque chacune des hypothèses est respectée, on dit que le modèle est à l’équilibre. Dans
le cas ou celles-ci sont invalidées, on parde de déviation de l’équilibre d’Hardy-Weinberg qui
peut être due à des biais démographiques (migration de population, réduction importante et
rapide de l’effectif d’une population, consanguinité etc.) ou liée à des événements de sélection
naturelle [190].

[Link].2 Déséquilibres de liaison

La recombinaison génétique correspond aux brassages intra et interchromosomiques condui-

sant à l’apparition aléatoire de gènes ou de caractères héréditaires chez les individus. Ce phé-
nomène se produit par enjambement des chromosomes homologues durant la méiose. Lorsque
deux polymorphismes sont suffisamment éloignés dans le génome, ils peuvent être transmis de
manière indépendante du fait de la recombinaison. Si nous considérons des loci polymorphes
indépendants, les fréquences des recombinaisons d’allèles possibles sur un chromosome dans une
population, correspondent alors au produit des fréquences de ces allèles, c’est l’équilibre de liai-
son.
Soit deux locus A et B, d’allèles A/a et B/b, et de fréquences fA /fa et fB /fb . Pour 4 combinai-
sons possibles d’allèles, les fréquences de ces combinaisons sont établies comme suit :





 fAB = fA fB + D

= fA fb − D

fAb





 faB = fa fB − D

= fa fb + D

f

ab

Cependant, lorsque la distance qui sépare deux loci chromosomiques est trop faible, la pro-
babilité pour que les polymorphismes soient transmis de manière indépendante diminue. Ces

83
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

polymorphismes présentent donc une association non aléatoire et seront transmis ensemble. Les
fréquences des combinaisons d’allèles possibles sont alors différentes du produit des fréquences
alléliques, c’est le déséquilibre de liaison. D’autres facteurs, tels que la pression de sélection
peuvent également contribuer à une interdépendance. On parle donc plus généralement de dés-
équilibre gamétique.
Le déséquilibre de liaison peut se mesurer par la valeur du coefficient D de déviation entre les
fréquences des combinaisons observées et celles attendues sous l’hypothèse d’indépendance entre
les loci. Il s’établit comme suit :





 fAB = fA fB

= fA fb

fAb





 faB = fa fB

= fa fb

f

ab

Lorsque D = 0, il n’y a pas de déséquilibre gamétique observable. On utilise alors une valeur
de D normalisée : D’ variant entre -1 et 1 :


′
 D
min(fAB ,fab ) pourD ≥0
D =
 D
min(fAb ,fBa ) pourD ≤0

Il exite une troisième mesure qui est celle la plus largement utilisée et qui se base sur un
coefficient de corrélation r2 , défini comme :

D2
r2 =
fA fB fa fb
r2 varie entre 0 et 1 ; r2 = 1 indique un déséquilibre total entre les polymorphismes.

2.2.3 Les études d’association génétiques

La cartographie des polymorphismes génétiques a permis entre autres choses de pouvoir

lever des zones d’ombres dans les études transdisciplinaires reliant variations génétiques et ma-
ladies [133]. Ces études ont pour but d’étudier statistiquement les liens entre un polymorphisme

84
 2.2. Génomique de la transplantation rénale

génétique et un phénotype particulier (expression du gène, fonction de la protéine associée ou

événement clinique) [133].

[Link] Etude gène candidat

Au début des années 2000, les études d’associations s’intéressaient majoritairement à des
polymorphismes de gènes. Ces études consistaient à caractériser les variants génétiques dans des
gènes dits « candidats » déjà décrits dans la littérature et dont la fonction pourrait jouer un rôle
dans le risque d’apparition d’une pathologie [191]. Le choix des gènes candidats était basé sur une
bonne connaissance de la physiopathologie, de la fonction du gène ainsi que de ses interactions
avec d’autres variants impliqués dans la même voie métabolique et qui pourraient être associés
à la pathologie étudiée. L’identification des variants génétiques se fait par séquençage direct
de l’ADN de sujets atteints et de sujets non atteints pour le/les gènes ciblés. Ensuite, par des
méthodes statistiques, on détermine si le variant génétique est plus fréquent chez les sujets
présentant la maladie que chez les témoins [191]. De façon générale, chaque variant génétique
ne possède qu’un effet minime sur la variation du trait phénotypique et donc sur la survenue
ou non de la maladie. De plus, en l’absence d’informations fonctionnelles objectives (essais
expérimentaux biologiques en laboratoire) sur l’impact précis du variant génétique sur la fonction
du gène et sur la maladie, on ne parlera que d’association significative au sens statistique entre
la présence du variant génétique et la présence de la maladie [192]. Ces approches gène candidat
ont mis en évidence de nombreux variants génétiques impliqués dans des maladies [192].
En transplantation rénale, certaines équipes ont étudiés des gènes candidats chez le receveur
tels que le récepteur de type 1 à l’angiotensine II, impliqué dans les voies de signalisation
de l’hypertension artérielle [193] ou encore MICA (Major-histocompatibility-complex class- I-
related chain A), un gène de la région HLA codant pour des glycoprotéines de surface [194].
Toutefois, cette stratégie est limitée par le fait de ne pouvoir cibler et analyser que les gènes
codants déjà décrits dans la littérature, dont la fonction est connue et qui présente un rapport à
priori évident avec la pathologie. Ce qui exclut tous les gènes ou protéines inconnus ou dont le rôle
est insoupçonné. Des études d’associations plus récentes qui se font à l’échelle du génome et sans
apriori ont permis de mieux caractériser le rapport entre variant génétique et maladie [191, 192].

[Link] Etudes d’association à l’échelle du génome (Genome Wide Association Stu-

dies, GWAS)

L’ère de la génomique a été marquée par l’apogée des études GWAS qui ont permis d’iden-
tifier des centaines de milliers de SNP associés à un trait ou à une maladie. Ces approches
évaluent, à l’aide de tests statistiques, la différence de fréquence allélique entre populations par
rapport à un phénotype donné [195].
Les études GWAS ont révolutionné le domaine de la génétique des maladies complexes au cours

85
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

de la dernière décennie. Depuis la publication de la première étude GWAS sur la dégénérescence

maculaire liée à l’âge en 2005, plus de 5 675 études et 202 969 SNP associés ont été rapportés
dans le catalogue GWAS à ce jour [133]. Ces associations ont permis de mieux comprendre les
mécanismes de la susceptibilité aux maladies (par l’identification de nouveaux gènes causaux)
et de faire progresser les soins cliniques et la médecine personnalisée (identification de biomar-
queurs et de de nouvelles cibles médicamenteuses, prédiction du risque et l’optimisation des
thérapies en fonction du génotype etc.) [195]. Parmi les maladies et traits étudiés en GWAS,
on retrouve notamment l’anorexie mentale [196], le trouble dépressif majeur [197], les cancers
et les sous-types de cancers [198], le diabète de type 2 [199], les maladies inflammatoires de
l’intestin [200], l’insomnie [201], l’indice de masse corporelle (IMC) [202] etc. Les loci identifiés
en GWAS impliquent souvent des gènes dont la fonction était inconnue ou dont la pertinence
était jusqu’alors insoupçonnée. Le suivi expérimental de ces loci peut conduire à la découverte
de nouveaux mécanismes biologiques sous-jacents à la maladie. Par exemple, le rôle de l’auto-
phagie dans la maladie de Crohn a été mis en évidence avec l’identification de SNP associés au
risque de maladie dans les gènes ATG16L1 (rs2241880) et IRGM (rs1000113) [203]. Deux autres
exemples de l’application des découvertes en GWAS à la biologie sont (1) l’association entre le
gène CFH et la dégénérescence maculaire, qui met en jeu le système du complément de l’immu-
nité innée [204] (2) et l’association entre le locus du complexe majeur d’histocompatibilité et la
schizophrénie, qui met en évidence le rôle de l’activité du composant 4 du complément [204, 205].
Dans le domaine de la transplantation, les études GWAS ont permis de mieux comprendre les
interactions entre donneur et receveur [206]. L’implication des facteurs génétiques dans la to-
lérance et le rejet des greffes a été prouvée au début des années 1950, bien avant la première
transplantation réussie d’un organe solide chez l’homme [207]. Récemment, les études d’asso-
ciation ont permis d’étudier les mécanismes moléculaires qui régissent la perte du greffon rénal
notamment avec le développement de nouvelles stratégies innovantes qui prennent en compte
les génomes du donneur et du receveur simultanément.
Plusieurs études ont porté sur la compréhension du rejet aigu (RA). En 2016, Ghisdal et al. [208]
ont réalisé la toute première GWAS du rejet aigu en transplantation rénale et ont identifié deux
loci significatifs : (1) PTPRO, codant pour un recepteur de la tyrosine kinase, essentiel à la
signalisation du récepteur des cellules B (SNP rs10846175 et rs7976329) et (2) CCDC67 codant
pour le gène ciliaire CCDC67 (SNP rs10765602). Ces deux gènes ont été considérés comme des
gènes candidats intéressants car PTPRO pourrait moduler l’alloréactivité [209] (régulation de
la signalisation TCR et BCR et de la production de cytokines) et le gène CCDC67 pourrait
jouer un rôle au niveau de la synapse immunitaire ; des études récentes indiquent des similitudes
étroites entre le cilium primaire et la synapse immunitaire [210]. Deux ans plus tard, Hernandez-
Fuentes et al. [211] publient une étude basée sur plusieurs cohortes et ont déterminé les potentiels
associations des SNP du donneur, des SNP du receveur et des SNP donneur-receveur combiné

86
 2.2. Génomique de la transplantation rénale

avec la survie du greffon (échec de la greffe ou décès du patient avec une durée médiane de
suivi d’environ 5 ans) et le rejet aigu (événement de RA enregistré dans les 12 mois suivant la
transplantation). Malgré la taille importante de leurs cohortes (découverte = 441 cas contre 941
témoins, réplication = 575 cas contre 2573 témoins), ils n’ont pas réussi à répliquer les résultats
de Ghisdal et al. et n’ont identifié aucune association significative. Il est important de noter
que ces résultats ne sont basés que sur des cohortes d’ascendance européenne, ce qui suggère
que leurs conclusions ne sont pas transposables à d’autres populations. Le risque de RA est
désormais bien géré, grâce au développement continu de nouveaux agents immunosuppresseurs
(10 % de RA en France en 2020) [212]. Cependant, la perte chronique du greffon reste un défi,
car le taux de survie du greffon dans les 10 ans suivant la transplantation est de 56 %, même
avec un donneur HLA compatible à 100% [116]. En 2013, O’Brien et al. [213] ont réalisé une
GWAS incluant 326 transplantations rénales de receveurs irlandais avec un suivi à long terme.
Ils ont identifié deux SNP (rs3811321 et rs6565887) qui étaient associés aux taux de créatinine
sérique à 5 ans. Cependant, une étude de validation réalisée par Pihlstrøm et al. [214] en 2016
sur 1 600 greffons rénaux provenant de receveurs caucasiens n’a pas permis de reproduire ces
résultats.
Compte tenu de l’absence d’associations SNP significatifs avec le rejet/perte chronique, cer-
taines études se sont tournées vers une stratégie GWAS « double génome ». Cette stratégie est
basée sur l’étude simultanément des variants génétiques chez les donneurs et les receveurs à
travers un score qui calcule la somme des incompatibilités entre receveurs et donneurs. Clas-
siquement, dans les GWAS, les scores de risque polygénique sont utilisés pour évaluer l’effet
combiné des SNP d’un organisme avec un phénotype individuel (tel que le facteur de risque
de développer une maladie). Ici, au lieu d’examiner un seul génome et de combiner la taille de
l’effet de chaque SNP significatif, le score est calculé pour une paire donneur-receveur comme
la somme des contributions de mismatch (c’est-à-dire la différence allélique) sur un ensemble de
polymorphismes génomiques à travers le génome [215]. Ces méthodes ajoutent une couche de
complexité car on passe de 2n chromosomes à 4n chromosomes différents. Cette approche a été
utilisée dans deux études publiées en 2019 respectivement par Reindl-Schwaighofer et al. [216]
et Steers et al. [217]. La première étude a examiné les variants non synonymes c’est-à-dire qui
impliquent des changements en acide aminés pour les proteines transmembranaires et sécrétées
et a déterminé un score mHLA, basé sur une valeur médiane au-dessus de laquelle le risque de
perte de greffe rénale est accru. La seconde étude a criblé 50 SNP de marquage de délétions
chez 704 receveurs d’allogreffes rénales et a défini une collision génomique (génotype à risque de
rejet de greffe) comme une combinaison génotype spécifique donneur-receveur dans laquelle un
receveur homozygote pour un allèle de marquage de délétions a reçu une greffe d’un donneur
non homozygote. Ces deux études récentes ont confirmé que les facteurs non HLA sont impliqués
dans les résultats chroniques de la transplantation rénale. Elles font écho à celle de Mesnard et

87
PartI, Chapitre 2 – La transplantation rénale à l’ère des «omiques»

al. [215], qui ont introduit pour la première fois un système de score additif pour évaluer les
facteurs non HLA dans la fonction du greffon rénal à partir de données génomiques (séquençage
de l’exome de nouvelle génération).
Ce type de stratégie peut bénéficier de l’intégration de couches de données supplémentaires
(expression génique, protéines, métabolites) pour mieux comprendre les résultats de la trans-
plantation. Des études ont récemment combiné plusieurs types de données omiques provenant
des mêmes échantillons afin de reconstruire les réseaux moléculaires qui sont inaccessibles avec
une seule couche de données omiques [218, 219]. Dans le domaine de la transplantation rénale,
la recherche de biomarqueurs par des méthodes multi-omiques commence à être utilisée. Une
étude a appliqué des méthodes non supervisées et supervisées pour explorer et intégrer les don-
nées génomiques et protéomiques de patients ayant subi une transplantation rénale (événements
de rejet aigu dans les 30 jours suivant la transplantation (n=20) par rapport à des contrôles
(n=20)) et pour déterminer quels gènes et protéines jouent un rôle important dans le rejet aigu
d’allogreffe rénal. Une meilleure séparation entre les deux groupes d’échantillons a été obser-
vée dans l’analyse intégrative (génomique et protéomique combinées) que dans l’analyse omique
simple [220].

88
 Chapitre 3

O BJECTIFS DE LA THÈSE

Les études GWAS ont permis de mieux comprendre les mécanismes d’interactions entre don-
neur et receveur. Malgré ces avancées, de nombreuses questions demeurent. En effet ces études
ont été principalement menées sur des receveurs, à l’exception de quelques études menées sur
des paires de donneurs et de receveurs (paires D/R) [221, 216]. La taille des cohortes est encore
très modeste et malgré les progrès significatifs dans la gestion post-transplantation, notamment
grâce au développement des traitements immunosuppresseurs, le rejet et la perte chronique du
greffon restent des défis majeurs. En effet, il y a 56% de survie du greffon dans les 10 ans
post-transplantation et ceci inclut les transplantations HLA compatibles à 100%. De plus, il
n’y a que 15% de différence dans la survie à 10 ans post-transplantation entre les donneurs
HLA compatibles et incompatibles [91]. Ces résultats suggèrent que au-delà du HLA, d’autres
facteurs génétiques pourraient être impliqués dans la transplantation rénale. L’objectif de ma
thèse est de contribuer à l’identification de ces facteurs génétiques afin de (1) mieux appréhen-
der les interactions entre donneur et receveur notamment celles impliqués dans la compatibilité
(2) améliorer la compréhension des mécanismes de rejet/perte chronique (3) affiner la prise en
charge des transplantés rénaux via l’identification de potentiels biomarqueurs non-invasifs et/ou
de nouvelles cibles thérapeutiques. L’originalité de notre approche repose sur le fait qu’on dis-
posera d’une cohorte homogène et conséquente avec des données de suivi à long terme qui vont
nous permettre de pouvoir aller au-delà de ce qui été fait jusqu’à présent. Mes travaux vont se
diviser en deux axes :

3.1 Axe 1 : Consolidation d’une biobanque de paires donneur/-

receveur pour la transplantation rénale

Le premier axe va consister à l’élaboration d’une ressource de données complète et homogène

pour les études génomiques en transplantation rénale appelée KiT-GENIE (Kidney Transplan-
tation - GENomics Investigation of Essential clinical concerns). L’ambition est d’intégrer une
triple couche de données (cliniques, biologiques et génomiques) afin d’obtenir l’une des plus
grandes cohortes monocentrique de paires donneurs/receveurs à ce jour. Les objectifs sont :
— L’extraction des données cliniques de transplantation et de suivi des patients et de leurs

89
PartI, Chapitre 3 – Objectifs de la thèse

donneurs à partir de registres médicaux déjà existants.

— La collecte des échantillons d’ADN pour chaque paire donneur/receveur
— Le génotypage, l’analyse primaire et le contrôle qualité des données
— Le stockage propre des données cliniques, biologiques et génétiques

3.2 Axe 2 : Explorations statistiques et analyse de données gé-

nétiques à grande échelle pour une meilleure prise en charge
du greffon rénal
Le second axe représente la partie analytique des données. Mon projet est de m’appuyer sur
les données de KiT-GENIE pour l’identification de variants génétiques d’intérêt impliqués dans
la transplantation en utilisant des approches génétiques à grande échelle. Les objectifs sont :
— Explorations statistiques des données afin de pouvoir établir une description précise et
complète de la cohorte
— Analyse préliminaires des données génétiques
— Validation des résultats de la littérature actuelle avec des analyses GWAS simple sur les
donneurs et les receveurs séparément
— Analyse GWAS sur les paires donneur/receveur en simultanée
— Elaboration d’un score polygénique de risque de perte de greffon entre donneur et receveur

Figure 3.1 – Workflow des objectifs de la thèse

90
 Deuxième partie

Protocoles

91
 Chapitre 1

G ÉNÉRATION DES DONNÉES

1.1 Extraction et collecte des données

Les données utilisées pour l’élaboration de KiT-GENIE proviennent de DIVAT-Nantes (Don-
nées Informatisées et VAlidées en Transplantation, [Link]). DIVAT est une cohorte fran-
çaise multicentrique qui fournit une ressource de données riche en transplantation en accord
avec la CNIL (commission nationale informatique et des libertés) afin d’améliorer les recherches
axées sur les résultats cliniques, les stratégies thérapeutiques et les questions de santé publique
ayant trait à la transplantation rénale et pancréatique [222, 223, 224]. La cohorte regroupe huit
centres : Nantes, Nancy, Montpellier, Toulouse, Necker (Paris), Lyon, Saint-Louis (Paris) et Nice
qui collaborent pour collecter et échanger des données centralisées dans une base de données à
Nantes.
Environ un tiers des transplantations rénales réalisées aujourd’hui en France sont incluses dans
DIVAT (30 000 données de patients recueillies depuis 1990 dans huit centres différents). Les don-
nées sont basées sur les dossiers médicaux existants, y compris les données relatives aux receveurs,
aux donneurs, à la transplantation et au suivi. Les données sont mises à jour à chaque visite de
suivi post-transplantation (à 3 mois, 6 mois et 12 mois post-transplantation, puis tous les ans).
Les données sont collectées depuis l’inclusion du patient jusqu’à la perte du greffon (ou arrêt du
suivi). Elles concernent (1) les données du receveur telles que les caractéristiques individuelles
(âge, sexe, IMC (Indice de Masse Corporelle) etc.), la maladie initiale ayant conduit à la greffe,
la sérologie virale, les antécédents médicaux, le typage HLA etc. (2) les informations relatives
au donneur, y compris les caractéristiques individuelles, le type de donneur (vivant ou décédé),
la cause du décès, la sérologie virale, le typage HLA, les analyses de sang (urée, créatinine), etc.
(3) et les données de la transplantation : date, lieu, type, temps d’ischémie, retour de la fonction
rénale, nombre d’incompatibilités HLA-ABDR, etc. Au cours du suivi post-transplantation, les
paramètres suivants sont recueillis : caractéristiques individuelles, créatinine sérique, taux de fil-
tration glomérulaire estimé (DFG), protéinurie sur 24 heures, traitements immunosuppresseurs,
épisodes de rejet aigu, infections, complications, retour en dialyse ou décès, informations sur
les biopsies etc. Ces données cliniques ont été extraites afin de pouvoir collecter les échantillons
d’ADN pour chaque paires donneur-receveur provenant du centre nantais. La collecte a été réa-
lisée sur la base des échantillons disponibles dans la bio-collection DIVAT déjà existante et des

93
PartII, Chapitre 1 – Génération des données

échantillons stockés à l’Etablissement Français du Sang (EFS). Les échantillons ont été aliquotés
dans des tubes adaptés à la conservation à long terme et stockés à -20°C. Un numéro unique
propre à KiT-GENIE a été attribué à chaque échantillon d’ADN afin de garantir la traçabi-
lité des échantillons et la récupération rapide des informations individuelles. Les échantillons
d’ADN ont été quantifiés pour obtenir des informations sur le volume, l’absorbance (230, 260,
280, 260/230, 260/280) et la concentration afin d’avoir des informations biologiques complètes
sur la bio-collection et de faciliter la sélection des échantillons pour le génotypage qui néces-
site une bonne qualité et quantité d’ADN. Nous récupérons l’ADN avec une concentration d’au
moins 10 ng/µL et 20 µL de volume. La qualité des échantillons a été évaluée par migration sur
gel d’agarose. Les échantillons dont la quantité est inférieure aux seuils normaux ou avec une
qualité non conforme sont considérés comme détériorés et sont écartés de la bio-collection.

1.2 Génotypage

Le génotypage est un processus qui permet de déterminer des variants génétiques (SNP)
à des positions spécifiques dans le génome d’un individu [225]. La méthode repose sur des
puces de génotypage qui peuvent mesurer des milliers de variants à la fois. Pour le projet KiT-
GENIE, nous avons suivi les directives d’Axiom® 2.0 de Thermofisher pour tout le processus.
Les individus ont été génotypés à l’aide de la puce Axiom PMRA (Precision Medicine Research
Array) qui contient plus de 900 000 variants y compris des variants rares ainsi que de variants
immunologiques, fonctionnels, des variants communs du cancer, etc.
Les échantillons d’ADN ont été soigneusement randomisés (pour le sexe, le statut D/R, le statut
de donneur décédé ou vivant) dans les plaques afin de limiter l’impact de l’effet de lot ou « batch
effect ». De plus, nous avons introduit des échantillons contrôles et des doublons afin d’évaluer la
qualité et la reproductibilité de l’expérience. Le protocole de génotypage dure 5 jours pour une
plaque de 96 puits (Figure 1.1). Les 3 premiers jours correspondent aux étapes d’amplification,
de fragmentation et de resuspension de l’ADN. Une analyse de contrôle qualité (QC) au troisième
jour est effectuée afin de requantifier l’ADN et de vérifier l’intégrité des échantillons. Enfin, les
plaques sont chargées dans le GeneTitan pour les étapes d’hybridation et de scan qui correspond
à la mesure de l’intensité de fluorescence spécifique à chaque allèle afin d’attribuer correctement
les génotypes. Le GeneTitan fournit des données brutes qui seront soumises à une analyse de
contrôle qualité primaire. Dans le cadre de KiT-GENIE, le génotypage a été réalisé par nos soins
sur la plateforme Geno-BiRD et la plateforme de l’institut Curie. Le génome de référence était
le GRCHg37/Hg19.

94
 1.3. Analyse primaire des données brutes

Figure 1.1 – Les différentes étapes du protocole de génotypage.∗ Le protocole de géno-

typage dure 5 jours pour une plaque de 96 puits. Les 3 premiers jours se font en paillasse et
correspondent à la préparation de l’ADN pour l’étape d’hybridation. L’ADN est amplifié puis
fragmenté afin de récuperer des petits brins qui seront remis en suspension. Au 3e jour, un QC
est effectué pour vérifier la conformité des échantillons. Les plaques sont ensuite chargées dans
le GeneTitan au 4e et 5e jour pour les étapes d’hybridration et de lecture. Le GeneTitan fournit
en sortie des données brutes qui passeront par une analyse primaire de contrôle qualité.

1.3 Analyse primaire des données brutes

Cette analyse de QC a été réalisée avec AxAs (Axiom Analysis Suite) proposé par Thermo-
fisher qui évalue en 3 étapes essentielles, la qualité des plaques, des individus et des variants
génétiques afin de fournir des données génomiques propres et exploitables (Figure 1.2).
Le QC des individus est basé sur la mesure du dishQC (DQC) et du Call Rate (CR) qui évaluent
respectivement le chevauchement entre les deux pics homozygotes (AT versus GC) et mesurent le
pourcentage de SNP correctement assignés à un génotype dans un run de génotypage. Les échan-
tillons présentant une valeur DQC ≤ 0,82 et un CR ≤ 97% ont été supprimés. Sur cette base,
les plaques ayant un taux d’échantillons qui ont passés les seuils du CR ≤ 98,5% ne seront pas
considérées pour l’étape suivante. Le QC des SNP est basé sur plusieurs métriques dont le CR,
le FLD (« Fisher’s linear discriminant »), l’hétérozygotie (HetsO) et l’homozygotie (HomRO).
Les mesures CR (seuil ≥ 95) et FLD (seuil ≥ 3,6) assurent la qualité des SNP génotypés en
vérifiant l’assignation correcte des SNP dans les clusters (homozygotes et hétérozygotes) et leur
séparation. HetsO (seuil ≥ 95) et HomRO (seuil ≥ -0,9 ; 0,3 ; 0,6 selon le génotype du SNP)

* Figure créée avec [Link].

95
PartII, Chapitre 1 – Génération des données

évaluent le bon étiquetage des clusters hétérozygotes et homozygotes.

Figure 1.2 – Les différentes étapes de l’analyse primaire∗

1.4 Stockage des données

L’intégration des données génomiques aux multiples données biologiques et cliniques de DI-
VAT dans le cadre du projet KiT-GENIE passe par la mise en place d’une structure de stockage
propre, homogène et adaptée à la récupération facile des informations. Pour ce projet, les don-
nées seront stockées dans une base de données avec différentes tables contenant les données
cliniques, biologiques et génétiques. L’utilisation d’une base de données nécessite deux entités :
la base de données et ce qu’on appelle le SGBD (Système de Gestion de Base de Données). Ce
dernier permet entre autres choses la communication avec la base de données, la construction
et la gestion des tables. La base de données a été mise en place sous le système de gestion de
base de données relationnelle et objet PostgreSQL [226]. La gestion de la base de données est
assurée par pgAdmin qui est le SGBD de base de PostgreSQL, et qui propose une interface
permettant une gestion plus facile des tables. La base données KiT-GENIE est hébergée par la
plateforme de génomique et bio-informatique de l’université de Nantes. Elle contient à ce jour
toutes les informations concernant le receveur, le donneur, la transplantation, le suivi, les anté-
cédents etc. ainsi que les informations relatives aux échantillons d’ADN, au génotypage et aux
analyses de contrôle qualité. L’intégration des données génétiques est en cours de réalisation au
sein de l’équipe.

* Figure créée avec [Link].

96
 Chapitre 2

M ÉTHODES STATISTIQUES

2.1 Contrôle qualité des données

Avant toute analyse GWAS, il convient de vérifier rigoureusement la qualité des données
génomiques afin d’éviter les résultats biaisés qui conduisent souvent à une mauvaise interpréta-
tion. Ce contrôle qualité est basé sur les recommandations standards pour les analyses GWAS
et concerne principalement un contrôle qualité sur les SNP et un contrôle qualité sur les indi-
vidus [195, 227]. Dans le cadre de KiT-GENIE, nous avons effectué ce QC à l’aide du logiciel
PLINK [228] en respectant les étapes suivantes :
— Le taux de données manquantes. Les SNP présentant un taux de données man-
quantes de plus de 2% ont été éliminés car un pourcentage trop élevé de données man-
quantes peut indiquer un biais technique remettant en question la fiabilité de la carac-
térisation des génotypes (« variant calling ») pour ces SNP en particulier. De la même
manière, les individus ayant un taux de données manquantes de plus de 5% ont été exclus.
— L’exclusion des indels et des doublons. Les variants de type insertion/délétion ont
été exclus car ils peuvent inférer lors des étapes d’analyses en aval telles que l’imputation.
Afin de s’assurer de l’indépendance de nos individus, les doublons ainsi que les individus
qui sont génétiquement trop proches ont été éliminés à l’aide d’un score de proximité
génétique disponible dans PLINK et qui est basé sur les principes d’IBS (« identity
by state ») et d’IBD (« identity by descent ») [229]. L’IBS est définie par l’existence
de séquences nucléotidiques identiques entre deux individus. Lorsque ces séquences en
communs ont été hérités d’un ancêtre commun sans recombinaison, on parle alors d’IBD
qui traduit un lien de descendance entre individus [230]. Les segments d’ADN qui sont
IBD sont par définition IBS, mais les segments qui ne sont pas IBD peuvent quand même
être IBS en raison de mutations similaires chez différents individus ou de recombinaisons
sans modifications de certains segments de l’ADN qui ne sont pas forcément dû à une
descendance commune [231]. Ces scores génétiques, permettent d’identifier les séquences
nucléotidiques partagées entre deux individus, et d’estimer leur degré de parenté. Au-
delà d’un certain seuil (0.75 pour nos données), on peut considérer que les deux génomes
comparés appartiennent soit à des jumeaux monozygotes (vrais jumeaux) soit au même
individu. Ces individus sont exclus.

97
PartII, Chapitre 2 – Méthodes statistiques

— Vérification du sexe et du HLA. Une fonction de PLINK permet d’inférer le sexe

des individus à partir des données génétiques issues des chromosomes sexuels. Cela nous
permet de comparer le sexe génotypé vs le sexe enregistré dans la base de données dans
le but de s’assurer qu’il n’y a pas eu de mélange d’échantillons lors du génotypage. Nous
avons détecté grâce à cela quelques incohérences chez certains individus qui ont pu être
retracées et corrigées dans le cas où c’était possible ou tout simplement supprimées. Nous
avons également eu recours à une imputation de la région HLA [232] grâce à HIBAG [233]
afin de pouvoir comparer les allèles inférés avec ceux renseignés dans la base de données.
Cette comparaison a été effectuée pour les 6 allèles des gènes HLA-A, B, et DR. Les
individus ayant des différences HLA ≥ 3/6 incompatibilités par rapport au donneur ou
qui présentaient 2/6 différences HLA mais avec une incohérence au niveau du sexe ont
été éliminés.
— Fréquence de l’Allèle Mineur (MAF). Ce filtre permet de contrôler les erreurs
d’assignation dues à des défauts de détection des SNP de fréquences trop faibles. En
effet, ces SNP sont plus difficiles à génotyper car leur intensité lors du génotypage peut
être mal détectée. Les fréquences faibles produisent de petits ilots d’un ou deux individus
pour les homozygotes portant l’allèle mineur qui risquent d’être faussement assimilés au
groupe le plus proche, les hétérozygotes. De plus, ce filtre permet de se concentrer sur
les variants communs pour l’étude GWAS. Plusieurs seuils peuvent être utilisés selon la
taille de la population d’étude mais les valeurs sont en général fixées entre 1% et 5%.
Pour nos données, les SNP avec une MAF inférieure à 1% ont été exclus pour ne garder
que les variants qui sont communs dans la population générale.
— Equilibre d’Hardy-Weinberg (HWE). Le principe d’HWE [190] repose sur le fait
qu’en l’absence de conditions spécifiques (stratification de la population, apparentement
entre individus ou erreurs systématiques de génotypage), les variants ont tendance à
conserver les même fréquences alléliques d’une génération à une autre au sein d’une
population (cf. [Link].1 Équilibre d’Hardy-Weinberg p. 82). Pour éviter une déviation de
l’HWE, on utilise un test statistique implémenté dans PLINK qui permet d’exclure les
SNP ayant une p-value < au seuil de 10−6 .

2.2 Analyses en composantes principales (ACP)

L’analyse en composantes principales (ACP) [234] est une méthode statistique non super-
visée développée pour l’analyse des données dites multivariées et qui permet de réduire la di-
mensionnalité de ces données tout en conservant leur variabilité. L’ACP synthétise les variables
d’origine en seulement quelques nouvelles variables appelées composantes principales ou dimen-
sions grâce à des combinaisons linéaires. En utilisant quelques composantes, chaque échantillon

98
 2.2. Analyses en composantes principales (ACP)

peut être représenté par un nombre réduit de variables plutôt que par les valeurs de milliers
de variables. Chaque composante peut alors être interprétée comme la direction, non corrélée
aux composantes précédentes, qui maximise la variance (l’inertie) des échantillons lorsqu’elle est
projetée sur la composante. L’ACP permet de visualiser les similitudes et les différences entre
les échantillons d’un jeu de données et de déterminer s’ils peuvent être séparés en groupes. Elle
est utilisée dans de nombreux domaines (finances, économie, environnement, infographie etc.)
notamment dans le domaine biomédical [234]. En génomique, l’analyse en composantes princi-
pales est principalement utilisée, notamment dans les études GWAS, pour détecter les potentiels
erreurs systématiques sur les données et saisir la variabilité liée à l’ancestralité [195].
En effet, les mouvements populationnels au cours de l’évolution, ont favorisés l’apparition de
mutations génétiques propre à une population données et qui sont liées à ce qu’on appelle la
stratification géographique. Il a été mis en évidence que l’une des principales causes de la va-
riance des données entre individus dans les études génomiques provient de la répartition des
origines géographiques de ces individus [235]. Ces études s’intéressent aux facteurs causaux in-
dépendemment des effets de population. Pour pouvoir prendre en compte la spécifité génétique
d’une population et contrôler cette variance des données dans les études, nous utilisons l’ACP
qui permet de stratifier.
Dans le cadre de KiT-GENIE, l’analyse en composantes principales a permis d’identifier la di-
versité populationnelle des données en se basant sur les données de 1KGP. Quelques étapes
préliminaires de QC ont été appliquées afin d’éviter des résultats biaisés. D’abord, les SNP qui
sont systématiquement en déséquilibre de liaison [228] donc corrélées ont été éliminées. S’ils ne
sont pas supprimés, ces SNP seront considérés comme des variables indépendantes pour l’ACP
mais auraient tendance à être réassociés à cause de la colinéarité entre les variables, inhérente
à l’analyse. Ceci aura un impact sur le nombre de variables mais également sur l’inertie qui
sera faussement augmentée. Ensuite, les variants des chromosomes X et Y ainsi que les variants
de la région HLA ont été éliminés d’une part pour éviter un regroupement basé sur le genre
(homme/femme) après projection et d’autre part pour éviter une trop grosse variabilité entre
les SNP. Enfin seuls les variants avec une MAF > 10% ont été conservés.
Les analyses préliminaires ont été réalisées grâce à l’outil PLINK [228] qui permet le traite-
ment et l’analyse des données génétiques. L’ACP a été effectuée grâce à EIGENSOFT [236] avec
comme population de référence les individus issus du projet 1KG [132] alignés sur la version
GRCh37 du génôme.

99
PartII, Chapitre 2 – Méthodes statistiques

2.3 Imputation SNP et HLA

2.3.1 Imputation SNP
En utilisant un panel de référence, les SNP avec des données manquantes ou les SNP qui
n’étaient pas directement couverts par les puces de génotypage peuvent être prédits (impu-
tés) afin d’augmenter la couverture du génome, et ainsi maximiser la puissance statistique de
l’étude [237]. L’imputation des SNP est basée sur la re-identification des segments d’haplotypes
communs entre les génomes à imputer et un génome de référence. A partir des SNP génoty-
pés, l’information manquante est identifiée et complétée en se référant à un panel de référence
comportant tous les SNP notamment ceux en déséquilibre de liaison avec les SNP initialement
génotypés (Figure 2.1). Pour chaque SNP imputé, un score de prédiction (la post-probabilité)
est calculé afin d’estimer la fiabilité de la prédiction statistique (ex : si la post-probabilité est
égale à 0.8, il y 20% de chance que la prédiction soit fausse) [238].
Plusieurs outils ont déjà été développés pour inférer les génotypes manquants à partir des don-
nées de référence. Les données de KiT-GENIE ont été imputées en utilisant Beagle [239]. Cette
approche se base sur les modèles de Markov cachés [240] qui sont des méthodes de décision bayé-
sienne permettant d’attribuer une séquence inconnue à la classe qui a la plus grande probabilité
de l’avoir engendrée. Les données KiT-GENIE ont été imputées en utilisant respectivement les
données de la phase 30X GRCh38 (couverture de génotypage x30) et de la phase 3 (couverture de
génotypage x3) du projet 1KG [132] qui comprend 7 325 7620 SNP. Par ailleurs, un nettoyage
préliminaire spécifique des données non imputées est nécessaire afin notamment d’aligner les
SNP génotypés avec le panel de référence. Cette préparation est basée sur les recommandations
préconisées dans la documentation de Beagle [239] et a été effectuée grâce à l’outil PLINK [228].

100
 2.3. Imputation SNP et HLA

Figure 2.1 – Principe général de l’imputation SNP∗

2.3.2 Imputation HLA

De la même manière que les SNP, il est possible d’inférer les génotypes HLA à partir de don-
nées SNP. Dans la région du CMH, les allèles HLA sont en déséquilibre de liaison avec certains
SNP c’est-à-dire qu’ils sont systématiquement transmis ensemble, ce qui permet une corrélation
SNP-HLA. Ces SNP, lorsqu’ils sont à disposition, permettent de pouvoir prédire les génotypes
HLA associés [232]. L’imputation SNP-HLA repose sur des panels de référence d’individus dont
les SNP, les génotypes HLA et leurs potentielles associations sont connus. En utilisant ces pa-
nels de référence avec des méthodes appropriées, il est possible de refaire le lien entre les SNP
disponibles et les allèles HLA manquants à l’aide d’algorithmes de machine learning. Suivant ce
principe, l’imputation se subdivise en deux parties : l’apprentissage et la prédiction. L’appren-
tissage est réalisé avec des données d’entraînement (SNP et HLA connus), qui une fois assimilées
par l’algorithme permettent de créer un modèle ou panel de référence. En appliquant ce dernier
à des individus dont les SNP seulement sont connus, il est possible de prédire les allèles HLA
manquants [232, 241, 242]. Des programmes utilisant différentes approches statistiques ont été
développées pour l’imputation. Parmi ceux-là, SNP2HLA [243] et HLA*IMP [244] ont été les
premiers à être publiés et se basent sur des modèles de Markov cachés. Plus récemment, des nou-
velles méthodes tels que HIBAG [233], DEEP-HLA [245], CookHLA [246] et HLA-IMP*03 [247]
ont vu le jour.
Pour les individus KiT-GENIE, les allèles HLA ont été imputés d’une part pour s’affranchir de
toute erreur d’identification pouvant résulter d’une mauvaise manipulation lors du génotypage
et d’autre part pour avoir la possibilité d’explorer ultérieurement les associations au niveau des

* Figure créée avec [Link].

101
PartII, Chapitre 2 – Méthodes statistiques

allèles HLA corrélés à des SNP préidentifiés comme intéressants (associations significatives avec
un trait donné). Ce qui qui peut être biologiquement plus informatif qu’une simple association
SNP. L’imputation a été effectuée en utilisant HIBAG [233] qui fournit des prédictions robustes
avec une haute précision et permet de fournir des panels de référence spécifiques à une population
pour des centaines d’individus tout en permettant la construction de panels de référence person-
nalisés. L’algorithme d’HIBAG fonctionne sur la base de l’attribute bagging, une technique de
machine learning reposant sur le rééchantillonnage (bootstrapping) des individus dans plusieurs
sous-espaces appelés bags ou classifiers (Figure 2.2). Ces classifiers sélectionnent aléatoirement
un sous-ensemble de SNP pour prédire le HLA et les fréquences d’haplotype estimées à partir
du panel de référence. La probabilité estimée d’un génotype est donc calculée sur chacun des
classifiers puis moyennée : cette moyenne indique le génotype prédit.

Figure 2.2 – Principe général de l’imputation HLA∗

2.4 Analyses GWAS

Les études GWAS ont pour objectif d’identifier des potentielles associations entre la fré-
quence d’un allèle ou d’un génotype et un phénotype d’intérêt à l’échelle du génome. Les GWAS
s’appuient sur des modèles de régression [248, 249] qui comparent la distribution des génotypes
de chaque SNP en fonction de la variable phénotypique étudiée [195]. Ainsi, lorsque le phénotype
est continu, le modèle utilisé est une régression linéaire et lorsque le phénotype est binaire, il
* Figure créée avec [Link].

102
 2.4. Analyses GWAS

s’agira d’une régression logistique [250].

La régression logistique est un modèle de régression binomiale qui vise à expliquer une va-
riable expliquée binaire c’est-à-dire à deux modalités. Considérons une variable cible Y=1 (où
Y ne peut que prendre deux valeurs 0 ou 1) et des variables explicatives X = x1 ,x2 ,...,xn .
La probabilité a posteriori que Y=1 sachant la valeur prise par X est notée p(1|X) :

p(1X)
Logit de p(1|X) = ln( 1−p(1X) ) = β0 + β1 x1 + ... + βn xn

Dans le cadre du projet, notre analyse s’appuie sur une régression logistique définie avec
une variable expliquée à deux modalités : l’échec ou la survie du greffon chez les receveurs et
les donneurs européens séparément. Ces modèles ont été corrigés pour toutes les variables po-
tentiellement confondantes identifiées et pour l’ancestralité (2 premiers axes de l’ACP) selon
l’équation suivante :

Pheno ∼ModèleSN P + covariables + Eigen1 + Eigen2

Pour chaque SNP, un modèle de régression logistique a été appliqué afin de tester son asso-
ciation avec le phénotype intérêt. Cette association est évaluée à l’aide d’un test statistique,
généralement un t-test (test de student) [251], portant sur le coefficient du SNP dans le modèle
de régression. Le t-test aura pour hypothèse nulle : le coefficient de la régression est égal à zéro
c’est-à-dire qu’il y’a une association. Ceci permet d’obtenir une p-value (entre 0 et 1) permettant
d’évaluer la significativité (classiquement au seuil de 0.05) de l’association entre le SNP et le
phénotype.
Etant donné que des millions de tests indépendants sont réalisés (à l’échelle du nombre de SNP
testés), il est probable d’obtenir des p-values très proches de 0 par hasard plutôt que du fait
d’une réelle association avec un SNP [252]. La correction de Bonferroni [253] qui consiste à mo-
difier le seuil de significativité en le divisant par le nombre de tests indépendants effectués est
appliquée afin de tenir en compte l’effet du multiple testing. Cette correction est établie selon
la formule :

αBonf erroni = α/N (α = seuil de significativité ; N nombre de tests indépendants)

Le seuil de significativité est classiquement fixé à 5.10−8 pour un génome entier afin de
maintenir le taux de faux positif à 5%.

103
 Troisième partie

Résultats

105
 Chapitre 1

R ÉSULTATS PRÉ -GWAS

Cette partie concerne les résultats relatifs à la génération des données et aux analyses pré-
GWAS. Elle détaille le montage et la description détaillée des données cliniques, biologiques
et génétiques de la biocollection KiT-GENIE mais également les analyses préliminaires qui ont
été effectuées en amont de l’analyse GWAS telles que l’exploration de l’ancestralité de notre
population d’étude avec une caractérisation des proportions pour chaque groupe d’individus.
Ces résultats ont fait l’objet d’un article soumis à EJHG.

1.1 Description des données et analyses préliminaires

1.1.1 La cohorte KiT-GENIE
Article
KiT-GENIE, the French Genetic Biobank of Kidney Transplantation
Rokhaya BA, MSc ; Axelle Durand, MSc ; Vincent Mauduit, MSc ; Christine Chauveau,
PhD ; Stéphanie Bernardet-Le Bas, PhD ; Sonia Salle, BSc ; Pierrick Guérif, BSc ;
Clémence Petit, MD ; Venceslas Douillard, MSc ; Olivia Rousseau, MSc ; Clarisse
Kerleau, MPH ; Nicolas Vince, PhD ; Magali Giral, MD, PhD ; Pierre-Antoine
Gourraud, PhD, MPH ; Sophie Limou, PhD
Soumis à EJHG : statut accepté avec révisions mineurs

[Link] Résumé de l’article

La transplantation rénale est le seul traitement de suppléance pour l’insuffisance rénale

chronique une maladie grave qui touche 10-15% de la population. L’insuffisance rénale entraîne
une détérioration progressive de la fonction de filtration du rein qui lorsqu’elle n’atteint plus les
15% conduit à la phase terminale qui ne peut être traitée que de deux manières : la dialyse ou
la transplantation rénale. Toutefois, la transplantation rénale reste à ce jour le traitement qui
assure la meilleure survie et la meilleure qualité de vie pour le patient. Cependant, les organes
sont une ressource rare et le nombre de patients sur liste d’attente n’a cessé d’augmenter au
cours des dernières décennies. Le développement de traitements immunosuppresseurs efficaces
et l’amélioration des procédures chirurgicales ont considérablement amélioré le taux de survie

107
PartIII, Chapitre 1 – Résultats pré-GWAS

des greffons à un an (~92%) au cours des 30 dernières années, mais le rejet et l’échec chroniques
restent un défi majeur. En effet, la survie du greffon est de ~60% à 10 ans post-transplantation
et il n’y a qu’une différence de 15 % dans la survie entre les donneurs HLA compatibles et
incompatibles ; ce qui peut suggérer que d’autres facteurs génétiques, au-delà du HLA, pourraient
être impliqués dans les résultats de la transplantation. Dans ce contexte, plusieurs études GWAS
ont ainsi été réalisées pour étudier les variants génétiques (SNP, CNV) ayant un impact sur la
fonction du rein, le rejet ou l’échec de la transplantation. Malgré ces avancées, de nombreux
problèmes subsistent. En effet, les résultats concernent le plus souvent le rejet aigu, la taille
des cohortes est très modeste (300<n<1 400) et ces études ont été principalement menées sur
des receveurs uniquement en raison de la disponibilité limitée de l’ADN du donneur et du
receveur. De nouvelles approches ont été développées pour étudier les marqueurs non-HLA
impliqués dans la transplantation rénale en condidérant à la fois le donneur et le receveur.
Au lieu d’étudier un seul organisme, ces études évaluent un score génétique qui calcule les
incompatibilités entre receveurs et donneurs. Ces études génomiques sont des preuves de concepts
et suggèrent que des efforts internationaux de méta-analyses, ainsi que des cohortes importantes
et homogènes sont nécessaires pour mieux appréhender le rôle des facteurs de risque génétiques
dans la transplantation rénale. C’est dans ce contexte que le projet KiT-GENIE a été mis
en place. Il a pour but de consolider la très riche et homogène cohorte française DIVAT de
donneurs et receveurs de rein (D/R) avec l’ajout d’une couche de données génomiques dans
le but d’explorer les facteurs moléculaires impliqués en transplantation rénale. Pour cela, nous
avons extrait à partir de la base de donnée DIVAT-Nantes, les données cliniques de 5 946
individus (D/R) et avons collecté des échantillons d’ADN auprès de 4 723 individus. A l’issue
du génotypage, 4 217 individus présentant des données génomiques et cliniques précises ont été
inclus dans la biobanque dont 1 945 D, 2 272 R et 1 969 paires D/R. Nous avons obtenu une
reproductibilité du génotypage de 99,9 %, ce qui souligne la robustesse de nos analyses. Cette
robustesse a été évaluée grâce à l’introduction de doublons et d’échantillons de contrôle au cours
du génotypage. Après des contrôles qualité stricts et l’imputation des SNP, le jeu de données final
englobe 4 217 individus, 8M de SNP et plus de 200 variables cliniques. KiT-GENIE fournit une
représentation précise de la pratique clinique de la transplantation rénale à Nantes entre 2002 et
2018, avec un enrichissement en donneurs vivants (17%) et en receveurs souffrant de HSF (4%).
Les receveurs étaient majoritairement des hommes (63%) avec un âge moyen de 51 ans et 86%
ont été transplantés pour la première fois durant la période d’étude. Enfin, nous avons effectué
une analyse exploratoire de l’ancestralité de nos données. La grande majorité des individus ont
une ascendance européenne (93% des receveurs et 98% des donneurs). Néanmoins, les receveurs
sont plus diversifiés que les donneurs, avec notamment 3,4% d’individus d’ascendance africaine
chez les receveurs et 0,6% chez les donneurs. Grâce à l’intégration de données génétiques à
grande échelle, KiT-GENIE est l’une des plus grandes biocollections de paires D/R (N = 1 969

108
 1.1. Description des données et analyses préliminaires

paires) avec des informations de suivi des patients pouvant aller jusqu’à 25 ans. Elle offre une
occasion unique d’étudier les facteurs immunogénétiques et génétiques, ainsi que les interactions
donneur-receveur et les mécanismes impliqués dans le rejet, la survie du greffon, la récidive
de la maladie primaire et d’autres comorbidités. Trois études génomiques s’appuyant sur cette
ressource de données riches sont déjà en cours : (1) une première étude qui examine l’interaction
génétique entre D/R (2) une deuxième étude basée sur la récidive de la HSF et (3) une troisième
étude basée sur les donneurs vivants et l’évolution de leur fonction rénale après le don.

5,946 adult individuals with consent for DNA analyses eligible for inclusion in KiT-GENIE (3,247 pairs, 3,040 R, 2,906 D)

1,222 individuals excluded :

- No DNA sample available
- Low quality/quantity DNA

4,724 individuals with DNA samples (2,352 pairs, 2,455 R, 2,269 D)

147 individuals excluded :

- Single deceased donors

4,577 individuals sent for GWAS genotyping (2,304 pairs, 2,435 R, 2,142 D)

360 individuals excluded :

- Failed experiment (e.g. amplification, hybridation,
fluorescence ratio)
- Failed quality controls (missingness, sex check, HLA check)

4,217 individuals with DNA sample and GWAS genotyping data (1,969 pairs, 2,272 R, 1,945 D)

Figure 1.1 – Les différentes étapes du traitement des données individuelles pour la
biocollection KiT-GENIE

109
PartIII, Chapitre 1 – Résultats pré-GWAS

Article 1

110
1 KiT-GENIE, the French Genetic Biobank of

2 Kidney Transplantation

3 Rokhaya BA, MSc1 ; Axelle Durand, MSc1 ; Vincent Mauduit, MSc1 ; Christine Chauveau,

4 PhD1 ; Stéphanie Le Bas-Bernardet, PhD1 ; Sonia Salle, BSc1 ; Pierrick Guérif, BSc2 ; Martin

5 Morin, PhD1; Clémence Petit, MD1,2 ; Venceslas Douillard, MSc1 ; Olivia Rousseau, MSc1 ;

6 Gilles Blancho, MD, PhD1,2; Clarisse Kerleau, MPH2 ; Nicolas Vince, PhD1 ; Magali Giral,

7 MD, PhD1,2 ; Pierre-Antoine Gourraud, PhD, MPH1 ; Sophie Limou, PhD1

1
9 Nantes Université, Ecole Centrale Nantes, CHU Nantes, INSERM, Centre for Research in

10 Transplantation and Translational Immunology, UMR 1064, F-44000 Nantes, France

2
11 CHU Nantes, Nantes Université, Service de Néphrologie-Immunologie Clinique, ITUN, F-44000

12 Nantes, France.

13

14 Correspondence:

15 Sophie Limou, PhD

16 CR2TI UMR1064 - ITUN - CHU Nantes Hôtel Dieu

17 30 bd Jean Monnet

18 F-44093 Nantes Cedex 01, France

19 Phone number: + 33 [Link].71

20 Email: [Link]@[Link]

21

22 The authors declare no conflicts of interest.

1
1 Abstract

2 KiT-GENIE is a monocentric DNA biobank set up to consolidate the very rich and

3 homogeneous DIVAT French cohort of kidney donors and recipients (D/R) in order to explore

4 the molecular factors involved in kidney transplantation outcomes. We collected DNA samples

5 for kidney transplantations performed in Nantes, and we leveraged GWAS genotyping data for

6 securing high-quality genetic data with deep SNP and HLA annotations through imputations

7 and for inferring D/R genetic ancestry. Overall, the biobank included 4,217 individuals

8 (n=1,945 D + 2,272 R, including 1,969 D/R pairs), 8M SNPs and over 200 clinical variables.

9 KiT-GENIE represents an accurate snapshot of kidney transplantation clinical practice in

10 Nantes between 2002 and 2018, with an enrichment in living kidney donors (17%) and

11 recipients with focal segmental glomerulosclerosis (4%). Recipients were predominantly male

12 (63%), of European ancestry (93%), with a mean age of 51yo and 86% experienced their first

13 graft over the study period. D/R pairs were 93% from European ancestry, and 95% pairs

14 exhibited at least one HLA allelic mismatch. The mean follow-up time was 6.7yrs with a

15 hindsight up to 25yrs. Recipients experienced biopsy-proven rejection and graft loss for 16.6%

16 and 21.3%, respectively. KiT-GENIE constitutes one of the largest kidney transplantation

17 genetic cohorts worldwide to date. It includes homogeneous high-quality triple data layer

18 (clinical, biological and genetic) for donors and recipients, hence offering a unique opportunity

19 to investigate immunogenetic and genetic factors, as well as donor-recipient interactions and

20 mismatches involved in rejection, graft survival, primary disease recurrence and other

21 comorbidities.

22 Keywords: kidney transplantation, donor-recipient pair, genomics, clinical database, biobank,

23 GWAS data analysis

2
1 Introduction

2 Chronic kidney disease is a public health condition affecting 10-15% of the population

3 worldwide1. People with chronic kidney disease gradually lose their kidney filtering function

4 and progress to end-stage kidney disease2. Kidney transplantation is the best renal replacement

5 strategy for end-stage kidney disease patients regarding patient survival and quality of life

6 compared to dialysis3–5. However, organs are a scarce resource and patients on waiting list have

7 been steadily increasing over the last decades. In France, 3,251 kidney transplantations were

8 performed in 20216 for 17,148 patients on the waiting list, i.e. over a 5:1 ratio of transplant

9 candidates per available organ7. In addition, 54.5% of patients were transplanted 3 years after

10 registration on the waiting list7. The development of effective immunosuppressive treatments

11 and improved surgical procedures have significantly improved the 1yr graft survival rate

12 (~92%) over the past 30 years, but with no major impact on the long-term graft survival, which

13 still plateaus at ~60% 10 years after kidney transplantation7,8. Chronic kidney allograft rejection

14 and failure therefore remain a major challenge and a critical public health concern considering

15 the scarcity of organs. Interestingly, there is only a 15% difference in survival at 10 years post-

16 transplantation between compatible and incompatible HLA donors 9, which may suggest that

17 other genetic factors, beyond HLA, could be involved in transplant outcomes.

18 Large-scale genetic studies using genome-wide association study (GWAS) genotyping10 or

19 next-generation sequencing can respectively assess the role of common and rare genetic

20 variants spread across the genome in disease outcomes11,12. Genomics and other large-scale

21 omics, including transcriptomics, have promoted the development of biobanks such as the UK

22 biobank13, containing well-annotated and characterized biological samples (e.g. cells, tissues,

23 blood, DNA) and their related databases14,15 These biocollections have contributed to a better

24 understanding of human diseases and the discovery of new biomarkers 16–18. In the context of

25 kidney transplantation, several GWASs have thereby been performed to investigate genetic

3
1 variants (single nucleotide polymorphisms [SNP] or copy number variants [CNV]) impacting

2 kidney allograft function, rejection or failure19–26. All genomic studies but three20,24,26 were only

3 conducted on recipients due to the limited availability of both donor and recipient DNAs.

4 Overall, the cohort sizes were modest (300<n<1,400), except for one with close to 2,000 pairs

5 through a multicentric design20, and they failed to identify any significant reproducible donor

6 or recipient SNP association. However, one study underlined the global importance of non-

7 HLA factors for kidney allograft survival by combining donor-recipient (D/R) SNP allelic

8 mismatches impacting the amino-acid sequence of cell-surface proteins26. Finally, acute

9 rejection and graft survival were the most studied endpoints but the outcomes definition can be

10 heterogeneous from one centre to another. There is therefore an important need for validation

11 studies. These genomic studies have paved the way for the future of kidney transplantation

12 genomics and suggest that international meta-analysis efforts27, as well as large and

13 homogeneous cohorts are warranted to better disentangle the role of genetic risk factors in

14 kidney transplantation.

15 Here, we describe the genetic characterisation and the clinical annotations of the KiT-GENIE

16 (Kidney Transplantation - GENomics Investigation of Essential clinical outcomes) French

17 biobank. KiT-GENIE gathers DNA samples, GWAS genotyping data and clinical data for both

18 donors and recipients from the Nantes kidney transplantation clinical centre. KiT-GENIE was

19 built onto the well-established DIVAT (Données Informatisées et VAlidées en Transplantation)

20 clinical database, which contains the monitoring of medical records for kidney transplantations,

21 by collecting DNA samples and generating GWAS genotyping for 1,969 D/R pairs. KiT-

22 GENIE is thus one of the largest and most homogeneous biobanks with D/R pairs worldwide

23 to date. This major resource for kidney transplantation research offers a unique opportunity to

24 explore the genetic architecture of different post-transplant outcomes in order to improve their

25 understanding, prevention, management, prediction and treatment.

4
1 Subjects and Methods

2 Description of the DIVAT clinical database

3 We established the KiT-GENIE DNA biobank to consolidate the existing DIVAT clinical

4 database and biocollection of kidney recipients from Nantes (France). DIVAT is a French

5 multicentric observational and prospective cohort providing a unique resource for kidney

6 transplantation-related epidemiological studies focusing on clinical outcomes, therapeutic

7 strategies and public health issues28–30. It gathers data from eight clinical centres in order to

8 increase statistical power and better represent the French population and diversity of clinical

9 practice: Nantes, Nancy, Montpellier, Toulouse, Necker (Paris), Lyon, Saint-Louis (Paris) and

10 Nice. Data from each participating centre are centralized in a database located and managed in

11 Nantes ([Link], CNIL n°914184, [Link] recording NCT02900040). About

12 one third of kidney transplantations performed today in France are included in DIVAT, with a

13 total of 30,000 patients’ data collected since 1990. The collected data are based on medical

14 records and include more than 200 variables related to the recipient, the donor, the

15 transplantation and the patient follow-up. Routine follow-up visits are performed at 3 months

16 and 6 months post-transplantation and at each transplant anniversary. Additional visits may

17 occur in case of complications. Data are collected from patient’s inclusion until loss of graft or

18 follow-up. Baseline variables encompass (1) recipient-related variables, including individual

19 characteristics (e.g. age, sex, body mass index [BMI]), the initial disease leading to

20 transplantation, viral serology, medical history, dialysis history, previous transplantations, or

21 HLA typing ; (2) donor-related variables, including individual characteristics, the donor type

22 (living or deceased), cause of death, viral serology, HLA typing, or blood assays (urea,

23 creatinine) ; and (3) transplantation-related variables, including date, location, ischemia time,

24 renal recovery time, or number of HLA-A, -B, and -DR allelic incompatibilities. Follow-up

25 variables include recipient characteristics, serum creatinine, estimated glomerular filtration rate

5
1 (eGFR), 24-hour proteinuria, immunosuppressive treatments, acute rejection episodes,

2 infections, complications, return to dialysis, and biopsy conclusions.

3 KiT-GENIE inclusion criteria

4 KiT-GENIE is a monocentric DNA biobank focusing on kidney transplantations performed in

5 Nantes between 2000 and 2018. It was built onto the DIVAT Nantes clinical database and

6 consists of three layers: (1) DNA samples of donors and recipients, (2) GWAS genomic data,

7 and (3) the aforementioned clinical data related to transplantation and patient follow-up.

8 First, we requested an extraction from the DIVAT Nantes database for all adult kidney

9 transplantations performed in Nantes between 2000 and 2018 for whom we could collect

10 consent and authorisation for DNA analyses. All paediatric patients (age<18yo at the time of

11 transplantation) were excluded. We then extended our recruitment time period (1984-2020) to

12 specifically enrich our cohort in living kidney donors and in recipients suffering from focal

13 segmental glomerulosclerosis (FSGS) as primary kidney disease. Overall, a total of 5,946 adult

14 individuals were eligible for DNA investigations (n=2,906 D + 3,040 R, including 3,247 D/R

15 pairs, see Figure 1A).

16 KiT-GENIE DNA samples collection

17 Based on these graft medical records, we collected DNA samples for donors and recipients

18 from the DIVAT biocollection (DNA extraction from PBMC samples) and from the stored

19 samples located in the local French blood bank/HLA typing lab. We collected DNA samples

20 for 4,724 out of 5,946 individuals (79%), as DNA was missing or of low quality/quantity for

21 1,222 individuals (Figure 1A). In particular, we could not retrieve most transplanted patients

22 from 2000 and 2001 due to a progressive transition from paper-based to electronic biological

23 records in the local blood bank. Each DNA was assessed for volume, concentration, purity

24 (260/230 and 260/280 optical density absorbance ratios) and degradation by migration on an

25 agarose gel (see Table S1). Indeed, GWAS genotyping requires good quality and quantity of

6
1 DNA, as defined by an absence of smear on the agarose gel, 260/230 and 260/280 ratios

2 between 1.5 and 2, a volume greater than 20µL and a concentration greater than 10ng/µL.

3 Overall, we were able to retrieve more recipients than donors (n=2,455 vs 2,269). Multiple

4 samples were in some cases available for recipients from follow-up visits or multiple

5 transplantation events. However, samples were most often unique for donors and sometimes

6 depleted, especially for deceased donors coming from a different clinical centre. Each DNA

7 sample from the KiT-GENIE biocollection has been assigned a unique and specific

8 identification number to ensure sample traceability and retrieval of individual information, and

9 has been aliquoted into tubes suitable for long-term conservation and stored at -20°C.

10 For the genotyping analysis, 147 deceased donors for whom we could not retrieve a DNA

11 sample for the recipient were excluded from the study. However, we decided to include all

12 recipients whether in a pair or not, as clinical information is still available in the DIVAT

13 database. A total of 4,577 individuals were hence submitted to GWAS genotyping including

14 2,435 R, 2,142 D and 2,304 D/R pairs (Figure 1A).

15 GWAS genotyping, data processing and imputations

16 All DNA samples were genotyped using the Axiom PMRA (Precision Medicine Research

17 Array) chip (ThermoFisher, Waltham MA, USA), which covers more than 900K genetic

18 variants and is enriched for functional coding variants, including in the HLA and KIR genes, for

19 clinically pathogenic variants and additional relevant genes for cancer and immunology

20 research31. We followed the Axiom® 2.0 ThermoFisher guidelines for the genotyping protocol

21 that encompasses 5 days for each 96-well plate. DNA samples were carefully randomly

22 distributed (for sex, D/R status, deceased/living donor status) in plates to limit the impact of

23 batch effect. In addition, we genotyped control samples and duplicates to assess experimental

24 quality and replicability. DNA were first amplified and fragmented before hybridisation on the

25 genotyping array. Allelic-specific fluorescence intensity ratio was then measured by the

7
1 GeneTitan scanner to correctly assign genotypes. Finally, the primary technological quality

2 control (QC) steps were performed with AxAs (Axiom Analysis Suite) to only retain high-

3 quality individuals (dishQC >0.82 and call rate >97%), plates (mean call rate >98.5%) and

4 genetic variants (n=831,213 SNPs after QC, see Figure 1B). The SNP QC metrics evaluate the

5 correct genotype assignation and ensure a proper separation of homozygous and heterozygous

6 clusters (call rate >95%, Fisher’s linear discrimination >3.6 and heterozygosity >95%).

7 Further QC steps were performed with Plink32 to exclude low confidence variants and

8 individuals (e.g. missingness >2%, allelic frequency >1%, deviation from the Hardy-Weinberg

9 equilibrium >10-6, see Figure 1B). From this dataset (n=374,743 SNPs), we imputed missing

10 SNPs and HLA alleles with Beagle33,34 and HIBAG35, respectively. Using the 1,000 Genomes

11 Project (1KGP) reference panel36, SNPs with missing data or SNPs not directly covered by the

12 genotyping arrays can be statistically inferred from the neighbouring genotyped SNPs by

13 comparing the haplotypes and linkage disequilibrium patterns between the reference panel with

14 the dataset of interest. Similarly, we can predict HLA alleles from SNPs data using a reference

15 panel containing HLA alleles and SNP data37. Finally, we also determined the genetic sex of

16 each individual from genetic variants located on sexual chromosomes.

17 To ensure the quality of KiT-GENIE genotyping data, we performed some preliminary analyses

18 to (1) assess the genotyping error rate from duplicate samples, and (2) assess proper sample

19 management process by comparing imputed sex and HLA alleles with sex and HLA types from

20 clinical records. Finally, we performed a principal component analysis (PCA) from independent

21 SNPs (Figure 1B) to detect potential biases and capture ancestry-related variability. To

22 characterize the genetic ancestry of our KiT-GENIE individuals, we overlapped our data with

23 data from the 1KGP36 that catalogues common variants in 2,504 individuals from 5 large

24 reference genetic populations (African, American, East Asian, European and South Asian).

8
1 Results

2 The KiT-GENIE biobank encompasses DNA samples with accurate GWAS genomic (8 million

3 SNPs) and clinical (>200 variables) data for 4,217 individuals (n=2,272 R + 1,945 D, including

4 1,969 pairs; Figure 1).

5 KiT-GENIE individuals characteristics

6 The KiT-GENIE biobank incorporates clinical data related to the donor and recipient baseline

7 demographics, to the transplantation and to the patient follow-up. Table S2 lists all these

8 variables along with their respective level of missingness. Table 1 presents summary statistics

9 for major clinical variables for the 4,217 genotyped individuals. Donors and recipients are

10 predominantly male with 57.9% and 63.2%, respectively. The mean age is 51yo for both donors

11 and recipients and their mean BMI is 25.4 and 24.4, respectively. During our study period, a

12 large majority of recipients enrolled in KiT-GENIE (85.7%) received their first transplant,

13 while some experienced their 2nd to 5th graft. 88.4% recipients underwent a kidney-only organ

14 transplantation, while 11.3% got combined kidney-pancreas grafts. Only 4.4% grafts presented

15 full HLA match (HLA-A, -B and -DR genes) between donor and recipient, while half the grafts

16 exhibited 4 to 6 mismatches. Indeed, significantly more D/R pairs exhibited at least 3 HLA

17 allelic mismatches (p=4.81x10-10, Figure S1). Overall, the distribution of HLA mismatches

18 remained stable over the study period with no correlation observed between mismatch number

19 and graft year (p>0.05, Figure S1). The mean follow-up time was 80months (i.e. 6.7yrs) post-

20 transplantation. Due to inclusion criteria, most patients were transplanted between 2000 and

21 2018 (Figure 2), but we also included 8 patients transplanted between 1984 and 1999, whose

22 primary disease was FSGS and who underwent a subsequent transplant after the 2000s, and 23

23 patients transplanted after 2018 who received a graft from a living kidney donor. Indeed, our

24 biobank has been enriched in living kidney donors (17.5%) and FSGS patients (4.1%, Table 1).

25 As previously mentioned, the lower number of grafts reported in 2000-2001 (Figure 2) does not

9
1 reflect a lower clinical activity but rather a difficulty to retrieve DNA samples for that time

2 period with a progressive transition from paper-based to electronic biological records. Overall,

3 the KiT-GENIE biobank thus provides an accurate snapshot of the transplantation activity in

4 the Nantes clinical hospital between 2002 and 2018 (Figure 2).

5 Biopsy-proven rejections occurred in 16.6% KiT-GENIE recipients (Table 1), including 8.1%

6 of biopsy-proven acute rejection. Graft failure (defined as return to dialysis or pre-emptive

7 graft) happened for 21.3%. We observed some variability in the occurrence of rejection and

8 graft failure events over the study period spanning over 15yrs (Figure S2). For example, we

9 observed rejection rates up to 24% and 22% in 2003 and 2007 and as low as 10% and 12% in

10 2002 and 2014, respectively. Similarly, we can note a graft failure rate as high as 44% and 33%

11 in 2004 and 2008 and as low as 18% and 9% in 2010 and 2014, respectively.

12 Robustness and quality of KiT-GENIE genetic data

13 First, we assessed the genotyping robustness and quality of our genetic data. The introduction

14 of duplicates (n=58) and control samples (n=17) in the genotyping experiments has

15 demonstrated a reproducibility rate of 99.9%, which corresponds to the advertised Axiom

16 PMRA performance. In addition, we evaluated the error rate along the whole process of KiT-

17 GENIE building (DNA extraction, sample handling, normalisation and genotyping) by

18 comparing genetically-inferred sex and HLA alleles with medical records. We reported sex and

19 HLA discrepancies for 119 individuals, corresponding to an error rate of 2.6%. To avoid pairing

20 genotypes with incorrect phenotypes, we excluded these individuals from the final dataset

21 (n=2,272 R and 1,945 D, including 1,969 pairs).

22 In a second step, we ran a careful standard QC protocol for SNPs and imputed over 8 million

23 SNPs with accurate genotypes (r2>0.8) from 374K genotyped SNPs (Figure 1B). Before

24 imputation, we observed an enrichment in rare variants in the dataset (Figure 1C dark grey) in

25 accordance with the PMRA design. After imputation, the number of SNPs with a minor allele

10
1 frequency (MAF) >1% has significantly increased across the whole MAF spectrum (Figure 1C,

2 light grey). All these high-quality genetic variants are available for subsequent association

3 testing.

4 Finally, we compared HLA allele information available before and after imputation (Figure S3).

5 We observed a considerable gain of annotation for the HLA-C gene (from 18% before

6 imputation to 100% after imputation). Importantly, HLA imputation preserved the distribution

7 of allelic diversity while increasing the available HLA information. As expected38–40, the HLA-

8 B locus exhibits a higher level of polymorphism compared to other HLA genes such as HLA-

9 DQ for example (Figure S3).

10 Genetic ancestry and ancestry matching within pairs

11 We performed a PCA to detect population stratification and capture ancestry-related variability

12 in our genetic dataset. We first overlapped KiT-GENIE samples with the 1KGP reference

13 populations36 and determined the proportions of KiT-GENIE individuals in each large

14 population using clusterisation methods41 (Figure 3). The PCA showed a good separation of the

15 1KGP individuals into 5 clusters representing the 5 reference ancestral populations (African,

16 American, East Asian, European, and South Asian). The KiT-GENIE individuals spread across

17 all reference populations, with a more compact distribution of donors centred on Europeans

18 compared to recipients (Figures 3A and 3B). Indeed, a very large majority of individuals are of

19 European ancestry with 93.4% of recipients and 98.2% of donors (Figures 3C and 3D), and

20 recipients are genetically more diverse than donors with up to 3.4% recipients of African

21 ancestry vs. 0.6% in donors.

22 When focusing on the genetic matching within D/R pairs (Figures 4A and 4B), 92.5% pairs

23 (n=1,822) are composed of donor and recipient of European ancestry (zoom in on Figure 4C).

24 Consequently, 147 pairs involve at least one non-European individual (Figure 4D) including

25 135 pairs (6.8%) composed of one individual of European ancestry paired with a non-European

11
1 individual, and only 12 pairs (<1%) are composed of donor and recipient of non-European

2 ancestry.

3 Discussion

4 The KiT-GENIE biobank is unique in France and a valuable resource for investigating genetic

5 and immunogenetic factors impacting kidney transplantation-related outcomes thanks to its 3-

6 layer design: DNA samples, large-scale genetic data and clinical data. It was built onto the

7 DIVAT cohort, which represents a large and rich clinical data resource on kidney

8 transplantation since the 1990s empowering us to investigate numerous phenotypes beyond

9 rejection and graft survival. We consolidated a homogeneous and consistent monocentric

10 cohort that accurately captures a snapshot of kidney transplantation clinical practice and

11 medical records in Nantes over a 15yr period. In addition, DIVAT follow-up data are

12 prospective and already provide us a hindsight up to 20-25 years for some patients, which is

13 longer than most previous studies23,24,42 and which offers an opportunity for revisiting the

14 genetic data along accumulation of clinical visits.

15 KiT-GENIE is one of the few cohorts to contain both deceased and living (up to 17.5%) kidney

16 donors thus offering a unique opportunity to study donor-recipient genetic interactions and

17 mismatches. Most previous genomic analyses focused on deceased donors20,43,44, and

18 comparing living and deceased donors could help better understanding the D/R interactions in

19 the context of non-HLA mismatches. Indeed, living kidney donors represented 15% (n= 390)

20 of kidney donations in 2020 in France7 and 63% (n= 247) were genetically related to the

21 recipient (e.g. parent, sibling, child, cousin)7. In addition, it provides an opportunity to further

22 investigate the long-term kidney function decline and risk for chronic kidney disease after

23 nephrectomy45,46,47. KiT-GENIE is also enriched in recipients suffering from focal segmental

24 glomerulosclerosis (FSGS) as primary kidney disease. Idiopathic nephrotic syndrome with

25 FSGS lesions is a glomerular nephropathy that recurs shortly after a first transplant in 30-50%

12
1 of cases, and in >90% after a subsequent transplant. A circulating factor has been suspected for

2 numerous years without any definitive conclusions and there is an urgent need for alternative

3 strategies to better understand the complex molecular mechanisms at stake and to define non-

4 invasive predictive biomarkers for recurrence risk stratification48. KiT-GENIE therefore offers

5 a unique opportunity to further investigate those mechanisms.

6 The KiT-GENIE genomic data were generated with the same experimental pipeline

7 (genotyping chip, technological protocols, analytical pipeline) to ensure data homogeneity, and

8 underwent robust quality controls to guarantee the highest data quality. In particular, our

9 genotyping pipeline was highly reproducible (>99.9%). Additional checks on sex and HLA

10 matching (genetically-inferred vs. medical records) prevented us from sample mishandling.

11 Indeed, the establishment of KiT-GENIE involved the search for samples that were stored more

12 than 20 years ago along with paper-based biological records, which increased the risk of human

13 errors and underlines the importance of digitisation in biomedicine, along with robust QC.

14 Beyond ensuring successful data conformity and sample traceability, SNP to HLA allele

15 imputation also contributed to significantly enriching the immunogenetic genotypes within

16 KiT-GENIE. Indeed, the HLA information reported within DIVAT clinical records over 20

17 years suffers from incomplete data especially for HLA-C (84.2% and 78.6% missingness in

18 recipients and donors, respectively - Table S2) as D/R matching has long been based on HLA-

19 A, -B, and -DR loci only. SNP to HLA imputation retrospectively filled the missing gaps and

20 provided homogenized HLA annotations for immunogenetic association testing and for

21 evaluating HLA mismatches on 5 HLA genes instead of 3 genes. Finally, projecting SNP genetic

22 data from KiT-GENIE and 1KGP individuals empowered us to describe the genetic ancestry of

23 donors and recipients and to prevent population stratification, as collecting ancestry background

24 is forbidden in France (law n°78-17, article 6 from January 6th, 1978).

13
1 The monocentric nature of KiT-GENIE represents its main limitation. Although it ensures

2 homogeneous clinical practice and collection of medical records, there is a risk that results

3 identified in our study might not be fully generalizable outside of Nantes. To limit this risk, we

4 have established collaborations to replicate and validate our findings into independent cohorts.

5 We also plan on opening the recruitment to other DIVAT or external collaborative centres. In

6 early 2022, KiT-GENIE has joined the iGeneTRAiN international collaborative effort

7 (International Genetics and Translational Research in Transplantation Network,

8 [Link] which is the largest genetic initiative focusing on better understanding

9 transplant rejections and complications to date49,50. We have been contributing to the ongoing

10 global meta-analysis effort to define genetic factors associated with kidney and other solid

11 organ rejection and graft failure. Meta-analyses and patient recruitment will increase the

12 statistical power for discoveries, while potentially increasing the genetic diversity of the study

13 population. Indeed, KiT-GENIE is mostly composed of individuals of European ancestry

14 (>90%), which might restrict the generalisation of our genetic associations in non-European

15 populations.

16 To conclude, KiT-GENIE is one of the largest DNA biocollections with kidney donors and

17 recipients (n=4,217, including 1,969 pairs) worldwide to date. Our cohort holds both clinical

18 and genetic information of D/R pairs, which represents a valuable resource for studying the

19 pathogenesis of kidney transplantation outcomes and complications. Several GWAS studies are

20 currently underway in our team, but the rich DIVAT clinical database and the KiT-GENIE

21 DNA biocollection will provide additional key opportunities for future research. The HLA and

22 non-HLA genetic associations identified in KiT-GENIE will contribute (1) to better

23 understanding major kidney transplantation clinical issues, (2) to revealing potential novel

24 therapeutic targets to further characterize through functional studies, and (3) to identifying

14
1 predictive biomarkers that can stratify individual risk early before symptoms appearance and

2 can improve clinical management (personalized and predictive medicine).

4 Data Availability Statement

5 The KiT-GENIE data are available from our CR2TI team. Data and summary statistics are

6 available upon reasonable request following approval from the KiT-GENIE steering committee

7 and ethics committee to ensure data protection and privacy in compliance with French and

8 European laws. Collaborations are encouraged through specific research projects using the KiT-

9 GENIE data or through enriching the existing cohort with new patients. Potential collaborators

10 are invited to contact the primary investigator Sophie Limou: [Link]@[Link].

11

12 References

13 1. Hill NR, Fatoba ST, Oke JL, et al. Global Prevalence of Chronic Kidney Disease – A
14 Systematic Review and Meta-Analysis. Remuzzi G, ed. PLoS One.
15 2016;11(7):e0158765. doi:10.1371/[Link].0158765
16 2. Dalrymple LS, Katz R, Kestenbaum B, et al. Chronic Kidney Disease and the Risk of
17 End-Stage Renal Disease versus Death. J Gen Intern Med. 2011;26(4):379-385.
18 doi:10.1007/s11606-010-1511-x
19 3. Garcia GG, Harden P, Chapman J. The Global Role of Kidney Transplantation. Kidney
20 Blood Press Res. 2012;35(5):299-304. doi:10.1159/000337044
21 4. Tonelli M, Wiebe N, Knoll G, et al. Systematic Review: Kidney Transplantation
22 Compared With Dialysis in Clinically Relevant Outcomes. Am J Transplant.
23 2011;11(10):2093-2109. doi:10.1111/j.1600-6143.2011.03686.x
24 5. Wong G, Howard K, Chapman JR, et al. Comparative Survival and Economic Benefits
25 of Deceased Donor Kidney Transplantation and Dialysis in People with Varying Ages
26 and Co-Morbidities. van Baal PHM, ed. PLoS One. 2012;7(1):e29591.
27 doi:10.1371/[Link].0029591
28 6. Agence de la Biomédecine. Press Communication 2021.; 2022. [Link]
29 [Link]/une-hausse-de-193-des-greffes-dorganes-en-2021-grace-a-la-
30 mobilisation-et-lengagement-de-tous-les-professionnels-de-la-chaine-du-don-a-la-
31 greffe/ accessed 08/21/2022.
32 7. Agence de la Biomédecine. Annual Report 2020 - Kidney.; 2021. [Link]
33 [Link]/greffe-renale-0 accessed 21/08/2022.
34 8. Gondos A, Döhler B, Brenner H, Opelz G. Kidney Graft Survival in Europe and the

15
1 United States. Transplant J. 2013;95(2):267-274. doi:10.1097/TP.0b013e3182708ea8
2 9. Sasaki N, Idica A. The HLA-matching effect in different cohorts of kidney transplant
3 recipients: 10 years later. Clin Transpl. 2010:261-282.
4 [Link]
5 10. Levey AS, Coresh J. Chronic kidney disease. Lancet. 2012;379(9811):165-180.
6 doi:10.1016/S0140-6736(11)60178-5
7 11. Vivian Tam, Nikunj Patel. Benefits and limitations of genome-wide association studies.
8 Nat Rev Genet. 2019:467–484.
9 12. Levy SE, Myers RM. Advancements in Next-Generation Sequencing. Annu Rev
10 Genomics Hum Genet. 2016;17(1):95-115. doi:10.1146/annurev-genom-083115-
11 022413
12 13. Bycroft C, Freeman C, Petkova D, et al. The UK Biobank resource with deep
13 phenotyping and genomic data. Nature. 2018;562(7726):203-209. doi:10.1038/s41586-
14 018-0579-z
15 14. Hanif Z, Sufiyan N, Patel M, Akhtar MZ. Role of biobanks in transplantation. Ann Med
16 Surg. 2018;28:30-33. doi:10.1016/[Link].2018.02.007
17 15. Cambon-Thomsen A, Ducournau P, Gourraud P-A, Pontille D. Biobanks for Genomics
18 and Genomics for Biobanks. Comp Funct Genomics. 2003;4(6):628-634.
19 doi:10.1002/cfg.333
20 16. Yu Z, Jin J, Tin A, et al. Polygenic Risk Scores for Kidney Function and Their
21 Associations with Circulating Proteome, and Incident Kidney Diseases. J Am Soc
22 Nephrol. 2021;32(12):3161-3173. doi:10.1681/ASN.2020111599
23 17. Xu X, Eales JM, Jiang X, et al. Contributions of obesity to kidney health and disease:
24 insights from Mendelian randomization and the human kidney transcriptomics.
25 Antoniades C, ed. Cardiovasc Res. December 2021. doi:10.1093/cvr/cvab357
26 18. Alaa AM, Bolton T, Di Angelantonio E, Rudd JHF, van der Schaar M. Cardiovascular
27 disease risk prediction using automated machine learning: A prospective study of
28 423,604 UK Biobank participants. Aalto-Setala K, ed. PLoS One.
29 2019;14(5):e0213653. doi:10.1371/[Link].0213653
30 19. Ghisdal L, Baron C, Lebranchu Y, et al. Genome-Wide Association Study of Acute
31 Renal Graft Rejection. Am J Transplant. 2017;17(1):201-209. doi:10.1111/ajt.13912
32 20. Hernandez-Fuentes MP, Franklin C, Rebollo-Mesa I, et al. Long- and short-term
33 outcomes in renal allografts with deceased donors: A large recipient and donor
34 genome-wide association study. Am J Transplant. 2018;18(6):1370-1379.
35 doi:10.1111/ajt.14594
36 21. Massart A, Ghisdal L, Viklicky O, Naesens M, Abramowicz D, Abramowicz M. Reply
37 to Hernandez et al. - GWAS of acute renal graft rejection. Am J Transplant.
38 2018;18(8):2098-2099. doi:10.1111/ajt.14877
39 22. Pihlstrøm HK, Mjøen G, Mucha S, et al. Single Nucleotide Polymorphisms and Long-
40 Term Clinical Outcome in Renal Transplant Patients: A Validation Study. Am J
41 Transplant. 2017;17(2):528-533. doi:10.1111/ajt.13995
42 23. Reindl-Schwaighofer R, Heinzel A, Signorini L, Thaunat O, Oberbauer R. Mechanisms
43 underlying human genetic diversity: consequence for antigraft antibody responses.
44 Transpl Int. 2018;31:239-250. doi:10.1111/tri.13059

16
1 24. Steers NJ, Li Y, Drace Z, et al. Genomic Mismatch at LIMS1 Locus and Kidney
2 Allograft Rejection . N Engl J Med. 2019;380(20):1918-1928.
3 doi:10.1056/nejmoa1803731
4 25. Ba R, Geffard E, Douillard V, et al. Surfing the Big Data Wave: Omics Data
5 Challenges in Transplantation. Transplantation. 2022;106(2):e114-e125.
6 doi:10.1097/TP.0000000000003992
7 26. Reindl-Schwaighofer R, Heinzel A, Kainz A, et al. Contribution of non-HLA
8 incompatibility between donor and recipient to kidney allograft survival: genome-wide
9 analysis in a prospective cohort. Lancet. 2019;393(10174):910-917.
10 doi:10.1016/S0140-6736(18)32473-5
11 27. Keating BJ, Van Setten J, Jacobson PA, et al. Design and implementation of the
12 international genetics and translational research in transplantation network.
13 Transplantation. 2015;99(11):2401-2412. doi:10.1097/TP.0000000000000913
14 28. Masset C, Kerleau C, Garandeau C, et al. A third injection of the BNT162b2 mRNA
15 COVID-19 vaccine in kidney transplant recipients improves the humoral immune
16 response. Kidney Int. 2021;100(5):1132-1135. doi:10.1016/[Link].2021.08.017
17 29. Foucher Y, Lorent M, Albano L, et al. Renal transplantation outcomes in obese
18 patients: a French cohort-based study. BMC Nephrol. 2021;22(1):79.
19 doi:10.1186/s12882-021-02278-1
20 30. Dujardin A, Chesneau M, Dubois F, et al. Clinical and immunological follow-up of
21 very long-term kidney transplant recipients treated with calcineurin inhibitors indicates
22 dual phenotypes. Kidney Int. 2021;99(6):1418-1429. doi:10.1016/[Link].2020.09.036
23 31. Applied BiosystemsTM. AxiomTM Precision Medicine Research Array. Thermofisher.
24 [Link]
25 32. Purcell S, Neale B, Todd-Brown K, et al. PLINK: A tool set for whole-genome
26 association and population-based linkage analyses. Am J Hum Genet. 2007;81(3):559-
27 575. doi:10.1086/519795
28 33. Browning BL, Zhou Y, Browning SR. A One-Penny Imputed Genome from Next-
29 Generation Reference Panels. Am J Hum Genet. 2018;103(3):338-348.
30 doi:10.1016/[Link].2018.07.015
31 34. Browning BL, Tian X, Zhou Y, Browning SR. Fast two-stage phasing of large-scale
32 sequence data. Am J Hum Genet. 2021;108(10):1880-1890.
33 doi:10.1016/[Link].2021.08.005
34 35. Zheng X, Shen J, Cox C, et al. HIBAG - HLA genotype imputation with attribute
35 bagging. Pharmacogenomics J. 2014;14(2):192-200. doi:10.1038/tpj.2013.18
36 36. Gibbs RA, Boerwinkle E, Doddapaneni H, et al. A global reference for human genetic
37 variation. Nature. 2015;526(7571):68-74. doi:10.1038/nature15393
38 37. Douillard V, Castelli EC, Mack SJ, et al. Approaching Genetics Through the MHC
39 Lens: Tools and Methods for HLA Research. Front Genet. 2021;12(December):1-13.
40 doi:10.3389/fgene.2021.774916
41 38. Shiina T, Hosomichi K, Inoko H, Kulski JK. The HLA genomic loci map: expression,
42 interaction, diversity and disease. J Hum Genet. 2009;54(1):15-39.
43 doi:10.1038/jhg.2008.5
44 39. Olson E, Geng J, Raghavan M. Polymorphisms of HLA-B: influences on assembly and
45 immunity. Curr Opin Immunol. 2020;64:137-145. doi:10.1016/[Link].2020.05.008

17
1 40. Douillard V, Castelli EC, Mack SJ, et al. Approaching Genetics Through the MHC
2 Lens: Tools and Methods for HLA Research. Front Genet. 2021;12.
3 doi:10.3389/fgene.2021.774916
4 41. Nielsen F. Hierarchical Clustering. In: ; 2016:195-211. doi:10.1007/978-3-319-21903-
5 5_8
6 42. Mesnard L, Muthukumar T, Burbach M, et al. Exome Sequencing and Prediction of
7 Long-Term Kidney Allograft Function. PLoS Comput Biol. 2016;12(9):1-15.
8 doi:10.1371/[Link].1005088
9 43. O’Brien RP, Phelan PJ, Conroy J, et al. A genome-wide association study of recipient
10 genotype and medium-term kidney allograft function. Clin Transplant.
11 2013;27(3):379-387. doi:10.1111/ctr.12093
12 44. Divers J, Ma L, Brown WM, et al. Genome‐wide association study for time to failure
13 of kidney transplants from African American deceased donors. Clin Transplant.
14 2020;34(6). doi:10.1111/ctr.13827
15 45. Lam NN, Lloyd A, Lentine KL, et al. Changes in kidney function follow living donor
16 nephrectomy. Kidney Int. 2020;98(1):176-186. doi:10.1016/[Link].2020.03.034
17 46. Mjøen G, Hallan S, Hartmann A, et al. Long-term risks for kidney donors. Kidney Int.
18 2014;86(1):162-167. doi:10.1038/ki.2013.460
19 47. Muzaale AD, Massie AB, Wang M-C, et al. Risk of end-stage renal disease following
20 live kidney donation. JAMA. 2014;311(6):579-586. doi:10.1001/jama.2013.285141
21 48. Rudnicki M. FSGS Recurrence in Adults after Renal Transplantation. Biomed Res Int.
22 2016;2016:1-7. doi:10.1155/2016/3295618
23 49. International Genetics & Translational Research in Transplantation Network
24 (iGeneTRAiN). Design and Implementation of the International Genetics and
25 Translational Research in Transplantation Network. Transplantation.
26 2015;99(11):2401-2412. doi:10.1097/TP.0000000000000913
27 50. Fishman CE, Mohebnasab M, van Setten J, et al. Genome-Wide Study Updates in the
28 International Genetics and Translational Research in Transplantation Network
29 (iGeneTRAiN). Front Genet. 2019;10:1084. doi:10.3389/fgene.2019.01084

30

18
1 Acknowledgements. We thank everyone who helped in the design, collection, genotyping

2 experiments, data cleaning and analyses. We are especially indebted to all donors and recipients

3 who participated in this study, to the clinical staff and physicians who care and manage the

4 patients on a daily basis and helped recruiting the patients, and to research associates who

5 participated in the data collection. Clinical data were collected from the French DIVAT

6 multicentric prospective cohort of kidney and/or pancreatic transplant recipients by focusing on

7 the Nantes centre ([Link], n° CNIL 914184, [Link] identifier:

8 NCT02900040). The analysis and interpretation of these data are the responsibility of the

9 authors. We would like to acknowledge the local blood bank and HLA typing lab

10 (Etablissement Français du Sang [EFS] Nantes) for facilitating the access to DNA samples.

11 Finally, we thank the GenoBiRD and Curie genomic platforms for technical support and GWAS

12 genotyping.

13 Author contribution. RB, AD and SL were involved in the design, conception,

14 implementation and data collection of KiT-GENIE. RB, AD, CC, SLBB, SS, PG, and CP were

15 involved in DNA collection and normalisation. RB, AD, VM, MM, VD, OR and SL were

16 involved in quality controls, statistical description, imputation of missing data, PCA analysis

17 and ancestry analysis. CK realized clinical data extraction from the DIVAT database. MG and

18 GB provided clinical guidance and ensured access to the DIVAT clinical data. RB and SL wrote

19 the article. SL, PAG and NV supervised the building of KiT-GENIE, revised and formalized

20 the scientific content of the article and mentored RB. All authors have read and approved the

21 final version of the manuscript.

22 Ethical approval. Written consent was obtained from each participant for access to clinical

23 data and participation to DNA analyses (DIVAT n° CNIL 914184). Patients and/or the public

24 were not involved in the design, or conduct, or reporting, or dissemination plans of this research.

25

19
1 Fundings. The KiT-GENIE cohort has been funded by several entities: (1) The Etoiles

2 Montantes funding by the Pays de la Loire region (n°2018-09998), (2) The IRCT Dialyse

3 research project by the Société Francophone de Néphrologie, Dialyse et Transplantation

4 (SFNDT), (3) The Greffe research project by French Agence de la Biomédecine (ABM,

5 n°18GREFFE014). In addition, this work has benefited from government support through the

6 National Research Agency (ANR) under the future investment program (n°ANR-17-RHUS-

7 0010) and from the European Union’s Horizon 2020 Research and Innovation Programme

8 (n°754995). Finally, we thank the Roche Pharma, Novartis, Astellas, Chiesi, Sandoz and Sanofi

9 laboratories for supporting the DIVAT cohort as the CENTAURE Foundation

10 ([Link] The authors have declared no conflict of interest.

20
1 Figure legends

2 Figure 1: Building the KiT-GENIE DNA biocollection and GWAS SNP data

3 A Establishment of the KiT-GENIE DNA biocollection. 5,946 individuals were initially

4 extracted from DIVAT Nantes for investigation of DNA samples. 1,222 people were excluded

5 due to missing or deteriorated DNA samples, and DNA was collected for 4,723 individuals.

6 Single deceased D for whom R DNA could not be retrieved (n=147) were excluded from

7 GWAS genotyping. As a result, 4,577 individuals were genotyped, but 360 individuals were

8 then excluded due to failed experiments or GWAS QC procedures. Finally, 4,217 individuals

9 with accurate genomic and clinical data were included in the KiT-GENIE biocollection. It is

10 important to note that some recipients received multiple grafts and that some deceased donors

11 have provided an organ to two different recipients, therefore impacting the number of pairs. B

12 Analytical steps of GWAS genotyping data processing. The Axiom PMRA GWAS

13 genotyping chip covers 902,506 SNPs. 831,213 SNPs passed the primary technological QC

14 steps. Following the standard GWAS guidelines, 161,185 independent variants were used to run

15 the PCA excluding SNPs on sexual chromosomes, from the highly polymorphic HLA region,

16 or in high LD level. 374,743 frequent high-quality SNPs were included in the imputation

17 pipeline to generate a total of 8 million SNPs with high accuracy. C Common SNP enrichment

18 through SNP imputation. Before imputation, we observed an enrichment in rare functional

19 genetic variants (MAF<1%) in accordance with the Axiom PMRA GWAS genotyping chip

20 design. After imputation, we significantly increased the number of SNPs with a MAF >1%

21 available for subsequent association testing.

22 QC, Quality control; PCA, Principal component analysis; LD, linkage disequilibrium; MAF, Minor allele

23 frequency; HWE, Hardy-Weinberg equilibrium; 1KGP, 1000 Genomes Project

24

25 Figure 2: Distribution of KiT-GENIE recipients according to the year of graft

21
1 KiT-GENIE patients were mostly transplanted between 2002 and 2018. Due to the enrichment

2 in FSGS recipients (circles) and LKD (triangles), we have 8 patients transplanted between 1984

3 and 1999, whose primary disease was FSGS and who underwent a subsequent transplant after

4 the 2000s, and 23 patients transplanted after 2018 who received a graft from a LKD. In addition,

5 the progressive transition from paper-based to electronic medical records in the early 2000s led

6 to a low number of DNA samples retrieved in 2000-2001.

7 Focal Segmental GlomeruloSclerosis, FSGS; Living Kidney Donor (LKD)

9 Figure 3: PCA projection of KiT-GENIE individuals with the 1,000 Genomes Project

10 reference individuals

11 A PCA projection of KiT-GENIE recipients (black stars) with 1KGP individuals from 5 large

12 reference populations (colour-coded circles). B PCA projection of KiT-GENIE donors (black

13 stars) with 1KGP individuals from 5 large reference populations (color-coded circles). C

14 Proportion of KiT-GENIE recipients in each large reference population with their

15 corresponding colour code. D Proportion of KiT-GENIE donors in each large reference

16 population with their corresponding colour code.

17 PCA, principal component analysis; 1KGP, 1,000 Genomes Project; AFR, African; AMR, American; EAS, East

18 Asian; SAS, South Asian; EUR, European

19

20 Figure 4: Genetic ancestry matching between donors and recipients

21 A Distribution of genetic ancestry within the D/R pairs. The EUR/EUR pairs are predominant

22 (92.53%). B Genetic ancestry matching for all D/R pairs projected in the 3D space composed

23 of the first three principal components. C Genetic ancestry matching for the EUR/EUR D/R

24 pairs (n=1,822). D Genetic ancestry matching for D/R pairs composed of at least one non-EUR

25 individuals (n=147).

26 AFR, African; AMR, American; EAS, East Asian; SAS, South Asian; EUR, European

22
1 Table 1 Individuals and graft clinical characteristics

Individuals baseline characteristics (n = 4,217)

Recipients (n = 2,272)

Gender (male) 1,436 (63.2%)

Age (years) 18-87 yo (mean 51 yo)

Body Mass Index (kg/m) 14–2 - 50.3 (mean 24.4)

Primary disease
Unknown aetiology 211 (9.3%)
Chronic glomerulonephritis 583 (25.7%)
Chronic interstitial nephritis and malformative uropathy 909 (40.0%)
Renal vascular disease 191 (8.4%)
Diabetes 378 (16.6%)

Focal segmental glomerulosclerosis (FSGS) 91 (4.1%)

Renal replacement therapy

Pre-emptive transplantation 470 (20.7%)
Peritoneal dialysis 198 (8.7%)
Haemodialysis 1,599 (70.5%)

Donors (n = 1,945)

Gender (male) 1,126 (57.9%)

Age (years) 4-90 yo (mean 51 yo)

Body Mass Index (kg/m) 13–9 - 58.8 (mean 25.4)

Donor type
Living 340 (17.5%)
Deceased 1,605 (82.5%)

23
Inclusion criteria
Standard criteria donors 954 (49.4%)
Extended criteria donors 647 (33.5%)
Missing values 344 (17.1%)

Kidney function
Serum creatinine (μmol/l) 20-813 (mean 85.6)
Urea (mmol/l) 0-38 (mean 3.6)
Proteinuria
absence 1400 (71.9%)
presence 365 (18.7%)
missing values 180 (9.2%)

Graft baseline characteristics (n = 2,272)

Year of graft 1984-2020

Rank
1 1,947 (85.7%)
2-5 325 (14.3%)

Type
Kidney 2,009 (88.4%)
Kidney-Pancreas 257 (11.3%)
Double kidneys, Kidney-Liver, Kidney-Heart 6 (< 1%)

Cold Ischemia (hours) 0.5 – 48 (mean 16)

Delayed renal graft function (days) 0 – 86 (mean 6.9)

Biopsy-proven rejection 377 (16.6%)

Graft failure 485 (21.3%)

HLA incompatibilities (HLA-A, -B, and -DR)

0 (full match) 105 (4.4%)

24
 1-3 1,007 (45.0%)
4-6 1,153 (50.2%)
Missing values 7 (0.4%)

Follow-up time (months)* 0 – 300 (mean 80)

3 Supplementary material content

4 Table S1: DNA quality and quantity metrics.

5 Table S2: Missingness of KiT-GENIE clinical variables related to recipients, donors,

6 transplantation and pre/post transplantation events.

7 Figure S1: Evolution of mismatch number for typed HLA-A, -B and -DR genes over the study

8 period.

9 Figure S2: Proportions of rejection and graft loss events over the study period.

10 Figure S3: Distribution of HLA alleles in KiT-GENIE individuals according to imputed vs.

11 typed HLA-A, -B, -C, -DR and -DQ alleles.

12

25
A
5,946 adult individuals with consent for DNA analyses eligible for inclusion in KiT-GENIE (3,247 pairs, 3,040 R, 2,906 D)

1,222 individuals excluded :

- No DNA sample available
- Low quality/quantity DNA

4,724 individuals with DNA samples (2,352 pairs, 2,455 R, 2,269 D)

147 individuals excluded :

- Single deceased donors

4,577 individuals sent for GWAS genotyping (2,304 pairs, 2,435 R, 2,142 D)

360 individuals excluded :

- Failed experiment (e.g. amplification, hybridation,
fluorescence ratio)
- Failed quality controls (missingness, sex check, HLA check)

4,217 individuals with DNA sample and GWAS genotyping data (1,969 pairs, 2,272 R, 1,945 D)

B C
902,560 SNPs

SNPs excluded during

primary technological QC

831,213 SNPs
MAF threshold
SNPs w/ >2% Before imputation
missingness excluded After imputation

703,536 SNPs

Rare SNPs (MAF<1%) and

Selection of SNPs with non constant
independent alleles frequencies (HWE <
SNPs for PCA 10-6) were excluded for SNP
imputation

161,185 SNPs 374,743 SNPs

SNP imputation using
Beagle and the 1KGP
reference populations

8 millions SNPs
 Recipients Donors

AFRICANS

EUROPEANS

AMERICANS

SOUTH ASIANS

* KiT-GENIE individuals
• 1KGP individuals EAST ASIANS

EUR 2121 (93.3%) EUR 1910 (98.2%)

AFR 76 (3.3%) AFR 11 (0.5%)
AMR 27 (1.1%) AMR 13 (0.6%)
EAS 30 (1.3%) EAS 9 (0.4%)
SAS 18 (0.7%) SAS 2 (0.1%)
A Distribution of genetic ancestry within D/R pairs B Genetic ancestry matching for all pairs
AMR

EUR
AFR

EAS

SAS

D
100
R
AFR

AMR

EAS

SAS

EUR

C Zoom on European-European pairs D Focus on pairs composed of at least one non-

European individual
 Supplementary file
KiT-GENIE, the French Genetics of Kidney Transplantation Study

Table S1: DNA quality and quantity metrics

KiT-GENIE DNA biocollection

(n=4,724)
DNA Volume (µl)
Mean (SD) 110.37 (61.11)
Range 10.00 - 300.00
Concentration (ng/µl)
Mean (SD) 256.64 (291.77)
Range 11.03 - 3,707.85
260/230 ratio
Mean (SD) 1.55 (0.72)
Range 0.10 - 3.10
260/280 ratio
Mean (SD) 1.86 (0.12)
Range 1.00 - 3.30
Table S2: Data missingness of KiT-GENIE clinical variables related to recipients,
donors, transplantation and pre/post transplantation events
Description Missing value (%)
Recipient characteristics at baseline
Age 0
Sex 0
Initial disease 0.16
Height 0.16
HLA-A1 typing 0.16
HLA-A2 typing 0.16
HLA-B1 typing 0.16
HLA-B2 typing 0.16
HLA-DR1 typing 0.16
HLA-DR2 typing 0.16
HLA-C1 typing 84.18
HLA-C2 typing 84.18
HLA-DP1 typing 87.51
HLA-DP2 typing 87.51
HLA-DQa1 typing 98.53
HLA-DQa2 typing 98.53
HLA-DQb1 typing 1.80
HLA-DQb2 typing 1.80
Blood type 0.16
Weight 0.22
BMI 0.22
HCV serology 0.22
HBs antigens 0.27
CMV serology 0.38
HIV antibodies 0.55
Pneumocystis Prophylactic treatment 0.60
Pneumocystis Prophylactic treatment 0.60
CMV Prophylactic treatment 0.87
CMV Prophylactic treatment 0.87
EBV serology 0.93
HBs antibodies 1.69
Transfusion before blood collection 2.73
Time from transplant to last follow-up 6.60
Number of follow-up months 6.60
Donor characteristics
Sex 0
Donor type 0
Cadaver type 0
CMV serology 0
HBs antigens 0
Blood type 0
Age 0.05
HBc antibodies 0.05
HLA-A1 typing 0.05
HLA-A2 typing 0.05
HLA-B1 typing 0.05
HLA-B2 typing 0.05
HLA-DR1 typing 0.05
HLA-DR2 typing 0.05
HLA-C1 typing 78.56
HLA-C2 typing 78.56
HLA-DP1 typing 81.07
HLA-DP2 typing 81.07
HLA-DQa1 typing 98.42
HLA-DQa2 typing 98.42
HLA-DQb1 typing 2.13
HLA-DQb2 typing 2.13
HCV serology 0.11
Cardiac arrest prior to blood collection 0.16
EBV serology 0.16
HIV antibodies 0.16
Creatinine level before blood collection 0.27
Blood pressure 3.44
Height 5.78
Weight 5.78
BMI 5.78
Proteinuria 9.06
Hematuria 11.89
Transfusion before blood collection 12.17
HBs antibodies 13.97
Urea 16.58
Cause of death 0
Inclusion criteria 16.97
Prescription of vasopressor drug 17.46
History of diabetes 18
History of dyslipidemia 21.82
Last diuresis before blood collection 21.99
Smoking habits 55.54
Transplantation characteristics
Transplant ID 0
Recipient ID 0
Graft rank 0
Year 0
Center 0
Graft type 0
Rank 0
Cold ischemia 0
Purification techniques 0.16
Number of donor/recipient matches on locus A 0.16
Number of donor/recipient matches on locus B 0.16
Number of donor/recipient matches on locus DR 0.16
Number of donor/recipient incompatibilities on locus A 0.16
Number of donor/recipient incompatibilities on locus B 0.16
Number of donor/recipient incompatibilities on locus DR 0.16
Number of ABO incompatibilities between donor and recipient 0.16
Time from registration to transplantation 0.27
Kidney Type 0.38
Recovery of renal function 1.69
Pre- or post-transplant probe 2.13
Number of graft arteries 2.29
Location of graft implantation 3.27
Graft infusion fluid 3.55
Post-Transplant Dialysis 3.60
Post-Transplant Dialysis in 2 classes 3.60
Graft preservation fluid 4.31
Perfusion machine 16.80
Time from dialysis to transplantation 0.07
Hospital discharge 31.70
Warm Ischemia 57.45
Time from dialysis to transplantation (if several kidney transplants) 9.63
Transplantectomy 94.65
Time between transplantation and transplantectomy 0
Pre-transplant events
First transplantation 0
Third transplantation 0
Second transplantation 0
Fourth transplantation 0
Prior pregnancies 18.10
Number of prior pregnancies 18.70
Year of first graft 0
First graft failure 0.57
Duration of first graft 3.12
Cause of first graft failure 8.36
First transplantectomy 20.68
Time between first transplantation and transplantectomy 1.15
Year of second graft 0
Second graft failure 0
Duration of second graft 0
Cause of second graft failure 6.06
Second transplantectomy 25.76
Time between second transplantation and transplantectomy 1
Third graft failure 0
Year of third graft 0
Duration of third graft 0
Cause of third graft failure 14.29
Third transplantectomy 28.57
Time between third transplantation and transplantectomy 0
Year of fourth graft 0
Fourth graft failure 0
Duration of fourth graft 0
Cause of fourth graft failure 0
Fourth transplantectomy 0
Time between fourth transplantation and transplantectomy 0
Post-transplant events
Rejection 0
Number of rejection 0
Return to dialysis 0
Death 0
Death with a functional kidney 0
Patient outcome 0
Occurrence of a post-transplant event 0
Time between transplantation and a post-transplant event 0
Loss of sight 0
Graft failure 26.35
Time between transplantation and graft failure 81.23
Cause of graft failure 81.23
Time between transplant and death 81.56
Cause of death 86.20
A

F value P(>F)
HLA mismatches 48.15 4.81e-10
Year of graft 1.21 0.27
HLA mismatches:Year of graft 0.47 0.97

Figure S1: Evolution of mismatch number for typed HLA-A, -B and -DR genes over the

study period.

A The proportion of HLA mismatches between 2000 and 2018 varies between 0 (full match for the 6

HLA alleles) to 6 (full mismatch for the 6 HLA alleles), and transplants with 4 HLA mismatches were

predominant in KiT-GENIE. B A two-factor Anova comparison of the proportion of individuals

according to the number of HLA mismatches and the year of graft revealed that HLA mismatches are

constantly distributed over the years between 2000 and 2018 (p=0.27). Overall, there were less

individuals with 0-2 HLA incompatibilities than with 3-6 HLA incompatibilities (p=4.81e-10). Finally,

there was no correlation between the number of mismatches and the graft year (p=0.97).
Figure S2: Proportions of rejection and graft loss events over the study period.

A Proportion of individual who experienced biopsy-proven rejection for each year between 2002 and

2018. This time period represents an accurate snapshot of the DIVAT-Nantes center transplantation

activity. B Proportion of individual who experienced graft loss (defined as return to dialysis or pre-

emptive graft) for each year between 2002 and 2018.

Figure S3: Distribution of HLA alleles in KiT-GENIE individuals according to imputed

vs. typed HLA-A, -B, -C, -DR and -DQ alleles.

We compared the HLA alleles distribution in KiT-GENIE before (typed or non-imputed) and

after HLA imputation. The imputation preserved the allelic diversity and distribution while

increasing the available information. Importantly, considerable HLA-C information was gained

with up to 80% added knowledge. As expected, HLA-B alleles are more diverse compared to

other genes such as HLA-DQ.

 Chapitre 2

R ÉSULTATS GWAS

Cette partie présente les GWAS préliminaires qui ont été menées sur les receveurs et les
donneurs séparément afin de déterminer s’il existe des associations entre variant génétique et
survie du greffon. Ces résultats ont été générés dans le cadre du projet de stage d’un étudiant
avec qui j’ai collaboré au cours de ma dernière année de thèse et qui prends la suite du projet
KiT-GENIE pour son doctorat. Ces résultats n’ont pas encore été publiés dans un journal
scientifique mais ont fait l’objet d’un poster lors du congrès annuel de la Société Francophone
de Transplantation 2021 à Genève.

2.1 Association entre variant génétique et retour en dialyse chez

les receveurs et chez les donneurs KiT-GENIE
Les GWAS présentées ci-dessous répondent à l’hypothèse suivante : Existe-t-il une association
significative entre les variants génétiques du donneur ou du receveur et le retour en dialyse à plus
d’un an post-transplantation. Ces GWAS n’ont été effectuées que sur des individus d’ancestralité
européennes. Pour chaque type d’individus (receveurs et donneurs), une GWAS a été effectuée
avant imputation et après imputation. Les résultats sont présentés sous la forme d’un QQplot
qui permet de visualiser la déviation des p-values mesurées en fonction des p-values attendues
sous l’hypothèse nulle de non-association et d’un Manhattan plot qui représente les p-values
calculées pour chaque SNP selon leur position chromosomique. Le seuil de significativité est fixé
à 5.10-8 et correspond au seuil de bonferroni et le seuil de suggestivité est arbitrairement fixé
à 10-6. Un point se trouvant entre les deux lignes correspond à un SNP potentiellement associé
au phénotype sans que l’association ne puisse être considérée comme significative.

2.1.1 Association entre variants génétiques et retour en dialyse pour les re-
ceveurs et les donneurs avant imputation

La figure 2.1 montre les résultats de GWAS avant l’imputation des données SNP (358 101
SNP). Lorsque l’on s’intéresse aux QQplots, nous observons une corrélation normale entre les
p-values théoriques et celles mesurées (pas de SNP qui se démarque) avec toutefois une légère
déflation chez les receveurs. Aucun des points ne dépasse le seuil de significativité pour les rece-

147
PartIII, Chapitre 2 – Résultats GWAS

veurs comme pour les donneurs. Chez les receveurs, nous pouvons observer un point qui dépasse
le seuil de suggestivité au niveau du chromosome 11. Ceci suggère qu’il y a potentiellement
un signal dans cette région du génome. Pour les donneurs, des signaux dépassant le seuil de
suggestivité sont détectés dans les chromosomes 1 et 10.

Figure 2.1 – Association entre variants génétiques et retour en dialyse au delà

de 1 an post-transplantation pour les receveurs et les donneurs avant imputation.
La figure montre les resultats GWAS avant imputation pour les receveurs (panel supérieur) et
pour les donneurs (panel inférieur) représentés sous forme de QQplots (panels à gauche) et de
Manhatthan plots (panels à droite). La ligne rouge représente le seuil de significativité (fixé à
5.10-8) et la ligne bleue, le seuil de suggestivité fixé ici arbitrairement à 10-6.

148
 2.1. Association entre variant génétique et retour en dialyse chez les receveurs et chez les donneurs
KiT-GENIE

2.1.2 Association entre variants génétiques et retour en dialyse pour les re-
ceveurs et les donneurs après imputation
La figure 2.2 montre les résultats post-imputation avec Beagle qui a généré un total de 7 434
516 SNP. Les QQplots obtenus sont assez similaires à ceux avant imputation avec des coefficients
qui sont comparables. Aucun des points ne dépasse le seuil de significativité pour les receveurs
comme pour les donneurs. Toutefois, nous retrouvons les signaux préalablement observés avec
une présence plus marquée illustrée par l’apparition de trainées. Les trainées représentent des
SNP en déséquilibre de liaison, et donc corrélés, qui peuvent être associés au phénotype d’intérêt.
De plus, de nouveaux signaux sont apparus avec l’imputation dans les chromosomes 1, 3 et 11
pour les receveurs et dans les chromosomes 1, 8 et 10 pour les donneurs. Ces derniers se situent
néanmoins plus loin du seuil de significativité que pour les receveurs.

149
PartIII, Chapitre 2 – Résultats GWAS

Figure 2.2 – Association entre variants génétiques et retour en dialyse au delà

de 1 an post-transplantation pour les receveurs et les donneurs après imputation.
La figure montre les resultats GWAS avant imputation pour les receveurs (panel supérieur) et
pour les donneurs (panel inférieur) représentés sous forme de QQplots (panels à gauche) et de
Manhatthan plots (panels à droite). La ligne rouge représente le seuil de significativité (fixé à
5.10-8) et la ligne bleue, le seuil de suggestivité fixé ici arbitrairement à 10-6.

150
 2.1. Association entre variant génétique et retour en dialyse chez les receveurs et chez les donneurs
KiT-GENIE

2.1.3 Discussion

Les résultats présentés ci-dessus ne montre aucune association significative entre variants
génétiques et le retour en dialyse à un an post-transplantation. Toutefois, un des signaux iden-
tifiés chez les receveurs à savoir le locus 11p14.1 (p=4,27x10-7, OR 1,79) a déjà été associé avec
une pathologie rénale dans la littérature [254]. En effet, Pattaro et al. ont identifié en 2012
une association entre une diminution de l’eGFR et le SNP rs3925584 présent sur le locus que
nous avons identifié. Ce SNP se trouve dans une région intergénique, entre les gènes MPPED2
et DCDC1. L’étude montre qu’un knockdown (réduction de l’expression du gène) de MPPED2
était associé à un développement défectueux du rein chez le zebrafish [254]. Ces résultats peuvent
suggérer la possibilité d’une assiociation entre cette région du génome et la survie du greffon
rénal. Même si nos résultats ne sont pas significatifs, ils restent quand même très cohérents
avec les études GWAS précédemment menées en transplantation rénale. En effet, elles restent
sur la même lignée que les conclusions de Hernandez-Fuentes et al. [211] qui avec une cohorte
conséquente (2094 paires D/R) ont tenté sans succès de répliquer les résultas de Ghisdal et
al. [208] (cf. [Link] Etudes d’association à l’échelle du génome (Genome Wide Association Stu-
dies, GWAS) p. 85). L’étude, comme la nôtre, n’a identifié aucune association significative ni
chez les receveurs ni chez les donneurs pour l’echec de greffe. Il est tout de même important
de noter que les études de Hernandez-Fuentes et al. et de Ghisdal et al. ne se sont pas basées
sur les mêmes critères pour définir leurs phénotypes d’intérêt (rejet chronique, échec chronique,
fonction rénale).
Ce manque de signaux statistiquement significatifs dans les résultats précédents et particuliè-
rement dans nos analyses GWAS pourrait d’abord s’expliquer par un manque de puissance
statistique. En effet, les approches GWAS, nécessitent une certaine taille de cohorte pour la
détection statistique des signaux. Notre étude s’est concentrée sur les individus d’ancestralité
européenne avec une dichotomisation entre receveurs et donneurs ce qui a réduit le nombre
d’individus par rapport à la taille globale de KiT-GENIE (N = 4 217 individus). Par ailleurs,
l’approche GWAS pourrait être inadaptée pour la taille de notre cohorte. Une augmentation de
la population pourrait permettre d’améliorer la puissance statistique et par conséquent, de ren-
forcer le signal que nous avons identifié. Mais cette hypothèse semble être réfutée par l’étude de
Hernandez-Fuentez qui malgré la taille conséquente de leur cohorte n’ont pas trouvé d’associa-
tions significatifs. Ensuite, un manque de spécificité en ce qui concerne le choix des phénotypes
d’intérêt pourrait expliquer ces résultats. Dans le cas de notre étude, nous nous sommes inté-
réssés au retour en dialyse à un an post-transplantation. Ce phénotype gagnerait à être affiné.
Par exemple, la prise en compte du type de rejet (cellulaire ou humoral) et du nombre de rejet
pourrait révéler des associations. La limite qu’on pourrait néanmoins rencontrer, surtout dans
le cas de notre cohorte, serait un nombre restreint d’individus. En effet, les transplantations
effectuées à Nantes présentent un taux de rejet assez faible (16.6% de rejets dans la cohorte

151
PartIII, Chapitre 2 – Résultats GWAS

globale incluant 8.1% de rejets aigus). Une dichotomisation entre rejet chronique cellulaire et
humoral affecterait la puissance de l’étude.
Finalement, peut être que ces résultats négatifs suggèrent simplement un besoin d’explorer de
nouvelles approches qui impliquent la prise en compte des génomes du receveurs et du donneur
en simultanée [215, 216, 217] (cf. [Link] Etudes d’association à l’échelle du génome (Genome
Wide Association Studies, GWAS) p. 85). Etant donné que la transplantation crée un contexte
génétique particulier avec la coexistence de deux génomes au sein d’un même individu, analyser
les receveurs et les donneurs séparément ne permet pas de tenir compte de toute la complexité
des mécanismes impliqués dans la diminution de la fonction rénale. Il serait donc intéréssant de
développer des approches qui prennent en compte les génomes des receveurs et des donneurs
simultanément. Enfin, ces résultats préliminaires ne sont, à l’heure actuelle, applicables que chez
les européens, une analyse avec le reste des individus de KiT-GENIE est nécessaire.

152
 Quatrième partie

Discussion

153
 Chapitre 1

L’ INTÉGRATION DES DONNÉES

BIOMÉDICALES EN TRANSPLANTATION

1.1 Intérêt d’une ressource de données conséquente en trans-

plantation rénale

En 2021, 5 patients sont en attente d’une transplantation rénale pour 1 greffon disponible [44].
L’un des enjeux majeurs de la transplantation rénale est de faire face à cette pénurie d’organes.
Les moyens mis en place impliquent de trouver un équilibre entre une meilleure attribution des
organes et une limitation de la perte du greffon une fois transplanté. Ce dernier point requiert
entre autres choses une bonne compréhension des interactions entre donneurs et receveurs. Les
études omiques ont permis de lever le voile sur certaines de ces questions comme illustré dans
la partie 2 de l’introduction (cf. 2 La transplantation rénale à l’ère des «omiques» p. 51).
En effet, la première étape durant ma thèse était, d’effectuer une revue non exhaustive de
l’état de l’art actuelle des études omiques en transplantation notamment sur la génomique
en transplantation rénale. Cette revue montre que dans le cas spécifique de la transplantation
rénale, les études menées sont pour la majeure partie focalisées sur la protéomique, la génomique
et la transcriptomique avec surtout des progrès sur la compréhension du rejet aigu [128]. Les
cohortes étudiées restent très modestes et le rejet/perte chronique du greffon reste un défi.
Notre problématique de base repose sur l’identification de facteurs non-HLA potentiellement
impliqués dans les mécanismes de rejet/perte chronique du greffon. Cette identification passe
par l’exploration simultanée des génomes du receveur et du donneur grâce à des approches
GWAS. Des précédentes approches notamment celle de l’équipe de Mesnard et al. [215] avaient
déjà mis en évidence l’existence de ces facteurs non HLA impliqués dans la fonction rénale.
Mais cette étude n’était focalisée que sur les variants codants du génome. Plus important, le
nombre de paires étudiées était très restreint (53 paires) ce qui constituait une limitation à
la puissance statistique de l’étude. Il a été prouvé en génomique et en métabolomique que
l’augmentation croissante du nombre d’échantillon dans une étude peut améliorer la robustesse
et la précision du diagnostic des marqueurs [255]. Ces études requièrent donc une collection
de données importante. Particulièrement dans ce travail, la biobanque KiT-GENIE constitue

154
 1.1. Intérêt d’une ressource de données conséquente en transplantation rénale

une source de données conséquente de donneur-receveur, consolidée par une base de données
cliniques, biologiques et génomiques.

1.1.1 Augmentation de la puissance des études

La mise en place de KiT-GENIE avait pour ambition de constituer l’une des plus grandes
biobanques homogène de paires donneur-receveur en lien avec la transplantation rénale. L’inté-
rêt d’avoir une grande cohorte permettait d’abord de limiter les problèmes liés à la puissance
statistique. En effet, les études d’associations notamment les GWAS, se caractérisent par le test
simultané de millions de variants (par exemple les SNP) pour identifier des associations poten-
tielles avec un phénotype d’intérêt [256]. Pour mieux contrôler ces tests multiples et limiter les
faux positifs, on applique la correction de Bonferroni [253] qui établit un seuil de significati-
vité P = 5×10-8 pour les SNP. Cette correction permet de maintenir un taux de faux positifs
égal à 5% à l’échelle du génome [256] mais réduit considérablement la puissance de détection
des SNP associés, car la plupart des signaux d’association n’atteignent pas le seuil requis [195].
Une façon de résoudre ce problème est d’augmenter la taille de la cohorte d’étude. KiT-GENIE
donne accès à une vaste collection de données contenant des informations génétiques et cliniques
substantielles pour les donneurs et les receveurs. Parallèlement, KiT-GENIE contribue à l’effort
mondial de méta-analyse pour définir les facteurs génétiques associés au rejet et à l’échec de la
greffe en rejoignant le consortium international iGeneTRAiN (International Genetics and Trans-
lational Research in Transplantation Network, http ://[Link]/) [257] en début 2022. Le
consortium iGeneTRAiN intègre plusieurs cohortes de différents types de receveurs d’allogreffes
afin d’identifier les facteurs génétiques associés au succès des transplantations rénales. Il s’agit
de la plus grande initiative génétique visant à mieux comprendre les rejets et les complications
des greffes à ce jour [257, 258]. Ce type d’effort facilite la mise à disposition, pour le monde
scientifique, de ressources indispensables à une meilleure compréhension des mecanismes de la
transplantation. Cela permet de mener des études plus robustes avec une puissance statistique
conséquente et des données diverses mais également d’avoir l’opportunité de valider ces études
avec d’autres cohortes.

1.1.2 Accès à des données diverses

[Link] Importance de l’intégration de la double couche de données génomiques et

phénotypique

KiT-GENIE s’appuie sur les données de DIVAT contenant des données biologiques, cliniques
et épidémiologiques relatives à plus de 30 000 transplantations à ce jour. Ces données sont soi-
gneusement collectées tout au long du suivi médical de chaque patient transplanté. La base de
données compte plus de 200 variables phénotypiques. Pour DIVAT-Nantes, KiT-GENIE enrichit

155
PartIV, Chapitre 1 – L’intégration des données biomédicales en transplantation

cette base, en rajoutant une troisième couche de données génomiques qui va permettre d’aug-
menter la diversité des données et par la même occasion accroître leur potentiel. Ces dernières
années, des ressources qui combinent les données issues des dossiers médicaux électroniques
(EMR) aux données génotypiques sont développées. A titre d’exemple, nous pouvons citer la
UK Biobank qui contient des informations génétiques et cliniques détaillées sur un demi-million
de patients [259]. Une étude menée sur 423 604 participants de la UK-biobank a permis la mise
au point d’un modèle d’apprentissage statistique automatique qui prédit le risque de maladie
cardiovasculaire [260]. L’intégration de données cliniques et génomiques au sein d’une même co-
horte permet d’approfondir l’exploration des associations génotype–phénotype notamment dans
l’étude de maladies complexes. Ces dernières résultent souvent de l’intéraction entre la génétique
et l’environnement [261]. Par exemple dans le cas du VIH ou encore de l’obésité, des facteurs
environnementaux peuvent altérer la méthylation de l’ADN et affecter des gènes potentiellement
impliqués dans ces maladies [262, 263]. Les études GWAS peuvent bénéficier de l’information
clinique afin d’explorer plus amplement certains phénotypes notamment ceux ayant trait aux
facteurs environnementaux. Par exemple, dans le cas du VIH, l’intégration les facteurs tels que
le mode d’infection, l’évolution du virus, le tabagisme etc. en plus de l’information génétique a
été révélateur pour les études et a conduit à l’identification de facteurs de risques associés au
VIH [264, 265]. En tranplantation rénale, l’accès à des données sur les traitements immunolo-
giques, les biopsies et les informations sur le devenir du greffon en simultanée permet d’avoir
une vision plus globale des méchanismes ayant conduit à un échec ou un rejet de greffe [266].
Dans le cas de notre étude, la richesse des données permet d’une part une prise en compte des
covariables pouvant introduire un biais dans l’analyse tels que l’âge, le sexe, le BMI qui sont des
facteurs de risques connus du rejet de greffe [267, 268, 269]. D’autre part, la disponibilité des
informations telles que la durée de la greffe, le nombre de rejets, les antécédents de maladies, les
informations sur le donneur, les traitements immunosuppresseurs etc. contribuent certes à enri-
chir les résultats GWAS mais surtout à pouvoir explorer plusieurs autres phénotypes d’intérêt
liés à a transplantation rénale dans la même cohorte d’étude (récidive de la maladie, fonction
rénale du donneur).

[Link] Accès à des données longitudinales

L’intégration des données cliniques notamment l’inclusion des registres patients donne éga-
lement accès à des données de suivi. En transplantation rénale, Prezelin-Reydit et al. [270] ont
montré, grâce à l’intégration de données temporelles de suivi, que la greffe préemptive rénale
était associée à un risque plus faible d’échec de la transplantion (défini comme le décès, le retour
en dialyse ou la retransplantation.) qu’importe la durée de la dialyse.
KiT-GENIE, grâce à l’intégration des données cliniques de DIVAT, comporte pour chaque pa-
tient des données de suivi pouvant aller jusqu’à 25 ans (moyenne de suivi = 6,7 ans). En 2010,

156
 1.1. Intérêt d’une ressource de données conséquente en transplantation rénale

une étude faite sur la base des données de DIVAT, a montré l’intérêt d’avoir des données de suivi
en développant un score de prédiction de la survie du greffon à long terme [271]. Ce score nommé
KTFS (Kidney Transplantation Failure Score) prends en compte 8 facteurs de risque d’échec de
greffe connus et précédemment décrits dans la littérature (âge, sexe, nombre de transplantations,
créatininemie (3mois et 12 mois), protéinurie (12 mois), créatininemie du donneur, rejet aigu)
et évalue, chez les patients gréffés dans les 1 an, un score de prédiction de la survie du greffon
à 8 ans post-transplantation [271]. Plus récemment, cette même équipe a développé un modèle
dynamique de prédiction du risque d’échec du greffon pour un patient. Ce modèle inclut en plus
des caractéristiques de base précédemment citées, des mesures répétées de la créatinine sérique
(SCr) qui pourraient être mises à jour en continu pendant le suivi du patient. La disponibilité
des données longitudinales ouvre donc les portes à une médecine prédictive et personnalisée pour
chaque patient. Dans le cadre de KiT-GENIE, l’enrichissement en données génomiques, en plus
des données de suivi permettrait de pousser encore plus loin ces analyses et de développer un
score qui prendra en compte les facteurs de risques cliniques connus mais également des facteurs
génétiques pour la prédiction de la survie ou du rejet de greffe.

[Link] Diversité populationnelle/ethnique des données

La diversité des données issues de ressources massives implique également une diversité po-
pulationnelle dans certains cas. Bien que des projets nationaux tels que UK biobank [259] ou
OPTN (Organ Procurement and Transplantation Network) [272] concentrent principalement
des individus d’ascendance européenne, ces ressources permettent néanmoins d’avoir accès à des
données populationnelles issues d’individus de différentes ethnies. Par exemple, l’OPTN compte
346 908 (38%) [273] de greffes sur des patients qui n’ont pas une ancestralité européenne. De
plus, le projet 1KG [274] fournit un catalogue des variations génétiques communes humaines
dans 5 populations de référence (Africains, Americains, Sud et Est Asiatiques, Européens). La
disponibilité de ces données permet de pouvoir explorer la diversité génétique des populations
de différentes ancestralités, leur l’évolution et d’évaluer les différentes susceptibilités à certaines
maladies ou traits. Par exemple, plusieurs études ont déterminé une plus grande susceptibilité à
la maladie rénale chez les populations d’ancestralité africaine. En effet, des variants décrits dans
le géne APOL1 sont associés à un risque accru de maladies rénales [275, 276, 277, 278, 279]. Ce
risque est considérablement accentué pour les suds africains [280] et les afro-américains ayant
des néphropathies associées au VIH [281] (Odd ratio de 89 et 29 respectivement). Ces variants
sont exclusifs des personnes d’ascendance africaine et ont été naturellement sélectionné chez ces
populations car ils confèrent une résistance à la trypanosomiase humaine africaine ("maladie du
sommeil africaine"), en plus d’autres maladies infectieuses [282]. La découverte de ce facteur
de risque génétique illustre parfaitement l’importance de l’ancestralité génétique dans le risque
de maladie. Cela a notamment permis des avancées significatives dans la compréhension de la

157
PartIV, Chapitre 1 – L’intégration des données biomédicales en transplantation

pathophysiologie des maladies rénales [283, 284].

L’accès à des données diverses permet également de pouvoir valider les études génomiques et
confirmer que les résultats peuvent être généralisés à d’autres populations. Bien souvent, les
résultats des études génomiques se basent sur des données qui sont majortitairement ou entière-
ment issues d’individus avec une ancestralité européenne. Ces résultats, appliqués à une popula-
tion non européenne peuvent différer ou être complétement biaisés. En 2015, une étude a montré
qu’un taux faible de tacrolimus, qui est l’immunosuppresseur de prédilection en transplantation
rénale [285], augmente considérablement le risque de rejet aigu chez les Afro-Américains (AA).
Les AA ont 70% de chance de ne pas atteindre les concentrations minimales thérapeutiques
moyennes de tacrolimus au cours de la première année suivant la transplantation comparé aux
autres populations (non AA). Mais contrairement aux non-AA, les AA qui atteignent des concen-
trations thérapeutiques de tacrolimus présentent des taux de rejet aigu nettement inférieurs, ce
qui n’a pas été démontré chez les populations non AA [286]. Cette étude mets en évidence les dif-
férences éthniques dans la relation concentration-effet du tacrolimus sur les mécanismes de rejets
et suggère une meilleure adaptaion des posologies de tacrolimus en fonction des populations. En
clinique, un bon exemple réside dans la mise en place et la validation des formules de mesures du
DFG (formules MDRD et CKD-EPI). Ces formules ont été mises au point en prenant en compte
un facteur éthnique pour les populations noires. Néanmoins, ce facteur éthnique a été établi sur
des données de sujets AA. Ce qui remet en doute sa validité sur des sujets noirs qui ne sont pas
de ce groupe (africains par exemple). Une étude de 2016 menée en côte d’ivoire [287] a montré
que la formule MDRD surestime le DFG lorsqu’on prend en compte les facteurs éthniques. De
plus, la performance des équations MDRD et CKD-EPI est significativement meilleure, en po-
pulation générale, sans le «facteur AA» habituellement proposé. Ils ont conclu que le «facteur
AA» était inapplicable en Afrique de l’ouest [287].
Ces exemples montrent l’intérêt d’avoir accès à une cohorte diverse pour les études. Les données
KiT-GENIE sont pour l’instant majoritairement européennes (plus de 90% pour les donneurs et
les receveurs) avec l’ambition d’intégrer des données issues d’autres centres afin d’augmenter la
diversité génétique de la popuation d’étude et de pouvoir effectuer des méta-analyses à l’échelle
de sous populations ancestrales.

1.2 Les défis de l’intégration des données

L’intégration des données en transplantation passe par des collaborations multicentriques

qui permettent de pouvoir centraliser des données provenant de plusieurs régions/pays. C’est
notamment le cas pour DIVAT qui compte 8 centres à l’échelle de la France. Un problème inhé-
rent à cette intégration de données multicentriques réside dans la diversité des définitions et des
pratiques entre les centres. En effet, il existe très souvent des variabilités inter-centres dans les

158
 1.2. Les défis de l’intégration des données

protocoles cliniques (traitements immunosuppresseurs par exemple), la sélection des donneurs,

les paramètres mesurés lors du suivi des patients, l’extraction et la collecte des échantillons
etc. [288]. De plus, les critères utilisés pour définir les phénotypes tels que les rejets aigus ou
les dysfonctionnements chroniques du greffon peuvent varier selon les centres de transplanta-
tion [289]. En transplantation, le gold-standard pour décrire et évaluer les mécanismes de rejets
aigus et chroniques est l’histologie. Mais les mesures basées sur l’histologie peuvent être subjec-
tives comme le montre la mise à jour continue de la classification de Banff pour la rejet aigu au
fil du temps [289]. Cette disparité peut impacter les recherches et les analyses qui sont faites sur
la base de ces données. En premier lieu, cela rend l’intégration des données plus fastidieuse. En
effet, le stockage des données de recherche dans des structures informatiques adaptées demande
une certaine homogéneité dans les données pour faciliter leur requêtage et leur analyse. Cette
homogéneité implique par exemple des protocoles cliniques similaires afin de pouvoir comparer
les mêmes variables d’intérêt chez tous les individus. Ensuite, cette disparité peut impacter le
choix des critères d’inclusion pour les études. Par exemple, des définitions claires des mécanismes
tels que les rejets aigus ou chroniques permettraient de pouvoir mieux choisir les critères d’in-
clusion pour une étude dont le phénotype d’intêret porte sur la survie par exemple. Enfin, cette
disparité peut affecter les résultats des analyses car elle peut impliquer des données qui ne sont
pas distribuées de façon normale ; cela peut être le cas lorsque, en fonction des centres, les unités
de mesures sont différentes pour une variable donnée (créatininemie, protéinurie etc.). Tous ces
éléments, s’ils ne sont pas bien contrôlés introduisent une hétérogénéité supplémentaire entre les
études et peuvent rendre les études d’associations génétiques difficiles à mener et à valider. Cela
peut expliquer, outre le manque de puissance des analyses statistiques, le manque de reproducti-
bilité des études sur les transplantations. D’un point de vue analytique, le traitement des données
génomiques nécessite une rigueur absolue dans les protocoles et ceci tout au long du processus
d’analyse. Par exemple, la mise en place de KiT-GENIE a necessité des contrôles qualités avant
pendant et après le génotypage avec des protocoles référencés et clairs. Les données brutes géné-
rées ont été rigoureusement traitées grâce à AxAs pour avoir des données robustes et de haute
qualité pour les analyses GWAS. Ces étapes sont encore plus importantes lorsqu’il s’agit de
données provenant de différents centres. Toutefois, des projets comme iGENETRAiN [221] dont
fait maintenant partie KiT-GENIE font des efforts dans ce sens. Le consortium a homogénéisé
les méthodes de génotypage et utilisé des définitions communes pour le rejet afin de réaliser des
méta-analyses robustes pour plusieurs types de transplantations.

159
 Chapitre 2

A NALYSE DE DONNÉES GÉNOMIQUES À

GRANDE ÉCHELLE

L’intégration d’une grande quantité de données implique d’être très prudent lorsqu’il s’agit
de processus analytique. Ce dernier suit généralement un schéma qui s’articule sur trois axes :
la problématique, la préanalyse et l’analyse des données. Le point de départ est la question
biologique. Avant même de considérer les données, il est primordial de s’interroger sur ce que l’on
cherche à savoir. Bien souvent, on se lance dans l’analyse des données dans toute leur complexité
en négligeant l’étape critique de la mise en contexte des données. Cette étape n’est toutefois pas
simple lorsque l’on met en place une cohorte telle que KiT-GENIE qui a été établie de sorte à ne
pas être spécifique à une seule question biologique. Néanmoins, l’axe de réflexion restait le même
et portait sur les facteurs moléculaires qui régissent les mécanismes de la transplantation rénale.
Cette question bien que plus large, représentait un point de départ solide pour nos analyses et
nous a permis d’être plus exhaustifs dans le choix des critères d’inclusions afin d’anticiper l’étude
de plusieurs phénotypes d’intêret. Ensuite viennent les étapes de préanalyses et d’analyses des
données qui représentent des phases critiques en traitement de données génomiques.

2.1 Importance de la pré-analyse des données

La pré-analyse permet de s’assurer que les protocoles suivis tout au long du processus de col-
lecte et de génotypage n’ont pas induit de biais ou d’erreurs systématiques. Les bonnes pratiques
d’analyse commencent à l’état expérimental c’est à dire que la manière dont les échantillons ont
été collectés et manipulés a un impact sur la qualité des données produites. Pour le projet
KiT-GENIE, plusieurs étapes ont été nécessaires à la pré-analyse. D’abord, tous les échantillons
d’ADN collectés ont été mesurés et quantifiés afin d’établir un premier bilan de la qualité des
échantillons. Ensuite pour la préparation au génotypage, les ADNs ont été soigneusement nor-
malisés à un volume et une concentration spécifique pour éviter les erreurs de mesures lors
du génotypage qui peuvent résulter de quantités d’ADN différentiels entre les échantillons. De
plus, nous nous sommes assurés de bien randomiser nos échantillons en fonction du sexe, du
type d’individus (D ou R), et du type de donneurs afin d’éviter les effets de lots c’est à dire
des individus de même sexe ou de même type qui se retrouvent dans le même lot et peuvent

160
 2.2. Les études GWAS dans la compréhension des mécanismes de rejet/perte chronique du greffon

donc biaiser l’analyse GWAS. Les données KiT-GENIE ont également été génotypées avec la
même technologie à savoir la puce PMRA en respectant le protocole préconisé par Affymetrix.
Les données brutes générées ont subi un contrôle qualité rigoureux à trois échelles : un QC des
individus, un QC des plaques et un QC des variants. La conformité des données a été verifiée en
faisant une comparaison du sexe et du HLA des individus génotypés versus les individus présents
dans la base de données.
Toutes ces étapes nous ont permis d’assurer des données robustes et qualitatifs pour les analyses
GWAS. Toutefois, nous avons eu recours à deux plateformes de génotypage pour l’ensemble
des données de KiT-GENIE. Malgré une technologie et des protocoles similaires, les techniciens
n’étaient pas les mêmes et surtout les analyses n’ont pas été faites sur un intervalle de temps
continu. Ce délai est en partie dû au Covid 2019. Cette disparité pourrait avoir introduit du bruit
dans nos données. L’analyse en composante principale permettait de s’assurer que les données
n’avaient pas d’effets de lots ni de valeurs aberrantes et sinon pouvoir les corriger.

2.2 Les études GWAS dans la compréhension des mécanismes

de rejet/perte chronique du greffon
2.2.1 Limite des études GWAS aux receveurs et aux donneurs uniquement
Les études GWAS ont permis de mieux appréhender les mécanismes qui sous tendent la
fonction rénale chez l’homme comme illustrés par les nombreuses études sur APOL1 [275, 277]
ou encore sur l’effet des taux de tacrolimus dans le rejet du greffon [290, 286]. Néanmoins, les
études d’associations sur les mécanismes de rejets aigus ou la survie du greffon à long terme
sont arrivées un peu plus tard, en 2013 pour les mécanismes chroniques [213] et en 2016 pour le
rejet aigu [208]. D’autres études ont très vite suivies [214, 211] notamment celle de Hernandez-
Fuentes et al. [211] qui disposaient d’une cohorte conséquente de 2094 paires donneurs-receveurs
et qui ont effectué 3 types de GWAS (receveurs seuls, donneurs seuls et D/R) pour évaluer la
survie du greffon. Toutefois aucun résultat n’a été validé pour toutes ces études. Les associa-
tions décrites par les études de Ghisdal et al. sur le rejet aigu ou encore O’Brien et al. sur la
fonction du greffon à long terme n’ont pas pu être répliquées par aucune autre étude malgré
une augmentation de la cohorte d’étude pour les travaux qui ont suivis. Il est important de
noter que pour toutes ces études, à l’exception de celle de Hernandez-Fuentez, les GWAS n’ont
été menées que sur les receveurs seuls. Nous avons également mené une étude GWAS sur des
receveurs seuls (n = 1291) et des donneurs seuls (n = 1183) qui n’ont donné aucune association
[Link] résultats étaient quelque peu attendus car ils restent cohérents avec les pré-
cédentes études de réplications qui n’avaient identifié aucune association. Néanmoins, chez les
receveurs, un signal approchant le seuil de significativité a cependant été identifié au niveau du
locus 11p14.1 (p=4,27x10-7, OR 1,79), qui a précédemment été associé avec la fonction rénale.

161
PartIV, Chapitre 2 – Analyse de données génomiques à grande échelle

Nous pourrions penser qu’une augmentation de la puissance statistique permettrait de renforcer

ce signal mais l’étude de Hernandez-Fuentez semble dire le contraire car ils ont mené leur étude
sur un plus grand nombre de receveurs et n’ont pas trouvé d’associations. Toutefois, l’argument
selon laquelle leur étude n’est pas une réplique exacte de la notre pourrait être avancé dans
ce cas là et constituerait un bon argument pour explorer ce signal avec plus d’individus. C’est
d’ailleurs, un des éléments de réponse donnée par l’équipe de Ghisdal et al. [291] afin d’expliquer
cette disparité de résultats entre les deux études.

2.2.2 Intérêt de l’analyse double génome

À ce jour, il n’y a eu qu’une seule étude GWAS combinant l’analyse de donneurs et de rece-
veurs de rein réalisée par Hernandez-Fuentes et al. [211]. Aucun signal statistiquement significatif
en dehors du HLA n’a été trouvé dans aucun des modèles testés. Cette étude était limitée par
le manque d’homogénéité dans la définition des phénotypes testés. Ces derniers ont été évalués
rétrospectivement à partir des données des registres provenant de différents centres [292]. Plus
récemmment, les études de Reindl-Schwaighofer et al. en 2018 [216] et de Steers et al. en 2019
[217] explorent des nouvelles méthodes basées respectivement sur le rôle des mésappariements à
l’échelle du génome dans les variants faux-sens (substitutions non synonymes) et l’hypothèse de
la "collision génomique" selon laquelle le risque de rejet peut être accru chez les receveurs, ho-
mozygotes pour des variants de perte de fonction, ayant reçu un greffon provenant de donneurs
non homozygotes [292]. Ces deux études récentes ont confirmé que les facteurs non-HLA sont
impliqués dans les résultats chroniques de la transplantation rénale. En élargissant l’utilisation
des scores de risque polygénique en transplantation rénale, elles font écho à celle de Mesnard
et al. [215] qui ont introduit pour la première fois un système de score de sommation pour
évaluer les facteurs non-HLA dans la fonction du greffon rénal à partir de données génomiques
(séquençage de l’exome de nouvelle génération). Les études GWAS de paires donneur-receveur
représentent une approche non biaisée qui pourrait être utilisée pour identifier des associations
en testant formellement divers types d’interactions donneur-receveur à l’échelle du génome. Ces
études peuvent bénéficier de l’intégration de couches de données supplémentaires (expression
génétique, protéines, métabolites) pour mieux comprendre les résultats de la transplantation.
Étant donné la complexité et l’hétérogénéité des résultats du rejet, de grandes cohortes avec des
données cliniques complètes, l’ADN du donneur et du receveur, et du sérum prélevé de préférence
au moment du rejet sont nécessaires pour le succès de telles études. C’est l’effort que nous avons
mis en place avec KiT-GENIE afin d’avoir une ressource de données complète, homogène avec
des informations cliniques exhaustives et une couche de données génomiques qui vient enrichir la
base de données. Nos résultats actuels sont limités à l’exploration des donneurs et des receveurs
seuls. Nous comptons aller plus loin avec la réalisation d’une analyse simultanée des génomes

162
 2.2. Les études GWAS dans la compréhension des mécanismes de rejet/perte chronique du greffon

du donneur et du receveur qui pourrait identifier de potentiels facteurs de risque pour la perte
du greffon.

2.2.3 Prise en compte de l’ancestralité

L’analyse en composante principale nous a permis d’identifier des potentiels valeurs aber-
rantes dans notre cohorte d’études mais également de voir comment nos individus étaient dis-
tribués en terme d’ancestralité. Cela nous a permis de voir que les individus transplantés à
Nantes étaient majoritairement européens même s’il subsiste une certaine diversité (plus de 7%
des receveurs sont non européens). Cette diversité bien que intéréssante peut poser problème
dans les analyses. Il a été montré à plusieurs reprises que certains loci de risque à des maladies
présentent des différences éthniques considérables en termes de fréquence et/ou d’ampleur de
l’effet d’un variant. La réalisation d’études GWAS dans divers groupes éthniques a d’ailleurs
révélé une hétérogénéité dans la susceptibilité génétique à la maladie [279].
Par ailleurs, les analyses seraient plus robustes avec une dichotomisation propre des individus
en fonction de leur ancestralité. Le problème qui se pose reste la puissance. Les individus non
européens sont trop peu nombreux pour être séparés en sous groupes et trop nombreux pour
être complètement éliminés des analyses. Une première solution est de les enlever de l’analyse
principale et de les utiliser comme cohorte de validation. Mais encore une fois, cette solution di-
minue la puissance statistique de nos analyses. Nous pouvons prendre en exemple notre analyse
axée que sur les européens (n=2 474 versus 4 417 pour toute la cohorte). Une deuxième solution
est de faire une analyse globale de tous les individus en prenant bien soin d’impliquer l’ances-
tralité comme covariable. Mais cette solution peut être insuffisante pour limiter le bruit dans
nos analyses c’est à dire que cette disparité en terme d’ancestralité peut intensifier ou affaiblir
un signal génétique et impliquer des résultats qui ne sont pas fiables. La meilleure alternative
reste l’intégration de données plus diverses pour pouvoir mener des méta-analyses robustes avec
des résultats qui peuvent être généralisés dans plusieurs populations. Cette intégration passe
par des collaborations entre chercheurs, la mise en place de ressources de données massives et
diversifiées, l’accès facilité à des données provenant d’autres études afin de contribuer à l’effort
mondial de compréhension des mécanismes de la transplantation.

2.2.4 Validation des études

La validation des études en transplantation et plus largement dans le domaine biomédical
revêt une importance primordiale pour s’assurer de la crédibilité des résultats. En tranplantation
rénale, la validation des résultas reste un grand challenge. En effet, plusieurs études qui initia-
lement semblaient fournir des résultats prometteurs avec l’identification de variants associées à
la survie ou au rejet de greffe n’ont pas pu être répliqués car les résultats se sont avérés par
la suite être des faux positifs. Cela semble être le cas de l’étude de O’Brien et al. [213] dans le

163
PartIV, Chapitre 2 – Analyse de données génomiques à grande échelle

rapport de Philstrøm et al. [214] où deux SNP associés à la créatinine à 5 ans et à la survie du
greffon chez les receveurs de rein n’ont pas pu être validés dans une cohorte indépendante. De
la même manière, l’étude de Ghisdal et al. en 2016 [208] sur le rejet aigu n’a pas pu être validée
même avec une cohorte conséquente et en utilisant plusieurs modèles statistiques. Néanmoins,
Ghisdal et al. ont attribués ces résultats négatifs à une disparité de méthodes entre les deux
études ce qui les rend donc incomparables selon eux. Dans tous les cas, aucune autre étude n’a
pu confirmer et valider les associations précédemment trouvés en GWAS autant sur les rejets
aigus que sur la survie du greffon à long terme. Ceci inclut nos GWAS sur les donneurs et les
receveurs séparés. Un autre point important à souligner est le côté très eurocentré des cohortes
pour toutes ces études. Par conséquent, les résultats nécessitent également une validation sur
d’autres populations pour que les résultats puissent être appliqués à la population générale.

164
 Cinquième partie

Conclusion et perspectives

165
 Chapitre 1

C ONCLUSION

L’objectif scientifique qui a motivé mon projet de thèse était l’identification de facteurs
génétiques au delà du HLA, pouvant potentiellement jouer un rôle dans les mécanismes qui
régissent le rejet ou la perte de greffon à long terme. Dans le but de répondre à ce questionnement,
nous avons préconisé une approche GWAS sur des données de paires donneurs-receveurs (D/R)
afin de :
— valider/répliquer les études GWAS qui ont déjà été menées sur les receveurs et les don-
neurs séparémment
— établir un alloscore polygénique de risque qui estime le nombre d’incompatibilités allogé-
niques entre donneurs et receveurs dans le sillage de l’étude menée par Mesnard et al. en
exome [215].
Etant donné la taille modeste des cohortes D/R précédemment étudiées, l’originalité de notre
approche repose sur l’accès aux données de la cohorte française DIVAT de transplantés rénaux
(>30000 patients transplantés rénaux depuis 1990), le but étant d’établir une ressource de don-
nées homogènes et conséquentes de D/R.
A partir d’une extraction de DIVAT-Nantes, nous avons selectionné, collecté, génotypé, nettoyé
et analysé les données de près de 2000 paires D/R pour consolider la biobanque KiT-GENIE
qui compte à ce jour une triple couche de données cliniques, biologiques et génétiques pour
chaque paire donneur-receveur. Ce travail s’enrichit d’une part de la qualité et l’homogéneité
des données et d’autre part d’une description fine des individus et des informations cliniques. En
effet, j’ai établi un contrôle qualité des données rigoureux tout au long des analyses. Ce contrôle
qualité implique, les bonnes pratiques de laboratoires lors des phases de génotypage, une analyse
primaire des données brutes rigoureuse selon les recommandations d’Affymetrix, le contrôle des
erreurs systématiques tels que les effets de lots et une comparaison des données de la base avec
les données génétiques pour le sexe et le HLA pour assurer une conformité parfaite des données.
KiT-GENIE dispose de données robustes et fiables pour l’analyse. J’ai également établi la "carte
d’identité" de la cohorte KiT-GENIE en fournissant une description démographique claire de la
population d’étude et en mettant en exergue la richesse des phénotypes présents dans la base
de données. Au delà des aspects déscriptifs, mes travaux ont portés sur l’analyse des données
génomiques de la cohorte. J’ai d’abord mené une exploration de l’ancestralité des individus
KiT-GENIE qui a soulevé des questionnements intéréssantes sur l’intérêt de la prise en compte

166
de l’ethnicité en transplantation. Enfin, sur la base des travaux de stage d’un de nos étudiants
de Master, nous avons réalisé une analyse génomique sur 7,4M de polymorphismes (SNP) pour
rechercher les associations avec le retour en dialyse au-delà d’un an post-transplantation chez
les receveurs et les donneurs d’origine européenne pour des transplantations rénales réalisées
à Nantes après 2000. L’analyse a été réalisée séparemment pour les donneurs (201 cas vs. 982
contrôles) et pour les receveurs (238 cas vs. 1053 contrôles). Aucune association statistiquement
significative n’a été détectée chez les receveurs comme chez les donneurs. Cependant, l’analyse
des receveurs détecte un signal approchant le seuil de significativité au niveau du locus 11p14.1
(p=4,27x10-7, OR 1,79), qui a précédemment été associé avec la fonction rénale.
Les objectifs du projet KiT-GENIE n’ont pas été entièrement atteints à l’issue de ma thèse.
Néanmoins, mes travaux ont apporté plusieurs réponses. D’abord, la conception et la mise en
place de la biocollection a représenté un travail colossal mais extrêmement important pour le
futur de ce projet. En effet, le montage de KiT-GENIE a nécessité un investissement important
en temps mais également en ressources financières. Ceci est assez représentatif des projets gé-
nomiques de cette envergure surtout lorsque la conception de la biobanque n’a pas été pensé
pour un seul projet mais pour répondre à plusieurs problèmatiques relatives à un domaine. Par
ailleurs, la mise en place de la ressource doit alors être le plus qualitatif possible. J’ai débuté
ma thèse lorsque le projet KiT-GENIE était en phase de conception. J’ai participé à toute la
procédure de montage : de l’extraction des données informatiques à la collecte des échantillons
d’ADN en passant par le processus de génotypage. KiT-GENIE représente aujourd’hui une res-
source majeure en transplantation de par sa richesse et la qualité des données disponibles. La
biobanque a été façonnée de sorte de pouvoir tacler des questionnements primordiaux en trans-
plantation ; sa triple couche de données permet aujourd’hui de pouvoir étudier les intéractions
entre donneurs et receveurs, d’explorer plus amplement certains phénotypes relatifs aux rece-
veurs (maladies récidivantes, réponses aux immunosuppresseurs, analyses longitudinales etc.)
et d’améliorer la compréhension sur le devenir de la fonction rénale des donneurs particulière-
ment pour les dons du vivant. Mon travail a permis de préparer le terrain et de permettre la
genèse de nouveaux projets détaillés dans la partie perspectives. En deuxième lieu, les analyses
préliminaires des données ont permis d’ouvrir des questionnements sur la diversité génétique
réelle des patients de DIVAT-Nantes et l’utilité d’impliquer l’éthnie dans les transplantations.
Par rapport à notre analyse, cela permet un meilleur contrôle des biais qui peuvent être liés à
l’ancestralité des individus. Enfin, les résultats GWAS préliminaires éclairent sur deux choses.
D’abord, elles valident le manque de signaux significatifs dans les études menées sur les receveurs
ou les donneurs séparémment ce qui n’est pas contradictoire avec la littérature actuelle. Ensuite
elles confirment la nécessité de l’analyse simultanée des génomes du donneur et du receveur qui
pourrait être déterminant dans l’identification de potentiels facteurs de risque pour la perte du
greffon.

167
 Chapitre 2

P ERSPECTIVES

La cohorte KiT-GENIE représente une ressource précieuse pour l’étude des complications des
transplantations rénales, ainsi que les conséquences chez les donneurs vivants de rein. Plusieurs
études GWAS liées aux résultats des transplantations rénales sont actuellement en cours au sein
de l’équipe. Ces projets seront enrichis par la biobanque KiT-GENIE.

1. Dans la suite directe de mon projet de thèse, une étude est actuellement en cours
dans l’équipe pour explorer plus amplement les interactions-donneurs receveurs et tenter
d’identifier des facteurs génétiques non-HLA pouvant impacter la survie ou le rejet du
greffon. Nous avions au cours de ma thèse, realisé deux GWAS, séparemment chez les
donneurs et les receveurs, qui n’avaient pas générés de signaux signaficatifs pour les deux
analyses. Plus récemment, une analyse comparative des mismatches génétiques entre re-
ceveurs et donneurs a été menée avec une séparation des paires ayant un donneur vivant
versus un donneur décédé. Ces résultats préliminaires font l’objet d’explorations et de
validations supplémentaires. Les étapes suivantes seront d’effectuer une exploration lon-
gitudinales de la survie du greffon grâce aux données de suivi en utilisant des modèles de
régression multivariés de Cox. Enfin, l’étape finale portera sur la mise en place de scores
de risque polygénique afin de mieux saisir le risque génétique global pour une transplan-
tation rénale à partir des SNP du donneur, des SNP du receveur et des mésappariements
donneur-receveur. Une nouvelle thèse est actuellement en cours pour prendre en charge
ces analyses et fournir des résultats prometteurs dans le domaine de la transplantation.

2. Deux autres projets sont également en cours et concernent respectivement la récidive

HSF et l’étude de la fonction rénale post-don des donneurs vivants.
— Le syndrome néphrotique idiopathique avec lésions HSF présente un risque élevé de ré-
cidive après une transplantation rénale sans qu’aucun facteur prédictif de stratification
du risque n’ait été identifié à ce jour. Nous avons exploré les associations génétiques
avec la HSF et sa récidive après transplantation dans la sous-population européenne
KiT-GENIE afin de mieux caractériser les voies moléculaires sous-jacentes.
— Les donneurs vivants, après un don de rein, ont la possibilité de reprendre une vie
normale quelques semaines après l’opération sans conséquence sur leur qualité de
vie quotidienne. Néanmoins, certaines études ont précédemment rapporté un risque

168
 accru de déclin de la fonction rénale et de maladie rénale par rapport à la population
générale [293, 294]. D’autres études sur les donneurs vivants sont donc nécessaires pour
évaluer leur fonction rénale à long terme après une néphrectomie et pour identifier
les facteurs de risque de déclin accéléré de la fonction rénale. Nous avons étudié
les déterminants génétiques de la fonction rénale chez les donneurs vivants dans le
cadre de KiT-GENIE. Nous prévoyons également d’intégrer les facteurs génétiques de
risque identifiés aux facteurs démographiques et cliniques préopératoires pour prédire
le déclin de la fonction rénale après néphrectomie à court (1 an) et à long (5-10 ans)
terme.
Les associations génétiques et immunogénétiques identifiées dans KiT-GENIE contribueront
(1) à mieux comprendre les principaux défis cliniques liés à la transplantation rénale, (2) à
révéler de nouvelles cibles thérapeutiques potentielles à caractériser davantage par des études
fonctionnelles, et (3) à identifier des biomarqueurs prédictifs qui peuvent stratifier le risque indi-
viduel avant l’apparition des symptômes et améliorer la gestion clinique (médecine personnalisée
et prédictive).

169
 Sixième partie

Références bibliographiques

171
 R ÉFÉRENCES BIBLIOGRAPHIQUES

[1] Pierre Mordant. La transplantation d’organe. Petite histoire d’une grande aventure. Info
Respiration, (82) :27–31, 2007.
[2] Alexis Carrel and C. C. Guthrie. Functions of a Transplanted Kidney. Science,
22(563) :473–473, oct 1905.
[3] Mathieu Jaboulay. Greffe de reins au pli du coude par soudures artérielles et veineuses.
Lyon Méd, 107(39) :575–83, 1906.
[4] Edouard Matevossian, Hans Kern, Norbert Hüser, Dietrich Doll, Yurii Snopok, Jörg Näh-
rig, Jennifer Altomonte, Inga Sinicina, Helmut Friess, and Stefan Thorban. Surgeon Yurii
Voronoy (1895-1961) - a pioneer in the history of clinical transplantation : in Memoriam
at the 75th Anniversary of the First Human Kidney Transplantation. Transplant Interna-
tional, 22(12) :1132–1139, dec 2009.
[5] David M. Hume, John P. Merrill, Benjamin F. Miller, and George W. Thorn. EXPE-
RIENCES WITH RENAL HOMOTRANSPLANTATION IN THE HUMAN : REPORT
OF NINE CASES 1. Journal of Clinical Investigation, 34(2) :327–382, feb 1955.
[6] L MICHON, J HAMBURGER, N OECONOMOS, P DELINOTTE, G RICHET,
J VAYSSE, and B ANTOINE. [An attempted kidney transplantation in man : medical
and biological aspects]. La Presse medicale, 61(70) :1419–23, nov 1953.
[7] Carl S. Williamson. Some Observations on the Length of Survival and function of Homo-
genous Kidney Transplants : Preliminary Report. Journal of Urology, 10(4) :275–287, oct
1923.
[8] Carl S. Williamson. Further Studies on the Transplantation of the Kidney. Journal of
Urology, 16(4) :231–254, oct 1926.
[9] William H. Woglom. Absorption of the protective agent from rats resistant to a trans-
plantable sarcoma. American Journal of Cancer, 17(4) :873–893, 1933.
[10] Dominique J. Charron. Jean Dausset (1916–2009). Nature, 460(7253) :338–338, jul 2009.
[11] John P. Merrill. SUCCESSFUL HOMOTRANSPLANTATION OF THE HUMAN KID-
NEY BETWEEN IDENTICAL TWINS. Journal of the American Medical Association,
160(4) :277, jan 1956.
[12] Marine Fontaine. Histoire des greffes et des transplantations d ’ organes * A short history
of graft and transplantation. pages 493–498, 2018.

173
PartVI, Références bibliographiques

[13] E. Donnall Thomas, Harry L. Lochte, Wan Ching Lu, and Joseph W. Ferrebee. Intrave-
nous Infusion of Bone Marrow in Patients Receiving Radiation and Chemotherapy. New
England Journal of Medicine, 257(11) :491–496, sep 1957.
[14] Thomas E. Starzl, Lawrence J. Koep, Charles G. Halgrimson, J. Hood, Gerhard P.J.
Schroter, K.A. Porter, and Richard Weil. Fifteen years of clinical liver transplantation.
Gastroenterology, 77(2) :375–388, aug 1979.
[15] C N Barnard. The operation. A human cardiac transplant : an interim report of a successful
operation performed at Groote Schuur Hospital, Cape Town. South African medical journal
= Suid-Afrikaanse tydskrif vir geneeskunde, 41(48) :1271–4, dec 1967.
[16] Emma Buchanan. The operation : A human cardiac transplant : An interim report of
a successful operation performed at Groote Schuur Hospital, Cape Town. Author : C
N Barnard. South African medical journal = Suid-Afrikaanse tydskrif vir geneeskunde,
107(12) :1041–1044, nov 2017.
[17] James D. Hardy, Watts R. Webb, Martin L. Dalton, and George R. Walker. Lung Homo-
transplantation in Man. JAMA, 186(12), dec 1963.
[18] Bruck A. Reitz, John L. Wallwork, Sharon A. Hunt, John L. Pennock, Margaret E. Billin-
gham, Philip E. Oyer, Edward B. Stinson, and Norman E. Shumway. Heart-Lung Trans-
plantation. New England Journal of Medicine, 306(10) :557–564, mar 1982.
[19] Agence de la Biomédecine. Press communication 2021. Technical report, 2022.
[20] John Feehally. Comprehensive Clinical Nephrology. Elsevier Health Sciences, 2010.
[21] Dee Unglaub Silverthorn. Physiologie humaine : une approche intégrée. Pearson Education
France, 2007.
[22] M. A. Wallace. Anatomy and physiology of the kidney. AORN journal, 68(5) :799–800,
nov 1998.
[23] CUEN Manuel de Nephrologie 9e édition. Eléments de le physiologie rénale.
[24] Bernard Lacour. Physiologie du rein et bases physiopathologiques des maladies rénales.
Revue Francophone des Laboratoires, 2013(451) :25–37, apr 2013.
[25] Estelle Geffard. Développement d’outils de médecine de précision pour accompagner la
prise de décision médicale en transplantation. Thèse de bioinformatique, Université de
Nantes - CRTI eq5, 2020.
[26] CUEN Manuel de Nephrologie 8e édition. Elevation de la créatininémie. 2018.
[27] HAS. Diagnostic de l’insuffisance rénale chronique chez l’adulte. Technical report, 2006.
[28] B. Dussol. Méthodes d’exploration de la fonction rénale : intérêt et limites des formules
permettant d’estimer la fonction rénale. Immuno-analyse Biologie Spécialisée, 26(1) :6–12,
feb 2011.

174
 Références bibliographiques

[29] R D Perrone, N E Madias, and A S Levey. Serum Creatinine as an Index of Renal Function :
New Insights into Old Concepts. Clinical Chemistry, 38(10) :1933–1953, oct 1992.
[30] Brod, Jan and Jonas H. Sirota. The renal clearance of endogenous “creatinine” in man.
The Journal of Clinical Investigation, 27(5) :645–54, 1948.
[31] Geetha Maddukuri and MD. Evaluation du patient présentant un trouble rénale. Le
manuel MSD, 2020.
[32] Andrew S. Levey, Lesley A. Stevens, Christopher H. Schmid, Yaping (Lucy) Zhang, Ale-
jandro F. Castro, Harold I. Feldman, John W. Kusek, Paul Eggers, Frederick Van Lente,
Tom Greene, and Josef Coresh. A New Equation to Estimate Glomerular Filtration Rate.
Annals of Internal Medicine, 150(9) :604, may 2009.
[33] Donald W. Cockcroft and Henry Gault. Prediction of Creatinine Clearance from Serum
Creatinine. Nephron, 16(1) :31–41, 1976.
[34] Andrew S. Levey. A More Accurate Method To Estimate Glomerular Filtration Rate from
Serum Creatinine : A New Prediction Equation. Annals of Internal Medicine, 130(6) :461,
mar 1999.
[35] Kevin Damman, Pim van der Harst, Tom D J Smilde, A A Voors, Gerjan Navis, Dirk J
van Veldhuisen, and Hans L Hillege. Use of cystatin C levels in estimating renal function
and prognosis in patients with chronic systolic heart failure. Heart, 98(4) :319–324, feb
2012.
[36] Lesley A. Inker, Christopher H. Schmid, Hocine Tighiouart, John H. Eckfeldt, Harold I.
Feldman, Tom Greene, John W. Kusek, Jane Manzi, Frederick Van Lente, Yaping Lucy
Zhang, Josef Coresh, and Andrew S. Levey. Estimating Glomerular Filtration Rate from
Serum Creatinine and Cystatin C. New England Journal of Medicine, 367(1) :20–29, jul
2012.
[37] D Kervella, S Lemoine, F Sens, E Pouliquen, L Dubourg, F Guebre-Egziabher, and
L Juillard. Intérêt de la cystatine c dans la mesure de la fonction rénale dans le syn-
drome cardiorénal de type 2. Néphrologie & Thérapeutique, 11(5) :258, 2015.
[38] Anna Malkina and MD. Présentation de l’insuffisance rénale. Le manuel MSD, 2020.
[39] Anna Malkina. Lésion rénale aiguë (insuffisance rénale aiguë). Le manuel MSD, 2020.
[40] Arif Khwaja. KDIGO Clinical Practice Guidelines for Acute Kidney Injury. Nephron,
120(4) :c179–c184, aug 2012.
[41] CUEN Manuel de Nephrologie 8e édition. Insuffisance Rénale Aiguë. 2018.
[42] Bénédicte Stengel, Cécile Couchoud, Catherine Helmer, Carole Loos-Ayav, and Michèle
Kessler. Épidémiologie de l’insuffisance rénale chronique en France. La Presse Médicale,
36(12) :1811–1821, dec 2007.

175
PartVI, Références bibliographiques

[43] CUEN Manuel de Nephrologie 8e édition. Insuffisance rénale chronique et maladies rénales
chroniques. 2018.
[44] Agence de la Biomédecine. Annual report 2020 - Kidney. Technical report, 2021.
[45] B. Dussol. Différents stades de l’insuffisance rénale chronique : recommandations. Immuno-
analyse Biologie Spécialisée, 26(2) :55–59, apr 2011.
[46] Bernard Lacour and Ziad Massy. Diagnostic, suivi biologique de l’insuffisance rénale chro-
nique et prise en charge de l’insuffisance rénale chronique terminale. Revue Francophone
des Laboratoires, 2013(451) :59–73, apr 2013.
[47] C Jungers, P., Man, N. K., Joly, D., Legendre. L’insuffisance rénale chronique : prévention
et traitement. Lavoisier, 2011.
[48] R.E.I.N. Annual Report. Technical report, 2020.
[49] Agence de la Biomédecine. Le Réseau Épidémiologie et Information en Néphrologie -
Journée mondiale du rein. Technical report, Agence de la Biomedecine, 2022.
[50] Mohamed Nasr, Mohamed Hadj Ammar, Sami Khammouma, Nasr Ben Dhia, and Anouar
Ghachem. L’hémodialyse et son impact sur la qualité de vie. Néphrologie Thérapeutique,
4(1) :21–27, feb 2008.
[51] L. Aimee Hechanova and MD. Dialyse péritonéale. Le manuel MSD, 2020.
[52] Marie Matignon, Karine Dahan, Ghislaine Fruchaud, Vincent Audard, Philippe Grimbert,
and Philippe Lang. Transplantation rénale : indications, résultats, limites et perspectives.
La Presse Médicale, 36(12) :1829–1834, dec 2007.
[53] Guillermo Garcia Garcia, Paul Harden, and Jeremy Chapman. The Global Role of Kidney
Transplantation. Kidney and Blood Pressure Research, 35(5) :299–304, 2012.
[54] Fondation du rein. Le don d’organes. Technical report, 2020.
[55] Christophe Legendre. La transplantation rénale. Lavoisier, 2011.
[56] CUEN Manuel de Nephrologie 8e édition. Transplantation d’organes. 2018.
[57] Jean-Christophe Danober. Prélèvements et greffes à partir de donneurs de 75 ans et plus,
mythe ou réalité ? Description et analyse à partir d’une étude de dix ans en France. Publié
sur hal - hal-01731961, Université de lorraine, 2014.
[58] Agence de la Biomédecine. Greffe d’organes données générales et méthodes. Technical
report, 2021.
[59] Thierry Hauet. Des situations complexes : l’exemple de la transplantation rénale. Technical
report, Springer Healtcare, Poitiers, 2017.
[60] Martin Hertl and PhD , MD. Transplantation rénale. Le manuel MSD, 2020.

176
 Références bibliographiques

[61] Ana I. Sánchez-Fructuoso, Maria Marques, Dolores Prats, José Conesa, Natividad Calvo,
M. Jesús Pérez-Contín, Jesús Blazquez, Cristina Fernández, Ervigio Corral, Francisco Del
Río, Jose R. Núñez, and Alberto Barrientos. Victims of Cardiac Arrest Occurring Out-
side the Hospital : A Source of Transplantable Kidneys. Annals of Internal Medicine,
145(3) :157, aug 2006.
[62] Thomas Bertsch, Jochen Lüdecke, Werner Antl, and Lydia W M Nausch. Karl Landstei-
ner : The Discovery of the ABO Blood Group System and its Value for Teaching Medical
Students. Clinical laboratory, 65(6), jun 2019.
[63] Eiji Hosoi. Biological and clinical aspects of ABO blood group system. The Journal of
Medical Investigation, 55(3,4) :174–182, 2008.
[64] K Hadaya. [ABO incompatible renal transplantation]. Revue medicale suisse, 8(346) :1310–
3, jun 2012.
[65] Kota Takahashi. A new concept of accommodation in ABO-incompatible kidney trans-
plantation. Clinical Transplantation, 19(s14) :76–85, aug 2005.
[66] Kota Takahashi and Kazuhide Saito. ABO-incompatible kidney transplantation. Trans-
plantation Reviews, 27(1) :1–8, jan 2013.
[67] Stefan Zschiedrich, Albrecht Kramer-Zucker, Bernd Jänigen, Maximilian Seidl, Florian
Emmerich, Przemyslaw Pisarski, and Tobias B. Huber. An update on ABO-incompatible
kidney transplantation. Transplant International, 28(4) :387–397, apr 2015.
[68] Nephro-Blog. Greffe rénale ABO incompatible, 2011.
[69] Christian Morath, Martin Zeier, Bernd Döhler, Gerhard Opelz, and Caner Süsal. ABO-
Incompatible Kidney Transplantation. Frontiers in Immunology, 8, mar 2017.
[70] Myriam Labalette, Siamak Bahram, and Marie Christine Béné. Le complexe majeur d’his-
tocompatibilité humain (HLA). Polymorphisme et présentation des antigènes aux lympho-
cytes T. Technical report, 2015.
[71] Jean Dausset and Felix T. Rapaport. The HLA Story. In Immunology, pages 111–120.
Elsevier, 1995.
[72] Takashi Shiina, Kazuyoshi Hosomichi, Hidetoshi Inoko, and Jerzy K Kulski. The HLA
genomic loci map : expression, interaction, diversity and disease. Journal of Human Ge-
netics, 54(1) :15–39, jan 2009.
[73] Corrine M.C. Heijmans, Natasja G. Groot, and Ronald E. Bontrop. Comparative genetics
of the major histocompatibility complex in humans and nonhuman primates. International
Journal of Immunogenetics, 47(3) :243–260, jun 2020.
[74] Kenneth L. Rock, Eric Reits, and Jacques Neefjes. Present Yourself ! By MHC Class I and
MHC Class II Molecules. Trends in Immunology, 37(11) :724–737, nov 2016.

177
PartVI, Références bibliographiques

[75] James Robinson, Anup R. Soormally, James D. Hayhurst, and Steven G.E. Marsh. The
IPD-IMGT/HLA Database – New developments in reporting HLA variation. Human
Immunology, 77(3) :233–237, mar 2016.
[76] Diogo Meyer, Vitor R. C. Aguiar, Bárbara D. Bitarello, Débora Y. C. Brandt, and Kelly
Nunes. A genomic perspective on HLA evolution. Immunogenetics, 70(1) :5–27, jan 2018.
[77] A. E. Kennedy, U. Ozbek, and M. T. Dorak. What has GWAS done for HLA and disease
associations ? International Journal of Immunogenetics, 44(5) :195–211, oct 2017.
[78] Paul I. Terasaki, Domenico Bernoco, Min Sik Park, Gungor Ozturk, and Yuichi Iwaki.
Microdroplet Testing for HLA-A, -B, -C, and -D Antigens : The Philip Levine Award
Lecture. American Journal of Clinical Pathology, 69(2) :103–120, feb 1978.
[79] F. Jordan, A. J. McWhinnie, S. Turner, N. Gavira, A. A. Calvert, S. A. Cleaver, R. H.
Holman, J. M. Goldman, and J. A. Madrigal. Comparison of HLA-DRB1 typing by
DNA-RFLP, PCR-SSO and PCR-SSP methods and their application in providing matched
unrelated donors for bone marrow transplantation. Tissue Antigens, 45(2) :103–110, feb
1995.
[80] Christina E. M. Voorter, Fausto Palusci, and Marcel G. J. Tilanus. Sequence-Based Typing
of HLA : An Improved Group-Specific Full-Length Gene Sequencing Approach. pages 101–
114. 2014.
[81] D. De Santis, D. Dinauer, J. Duke, H. A. Erlich, C. L. Holcomb, C. Lind, K. Mackiewicz,
D. Monos, A. Moudgil, P. Norman, P. Parham, A. Sasson, and R. J. N. Allcock. 16
th IHIW : Review of HLA typing by NGS. International Journal of Immunogenetics,
40(1) :72–76, feb 2013.
[82] J.-M. Tiercy, S. G. E. Marsh, G. M. Th. Schreuder, E. Albert, G. Fischer, and R. Wass-
muth. Guidelines for nomenclature usage in HLA reports : ambiguities and conversion to
serotypes. European Journal of Immunogenetics, 29(3) :273–274, jun 2002.
[83] S. G. E. Marsh, E. D. Albert, W. F. Bodmer, R. E. Bontrop, B. Dupont, H. A. Erlich,
M. Fernández-Viña, D. E. Geraghty, R. Holdsworth, C. K. Hurley, M. Lau, K. W. Lee,
B. Mach, M. Maiers, W. R. Mayr, C. R. Müller, P. Parham, E. W. Petersdorf, T. Sa-
sazuki, J. L. Strominger, A. Svejgaard, P. I. Terasaki, J. M. Tiercy, and J. Trowsdale.
Nomenclature for factors of the HLA system, 2010. Tissue Antigens, 75(4) :291–455, apr
2010.
[84] Carolyn Katovich Hurley. Naming HLA diversity : A review of HLA nomenclature. Human
Immunology, 82(7) :457–465, jul 2021.
[85] Calliope A. Dendrou, Jan Petersen, Jamie Rossjohn, and Lars Fugger. HLA variation and
disease. Nature Reviews Immunology, 18(5) :325–339, may 2018.

178
 Références bibliographiques

[86] Sreeram V. Ramagopalan, Narelle J. Maugeri, Lahiru Handunnetthi, Matthew R. Lin-

coln, Sarah-Michelle Orton, David A. Dyment, Gabriele C. DeLuca, Blanca M. Herrera,
Michael J. Chao, A. Dessa Sadovnick, George C. Ebers, and Julian C. Knight. Expression
of the Multiple Sclerosis-Associated MHC Class II Allele HLA-DRB1*1501 Is Regulated
by Vitamin D. PLoS Genetics, 5(2) :e1000369, feb 2009.
[87] Andrej Košmrlj, Elizabeth L. Read, Ying Qi, Todd M. Allen, Marcus Altfeld, Steven G.
Deeks, Florencia Pereyra, Mary Carrington, Bruce D. Walker, and Arup K. Chakraborty.
Effects of thymic selection of the T-cell repertoire on HLA class I-associated control of
HIV infection. Nature, 465(7296) :350–354, may 2010.
[88] Christian Morath, Gerhard Opelz, Martin Zeier, and Caner Süsal. Clinical Relevance of
HLA Antibody Monitoring after Kidney Transplantation. Journal of Immunology Re-
search, 2014 :1–5, 2014.
[89] Edward J. Filippone and John L. Farber. Humoral Immune Response and Allograft Func-
tion in Kidney Transplantation. American Journal of Kidney Diseases, 66(2) :337–347,
aug 2015.
[90] W M Howell, V Carter, and B Clark. The HLA system : immunobiology, HLA typing, an-
tibody screening and crossmatching techniques. Journal of Clinical Pathology, 63(5) :387–
390, may 2010.
[91] Nori Sasaki and Adam Idica. The HLA-matching effect in different cohorts of kidney
transplant recipients : 10 years later. Clinical transplants, pages 261–82, 2010.
[92] Renaud Snanoudj and Christophe Legendre. Nouveaux aspects de la compatibilité HLA
en transplantation. Néphrologie Thérapeutique, 12 :S125–S130, apr 2016.
[93] P. J. Bjorkman, M. A. Saper, B. Samraoui, W. S. Bennett, J. L. Strominger, and D. C.
Wiley. The foreign antigen binding site and T cell recognition regions of class I histocom-
patibility antigens. Nature, 329(6139) :512–518, oct 1987.
[94] A. R. Tambur and F. H. J. Claas. HLA Epitopes as Viewed by Antibodies : What Is it
All About ? American Journal of Transplantation, 15(5) :1148–1154, may 2015.
[95] Renaud Snanoudj, Nassim Kamar, Elisabeth Cassuto, Sophie Caillard, Marie Metzger,
Pierre Merville, Antoine Thierry, Isabelle Jollet, Philippe Grimbert, Dany Anglicheau,
Marc Hazzan, Gabriel Choukroun, Bruno Hurault De Ligny, Bénedicte Janbon, Vincent
Vuiblet, Anne Devys, Yann Le Meur, Michel Delahousse, Emmanuel Morelon, Elodie
Bailly, Sophie Girerd, Kahina Amokrane, Christophe Legendre, Alexandre Hertig, Eric
Rondeau, and Jean-Luc Taupin. Epitope load identifies kidney transplant recipients at
risk of allosensitization following minimization of immunosuppression. Kidney Internatio-
nal, 95(6) :1471–1485, jun 2019.

179
PartVI, Références bibliographiques

[96] Rene J. Duquesnoy, Steve Takemoto, Peter de Lange, Ilias I. N. Doxiadis, Geziena M. Th.
Schreuder, Guido G. Persijn, and Frans H. J. Claas. HLAmatchmaker : a molecularly based
algorithm for histocompatibility determination. III. Effect of matching at the HLA-A,B
amino acid triplet level on kidney transplant survival1. Transplantation, 75(6) :884–889,
mar 2003.
[97] Cynthia S. M. Kramer, Johan Koster, Geert W. Haasnoot, Dave L. Roelen, Frans H. J.
Claas, and Sebastiaan Heidt. HLA-EMMA : A user-friendly tool to analyse HLA class I
and class II compatibility on the amino acid level. HLA, 96(1) :43–51, jul 2020.
[98] Kirsten Geneugelijk, Matthias Niemann, Julia Drylewicz, Arjan van Zuilen, Irma Joos-
ten, Wil Allebes, Arnold van der Meer, Luuk Hilbrands, Marije Baas, Erik Hack, Franka
van Reekum, Marianne Verhaar, Elena Kamburova, Michiel Bots, Marc Seelen, Jan-Stefan
Sanders, Bouke Hepkema, Annechien Lambeck, Laura Bungener, Marcel Tilanus, Chris-
tien Voorter, Joris Vanderlocht, Lotte Wieten, Elly Duijnhoven, Marielle Gelens, Maarten
Christiaans, Frans van Ittersum, Azam Nurmohamed, Neubury Lardy, Wendy Swelsen,
Karlijn van der Pant, Neelke van der Weerd, Ineke ten Berge, Frederike Bemelman, An-
dries Hoitsma, Paul van der Boog, Johan de Fijter, Michiel Betjes, Sebastiaan Heidt, Dave
Roelen, Frans Claas, Henny Otten, and Eric Spierings. OR41 PIRCHE-II : A novel tool
to identify permissible HLA mismatches in kidney transplantation. Human Immunology,
78 :39, sep 2017.
[99] Estelle Geffard, Léo Boussamet, Alexandre Walencik, Florent Delbos, Sophie Limou,
Pierre-Antoine Gourraud, and Nicolas Vince. HLA-EPI : A new EPIsode in exploring
donor/recipient epitopic compatibilities. HLA, 99(2) :79–92, feb 2022.
[100] Alice Koenig, Chien-Chia Chen, Antoine Marçais, Thomas Barba, Virginie Mathias, An-
toine Sicard, Maud Rabeyrin, Maud Racapé, Jean-Paul Duong-Van-Huyen, Patrick Bru-
neval, Alexandre Loupy, Sébastien Dussurgey, Stéphanie Ducreux, Vannary Meas-Yedid,
Jean-Christophe Olivo-Marin, Héléna Paidassi, Romain Guillemain, Jean-Luc Taupin, Jas-
per Callemeyn, Emmanuel Morelon, Antonino Nicoletti, Béatrice Charreau, Valérie Du-
bois, Maarten Naesens, Thierry Walzer, Thierry Defrance, and Olivier Thaunat. Missing
self triggers NK cell-mediated chronic vascular rejection of solid organ transplants. Nature
Communications, 10(1) :5350, dec 2019.
[101] Emilie Lebraud, Maëva Eloudzeri, Marion Rabant, Baptiste Lamarthée, and Dany Angli-
cheau. Microvascular Inflammation of the Renal Allograft : A Reappraisal of the Under-
lying Mechanisms. Frontiers in Immunology, 13, mar 2022.
[102] Carmen Lefaucheur, Kevin Louis, Aurélie Philippe, Alexandre Loupy, and P. Toby Coates.
The emerging field of non–human leukocyte antigen antibodies in transplant medicine and
beyond. Kidney International, 100(4) :787–798, oct 2021.

180
 Références bibliographiques

[103] Gillian Divard, Marc Raynaud, Vasishta S. Tatapudi, Basmah Abdalla, Elodie Bailly,
Maureen Assayag, Yannick Binois, Raphael Cohen, Huanxi Zhang, Camillo Ulloa, Kamila
Linhares, Helio S. Tedesco, Christophe Legendre, Xavier Jouven, Robert A. Montgomery,
Carmen Lefaucheur, Olivier Aubert, and Alexandre Loupy. Comparison of artificial in-
telligence and human-based prediction and stratification of the risk of long-term kidney
allograft failure. Communications Medicine, 2(1) :150, nov 2022.
[104] Marc Raynaud, Olivier Aubert, Gillian Divard, Peter P. Reese, Nassim Kamar, Daniel Yoo,
Chen Shan Chin, Élodie Bailly, Matthias Buchler, Marc Ladrière, Moglie Le Quintrec, Mi-
chel Delahousse, Ivana Juric, Nikolina Basic-Jukic, Marta Crespo, Helio Tedesco Silva,
Kamilla Linhares, Maria Cristina Ribeiro de Castro, Gervasio Soler Pujol, Jean Philippe
Empana, Camilo Ulloa, Enver Akalin, Georg Böhmig, Edmund Huang, Mark D. Stegall,
Andrew J. Bentall, Robert A. Montgomery, Stanley C. Jordan, Rainer Oberbauer, Dorry L.
Segev, John J. Friedewald, Xavier Jouven, Christophe Legendre, Carmen Lefaucheur, and
Alexandre Loupy. Dynamic prediction of renal survival among deeply phenotyped kidney
transplant recipients using artificial intelligence : an observational, international, multico-
hort study. The Lancet Digital Health, 3(12) :e795–e805, 2021.
[105] Centre de transplantation d’organes - CHU de Lausanne. Déroulement de la greffe, 2019.
[106] Centre de transplantation d’organes - CHU de Lausanne. Déroulement de la greffe, 2019.
[107] Haute Autorité de Santé - HAS. Suivi ambulatoire de l’adulte transplanté rénal au-delà
de 3 mois après transplantation. Technical Report 3, 2008.
[108] Lionel Couzi, Bruno Moulin, Marie-Pascale Morin, Laetitia Albano, Michel Godin, Be-
noit Barrou, Eric Alamartine, Emmanuel Morelon, Sandrine Girardot-Seguin, Laurence
Mendes, David Misdrahi, Elisabeth Cassuto, and Pierre Merville. Factors Predictive of Me-
dication Nonadherence After Renal Transplantation. Transplantation Journal, 95(2) :326–
332, jan 2013.
[109] Candice Roufosse, Naomi Simmonds, Marian Clahsen-van Groningen, Mark Haas,
Kammi J. Henriksen, Catherine Horsfield, Alexandre Loupy, Michael Mengel, Agnieszka
Perkowska-Ptasińska, Marion Rabant, Lorraine C. Racusen, Kim Solez, and Jan U. Be-
cker. A 2018 Reference Guide to the Banff Classification of Renal Allograft Pathology.
Transplantation, 102(11) :1795–1814, nov 2018.
[110] Brian J. Nankivell and Stephen I. Alexander. Rejection of the Kidney Allograft. New
England Journal of Medicine, 363(15) :1451–1462, oct 2010.
[111] David S Game and Robert I Lechler. Pathways of allorecognition : implications for trans-
plantation tolerance. Transplant Immunology, 10(2-3) :101–108, aug 2002.
[112] P E Harris, R Cortesini, and N Suciu-Foca. Indirect allorecognition in solid organ trans-
plantation. Reviews in immunogenetics, 1(3) :297–308, 1999.

181
PartVI, Références bibliographiques

[113] M Refik Gökmen, Giovanna Lombardi, and Robert I Lechler. The importance of the
indirect pathway of allorecognition in clinical transplantation. Current Opinion in Immu-
nology, 20(5) :568–574, oct 2008.
[114] MR Clatworthy, M Espeli, N Torpey, and KGC Smith. The generation and maintenance
of serum alloantibody. Current Opinion in Immunology, 22(5) :669–681, oct 2010.
[115] Shamila Mauiyyedi, Marta Crespo, A. Bernard Collins, Eveline E. Schneeberger, Ma-
nuel A. Pascual, Susan L. Saidman, Nina E. Tolkoff-Rubin, Winfred W. Williams, Fran-
cis L. Delmonico, A. Benedict Cosimi, and Robert B. Colvin. Acute Humoral Rejection
in Kidney Transplantation : II. Morphology, Immunopathology, and Pathologic Classifica-
tion. Journal of the American Society of Nephrology, 13(3) :779–787, mar 2002.
[116] Adam Gondos, Bernd Döhler, Hermann Brenner, and Gerhard Opelz. Kidney Graft Sur-
vival in Europe and the United States. Transplantation Journal, 95(2) :267–274, jan 2013.
[117] Paul I. Terasaki. Humoral Theory of Transplantation. American Journal of Transplanta-
tion, 3(6) :665–673, jun 2003.
[118] Claire Tinel, Baptiste Lamarthée, Jasper Callemeyn, Elisabet Van Loon, Virginia Sauva-
get, Lise Morin, Laïla Aouni, Marion Rabant, Wilfried Gwinner, Pierre Marquet, Maar-
ten Naesens, and Dany Anglicheau. Integrative Omics Analysis Unravels Microvascular
Inflammation-Related Pathways in Kidney Allograft Biopsies. Frontiers in Immunology,
12, nov 2021.
[119] Penelope J. Allen, Steve J. Chadban, Jonathan C. Craig, Wai H. Lim, Richard D.M.
Allen, Philip A. Clayton, Armando Teixeira-Pinto, and Germaine Wong. Recurrent glo-
merulonephritis after kidney transplantation : risk factors and allograft outcomes. Kidney
International, 92(2) :461–469, aug 2017.
[120] P. Niaudet. Récidive de la maladie initiale après transplantation rénale, 2006.
[121] Vivette D. D’Agati, Frederick J. Kaskel, and Ronald J. Falk. Focal Segmental Glomeru-
losclerosis. New England Journal of Medicine, 365(25) :2398–2411, dec 2011.
[122] Michael Rudnicki. FSGS Recurrence in Adults after Renal Transplantation. BioMed
Research International, 2016 :1–7, 2016.
[123] Agathe Pardon, Vincent Audard, Sophie Caillard, Bruno Moulin, Dominique Desvaux,
Bouteina Bentaarit, Philippe Remy, Dil Sahali, Françoise Roudot-Thoraval, Philippe Lang,
and Philippe Grimbert. Risk factors and outcome of focal and segmental glomeruloscle-
rosis recurrence in adult renal transplant recipients. Nephrology Dialysis Transplantation,
21(4) :1053–1059, apr 2006.
[124] Changli Wei, Shafic El Hindi, Jing Li, Alessia Fornoni, Nelson Goes, Junichiro Sageshima,
Dony Maiguel, S Ananth Karumanchi, Hui-Kim Yap, Moin Saleem, Qingyin Zhang, Boris

182
 Références bibliographiques

Nikolic, Abanti Chaudhuri, Pirouz Daftarian, Eduardo Salido, Armando Torres, Moro Sa-
lifu, Minnie M Sarwal, Franz Schaefer, Christian Morath, Vedat Schwenger, Martin Zeier,
Vineet Gupta, David Roth, Maria Pia Rastaldi, George Burke, Phillip Ruiz, and Jochen
Reiser. Circulating urokinase receptor as a cause of focal segmental glomerulosclerosis.
Nature Medicine, 17(8) :952–960, aug 2011.

[125] Lorenzo Gallon, Joseph Leventhal, Anton Skaro, Yashpal Kanwar, and Antonio Alvarado.
Resolution of Recurrent Focal Segmental Glomerulosclerosis after Retransplantation. New
England Journal of Medicine, 366(17) :1648–1649, apr 2012.

[126] Rutger J. H. Maas, Jeroen K. J. Deegens, and Jack F. M. Wetzels. Serum suPAR in
patients with FSGS : trash or treasure ? Pediatric Nephrology, 28(7) :1041–1048, jul 2013.

[127] Richard A. Gibbs. The Human Genome Project changed everything. Nature Reviews
Genetics, 21(10) :575–576, oct 2020.

[128] Rokhaya Ba, Estelle Geffard, Venceslas Douillard, Françoise Simon, Laurent Mesnard,
Nicolas Vince, Pierre-Antoine Gourraud, and Sophie Limou. Surfing the Big Data Wave :
Omics Data Challenges in Transplantation. Transplantation, 106(2) :e114–e125, feb 2022.

[129] J. Craig Venter, Mark D. Adams, Eugene W. Myers, Peter W. Li, Richard J. Mural,
Granger G. Sutton, Hamilton O. Smith, Mark Yandell, Cheryl A. Evans, Robert A. Holt,
Jeannine D. Gocayne, Peter Amanatides, Richard M. Ballew, Daniel H. Huson, Jenni-
fer Russo Wortman, Qing Zhang, Chinnappa D. Kodira, Xiangqun H. Zheng, Lin Chen,
Marian Skupski, Gangadharan Subramanian, Paul D. Thomas, Jinghui Zhang, George L.
Gabor Miklos, Catherine Nelson, Samuel Broder, Andrew G. Clark, Joe Nadeau, Vic-
tor A. McKusick, Norton Zinder, Arnold J. Levine, Richard J. Roberts, Mel Simon, Ca-
rolyn Slayman, Michael Hunkapiller, Randall Bolanos, Arthur Delcher, Ian Dew, Daniel
Fasulo, Michael Flanigan, Liliana Florea, Aaron Halpern, Sridhar Hannenhalli, Saul Kra-
vitz, Samuel Levy, Clark Mobarry, Knut Reinert, Karin Remington, Jane Abu-Threideh,
Ellen Beasley, Kendra Biddick, Vivien Bonazzi, Rhonda Brandon, Michele Cargill, Ishwar
Chandramouliswaran, Rosane Charlab, Kabir Chaturvedi, Zuoming Deng, Valentina Di
Francesco, Patrick Dunn, Karen Eilbeck, Carlos Evangelista, Andrei E. Gabrielian, Wei-
niu Gan, Wangmao Ge, Fangcheng Gong, Zhiping Gu, Ping Guan, Thomas J. Heiman,
Maureen E. Higgins, Rui-Ru Ji, Zhaoxi Ke, Karen A. Ketchum, Zhongwu Lai, Yiding Lei,
Zhenya Li, Jiayin Li, Yong Liang, Xiaoying Lin, Fu Lu, Gennady V. Merkulov, Natalia
Milshina, Helen M. Moore, Ashwinikumar K Naik, Vaibhav A. Narayan, Beena Neelam,
Deborah Nusskern, Douglas B. Rusch, Steven Salzberg, Wei Shao, Bixiong Shue, Jingtao
Sun, Zhen Yuan Wang, Aihui Wang, Xin Wang, Jian Wang, Ming-Hui Wei, Ron Wides,
Chunlin Xiao, Chunhua Yan, Alison Yao, Jane Ye, Ming Zhan, Weiqing Zhang, Hon-
gyu Zhang, Qi Zhao, Liansheng Zheng, Fei Zhong, Wenyan Zhong, Shiaoping C. Zhu,

183
PartVI, Références bibliographiques

Shaying Zhao, Dennis Gilbert, Suzanna Baumhueter, Gene Spier, Christine Carter, Ani-
bal Cravchik, Trevor Woodage, Feroze Ali, Huijin An, Aderonke Awe, Danita Baldwin,
Holly Baden, Mary Barnstead, Ian Barrow, Karen Beeson, Dana Busam, Amy Carver,
Angela Center, Ming Lai Cheng, Liz Curry, Steve Danaher, Lionel Davenport, Raymond
Desilets, Susanne Dietz, Kristina Dodson, Lisa Doup, Steven Ferriera, Neha Garg, Andres
Gluecksmann, Brit Hart, Jason Haynes, Charles Haynes, Cheryl Heiner, Suzanne Hladun,
Damon Hostin, Jarrett Houck, Timothy Howland, Chinyere Ibegwam, Jeffery Johnson,
Francis Kalush, Lesley Kline, Shashi Koduru, Amy Love, Felecia Mann, David May, Ste-
ven McCawley, Tina McIntosh, Ivy McMullen, Mee Moy, Linda Moy, Brian Murphy, Keith
Nelson, Cynthia Pfannkoch, Eric Pratts, Vinita Puri, Hina Qureshi, Matthew Reardon,
Robert Rodriguez, Yu-Hui Rogers, Deanna Romblad, Bob Ruhfel, Richard Scott, Cyn-
thia Sitter, Michelle Smallwood, Erin Stewart, Renee Strong, Ellen Suh, Reginald Tho-
mas, Ni Ni Tint, Sukyee Tse, Claire Vech, Gary Wang, Jeremy Wetter, Sherita Williams,
Monica Williams, Sandra Windsor, Emily Winn-Deen, Keriellen Wolfe, Jayshree Zaveri,
Karena Zaveri, Josep F. Abril, Roderic Guigo, Michael J. Campbell, Kimmen V. Sjolan-
der, Brian Karlak, Anish Kejariwal, Huaiyu Mi, Betty Lazareva, Thomas Hatton, Apurva
Narechania, Karen Diemer, Anushya Muruganujan, Nan Guo, Shinji Sato, Vineet Bafna,
Sorin Istrail, Ross Lippert, Russell Schwartz, Brian Walenz, Shibu Yooseph, David Allen,
Anand Basu, James Baxendale, Louis Blick, Marcelo Caminha, John Carnes-Stine, Parris
Caulk, Yen-Hui Chiang, My Coyne, Carl Dahlke, Anne Deslattes Mays, Maria Dombroski,
Michael Donnelly, Dale Ely, Shiva Esparham, Carl Fosler, Harold Gire, Stephen Glanowski,
Kenneth Glasser, Anna Glodek, Mark Gorokhov, Ken Graham, Barry Gropman, Michael
Harris, Jeremy Heil, Scott Henderson, Jeffrey Hoover, Donald Jennings, Catherine Jor-
dan, James Jordan, John Kasha, Leonid Kagan, Cheryl Kraft, Alexander Levitsky, Mark
Lewis, Xiangjun Liu, John Lopez, Daniel Ma, William Majoros, Joe McDaniel, Sean Mur-
phy, Matthew Newman, Trung Nguyen, Ngoc Nguyen, Marc Nodell, Sue Pan, Jim Peck,
Marshall Peterson, William Rowe, Robert Sanders, John Scott, Michael Simpson, Thomas
Smith, Arlan Sprague, Timothy Stockwell, Russell Turner, Eli Venter, Mei Wang, Meiyuan
Wen, David Wu, Mitchell Wu, Ashley Xia, Ali Zandieh, and Xiaohong Zhu. The Sequence
of the Human Genome. Science, 291(5507) :1304–1351, feb 2001.

[130] Eric S. Lander, Lauren M. Linton, Bruce Birren, Chad Nusbaum, Michael C. Zody, Jen-
nifer Baldwin, Keri Devon, Ken Dewar, Michael Doyle, William FitzHugh, Roel Funke,
Diane Gage, Katrina Harris, Andrew Heaford, John Howland, Lisa Kann, Jessica Lehoczky,
Rosie LeVine, Paul McEwan, Kevin McKernan, James Meldrim, Jill P. Mesirov, Cher Mi-
randa, William Morris, Jerome Naylor, Christina Raymond, Mark Rosetti, Ralph Santos,
Andrew Sheridan, Carrie Sougnez, Nicole Stange-Thomann, Nikola Stojanovic, Aravind
Subramanian, Dudley Wyman, Jane Rogers, John Sulston, Rachael Ainscough, Stephan

184
 Références bibliographiques

Beck, David Bentley, John Burton, Christopher Clee, Nigel Carter, Alan Coulson, Rebecca
Deadman, Panos Deloukas, Andrew Dunham, Ian Dunham, Richard Durbin, Lisa French,
Darren Grafham, Simon Gregory, Tim Hubbard, Sean Humphray, Adrienne Hunt, Mat-
thew Jones, Christine Lloyd, Amanda McMurray, Lucy Matthews, Simon Mercer, Sarah
Milne, James C. Mullikin, Andrew Mungall, Robert Plumb, Mark Ross, Ratna Shown-
keen, Sarah Sims, Robert H. Waterston, Richard K. Wilson, LaDeana W. Hillier, John D.
McPherson, Marco A. Marra, Elaine R. Mardis, Lucinda A. Fulton, Asif T. Chinwalla,
Kymberlie H. Pepin, Warren R. Gish, Stephanie L. Chissoe, Michael C. Wendl, Kim D.
Delehaunty, Tracie L. Miner, Andrew Delehaunty, Jason B. Kramer, Lisa L. Cook, Ro-
bert S. Fulton, Douglas L. Johnson, Patrick J. Minx, Sandra W. Clifton, Trevor Hawkins,
Elbert Branscomb, Paul Predki, Paul Richardson, Sarah Wenning, Tom Slezak, Norman
Doggett, Jan-Fang Cheng, Anne Olsen, Susan Lucas, Christopher Elkin, Edward Uber-
bacher, Marvin Frazier, Richard A. Gibbs, Donna M. Muzny, Steven E. Scherer, John B.
Bouck, Erica J. Sodergren, Kim C. Worley, Catherine M. Rives, James H. Gorrell, Mi-
chael L. Metzker, Susan L. Naylor, Raju S. Kucherlapati, David L. Nelson, George M.
Weinstock, Yoshiyuki Sakaki, Asao Fujiyama, Masahira Hattori, Tetsushi Yada, Atsu-
shi Toyoda, Takehiko Itoh, Chiharu Kawagoe, Hidemi Watanabe, Yasushi Totoki, Todd
Taylor, Jean Weissenbach, Roland Heilig, William Saurin, Francois Artiguenave, Philippe
Brottier, Thomas Bruls, Eric Pelletier, Catherine Robert, Patrick Wincker, André Rosen-
thal, Matthias Platzer, Gerald Nyakatura, Stefan Taudien, Andreas Rump, Douglas R.
Smith, Lynn Doucette-Stamm, Marc Rubenfield, Keith Weinstock, Hong Mei Lee, JoAnn
Dubois, Huanming Yang, Jun Yu, Jian Wang, Guyang Huang, Jun Gu, Leroy Hood, Lee
Rowen, Anup Madan, Shizen Qin, Ronald W. Davis, Nancy A. Federspiel, A. Pia Abola,
Michael J. Proctor, Bruce A. Roe, Feng Chen, Huaqin Pan, Juliane Ramser, Hans Leh-
rach, Richard Reinhardt, W. Richard McCombie, Melissa de la Bastide, Neilay Dedhia,
Helmut Blöcker, Klaus Hornischer, Gabriele Nordsiek, Richa Agarwala, L. Aravind, Jef-
frey A. Bailey, Alex Bateman, Serafim Batzoglou, Ewan Birney, Peer Bork, Daniel G.
Brown, Christopher B. Burge, Lorenzo Cerutti, Hsiu-Chuan Chen, Deanna Church, Mi-
chele Clamp, Richard R. Copley, Tobias Doerks, Sean R. Eddy, Evan E. Eichler, Terrence S.
Furey, James Galagan, James G. R. Gilbert, Cyrus Harmon, Yoshihide Hayashizaki, Da-
vid Haussler, Henning Hermjakob, Karsten Hokamp, Wonhee Jang, L. Steven Johnson,
Thomas A. Jones, Simon Kasif, Arek Kaspryzk, Scot Kennedy, W. James Kent, Paul
Kitts, Eugene V. Koonin, Ian Korf, David Kulp, Doron Lancet, Todd M. Lowe, Aoife
McLysaght, Tarjei Mikkelsen, John V. Moran, Nicola Mulder, Victor J. Pollara, Chris P.
Ponting, Greg Schuler, Jörg Schultz, Guy Slater, Arian F. A. Smit, Elia Stupka, Joseph
Szustakowki, Danielle Thierry-Mieg, Jean Thierry-Mieg, Lukas Wagner, John Wallis, Ray-
mond Wheeler, Alan Williams, Yuri I. Wolf, Kenneth H. Wolfe, Shiaw-Pyng Yang, Ru-Fang

185
PartVI, Références bibliographiques

Yeh, Francis Collins, Mark S. Guyer, Jane Peterson, Adam Felsenfeld, Kris A. Wetters-
trand, Richard M. Myers, Jeremy Schmutz, Mark Dickson, Jane Grimwood, David R. Cox,
Maynard V. Olson, Rajinder Kaul, Christopher Raymond, Nobuyoshi Shimizu, Kazuhiko
Kawasaki, Shinsei Minoshima, Glen A. Evans, Maria Athanasiou, Roger Schultz, Aristides
Patrinos, and Michael J. Morgan. Initial sequencing and analysis of the human genome.
Nature, 409(6822) :860–921, feb 2001.

[131] Bertrand Jordan. La génomique et la diversité humaine. Cahiers de l’Urmis, (20), jun
2021.

[132] Adam Auton, Gonçalo R. Abecasis, David M. Altshuler, Richard M. Durbin, Gonçalo R.
Abecasis, David R. Bentley, Aravinda Chakravarti, Andrew G. Clark, Peter Donnelly,
Evan E. Eichler, Paul Flicek, Stacey B. Gabriel, Richard A. Gibbs, Eric D. Green, Mat-
thew E. Hurles, Bartha M. Knoppers, Jan O. Korbel, Eric S. Lander, Charles Lee, Hans
Lehrach, Elaine R. Mardis, Gabor T. Marth, Gil A. McVean, Deborah A. Nickerson, Jea-
nette P. Schmidt, Stephen T. Sherry, Jun Wang, Richard K. Wilson, Richard A. Gibbs,
Eric Boerwinkle, Harsha Doddapaneni, Yi Han, Viktoriya Korchina, Christie Kovar, San-
dra Lee, Donna Muzny, Jeffrey G. Reid, Yiming Zhu, Jun Wang, Yuqi Chang, Qiang Feng,
Xiaodong Fang, Xiaosen Guo, Min Jian, Hui Jiang, Xin Jin, Tianming Lan, Guoqing Li,
Jingxiang Li, Yingrui Li, Shengmao Liu, Xiao Liu, Yao Lu, Xuedi Ma, Meifang Tang,
Bo Wang, Guangbiao Wang, Honglong Wu, Renhua Wu, Xun Xu, Ye Yin, Dandan Zhang,
Wenwei Zhang, Jiao Zhao, Meiru Zhao, Xiaole Zheng, Eric S. Lander, David M. Altshuler,
Stacey B. Gabriel, Namrata Gupta, Neda Gharani, Lorraine H. Toji, Norman P. Gerry,
Alissa M. Resch, Paul Flicek, Jonathan Barker, Laura Clarke, Laurent Gil, Sarah E. Hunt,
Gavin Kelman, Eugene Kulesha, Rasko Leinonen, William M. McLaren, Rajesh Radha-
krishnan, Asier Roa, Dmitriy Smirnov, Richard E. Smith, Ian Streeter, Anja Thormann,
Iliana Toneva, Brendan Vaughan, Xiangqun Zheng-Bradley, David R. Bentley, Russell Gro-
cock, Sean Humphray, Terena James, Zoya Kingsbury, Hans Lehrach, Ralf Sudbrak, Mar-
cus W. Albrecht, Vyacheslav S. Amstislavskiy, Tatiana A. Borodina, Matthias Lienhard,
Florian Mertes, Marc Sultan, Bernd Timmermann, Marie-Laure Yaspo, Elaine R. Mardis,
Richard K. Wilson, Lucinda Fulton, Robert Fulton, Stephen T. Sherry, Victor Ananiev,
Zinaida Belaia, Dimitriy Beloslyudtsev, Nathan Bouk, Chao Chen, Deanna Church, Ro-
bert Cohen, Charles Cook, John Garner, Timothy Hefferon, Mikhail Kimelman, Chunlei
Liu, John Lopez, Peter Meric, Chris O’Sullivan, Yuri Ostapchuk, Lon Phan, Sergiy Pono-
marov, Valerie Schneider, Eugene Shekhtman, Karl Sirotkin, Douglas Slotta, Hua Zhang,
Gil A. McVean, Richard M. Durbin, Senduran Balasubramaniam, John Burton, Petr Da-
necek, Thomas M. Keane, Anja Kolb-Kokocinski, Shane McCarthy, James Stalker, Michael
Quail, Jeanette P. Schmidt, Christopher J. Davies, Jeremy Gollub, Teresa Webster, Brant
Wong, Yiping Zhan, Adam Auton, Christopher L. Campbell, Yu Kong, Anthony Mar-

186
 Références bibliographiques

cketta, Richard A. Gibbs, Fuli Yu, Lilian Antunes, Matthew Bainbridge, Donna Muzny,
Aniko Sabo, Zhuoyi Huang, Jun Wang, Lachlan J. M. Coin, Lin Fang, Xiaosen Guo, Xin
Jin, Guoqing Li, Qibin Li, Yingrui Li, Zhenyu Li, Haoxiang Lin, Binghang Liu, Ruibang
Luo, Haojing Shao, Yinlong Xie, Chen Ye, Chang Yu, Fan Zhang, Hancheng Zheng, Hong-
mei Zhu, Can Alkan, Elif Dal, Fatma Kahveci, Gabor T. Marth, Erik P. Garrison, Deniz
Kural, Wan-Ping Lee, Wen Fung Leong, Michael Stromberg, Alistair N. Ward, Jiantao
Wu, Mengyao Zhang, Mark J. Daly, Mark A. DePristo, Robert E. Handsaker, David M.
Altshuler, Eric Banks, Gaurav Bhatia, Guillermo del Angel, Stacey B. Gabriel, Giulio
Genovese, Namrata Gupta, Heng Li, Seva Kashin, Eric S. Lander, Steven A. McCarroll,
James C. Nemesh, Ryan E. Poplin, Seungtai C. Yoon, Jayon Lihm, Vladimir Makarov,
Andrew G. Clark, Srikanth Gottipati, Alon Keinan, Juan L. Rodriguez-Flores, Jan O.
Korbel, Tobias Rausch, Markus H. Fritz, Adrian M. Stütz, Paul Flicek, Kathryn Beal,
Laura Clarke, Avik Datta, Javier Herrero, William M. McLaren, Graham R. S. Ritchie,
Richard E. Smith, Daniel Zerbino, Xiangqun Zheng-Bradley, Pardis C. Sabeti, Ilya Shlya-
khter, Stephen F. Schaffner, Joseph Vitti, David N. Cooper, Edward V. Ball, Peter D.
Stenson, David R. Bentley, Bret Barnes, Markus Bauer, R. Keira Cheetham, Anthony
Cox, Michael Eberle, Sean Humphray, Scott Kahn, Lisa Murray, John Peden, Richard
Shaw, Eimear E. Kenny, Mark A. Batzer, Miriam K. Konkel, Jerilyn A. Walker, Da-
niel G. MacArthur, Monkol Lek, Ralf Sudbrak, Vyacheslav S. Amstislavskiy, Ralf Herwig,
Elaine R. Mardis, Li Ding, Daniel C. Koboldt, David Larson, Kai Ye, Simon Gravel, Anand
Swaroop, Emily Chew, Tuuli Lappalainen, Yaniv Erlich, Melissa Gymrek, Thomas Frede-
rick Willems, Jared T. Simpson, Mark D. Shriver, Jeffrey A. Rosenfeld, Carlos D. Busta-
mante, Stephen B. Montgomery, Francisco M. De La Vega, Jake K. Byrnes, Andrew W.
Carroll, Marianne K. DeGorter, Phil Lacroute, Brian K. Maples, Alicia R. Martin, Andres
Moreno-Estrada, Suyash S. Shringarpure, Fouad Zakharia, Eran Halperin, Yael Baran,
Charles Lee, Eliza Cerveira, Jaeho Hwang, Ankit Malhotra, Dariusz Plewczynski, Ka-
men Radew, Mallory Romanovitch, Chengsheng Zhang, Fiona C. L. Hyland, David W.
Craig, Alexis Christoforides, Nils Homer, Tyler Izatt, Ahmet A. Kurdoglu, Shripad A.
Sinari, Kevin Squire, Stephen T. Sherry, Chunlin Xiao, Jonathan Sebat, Danny Antaki,
Madhusudan Gujral, Amina Noor, Kenny Ye, Esteban G. Burchard, Ryan D. Hernandez,
Christopher R. Gignoux, David Haussler, Sol J. Katzman, W. James Kent, Bryan Howie,
Andres Ruiz-Linares, Emmanouil T. Dermitzakis, Scott E. Devine, Gonçalo R. Abecasis,
Hyun Min Kang, Jeffrey M. Kidd, Tom Blackwell, Sean Caron, Wei Chen, Sarah Emery,
Lars Fritsche, Christian Fuchsberger, Goo Jun, Bingshan Li, Robert Lyons, Chris Schel-
ler, Carlo Sidore, Shiya Song, Elzbieta Sliwerska, Daniel Taliun, Adrian Tan, Ryan Welch,
Mary Kate Wing, Xiaowei Zhan, Philip Awadalla, Alan Hodgkinson, Yun Li, Xinghua
Shi, Andrew Quitadamo, Gerton Lunter, Gil A. McVean, Jonathan L. Marchini, Simon

187
PartVI, Références bibliographiques

Myers, Claire Churchhouse, Olivier Delaneau, Anjali Gupta-Hinch, Warren Kretzschmar,

Zamin Iqbal, Iain Mathieson, Androniki Menelaou, Andy Rimmer, Dionysia K. Xifara,
Taras K. Oleksyk, Yunxin Fu, Xiaoming Liu, Momiao Xiong, Lynn Jorde, David Withers-
poon, Jinchuan Xing, Evan E. Eichler, Brian L. Browning, Sharon R. Browning, Ferey-
doun Hormozdiari, Peter H. Sudmant, Ekta Khurana, Richard M. Durbin, Matthew E.
Hurles, Chris Tyler-Smith, Cornelis A. Albers, Qasim Ayub, Senduran Balasubramaniam,
Yuan Chen, Vincenza Colonna, Petr Danecek, Luke Jostins, Thomas M. Keane, Shane
McCarthy, Klaudia Walter, Yali Xue, Mark B. Gerstein, Alexej Abyzov, Suganthi Balasu-
bramanian, Jieming Chen, Declan Clarke, Yao Fu, Arif O. Harmanci, Mike Jin, Donghoon
Lee, Jeremy Liu, Xinmeng Jasmine Mu, Jing Zhang, Yan Zhang, Yingrui Li, Ruibang Luo,
Hongmei Zhu, Can Alkan, Elif Dal, Fatma Kahveci, Gabor T. Marth, Erik P. Garrison,
Deniz Kural, Wan-Ping Lee, Alistair N. Ward, Jiantao Wu, Mengyao Zhang, Steven A.
McCarroll, Robert E. Handsaker, David M. Altshuler, Eric Banks, Guillermo del Angel,
Giulio Genovese, Chris Hartl, Heng Li, Seva Kashin, James C. Nemesh, Khalid Shakir,
Seungtai C. Yoon, Jayon Lihm, Vladimir Makarov, Jeremiah Degenhardt, Jan O. Korbel,
Markus H. Fritz, Sascha Meiers, Benjamin Raeder, Tobias Rausch, Adrian M. Stütz, Paul
Flicek, Francesco Paolo Casale, Laura Clarke, Richard E. Smith, Oliver Stegle, Xiang-
qun Zheng-Bradley, David R. Bentley, Bret Barnes, R. Keira Cheetham, Michael Eberle,
Sean Humphray, Scott Kahn, Lisa Murray, Richard Shaw, Eric-Wubbo Lameijer, Mark A.
Batzer, Miriam K. Konkel, Jerilyn A. Walker, Li Ding, Ira Hall, Kai Ye, Phil Lacroute,
Charles Lee, Eliza Cerveira, Ankit Malhotra, Jaeho Hwang, Dariusz Plewczynski, Kamen
Radew, Mallory Romanovitch, Chengsheng Zhang, David W. Craig, Nils Homer, Deanna
Church, Chunlin Xiao, Jonathan Sebat, Danny Antaki, Vineet Bafna, Jacob Michaelson,
Kenny Ye, Scott E. Devine, Eugene J. Gardner, Gonçalo R. Abecasis, Jeffrey M. Kidd,
Ryan E. Mills, Gargi Dayama, Sarah Emery, Goo Jun, Xinghua Shi, Andrew Quitadamo,
Gerton Lunter, Gil A. McVean, Ken Chen, Xian Fan, Zechen Chong, Tenghui Chen, David
Witherspoon, Jinchuan Xing, Evan E. Eichler, Mark J. Chaisson, Fereydoun Hormozdiari,
John Huddleston, Maika Malig, Bradley J. Nelson, Peter H. Sudmant, Nicholas F. Par-
rish, Ekta Khurana, Matthew E. Hurles, Ben Blackburne, Sarah J. Lindsay, Zemin Ning,
Klaudia Walter, Yujun Zhang, Mark B. Gerstein, Alexej Abyzov, Jieming Chen, Declan
Clarke, Hugo Lam, Xinmeng Jasmine Mu, Cristina Sisu, Jing Zhang, Yan Zhang, Ri-
chard A. Gibbs, Fuli Yu, Matthew Bainbridge, Danny Challis, Uday S. Evani, Christie
Kovar, James Lu, Donna Muzny, Uma Nagaswamy, Jeffrey G. Reid, Aniko Sabo, Jin Yu,
Xiaosen Guo, Wangshen Li, Yingrui Li, Renhua Wu, Gabor T. Marth, Erik P. Garri-
son, Wen Fung Leong, Alistair N. Ward, Guillermo del Angel, Mark A. DePristo, Sta-
cey B. Gabriel, Namrata Gupta, Chris Hartl, Ryan E. Poplin, Andrew G. Clark, Juan L.
Rodriguez-Flores, Paul Flicek, Laura Clarke, Richard E. Smith, Xiangqun Zheng-Bradley,

188
 Références bibliographiques

Daniel G. MacArthur, Elaine R. Mardis, Robert Fulton, Daniel C. Koboldt, Simon Gravel,
Carlos D. Bustamante, David W. Craig, Alexis Christoforides, Nils Homer, Tyler Izatt,
Stephen T. Sherry, Chunlin Xiao, Emmanouil T. Dermitzakis, Gonçalo R. Abecasis, Hyun
Min Kang, Gil A. McVean, Mark B. Gerstein, Suganthi Balasubramanian, Lukas Habeg-
ger, Haiyuan Yu, Paul Flicek, Laura Clarke, Fiona Cunningham, Ian Dunham, Daniel
Zerbino, Xiangqun Zheng-Bradley, Kasper Lage, Jakob Berg Jespersen, Heiko Horn, Ste-
phen B. Montgomery, Marianne K. DeGorter, Ekta Khurana, Chris Tyler-Smith, Yuan
Chen, Vincenza Colonna, Yali Xue, Mark B. Gerstein, Suganthi Balasubramanian, Yao
Fu, Donghoon Kim, Adam Auton, Anthony Marcketta, Rob Desalle, Apurva Narechania,
Melissa A. Wilson Sayres, Erik P. Garrison, Robert E. Handsaker, Seva Kashin, Steven A.
McCarroll, Juan L. Rodriguez-Flores, Paul Flicek, Laura Clarke, Xiangqun Zheng-Bradley,
Yaniv Erlich, Melissa Gymrek, Thomas Frederick Willems, Carlos D. Bustamante, Fer-
nando L. Mendez, G. David Poznik, Peter A. Underhill, Charles Lee, Eliza Cerveira, Ankit
Malhotra, Mallory Romanovitch, Chengsheng Zhang, Gonçalo R. Abecasis, Lachlan Coin,
Haojing Shao, David Mittelman, Chris Tyler-Smith, Qasim Ayub, Ruby Banerjee, Maria
Cerezo, Yuan Chen, Thomas W. Fitzgerald, Sandra Louzada, Andrea Massaia, Shane Mc-
Carthy, Graham R. Ritchie, Yali Xue, Fengtang Yang, Richard A. Gibbs, Christie Kovar,
Divya Kalra, Walker Hale, Donna Muzny, Jeffrey G. Reid, Jun Wang, Xu Dan, Xiaosen
Guo, Guoqing Li, Yingrui Li, Chen Ye, Xiaole Zheng, David M. Altshuler, Paul Flicek,
Laura Clarke, Xiangqun Zheng-Bradley, David R. Bentley, Anthony Cox, Sean Humphray,
Scott Kahn, Ralf Sudbrak, Marcus W. Albrecht, Matthias Lienhard, David Larson, Da-
vid W. Craig, Tyler Izatt, Ahmet A. Kurdoglu, Stephen T. Sherry, Chunlin Xiao, David
Haussler, Gonçalo R. Abecasis, Gil A. McVean, Richard M. Durbin, Senduran Balasu-
bramaniam, Thomas M. Keane, Shane McCarthy, James Stalker, Aravinda Chakravarti,
Bartha M. Knoppers, Gonçalo R. Abecasis, Kathleen C. Barnes, Christine Beiswanger,
Esteban G. Burchard, Carlos D. Bustamante, Hongyu Cai, Hongzhi Cao, Richard M.
Durbin, Norman P. Gerry, Neda Gharani, Richard A. Gibbs, Christopher R. Gignoux,
Simon Gravel, Brenna Henn, Danielle Jones, Lynn Jorde, Jane S. Kaye, Alon Keinan,
Alastair Kent, Angeliki Kerasidou, Yingrui Li, Rasika Mathias, Gil A. McVean, Andres
Moreno-Estrada, Pilar N. Ossorio, Michael Parker, Alissa M. Resch, Charles N. Rotimi,
Charmaine D. Royal, Karla Sandoval, Yeyang Su, Ralf Sudbrak, Zhongming Tian, Sarah
Tishkoff, Lorraine H. Toji, Chris Tyler-Smith, Marc Via, Yuhong Wang, Huanming Yang,
Ling Yang, Jiayong Zhu, Walter Bodmer, Gabriel Bedoya, Andres Ruiz-Linares, Zhiming
Cai, Yang Gao, Jiayou Chu, Leena Peltonen, Andres Garcia-Montero, Alberto Orfao, Julie
Dutil, Juan C. Martinez-Cruzado, Taras K. Oleksyk, Kathleen C. Barnes, Rasika A. Ma-
thias, Anselm Hennis, Harold Watson, Colin McKenzie, Firdausi Qadri, Regina LaRocque,
Pardis C. Sabeti, Jiayong Zhu, Xiaoyan Deng, Pardis C. Sabeti, Danny Asogun, Onikepe

189
PartVI, Références bibliographiques

Folarin, Christian Happi, Omonwunmi Omoniwa, Matt Stremlau, Ridhi Tariyal, Mumina-
tou Jallow, Fatoumatta Sisay Joof, Tumani Corrah, Kirk Rockett, Dominic Kwiatkowski,
Jaspal Kooner, Trâ‘n Tnh Hiê‘n, Sarah J. Dunstan, Nguyen Thuy Hang, Richard Fonnie,
Robert Garry, Lansana Kanneh, Lina Moses, Pardis C. Sabeti, John Schieffelin, Donald S.
Grant, Carla Gallo, Giovanni Poletti, Danish Saleheen, Asif Rasheed, Lisa D. Brooks,
Adam L. Felsenfeld, Jean E. McEwen, Yekaterina Vaydylevich, Eric D. Green, Audrey
Duncanson, Michael Dunn, Jeffery A. Schloss, Jun Wang, Huanming Yang, Adam Auton,
Lisa D. Brooks, Richard M. Durbin, Erik P. Garrison, Hyun Min Kang, Jan O. Korbel,
Jonathan L. Marchini, Shane McCarthy, Gil A. McVean, and Gonçalo R. Abecasis. A
global reference for human genetic variation. Nature, 526(7571) :68–74, oct 2015.

[133] Jacqueline MacArthur, Emily Bowler, Maria Cerezo, Laurent Gil, Peggy Hall, Emma Has-
tings, Heather Junkins, Aoife McMahon, Annalisa Milano, Joannella Morales, Zoe May-
Pendlington, Danielle Welter, Tony Burdett, Lucia Hindorff, Paul Flicek, Fiona Cunnin-
gham, and Helen Parkinson. The new NHGRI-EBI Catalog of published genome-wide
association studies (GWAS Catalog). Nucleic Acids Research, 45(D1) :D896–D901, 2017.

[134] S. V. Bontha, D. G. Maluf, T. F. Mueller, and V. R. Mas. Systems Biology in Kidney

Transplantation : The Application of Multi-Omics to a Complex Model. American Journal
of Transplantation, 17(1) :11–21, 2017.

[135] G Piétu, R Mariage-Samson, N A Fayein, C Matingou, E Eveno, R Houlgatte, C Decraene,

Y Vandenbrouck, F Tahi, M D Devignes, U Wirkner, W Ansorge, D Cox, T Nagase,
N Nomura, and C Auffray. The Genexpress IMAGE knowledge base of the human brain
transcriptome : a prototype integrated resource for functional and computational genomics.
Genome research, 9(2) :195–209, feb 1999.

[136] Andrew Travers and Georgi Muskhelishvili. DNA structure and function. FEBS Journal,
282(12) :2279–2295, jun 2015.

[137] Ralf Dahm. Discovering DNA : Friedrich Miescher and the early years of nucleic acid
research. Human Genetics, 122(6) :565–581, jan 2008.

[138] Oswald T. Avery, Colin M. Macleod, and Maclyn McCarty. Studies on the chemical
nature of the substance inducing transformation of pneumococcal types : Induction of
transformation by a desoxyribonucleic acid fraction isolated from pneumococcus type iii.
Journal of Experimental Medicine, 79(2) :137–158, 1944.

[139] ROSALIND E. FRANKLIN and R. G. GOSLING. Evidence for 2-Chain Helix in Crys-
talline Structure of Sodium Deoxyribonucleate. Nature, 172(4369) :156–157, jul 1953.

[140] A. Klug. Rosalind Franklin and the discovery of the structure of DNA. Nature,
219(5156) :808–844, aug 1968.

190
 Références bibliographiques

[141] J. D. WATSON and F. H. C. CRICK. Molecular Structure of Nucleic Acids : A Structure

for Deoxyribose Nucleic Acid. Nature, 171(4356) :737–738, apr 1953.
[142] Rebecca L. Cann, Mark Stoneking, and Allan C. Wilson. Mitochondrial DNA and human
evolution. Nature, 325(6099) :31–36, jan 1987.
[143] T Pulkes and M.G Hanna. Human mitochondrial DNA diseases. Advanced Drug Delivery
Reviews, 49(1-2) :27–43, jul 2001.
[144] W Makałowski. The human genome structure and organization. Acta Biochimica Polonica,
48(3) :587–598, sep 2001.
[145] Sergey Nurk, Sergey Koren, Arang Rhie, Mikko Rautiainen, Andrey V. Bzikadze, Alla
Mikheenko, Mitchell R. Vollger, Nicolas Altemose, Lev Uralsky, Ariel Gershman, Sergey
Aganezov, Savannah J. Hoyt, Mark Diekhans, Glennis A. Logsdon, Michael Alonge, Sty-
lianos E. Antonarakis, Matthew Borchers, Gerard G. Bouffard, Shelise Y. Brooks, Gina V.
Caldas, Nae-Chyun Chen, Haoyu Cheng, Chen-Shan Chin, William Chow, Leonardo G.
de Lima, Philip C. Dishuck, Richard Durbin, Tatiana Dvorkina, Ian T. Fiddes, Giulio For-
menti, Robert S. Fulton, Arkarachai Fungtammasan, Erik Garrison, Patrick G. S. Grady,
Tina A. Graves-Lindsay, Ira M. Hall, Nancy F. Hansen, Gabrielle A. Hartley, Marina Hauk-
ness, Kerstin Howe, Michael W. Hunkapiller, Chirag Jain, Miten Jain, Erich D. Jarvis,
Peter Kerpedjiev, Melanie Kirsche, Mikhail Kolmogorov, Jonas Korlach, Milinn Kremitzki,
Heng Li, Valerie V. Maduro, Tobias Marschall, Ann M. McCartney, Jennifer McDaniel,
Danny E. Miller, James C. Mullikin, Eugene W. Myers, Nathan D. Olson, Benedict Pa-
ten, Paul Peluso, Pavel A. Pevzner, David Porubsky, Tamara Potapova, Evgeny I. Rogaev,
Jeffrey A. Rosenfeld, Steven L. Salzberg, Valerie A. Schneider, Fritz J. Sedlazeck, Kish-
war Shafin, Colin J. Shew, Alaina Shumate, Ying Sims, Arian F. A. Smit, Daniela C.
Soto, Ivan Sović, Jessica M. Storer, Aaron Streets, Beth A. Sullivan, Françoise Thibaud-
Nissen, James Torrance, Justin Wagner, Brian P. Walenz, Aaron Wenger, Jonathan M. D.
Wood, Chunlin Xiao, Stephanie M. Yan, Alice C. Young, Samantha Zarate, Urvashi Surti,
Rajiv C. McCoy, Megan Y. Dennis, Ivan A. Alexandrov, Jennifer L. Gerton, Rachel J.
O’Neill, Winston Timp, Justin M. Zook, Michael C. Schatz, Evan E. Eichler, Karen H.
Miga, and Adam M. Phillippy. The complete sequence of a human genome. Science,
376(6588) :44–53, apr 2022.
[146] F. H. CRICK. On protein synthesis. Symposia of the Society for Experimental Biology,
12 :138–163, 1958.
[147] Jardins de France. L’analyse PCR : tout le monde en parle, on vous l’explique.
[148] J Lucas-Lenard and F Lipmann. Protein Biosynthesis. Annual Review of Biochemistry,
40(1) :409–448, jun 1971.
[149] S Clancy and W Brown. Translation : Dna to mrna to. Nature Education, 2008.

191
PartVI, Références bibliographiques

[150] Artem E. Men, Peter Wilson, Kirby Siemering, and Susan Forrest. Sanger DNA Sequen-
cing. In Next Generation Genome Sequencing, pages 1–11. Wiley-VCH Verlag GmbH Co.
KGaA, Weinheim, Germany.
[151] Séquençage, pages 59–65. Springer Paris, Paris, 2006.
[152] James D. Watson. The human genome project : Past, present, and future. Science,
248(4951) :44–49, apr 1990.
[153] Mark P. Sawicki, Ghassan Samara, Michael Hurwitz, and Edward Passaro. Human Ge-
nome Project. The American Journal of Surgery, 165(2) :258–264, feb 1993.
[154] Zahra Abdellah, Alireza Ahmadi, Shahana Ahmed, Matthew Aimable, Rachael Ainscough,
Jeff Almeida, Claire Almond, Andrew Ambler, Karen Ambrose, Kerrie Ambrose, Robert
Andrew, Daniel Andrews, Neil Andrews, Heather Andrews, Abel Ureta-Vidal, Imre Vas-
trik, Caleb Webber, Ryan J. Weber, Cara Woodwark, Francis S. Collins, Mark Guyer,
Jane Peterson, Adam Felsenfeld, Kris Wetterstrand, and Sandra Kamholz. Finishing the
euchromatic sequence of the human genome. Nature, 431(7011) :931–945, oct 2004.
[155] Marta Byrska-Bishop, Uday S. Evani, Xuefang Zhao, Anna O. Basile, Haley J. Abel,
Allison A. Regier, André Corvelo, Wayne E. Clarke, Rajeeva Musunuri, Kshithija Nagu-
lapalli, Susan Fairley, Alexi Runnels, Lara Winterkorn, Ernesto Lowy, Paul Flicek, Soren
Germer, Harrison Brand, Ira M. Hall, Michael E. Talkowski, Giuseppe Narzisi, Michael C.
Zody, Evan E. Eichler, Jan O. Korbel, Charles Lee, Tobias Marschall, Scott E. Devine,
William T. Harvey, Weichen Zhou, Ryan E. Mills, Tobias Rausch, Sushant Kumar, Can Al-
kan, Fereydoun Hormozdiari, Zechen Chong, Yu Chen, Xiaofei Yang, Jiadong Lin, Mark B.
Gerstein, Ye Kai, Qihui Zhu, Feyza Yilmaz, and Chunlin Xiao. High-coverage whole-
genome sequencing of the expanded 1000 Genomes Project cohort including 602 trios.
Cell, 185(18) :3426–3440.e19, sep 2022.
[156] Jeffrey D. Wall, Eric W. Stawiski, Aakrosh Ratan, Hie Lim Kim, Changhoon Kim, Ravi
Gupta, Kushal Suryamohan, Elena S. Gusareva, Rikky Wenang Purbojati, Tushar Bhan-
gale, Vadim Stepanov, Vladimir Kharkov, Markus S. Schröder, Vedam Ramprasad, Jenni-
fer Tom, Steffen Durinck, Qixin Bei, Jiani Li, Joseph Guillory, Sameer Phalke, Analabha
Basu, Jeremy Stinson, Sandhya Nair, Sivasankar Malaichamy, Nidhan K. Biswas, John C.
Chambers, Keith C. Cheng, Joyner T. George, Seik Soon Khor, Jong-Il Kim, Belong Cho,
Ramesh Menon, Thiramsetti Sattibabu, Akshi Bassi, Manjari Deshmukh, Anjali Verma,
Vivek Gopalan, Jong-Yeon Shin, Mahesh Pratapneni, Sam Santhosh, Katsushi Tokunaga,
Badrul M. Md-Zain, Kok Gan Chan, Madasamy Parani, Purushothaman Natarajan, Mi-
chael Hauser, R. Rand Allingham, Cecilia Santiago-Turla, Arkasubhra Ghosh, Santosh
Gopi Krishna Gadde, Christian Fuchsberger, Lukas Forer, Sebastian Schoenherr, Hera-
wati Sudoyo, J. Stephen Lansing, Jonathan Friedlaender, George Koki, Murray P. Cox,

192
 Références bibliographiques

Michael Hammer, Tatiana Karafet, Khai C. Ang, Syed Q. Mehdi, Venkatesan Radha, Vis-
wanathan Mohan, Partha P. Majumder, Somasekar Seshagiri, Jeong-Sun Seo, Stephan C.
Schuster, and Andrew S. Peterson. The GenomeAsia 100K Project enables genetic disco-
veries across Asia. Nature, 576(7785) :106–111, dec 2019.
[157] Ayman Grada and Kate Weinbrecht. Next-Generation Sequencing : Methodology and
Application. Journal of Investigative Dermatology, 133(8) :1–4, aug 2013.
[158] Chandra Shekhar Pareek, Rafal Smoczynski, and Andrzej Tretyn. Sequencing technologies
and genome sequencing. Journal of Applied Genetics, 52(4) :413–435, nov 2011.
[159] Tuomo Mantere, Simone Kersten, and Alexander Hoischen. Long-Read Sequencing Emer-
ging in Medical Genetics. Frontiers in Genetics, 10, may 2019.
[160] Samantha Fowler, Rebecca Roush, James Wise, et al. Concepts of biology. OpenStax
College, Rice University, 2013.
[161] Jean Gayon. From Mendel to epigenetics : History of genetics. Comptes Rendus Biologies,
339(7-8) :225–230, jul 2016.
[162] William Bateson and Gregor Mendel. Mendel’s principles of heredity. Courier Corporation,
2013.
[163] OrphaSchool. Transmission des maladies génétiques.
[164] Ying-Cai Tan, Jon Blumenfeld, and Hanna Rennert. Autosomal dominant polycystic
kidney disease : Genetics, mutations and microRNAs. Biochimica et Biophysica Acta
(BBA) - Molecular Basis of Disease, 1812(10) :1202–1212, oct 2011.
[165] Jean-Antoine Ribeil, Salima Hacein-Bey-Abina, Emmanuel Payen, Alessandra Magnani,
Michaela Semeraro, Elisa Magrin, Laure Caccavelli, Benedicte Neven, Philippe Bourget,
Wassim El Nemer, Pablo Bartolucci, Leslie Weber, Hervé Puy, Jean-François Meritet,
David Grevent, Yves Beuzard, Stany Chrétien, Thibaud Lefebvre, Robert W. Ross, Olivier
Negre, Gabor Veres, Laura Sandler, Sandeep Soni, Mariane de Montalembert, Stéphane
Blanche, Philippe Leboulch, and Marina Cavazzana. Gene Therapy in a Patient with
Sickle Cell Disease. New England Journal of Medicine, 376(9) :848–855, mar 2017.
[166] Akhlaq A Maan, James Eales, Artur Akbarov, Joshua Rowland, Xiaoguang Xu, Mark A
Jobling, Fadi J Charchar, and Maciej Tomaszewski. The Y chromosome : a blueprint for
men’s health ? European Journal of Human Genetics, 25(11) :1181–1188, nov 2017.
[167] Stacy Colaco and Deepak Modi. Genetics of the human Y chromosome and its association
with male infertility. Reproductive Biology and Endocrinology, 16(1) :14, dec 2018.
[168] Ingrid A. Holm, Anne E. Nelson, Bruce G. Robinson, Rebecca S. Mason, Deborah J. Marsh,
Christopher T. Cowell, and Thomas O. Carpenter. Mutational Analysis and Genotype-
Phenotype Correlation of the PHEX Gene in X-Linked Hypophosphatemic Rickets. The
Journal of Clinical Endocrinology Metabolism, 86(8) :3889–3899, aug 2001.

193
PartVI, Références bibliographiques

[169] Paul Batty and David Lillicrap. Advances and challenges for hemophilia gene therapy.
Human Molecular Genetics, 28(R1) :R95–R101, oct 2019.
[170] Cécile LIBIOULLE and Vincent BOURS. Les maladies complexes : l’importance de la
genetique. Revue medicale de Liege, 67(5-6), 2012.
[171] François Rousseau and Nathalie Laflamme. Human molecular genetics : From monogenic
to polygenic or complex disorders. Medecine/Sciences, 19(10) :950–954, oct 2003.
[172] Arno G. Motulsky. Genetics of complex diseases. Journal of Zhejiang University SCIENCE
B, 7(2) :167–168, feb 2006.
[173] Eddie Cano-Gamez and Gosia Trynka. From GWAS to Function : Using Functional Ge-
nomics to Identify the Mechanisms Underlying Complex Diseases. Frontiers in Genetics,
11, may 2020.
[174] Evan E. Eichler, Jonathan Flint, Greg Gibson, Augustine Kong, Suzanne M. Leal, Ja-
son H. Moore, and Joseph H. Nadeau. Missing heritability and strategies for finding the
underlying causes of complex disease. Nature Reviews Genetics, 11(6) :446–450, jun 2010.
[175] Hans Ellegren and Nicolas Galtier. Determinants of genetic diversity. Nature Reviews
Genetics, 17(7) :422–433, jul 2016.
[176] Ravi Sachidanandam, David Weissman, Steven C. Schmidt, Jerzy M. Kakol, Lincoln D.
Stein, Gabor Marth, Steve Sherry, James C. Mullikin, Beverley J. Mortimore, David L.
Willey, Sarah E. Hunt, Charlotte G. Cole, Penny C. Coggill, Catherine M. Rice, Zemin
Ning, Jane Rogers, David R. Bentley, Pui-Yan Kwok, Elaine R. Mardis, Raymond T.
Yeh, Brian Schultz, Lisa Cook, Ruth Davenport, Michael Dante, Lucinda Fulton, La-
Deana Hillier, Robert H. Waterston, John D. McPherson, Brian Gilman, Stephen Schaff-
ner, William J. Van Etten, David Reich, John Higgins, Mark J. Daly, Brendan Blumenstiel,
Jennifer Baldwin, Nicole Stange-Thomann, Michael C. Zody, Lauren Linton, Eric S. Lan-
der, and David Altshuler. A map of human genome sequence variation containing 1.42
million single nucleotide polymorphisms. Nature, 409(6822) :928–933, feb 2001.
[177] Kelly A. Frazer, Dennis G. Ballinger, David R. Cox, David A. Hinds, Laura L. Stuve, Ri-
chard A. Gibbs, John W. Belmont, Andrew Boudreau, Paul Hardenbol, Suzanne M. Leal,
Shiran Pasternak, David A. Wheeler, Thomas D. Willis, Fuli Yu, Huanming Yang, Chang-
qing Zeng, Yang Gao, Haoran Hu, Weitao Hu, Chaohua Li, Wei Lin, Siqi Liu, Hao Pan,
Xiaoli Tang, Jian Wang, Wei Wang, Jun Yu, Bo Zhang, Qingrun Zhang, Hongbin Zhao,
Hui Zhao, Jun Zhou, Stacey B. Gabriel, Rachel Barry, Brendan Blumenstiel, Amy Ca-
margo, Matthew Defelice, Maura Faggart, Mary Goyette, Supriya Gupta, Jamie Moore,
Huy Nguyen, Robert C. Onofrio, Melissa Parkin, Jessica Roy, Erich Stahl, Ellen Win-
chester, Liuda Ziaugra, David Altshuler, Yan Shen, Zhijian Yao, Wei Huang, Xun Chu,
Yungang He, Li Jin, Yangfan Liu, Yayun Shen, Weiwei Sun, Haifeng Wang, Yi Wang,

194
 Références bibliographiques

Ying Wang, Xiaoyan Xiong, Liang Xu, Mary M.Y. Waye, Stephen K.W. Tsui, Hong Xue,
J. Tze Fei Wong, Luana M. Galver, Jian Bing Fan, Kevin Gunderson, Sarah S. Mur-
ray, Arnold R. Oliphant, Mark S. Chee, Alexandre Montpetit, Fanny Chagnon, Vincent
Ferretti, Martin Leboeuf, Jean François Olivier, Michael S. Phillips, Stéphanie Roumy,
Clémentine Sallée, Andrei Verner, Thomas J. Hudson, Pui Yan Kwok, Dongmei Cai, Da-
niel C. Koboldt, Raymond D. Miller, Ludmila Pawlikowska, Patricia Taillon-Miller, Ming
Xiao, Lap Chee Tsui, William Mak, Qiang Song You, Paul K.H. Tam, Yusuke Nakamura,
Takahisa Kawaguchi, Takuya Kitamoto, Takashi Morizono, Atsushi Nagashima, Yozo Oh-
nishi, Akihiro Sekine, Toshihiro Tanaka, Tatsuhiko Tsunoda, Panos Deloukas, Christine P.
Bird, Marcos Delgado, Emmanouil T. Dermitzakis, Rhian Gwilliam, Sarah Hunt, Jona-
than Morrison, Don Powell, Barbara E. Stranger, Pamela Whittaker, David R. Bentley,
Mark J. Daly, Paul I.W. De Bakker, Jeff Barrett, Yves R. Chretien, Julian Maller, Steve
McCarroll, Nick Patterson, Itsik Pe’Er, Alkes Price, Shaun Purcell, Daniel J. Richter, Par-
dis Sabeti, Richa Saxena, Stephen F. Schaffner, Pak C. Sham, Patrick Varilly, Lincoln D.
Stein, Lalitha Krishnan, Albert Vernon Smith, Marcela K. Tello-Ruiz, Gudmundur A.
Thorisson, Aravinda Chakravarti, Peter E. Chen, David J. Cutler, Carl S. Kashuk, Shin
Lin, Gonçalo R. Abecasis, Weihua Guan, Yun Li, Heather M. Munro, Zhaohui Steve Qin,
Daryl J. Thomas, Gilean McVean, Adam Auton, Leonardo Bottolo, Niall Cardin, Susana
Eyheramendy, Colin Freeman, Jonathan Marchini, Simon Myers, Chris Spencer, Matthew
Stephens, Peter Donnelly, Lon R. Cardon, Geraldine Clarke, David M. Evans, Andrew P.
Morris, Bruce S. Weir, Todd A. Johnson, James C. Mullikin, Stephen T. Sherry, Michael
Feolo, Andrew Skol, Houcan Zhang, Ichiro Matsuda, Yoshimitsu Fukushima, Darryl R. Ma-
cEr, Eiko Suda, Charles N. Rotimi, Clement A. Adebamowo, Ike Ajayi, Toyin Aniagwu,
Patricia A. Marshall, Chibuzor Nkwodimmah, Charmaine D.M. Royal, Mark F. Leppert,
Missy Dixon, Andy Peiffer, Renzong Qiu, Alastair Kent, Kazuto Kato, Norio Niikawa,
Isaac F. Adewole, Bartha M. Knoppers, Morris W. Foster, Ellen Wright Clayton, Jessica
Watkin, Donna Muzny, Lynne Nazareth, Erica Sodergren, George M. Weinstock, Imtaz
Yakub, Bruce W. Birren, Richard K. Wilson, Lucinda L. Fulton, Jane Rogers, John Bur-
ton, Nigel P. Carter, Christopher M. Clee, Mark Griffiths, Matthew C. Jones, Kirsten
McLay, Robert W. Plumb, Mark T. Ross, Sarah K. Sims, David L. Willey, Zhu Chen, Hua
Han, Le Kang, Martin Godbout, John C. Wallenburg, Paul L’Archevêque, Guy Bellemare,
Koji Saeki, Hongguang Wang, Daochang An, Hongbo Fu, Qing Li, Zhen Wang, Renwu
Wang, Arthur L. Holden, Lisa D. Brooks, Jean E. McEwen, Mark S. Guyer, Vivian Ota
Wang, Jane L. Peterson, Michael Shi, Jack Spiegel, Lawrence M. Sung, Lynn F. Zacharia,
Francis S. Collins, Karen Kennedy, Ruth Jamieson, and John Stewart. A second gene-
ration human haplotype map of over 3.1 million SNPs. Nature, 449(7164) :851–861, oct
2007.

195
PartVI, Références bibliographiques

[178] Somaia Ismail and Mona Essawi. Genetic polymorphism studies in humans. Middle East
Journal of Medical Genetics, 1(2) :57–63, jul 2012.
[179] C.A Hartman. What are single nucleotide polymorphisms (SNPs), 2016.
[180] S. T. Sherry. dbSNP : the NCBI database of genetic variation. Nucleic Acids Research,
29(1) :308–311, jan 2001.
[181] Stephan J. Sanders and Christopher E. Mason. The Newly Emerging View of the Genome.
In Genomics, Circuits, and Pathways in Clinical Neuropsychiatry, pages 3–26. Elsevier,
2016.
[182] J. M. Mullaney, R. E. Mills, W. S. Pittard, and S. E. Devine. Small insertions and deletions
(INDELs) in human genomes. Human Molecular Genetics, 19(R2) :R131–R136, oct 2010.
[183] Maoxuan Lin, Sarah Whitmire, Jing Chen, Alvin Farrel, Xinghua Shi, and Jun-tao Guo.
Effects of short indels on protein structure and function in human genomes. Scientific
Reports, 7(1) :9313, dec 2017.
[184] Sebastian Boegel, John C. Castle, Julia Kodysh, Timothy O’Donnell, and Alex Rubinsteyn.
Bioinformatic methods for cancer neoantigen prediction. pages 25–60. 2019.
[185] A John Iafrate, Lars Feuk, Miguel N Rivera, Marc L Listewnik, Patricia K Donahoe, Ying
Qi, Stephen W Scherer, and Charles Lee. Detection of large-scale variation in the human
genome. Nature Genetics, 36(9) :949–951, sep 2004.
[186] Mehdi Zarrei, Jeffrey R. MacDonald, Daniele Merico, and Stephen W. Scherer. A copy
number variation map of the human genome. Nature Reviews Genetics, 16(3) :172–183,
mar 2015.
[187] P. Stankiewicz and J.R. Lupski. The Genomic Basis of Disease, Mechanisms and Assays
for Genomic Disorders. In Genome and Disease, pages 1–16. KARGER, Basel, 2006.
[188] Jeffrey R. MacDonald, Robert Ziman, Ryan K. C. Yuen, Lars Feuk, and Stephen W.
Scherer. The Database of Genomic Variants : a curated collection of structural variation
in the human genome. Nucleic Acids Research, 42(D1) :D986–D992, jan 2014.
[189] Curt Stern. The Hardy-Weinberg law. Science, 97(2510) :137–138, feb 1943.
[190] Oliver Mayo. A Century of Hardy–Weinberg Equilibrium. Twin Research and Human
Genetics, 11(3) :249–256, jun 2008.
[191] Thomas Hoffman. Association entre polymorphisme de gènes de l’immunité et évenements
cliniques post-transplantation rénale. Sciences de la vie et de la santé, Université de tours,
2009.
[192] [Link]. Les maladies génétiques "complexes". Technical report, Collège National des
Enseignants et Praticiens de Génétique Médicale, 2012.

196
 Références bibliographiques

[193] Duska Dragun, Dominik N. Müller, Jan Hinrich Bräsen, Lutz Fritsche, Melina Nieminen-
Kelhä, Ralf Dechend, Ulrich Kintscher, Birgit Rudolph, Johan Hoebeke, Diana Eckert,
Istvan Mazak, Ralph Plehm, Constanze Schönemann, Thomas Unger, Klemens Budde,
Hans-Hellmut Neumayer, Friedrich C. Luft, and Gerd Wallukat. Angiotensin II Type
1–Receptor Activating Antibodies in Renal-Allograft Rejection. New England Journal of
Medicine, 352(6) :558–569, feb 2005.
[194] Yizhou Zou, Peter Stastny, Caner Süsal, Bernd Döhler, and Gerhard Opelz. Antibodies
against MICA Antigens and Kidney-Transplant Rejection. New England Journal of Me-
dicine, 357(13) :1293–1300, sep 2007.
[195] Vivian Tam and Nikunj Patel. Benefits and limitations of genome-wide association studies.
Nature Reviews Genetics, pages 467–484, 2019.
[196] Hunna J. Watson, Zeynep Yilmaz, Laura M. Thornton, Christopher Hübel, Jonathan
R. I. Coleman, Héléna A. Gaspar, Julien Bryois, Anke Hinney, Virpi M. Leppä, Manuel
Mattheisen, Sarah E. Medland, Stephan Ripke, Shuyang Yao, Paola Giusti-Rodríguez,
Ken B. Hanscombe, Kirstin L. Purves, Roger A. H. Adan, Lars Alfredsson, Tetsuya Ando,
Ole A. Andreassen, Jessica H. Baker, Wade H. Berrettini, Ilka Boehm, Claudette Boni,
Vesna Boraska Perica, Katharina Buehren, Roland Burghardt, Matteo Cassina, Sven Ci-
chon, Maurizio Clementi, Roger D. Cone, Philippe Courtet, Scott Crow, James J. Crowley,
Unna N. Danner, Oliver S. P. Davis, Martina de Zwaan, George Dedoussis, Daniela De-
gortes, Janiece E. DeSocio, Danielle M. Dick, Dimitris Dikeos, Christian Dina, Monika
Dmitrzak-Weglarz, Elisa Docampo, Laramie E. Duncan, Karin Egberts, Stefan Ehrlich,
Geòrgia Escaramís, Tõnu Esko, Xavier Estivill, Anne Farmer, Angela Favaro, Fernando
Fernández-Aranda, Manfred M. Fichter, Krista Fischer, Manuel Föcker, Lenka Foretova,
Andreas J. Forstner, Monica Forzan, Christopher S. Franklin, Steven Gallinger, Ina Gie-
gling, Johanna Giuranna, Fragiskos Gonidakis, Philip Gorwood, Monica Gratacos Mayora,
Sébastien Guillaume, Yiran Guo, Hakon Hakonarson, Konstantinos Hatzikotoulas, Joanna
Hauser, Johannes Hebebrand, Sietske G. Helder, Stefan Herms, Beate Herpertz-Dahlmann,
Wolfgang Herzog, Laura M. Huckins, James I. Hudson, Hartmut Imgart, Hidetoshi Inoko,
Vladimir Janout, Susana Jiménez-Murcia, Antonio Julià, Gursharan Kalsi, Deborah Ka-
minská, Jaakko Kaprio, Leila Karhunen, Andreas Karwautz, Martien J. H. Kas, James L.
Kennedy, Anna Keski-Rahkonen, Kirsty Kiezebrink, Youl-Ri Kim, Lars Klareskog, Kelly L.
Klump, Gun Peggy S. Knudsen, Maria C. La Via, Stephanie Le Hellard, Robert D. Levi-
tan, Dong Li, Lisa Lilenfeld, Bochao Danae Lin, Jolanta Lissowska, Jurjen Luykx, Pierre J.
Magistretti, Mario Maj, Katrin Mannik, Sara Marsal, Christian R. Marshall, Morten
Mattingsdal, Sara McDevitt, Peter McGuffin, Andres Metspalu, Ingrid Meulenbelt, Na-
dia Micali, Karen Mitchell, Alessio Maria Monteleone, Palmiero Monteleone, Melissa A.
Munn-Chernoff, Benedetta Nacmias, Marie Navratilova, Ioanna Ntalla, Julie K. O’Toole,

197
PartVI, Références bibliographiques

Roel A. Ophoff, Leonid Padyukov, Aarno Palotie, Jacques Pantel, Hana Papezova, Dalila
Pinto, Raquel Rabionet, Anu Raevuori, Nicolas Ramoz, Ted Reichborn-Kjennerud, Valdo
Ricca, Samuli Ripatti, Franziska Ritschel, Marion Roberts, Alessandro Rotondo, Dan Ru-
jescu, Filip Rybakowski, Paolo Santonastaso, André Scherag, Stephen W. Scherer, Ulrike
Schmidt, Nicholas J. Schork, Alexandra Schosser, Jochen Seitz, Lenka Slachtova, P. Eline
Slagboom, Margarita C. T. Slof-Op ‘t Landt, Agnieszka Slopien, Sandro Sorbi, Beata
Świa̧tkowska, Jin P. Szatkiewicz, Ioanna Tachmazidou, Elena Tenconi, Alfonso Tortorella,
Federica Tozzi, Janet Treasure, Artemis Tsitsika, Marta Tyszkiewicz-Nwafor, Konstantinos
Tziouvas, Annemarie A. van Elburg, Eric F. van Furth, Gudrun Wagner, Esther Walton,
Elisabeth Widen, Eleftheria Zeggini, Stephanie Zerwas, Stephan Zipfel, Andrew W. Ber-
gen, Joseph M. Boden, Harry Brandt, Steven Crawford, Katherine A. Halmi, L. John
Horwood, Craig Johnson, Allan S. Kaplan, Walter H. Kaye, James E. Mitchell, Cathe-
rine M. Olsen, John F. Pearson, Nancy L. Pedersen, Michael Strober, Thomas Werge,
David C. Whiteman, D. Blake Woodside, Garret D. Stuber, Scott Gordon, Jakob Grove,
Anjali K. Henders, Anders Juréus, Katherine M. Kirk, Janne T. Larsen, Richard Parker,
Liselotte Petersen, Jennifer Jordan, Martin Kennedy, Grant W. Montgomery, Tracey D.
Wade, Andreas Birgegård, Paul Lichtenstein, Claes Norring, Mikael Landén, Nicholas G.
Martin, Preben Bo Mortensen, Patrick F. Sullivan, Gerome Breen, and Cynthia M. Bulik.
Genome-wide association study identifies eight risk loci and implicates metabo-psychiatric
origins for anorexia nervosa. Nature Genetics, 51(8) :1207–1214, aug 2019.
[197] Craig L Hyde, Michael W Nagle, Chao Tian, Xing Chen, Sara A Paciga, Jens R Wendland,
Joyce Y Tung, David A Hinds, Roy H Perlis, and Ashley R Winslow. Identification of 15
genetic loci associated with risk of major depression in individuals of European descent.
Nature Genetics, 48(9) :1031–1036, sep 2016.
[198] Amit Sud, Ben Kinnersley, and Richard S. Houlston. Genome-wide association studies of
cancer : current insights and future perspectives. Nature Reviews Cancer, 17(11) :692–704,
nov 2017.
[199] Wei Zhao, Asif Rasheed, Emmi Tikkanen, Jung-Jin Lee, Adam S Butterworth, Joanna
M M Howson, Themistocles L Assimes, Rajiv Chowdhury, Marju Orho-Melander, Scott
Damrauer, Aeron Small, Senay Asma, Minako Imamura, Toshimasa Yamauch, John C
Chambers, Peng Chen, Bishwa R Sapkota, Nabi Shah, Sehrish Jabeen, Praveen Suren-
dran, Yingchang Lu, Weihua Zhang, Atif Imran, Shahid Abbas, Faisal Majeed, Kevin
Trindade, Nadeem Qamar, Nadeem Hayyat Mallick, Zia Yaqoob, Tahir Saghir, Syed Na-
deem Hasan Rizvi, Anis Memon, Syed Zahed Rasheed, Fazal-ur-Rehman Memon, Khalid
Mehmood, Naveeduddin Ahmed, Irshad Hussain Qureshi, Tanveer us Salam, Wasim Iq-
bal, Uzma Malik, Narinder Mehra, Jane Z Kuo, Wayne H-H Sheu, Xiuqing Guo, Chao A
Hsiung, Jyh-Ming J Juang, Kent D Taylor, Yi-Jen Hung, Wen-Jane Lee, Thomas Quer-

198
 Références bibliographiques

termous, I-Te Lee, Chih-Cheng Hsu, Erwin P Bottinger, Sarju Ralhan, Yik Ying Teo,
Tzung-Dau Wang, Dewan S Alam, Emanuele Di Angelantonio, Steve Epstein, Sune F
Nielsen, Børge G Nordestgaard, Anne Tybjaerg-Hansen, Robin Young, Marianne Benn,
Ruth Frikke-Schmidt, Pia R Kamstrup, J Wouter Jukema, Naveed Sattar, Roelof Smit,
Ren-Hua Chung, Kae-Woei Liang, Sonia Anand, Dharambir K Sanghera, Samuli Ripatti,
Ruth J F Loos, Jaspal S Kooner, E Shyong Tai, Jerome I Rotter, Yii-Der Ida Chen, Phi-
lippe Frossard, Shiro Maeda, Takashi Kadowaki, Muredach Reilly, Guillaume Pare, Olle
Melander, Veikko Salomaa, Daniel J Rader, John Danesh, Benjamin F Voight, and Danish
Saleheen. Identification of new susceptibility loci for type 2 diabetes and shared etiological
pathways with coronary heart disease. Nature Genetics, 49(10) :1450–1457, oct 2017.

[200] Katrina M de Lange, Loukas Moutsianas, James C Lee, Christopher A Lamb, Yang Luo,
Nicholas A Kennedy, Luke Jostins, Daniel L Rice, Javier Gutierrez-Achury, Sun-Gou Ji,
Graham Heap, Elaine R Nimmo, Cathryn Edwards, Paul Henderson, Craig Mowat, Jeremy
Sanderson, Jack Satsangi, Alison Simmons, David C Wilson, Mark Tremelling, Ailsa Hart,
Christopher G Mathew, William G Newman, Miles Parkes, Charlie W Lees, Holm Uhlig,
Chris Hawkey, Natalie J Prescott, Tariq Ahmad, John C Mansfield, Carl A Anderson,
and Jeffrey C Barrett. Genome-wide association study implicates immune activation of
multiple integrin genes in inflammatory bowel disease. Nature Genetics, 49(2) :256–261,
feb 2017.

[201] Philip R. Jansen, Kyoko Watanabe, Sven Stringer, Nathan Skene, Julien Bryois, Anke R.
Hammerschlag, Christiaan A. de Leeuw, Jeroen S. Benjamins, Ana B. Muñoz-Manchado,
Mats Nagel, Jeanne E. Savage, Henning Tiemeier, Tonya White, Joyce Y. Tung, David A.
Hinds, Vladimir Vacic, Xin Wang, Patrick F. Sullivan, Sophie van der Sluis, Tinca J. C.
Polderman, August B. Smit, Jens Hjerling-Leffler, Eus J. W. Van Someren, and Danielle
Posthuma. Genome-wide analysis of insomnia in 1,331,010 individuals identifies new risk
loci and functional pathways. Nature Genetics, 51(3) :394–403, mar 2019.

[202] Loic Yengo, Julia Sidorenko, Kathryn E Kemper, Zhili Zheng, Andrew R Wood, Michael N
Weedon, Timothy M Frayling, Joel Hirschhorn, Jian Yang, and Peter M Visscher. Meta-
analysis of genome-wide association studies for height and body mass index in 700000
individuals of European ancestry. Human Molecular Genetics, 27(20) :3641–3649, oct
2018.

[203] Genome-wide association study of 14,000 cases of seven common diseases and 3,000 shared
controls. Nature, 447(7145) :661–678, jun 2007.

[204] Aswin Sekar, Allison R. Bialas, Heather de Rivera, Avery Davis, Timothy R. Hammond,
Nolan Kamitaki, Katherine Tooley, Jessy Presumey, Matthew Baum, Vanessa Van Doren,
Giulio Genovese, Samuel A. Rose, Robert E. Handsaker, Mark J. Daly, Michael C. Carroll,

199
PartVI, Références bibliographiques

Beth Stevens, and Steven A. McCarroll. Schizophrenia risk from complex variation of
complement component 4. Nature, 530(7589) :177–183, feb 2016.

[205] Hreinn Stefansson, Roel A. Ophoff, Stacy Steinberg, Ole A. Andreassen, Sven Cichon, Dan
Rujescu, Thomas Werge, Olli P. H. Pietiläinen, Ole Mors, Preben B. Mortensen, Engil-
bert Sigurdsson, Omar Gustafsson, Mette Nyegaard, Annamari Tuulio-Henriksson, Andres
Ingason, Thomas Hansen, Jaana Suvisaari, Jouko Lonnqvist, Tiina Paunio, Anders D. Bør-
glum, Annette Hartmann, Anders Fink-Jensen, Merete Nordentoft, David Hougaard, Bent
Norgaard-Pedersen, Yvonne Böttcher, Jes Olesen, René Breuer, Hans-Jürgen Möller, Ina
Giegling, Henrik B. Rasmussen, Sally Timm, Manuel Mattheisen, István Bitter, János M.
Réthelyi, Brynja B. Magnusdottir, Thordur Sigmundsson, Pall Olason, Gisli Masson, Jef-
frey R. Gulcher, Magnus Haraldsson, Ragnheidur Fossdal, Thorgeir E. Thorgeirsson, Un-
nur Thorsteinsdottir, Mirella Ruggeri, Sarah Tosato, Barbara Franke, Eric Strengman,
Lambertus A. Kiemeney, Ingrid Melle, Srdjan Djurovic, Lilia Abramova, Vasily Kaleda,
Julio Sanjuan, Rosa de Frutos, Elvira Bramon, Evangelos Vassos, Gillian Fraser, Ulrich
Ettinger, Marco Picchioni, Nicholas Walker, Timi Toulopoulou, Anna C. Need, Dongliang
Ge, Joeng Lim Yoon, Kevin V. Shianna, Nelson B. Freimer, Rita M. Cantor, Robin Murray,
Augustine Kong, Vera Golimbet, Angel Carracedo, Celso Arango, Javier Costas, Erik G.
Jönsson, Lars Terenius, Ingrid Agartz, Hannes Petursson, Markus M. Nöthen, Marcella
Rietschel, Paul M. Matthews, Pierandrea Muglia, Leena Peltonen, David St Clair, Da-
vid B. Goldstein, Kari Stefansson, and David A. Collier. Common variants conferring risk
of schizophrenia. Nature, 460(7256) :744–747, aug 2009.

[206] Barbara Murphy Madhav C. Menon, Karen L. Keung and Philip J. O’Connell. THE
USE OF GENOMICS AND PATHWAY ANALYSIS IN OUR UNDERSTANDING AND
PREDICTION OF CLINICAL RENAL TRANSPLANT INJURY. 100(7) :1405–1414,
2016.

[207] Joshua Y.C. Yang and Minnie M. Sarwal. Transplant genetics and genomics. Nature
Reviews Genetics, 18(5) :309–326, 2017.

[208] L. Ghisdal, C. Baron, Y. Lebranchu, O. Viklický, A. Konarikova, M. Naesens, D. Kuypers,

M. Dinic, E. Alamartine, G. Touchard, T. Antoine, M. Essig, J. P. Rerolle, P. Merville,
J. L. Taupin, Y. Le Meur, A. Grall-Jezequel, F. Glowacki, C. Noël, C. Legendre, D. Angli-
cheau, N. Broeders, W. Coppieters, E. Docampo, M. Georges, Z. Ajarchouh, A. Massart,
J. Racapé, D. Abramowicz, and M. Abramowicz. Genome-Wide Association Study of
Acute Renal Graft Rejection. American Journal of Transplantation, 17(1) :201–209, jan
2017.

[209] Tasneem Motiwala, Jharna Datta, Huban Kutay, Satavisha Roy, and Samson T. Jacob.
Lyn kinase and ZAP70 are substrates of PTPROt in B-cells : Lyn inactivation by PTPROt

200
 Références bibliographiques

sensitizes leukemia cells to VEGF-R inhibitor pazopanib. Journal of Cellular Biochemistry,

110(4) :846–856, apr 2010.
[210] Francesca Finetti, Silvia Rossi Paccani, Joel Rosenbaum, and Cosima T. Baldari. In-
traflagellar transport : a new player at the immune synapse. Trends in Immunology,
32(4) :139–145, apr 2011.
[211] Maria P. Hernandez-Fuentes, Christopher Franklin, Irene Rebollo-Mesa, Jennifer Mol-
lon, Florence Delaney, Esperanza Perucha, Caragh Stapleton, Richard Borrows, Catherine
Byrne, Gianpiero Cavalleri, Brendan Clarke, Menna Clatworthy, John Feehally, Susan
Fuggle, Sarah A. Gagliano, Sian Griffin, Abdul Hammad, Robert Higgins, Alan Jardine,
Mary Keogan, Timothy Leach, Iain MacPhee, Patrick B. Mark, James Marsh, Peter Max-
well, William McKane, Adam McLean, Charles Newstead, Titus Augustine, Paul Phelan,
Steve Powis, Peter Rowe, Neil Sheerin, Ellen Solomon, Henry Stephens, Raj Thuraisin-
gham, Richard Trembath, Peter Topham, Robert Vaughan, Steven H. Sacks, Peter Conlon,
Gerhard Opelz, Nicole Soranzo, Michael E. Weale, and Graham M. Lord. Long- and
short-term outcomes in renal allografts with deceased donors : A large recipient and donor
genome-wide association study. American Journal of Transplantation, 18(6) :1370–1379,
jun 2018.
[212] Agence de la Biomédecine. RAMS 2019 ORGANES - greffe rénale. Technical report, 2019.
[213] Robert P. O’Brien, Paul J. Phelan, Judith Conroy, Patrick O’Kelly, Andrew Green, Mary
Keogan, Derek O’Neill, Susan Jennings, Carol Traynor, Jillian Casey, Mark McCormack,
Ronan Conroy, Anthony Chubb, Sean Ennis, Denis C. Shields, Gianpiero L. Cavalleri, and
Peter J. Conlon. A genome-wide association study of recipient genotype and medium-term
kidney allograft function. Clinical Transplantation, 27(3) :379–387, may 2013.
[214] H. K. Pihlstrøm, G. Mjøen, S. Mucha, G. Haraldsen, A. Franke, A. Jardine, B. Fellström,
H. Holdaas, and E. Melum. Single Nucleotide Polymorphisms and Long-Term Clinical
Outcome in Renal Transplant Patients : A Validation Study. American Journal of Trans-
plantation, 17(2) :528–533, feb 2017.
[215] Laurent Mesnard, Thangamani Muthukumar, Maren Burbach, Carol Li, Huimin Shang,
Darshana Dadhania, John R. Lee, Vijay K. Sharma, Jenny Xiang, Caroline Suberbielle,
Maryvonnick Carmagnat, Nacera Ouali, Eric Rondeau, John J. Friedewald, Michael M.
Abecassis, Manikkam Suthanthiran, and Fabien Campagne. Exome Sequencing and Pre-
diction of Long-Term Kidney Allograft Function. PLoS Computational Biology, 12(9) :1–
15, 2016.
[216] Roman Reindl-Schwaighofer, Andreas Heinzel, Lorenzo Signorini, Olivier Thaunat, and
Rainer Oberbauer. Mechanisms underlying human genetic diversity : consequence for
antigraft antibody responses. Transplant International, 31 :239–250, 2018.

201
PartVI, Références bibliographiques

[217] Nicholas J. Steers, Yifu Li, Zahida Drace, Justin A. D’Addario, Clara Fischman, Lili
Liu, Katherine Xu, Young-Ji Na, Y. Dana Neugut, Jun Y. Zhang, Roel Sterken, Oli-
via Balderes, Drew Bradbury, Nilgun Ozturk, Fatih Ozay, Sanya Goswami, Karla Mehl,
Jaclyn Wold, Fatima Z. Jelloul, Mersedeh Rohanizadegan, Christopher E. Gillies, Elena-
Rodica M. Vasilescu, George Vlad, Yi-An Ko, Sumit Mohan, Jai Radhakrishnan, David J.
Cohen, Lloyd E. Ratner, Francesco Scolari, Katalin Susztak, Matthew G. Sampson, Silvia
Deaglio, Yasar Caliskan, Jonathan Barasch, Aisling E. Courtney, Alexander P. Maxwell,
Amy J. McKnight, Iuliana Ionita-Laza, Stephan J.L. Bakker, Harold Snieder, Martin H.
de Borst, Vivette D’Agati, Antonio Amoroso, Ali G. Gharavi, and Krzysztof Kiryluk. Ge-
nomic Mismatch at LIMS1 Locus and Kidney Allograft Rejection . New England Journal
of Medicine, 380(20) :1918–1928, 2019.

[218] Konrad J. Karczewski and Michael P. Snyder. Integrative omics for health and disease.
Nature Reviews Genetics, 19(5) :299–310, 2018.

[219] Katsuyuki Yugi, Hiroyuki Kubota, Atsushi Hatano, and Shinya Kuroda. Trans-Omics :
How To Reconstruct Biochemical Networks Across Multiple ‘Omic’ Layers. Trends in
Biotechnology, 34(4) :276–290, apr 2016.

[220] Gabriela V. Cohen Freue, Mayu Sasaki, Anna Meredith, Oliver P. Günther, Axel Bergman,
Mandeep Takhar, Alice Mui, Robert F. Balshaw, Raymond T. Ng, Nina Opushneva, Zsuz-
sanna Hollander, Guiyun Li, Christoph H. Borchers, Janet Wilson-McManus, Bruce M.
McManus, Paul A. Keown, and W. Robert McMaster. Proteomic Signatures in Plasma
during Early Acute Renal Allograft Rejection. Molecular Cellular Proteomics, 9(9) :1954–
1967, sep 2010.

[221] Brendan J. Keating, Alexandre C. Pereira, Michael Snyder, and Brian D. Piening. Ap-
plying genomics in heart transplantation. Transplant International, 31(3) :278–290, 2018.

[222] Christophe Masset, Clarisse Kerleau, Claire Garandeau, Simon Ville, Diego Cantarovich,
Maryvonne Hourmant, Delphine Kervella, Aurélie Houzet, Cécile Guillot-Gueguen, Irène
Guihard, Magali Giral, Jacques Dantal, and Gilles Blancho. A third injection of the
BNT162b2 mRNA COVID-19 vaccine in kidney transplant recipients improves the humo-
ral immune response. Kidney International, 100(5) :1132–1135, nov 2021.

[223] Y. Foucher, M. Lorent, L. Albano, S. Roux, V. Pernin, M. Le Quintrec, C. Legendre,

F. Buron, E. Morelon, S. Girerd, M. Ladrière, D. Glotz, C. Lefaucher, C. Kerleau, J. Dan-
tal, J. Branchereau, and M. Giral. Renal transplantation outcomes in obese patients : a
French cohort-based study. BMC Nephrology, 22(1) :79, dec 2021.

[224] Amaury Dujardin, Mélanie Chesneau, Florian Dubois, Richard Danger, Linh Bui, Clarisse
Kerleau, Pierrick Guérif, Sophie Brouard, and Jacques Dantal. Clinical and immunological

202
 Références bibliographiques

follow-up of very long-term kidney transplant recipients treated with calcineurin inhibitors
indicates dual phenotypes. Kidney International, 99(6) :1418–1429, jun 2021.
[225] Pui-Yan Kwok. Methods for Genotyping Single Nucleotide Polymorphisms. Annual Review
of Genomics and Human Genetics, 2(1) :235–258, sep 2001.
[226] Regina O Obe author. PostgreSQL : up and running : a practical guide to the advanced
open source database / Regina O. Obe and Leo S. Hsu. O’Reilly Media, Inc., 2015.
[227] Geraldine M Clarke, Carl A Anderson, Fredrik H Pettersson, Lon R Cardon, Andrew P
Morris, and Krina T Zondervan. Basic statistical analysis in genetic case-control studies.
Nature Protocols, 6(2) :121–133, feb 2011.
[228] Shaun Purcell, Benjamin Neale, Kathe Todd-Brown, Lori Thomas, Manuel A.R. Ferreira,
David Bender, Julian Maller, Pamela Sklar, Paul I.W. de Bakker, Mark J. Daly, and Pak C.
Sham. PLINK : A Tool Set for Whole-Genome Association and Population-Based Linkage
Analyses. The American Journal of Human Genetics, 81(3) :559–575, sep 2007.
[229] Eric L. Stevens, Greg Heckenberg, Elisha D. O. Roberson, Joseph D. Baugher, Thomas J.
Downey, and Jonathan Pevsner. Inference of Relationships in Population Data Using
Identity-by-Descent and Identity-by-State. PLoS Genetics, 7(9) :e1002287, sep 2011.
[230] Evan L. Sticca, Gillian M. Belbin, and Christopher R. Gignoux. Current Developments
in Detection of Identity-by-Descent Methods and Applications. Frontiers in Genetics, 12,
sep 2021.
[231] Elizabeth A Thompson. Identity by Descent : Variation in Meiosis, Across Genomes, and
in Populations. Genetics, 194(2) :301–326, jun 2013.
[232] Diogo Meyer and Kelly Nunes. HLA imputation, what is it good for ? Human Immunology,
78(3) :239–241, 2017.
[233] X Zheng, J Shen, C Cox, J C Wakefield, M G Ehm, M R Nelson, and B S Weir. HI-
BAG—HLA genotype imputation with attribute bagging. The Pharmacogenomics Jour-
nal, 14(2) :192–200, apr 2014.
[234] Markus Ringnér. What is principal component analysis ? Nature Biotechnology, 26(3) :303–
304, mar 2008.
[235] John Novembre, Toby Johnson, Katarzyna Bryc, Zoltán Kutalik, Adam R. Boyko, Adam
Auton, Amit Indap, Karen S. King, Sven Bergmann, Matthew R. Nelson, Matthew Ste-
phens, and Carlos D. Bustamante. Genes mirror geography within Europe. Nature,
456(7218) :98–101, nov 2008.
[236] D Shriner. Investigating population stratification and admixture using eigenanalysis of
dense genotypes. Heredity, 107(5) :413–420, nov 2011.

203
PartVI, Références bibliographiques

[237] Bryan N. Howie, Peter Donnelly, and Jonathan Marchini. A Flexible and Accurate Geno-
type Imputation Method for the Next Generation of Genome-Wide Association Studies.
PLoS Genetics, 5(6) :e1000529, jun 2009.
[238] P. I.W. de Bakker, M. A.R. Ferreira, X. Jia, B. M. Neale, S. Raychaudhuri, and B. F.
Voight. Practical aspects of imputation-driven meta-analysis of genome-wide association
studies. Human Molecular Genetics, 17(R2) :R122–R128, oct 2008.
[239] Brian L. Browning, Ying Zhou, and Sharon R. Browning. A One-Penny Imputed Ge-
nome from Next-Generation Reference Panels. The American Journal of Human Genetics,
103(3) :338–348, sep 2018.
[240] L. Rabiner and B. Juang. An introduction to hidden Markov models. IEEE ASSP Maga-
zine, 3(1) :4–16, 1986.
[241] Kelly Nunes, Xiuwen Zheng, Margareth Torres, Maria Elisa Moraes, Bruno Z. Piovezan,
Gerlandia N. Pontes, Lilian Kimura, Juliana E.P. Carnavalli, Regina C. Mingroni Netto,
and Diogo Meyer. HLA imputation in an admixed population : An assessment of the 1000
Genomes data as a training set. Human Immunology, 2016.
[242] Venceslas Douillard, Erick C. Castelli, Steven J. Mack, Jill A. Hollenbach, Pierre Antoine
Gourraud, Nicolas Vince, and Sophie Limou. Approaching Genetics Through the MHC
Lens : Tools and Methods for HLA Research. Frontiers in Genetics, 12(December) :1–13,
2021.
[243] Xiaoming Jia, Buhm Han, Suna Onengut-Gumuscu, Wei-Min Chen, Patrick J. Concannon,
Stephen S. Rich, Soumya Raychaudhuri, and Paul I.W. de Bakker. Imputing Amino Acid
Polymorphisms in Human Leukocyte Antigens. PLoS ONE, 8(6) :e64683, jun 2013.
[244] Alexander T. Dilthey, Loukas Moutsianas, Stephen Leslie, and Gil McVean.
HLA*IMP—an integrated framework for imputing classical HLA alleles from SNP ge-
notypes. Bioinformatics, 27(7) :968–972, apr 2011.
[245] Tatsuhiko Naito, Ken Suzuki, Jun Hirata, Yoichiro Kamatani, Koichi Matsuda, Tatsushi
Toda, and Yukinori Okada. A deep learning method for HLA imputation and trans-ethnic
MHC fine-mapping of type 1 diabetes. Nature Communications, 12(1) :1639, dec 2021.
[246] Seungho Cook, Wanson Choi, Hyunjoon Lim, Yang Luo, Kunhee Kim, Xiaoming Jia,
Soumya Raychaudhuri, and Buhm Han. Accurate imputation of human leukocyte antigens
with CookHLA. Nature Communications, 12(1) :1264, dec 2021.
[247] Allan Motyer, Damjan Vukcevic, Alexander Dilthey, Peter Donnelly, Gil McVean, and Ste-
phen Leslie. Practical Use of Methods for Imputation of HLA Alleles from SNP Genotype
Data. bioRxiv, page 091009, 2016.
[248] Gülden Kaya Uyanık and Neşe Güler. A Study on Multiple Linear Regression Analysis.
Procedia - Social and Behavioral Sciences, 106 :234–240, dec 2013.

204
 Références bibliographiques

[249] John Ludbrook. Linear regression analysis for comparing two measurers or methods of
measurement : But which regression ? Clinical and Experimental Pharmacology and Phy-
siology, 37(7) :692–699, mar 2010.
[250] Rohan L. Fernando and Dorian Garrick. Bayesian Methods Applied to GWAS. pages
237–274. 2013.
[251] Elise Whitley and Jonathan Ball. Statistics review 5 : Comparison of means. Critical care
(London, England), 6(5) :424–8, oct 2002.
[252] Duncan J Murdoch, Yu-Ling Tsai, and James Adcock. P -Values are Random Variables.
The American Statistician, 62(3) :242–245, aug 2008.
[253] Matthew A Napierala. What is the Bonferroni correction. AAOS, 6 :40, 2012.
[254] Cristian Pattaro, Anna Köttgen, Alexander Teumer, Maija Garnaas, Carsten A. Böger,
Christian Fuchsberger, Matthias Olden, Ming-Huei Chen, Adrienne Tin, Daniel Taliun,
Man Li, Xiaoyi Gao, Mathias Gorski, Qiong Yang, Claudia Hundertmark, Meredith C.
Foster, Conall M. O’Seaghdha, Nicole Glazer, Aaron Isaacs, Ching-Ti Liu, Albert V.
Smith, Jeffrey R. O’Connell, Maksim Struchalin, Toshiko Tanaka, Guo Li, Andrew D.
Johnson, Hinco J. Gierman, Mary Feitosa, Shih-Jen Hwang, Elizabeth J. Atkinson, Kurt
Lohman, Marilyn C. Cornelis, Åsa Johansson, Anke Tönjes, Abbas Dehghan, Vincent
Chouraki, Elizabeth G. Holliday, Rossella Sorice, Zoltan Kutalik, Terho Lehtimäki, Tõnu
Esko, Harshal Deshmukh, Sheila Ulivi, Audrey Y. Chu, Federico Murgia, Stella Trompet,
Medea Imboden, Barbara Kollerits, Giorgio Pistis, Tamara B. Harris, Lenore J. Lau-
ner, Thor Aspelund, Gudny Eiriksdottir, Braxton D. Mitchell, Eric Boerwinkle, Helena
Schmidt, Margherita Cavalieri, Madhumathi Rao, Frank B. Hu, Ayse Demirkan, Ben A.
Oostra, Mariza de Andrade, Stephen T. Turner, Jingzhong Ding, Jeanette S. Andrews,
Barry I. Freedman, Wolfgang Koenig, Thomas Illig, Angela Döring, H.-Erich Wichmann,
Ivana Kolcic, Tatijana Zemunik, Mladen Boban, Cosetta Minelli, Heather E. Wheeler,
Wilmar Igl, Ghazal Zaboli, Sarah H. Wild, Alan F. Wright, Harry Campbell, David El-
linghaus, Ute Nöthlings, Gunnar Jacobs, Reiner Biffar, Karlhans Endlich, Florian Ernst,
Georg Homuth, Heyo K. Kroemer, Matthias Nauck, Sylvia Stracke, Uwe Völker, Henry
Völzke, Peter Kovacs, Michael Stumvoll, Reedik Mägi, Albert Hofman, Andre G. Uitter-
linden, Fernando Rivadeneira, Yurii S. Aulchenko, Ozren Polasek, Nick Hastie, Veronique
Vitart, Catherine Helmer, Jie Jin Wang, Daniela Ruggiero, Sven Bergmann, Mika Kähö-
nen, Jorma Viikari, Tiit Nikopensius, Michael Province, Shamika Ketkar, Helen Colhoun,
Alex Doney, Antonietta Robino, Franco Giulianini, Bernhard K. Krämer, Laura Portas,
Ian Ford, Brendan M. Buckley, Martin Adam, Gian-Andri Thun, Bernhard Paulweber,
Margot Haun, Cinzia Sala, Marie Metzger, Paul Mitchell, Marina Ciullo, Stuart K. Kim,
Peter Vollenweider, Olli Raitakari, Andres Metspalu, Colin Palmer, Paolo Gasparini, Ma-
rio Pirastu, J. Wouter Jukema, Nicole M. Probst-Hensch, Florian Kronenberg, Daniela

205
PartVI, Références bibliographiques

Toniolo, Vilmundur Gudnason, Alan R. Shuldiner, Josef Coresh, Reinhold Schmidt, Luigi
Ferrucci, David S. Siscovick, Cornelia M. van Duijn, Ingrid Borecki, Sharon L. R. Kar-
dia, Yongmei Liu, Gary C. Curhan, Igor Rudan, Ulf Gyllensten, James F. Wilson, Andre
Franke, Peter P. Pramstaller, Rainer Rettig, Inga Prokopenko, Jacqueline C. M. Wit-
teman, Caroline Hayward, Paul Ridker, Afshin Parsa, Murielle Bochud, Iris M. Heid,
Wolfram Goessling, Daniel I. Chasman, W. H. Linda Kao, and Caroline S. Fox. Genome-
Wide Association and Functional Follow-Up Reveals New Loci for Kidney Function. PLoS
Genetics, 8(3) :e1002584, mar 2012.
[255] Xiaoyu Zhang, Xuejiao Cui, and Feng Zhu. The effects of sample size on omics study :
from the perspective of robustness and diagnostic accuracy. IOP Conference Series : Earth
and Environmental Science, 252 :022127, jul 2019.
[256] Emil Uffelmann, Qin Qin Huang, Nchangwi Syntia Munung, Jantina de Vries, Yukinori
Okada, Alicia R. Martin, Hilary C. Martin, Tuuli Lappalainen, and Danielle Posthuma.
Genome-wide association studies. Nature Reviews Methods Primers, 1(1) :59, dec 2021.
[257] International Genetics Translational Research in Transplantation Network (iGene-
TRAiN). Design and Implementation of the International Genetics and Translational
Research in Transplantation Network. Transplantation, 99(11) :2401–12, nov 2015.
[258] Claire E Fishman, Maede Mohebnasab, Jessica van Setten, Francesca Zanoni, Chen Wang,
Silvia Deaglio, Antonio Amoroso, Lauren Callans, Teun van Gelder, Sangho Lee, Krzysztof
Kiryluk, Matthew B Lanktree, and Brendan J Keating. Genome-Wide Study Updates in
the International Genetics and Translational Research in Transplantation Network (iGe-
neTRAiN). Frontiers in genetics, 10 :1084, 2019.
[259] Clare Bycroft, Colin Freeman, Desislava Petkova, Gavin Band, Lloyd T. Elliott, Kevin
Sharp, Allan Motyer, Damjan Vukcevic, Olivier Delaneau, Jared O’Connell, Adrian Cortes,
Samantha Welsh, Alan Young, Mark Effingham, Gil McVean, Stephen Leslie, Naomi Allen,
Peter Donnelly, and Jonathan Marchini. The UK Biobank resource with deep phenotyping
and genomic data. Nature, 562(7726) :203–209, oct 2018.
[260] Ahmed M. Alaa, Thomas Bolton, Emanuele Di Angelantonio, James H. F. Rudd, and
Mihaela van der Schaar. Cardiovascular disease risk prediction using automated ma-
chine learning : A prospective study of 423,604 UK Biobank participants. PLOS ONE,
14(5) :e0213653, may 2019.
[261] David J. Hunter. Gene–environment interactions in human diseases. Nature Reviews
Genetics, 6(4) :287–298, apr 2005.
[262] Lei Chen, Shiqi Zhang, Xiaoyong Pan, XiaoHua Hu, Yu-Hang Zhang, Fei Yuan, Tao Huang,
and Yu-Dong Cai. HIV infection alters the human epigenetic landscape. Gene Therapy,
26(1-2) :29–39, feb 2019.

206
 Références bibliographiques

[263] Kyung E. Rhee, Suzanne Phelan, and Jeanne McCaffery. Early Determinants of Obesity :
Genetic, Epigenetic, and In Utero Influences. International Journal of Pediatrics, 2012 :1–
9, 2012.

[264] Daniëlle van Manen, Angélique B van ‘t Wout, and Hanneke Schuitemaker. Genome-wide
association studies on HIV susceptibility, pathogenesis and pharmacogenomics. Retrovi-
rology, 9(1) :70, dec 2012.

[265] Beryl A Koblin, Marla J Husnik, Grant Colfax, Yijian Huang, Maria Madison, Kenneth
Mayer, Patrick J Barresi, Thomas J Coates, Margaret A Chesney, and Susan Buchbinder.
Risk factors for HIV infection among men who have sex with men. AIDS, 20(5) :731–739,
mar 2006.

[266] Hani Oweira, Ali Ramouz, Omid Ghamarnejad, Elias Khajeh, Sadeq Ali-Hasan-Al-Saegh,
Rajan Nikbakhsh, Christoph Reißfelder, Nuh Rahbari, Arianeb Mehrabi, and Mahmoud
Sadeghi. Risk Factors of Rejection in Renal Transplant Recipients : A Narrative Review.
Journal of Clinical Medicine, 11(5) :1392, mar 2022.

[267] Mathilde Lemoine, Dimitri Titeca Beauport, Thierry Lobbedez, Gabriel Choukroun,
Bruno Hurault de Ligny, Marc Hazzan, Dominique Guerrot, and Dominique Bertrand.
Risk Factors for Early Graft Failure and Death After Kidney Transplantation in Reci-
pients Older Than 70 Years. Kidney International Reports, 4(5) :656–666, may 2019.

[268] Gholamhossein Naderi, Amin Azadfar, Seyed Reza Yahyazadeh, Fatemeh Khatami, and
Seyed Mohammad Kazem Aghamir. Impact of the donor-recipient gender matching on
the graft survival from live donors. BMC Nephrology, 21(1) :5, dec 2020.

[269] Jesse D. Schold, Joshua J. Augustine, Anne M. Huml, Richard Fatica, Saul Nurko, Alvin
Wee, and Emilio D. Poggio. Effects of body mass index on kidney transplant outcomes
are significantly modified by patient characteristics. American Journal of Transplantation,
21(2) :751–765, feb 2021.

[270] Mathilde Prezelin-Reydit, Christian Combe, Jérôme Harambat, Christian Jacquelinet,

Pierre Merville, Lionel Couzi, and Karen Leffondré. Prolonged dialysis duration is as-
sociated with graft failure and mortality after kidney transplantation : results from the
French transplant database. Nephrology Dialysis Transplantation, 34(3) :538–545, 03 2018.

[271] Yohann Foucher, Pascal Daguin, Ahmed Akl, Michèle Kessler, Marc Ladrière, Christophe
Legendre, Henri Kreis, Lionel Rostaing, Nassim Kamar, Georges Mourad, Valérie Garrigue,
François Bayle, Bruno H. de Ligny, Mathias Büchler, Carole Meier, Jean P. Daurès, Jean-
Paul Soulillou, and Magali Giral. A clinical scoring system highly predictive of long-term
kidney graft survival. Kidney International, 78(12) :1288–1294, dec 2010.

207
PartVI, Références bibliographiques

[272] K. L. Lentine, J. M. Smith, A. Hart, J. Miller, M. A. Skeans, L. Larkin, A Robinson,

K. Gauntt, A. K. Israni, R. Hirose, and J. J. Snyder. OPTN/SRTR 2020 Annual Data
Report : Kidney. American Journal of Transplantation, 22(S2) :21–136, mar 2022.
[273] OPTN. OPTN National Data, 2019 https ://[Link]/data/view-data-
reports/national-data/ accessed 10/15/22.
[274] 1KG consortium Auton. A global reference for human genetic variation. Nature,
526(7571) :68–74, 2015.
[275] Michelle E. Tarver-Carr, Neil R. Powe, Mark S. Eberhardt, Thomas A. LaVeist, Raynard S.
Kington, Josef Coresh, and Frederick L. Brancati. Excess Risk of Chronic Kidney Disease
among African-American versus White Subjects in the United States : A Population-Based
Study of Potential Explanatory Factors. Journal of the American Society of Nephrology,
13(9) :2363–2370, sep 2002.
[276] Giulio Genovese, David J. Friedman, Michael D. Ross, Laurence Lecordier, Pierrick Uzu-
reau, Barry I. Freedman, Donald W. Bowden, Carl D. Langefeld, Taras K. Oleksyk, An-
drea L. Uscinski Knob, Andrea J. Bernhardy, Pamela J. Hicks, George W. Nelson, Benoit
Vanhollebeke, Cheryl A. Winkler, Jeffrey B. Kopp, Etienne Pays, and Martin R. Pollak.
Association of Trypanolytic ApoL1 Variants with Kidney Disease in African Americans.
Science, 329(5993) :841–845, aug 2010.
[277] David J. Friedman and Martin R. Pollak. Genetics of kidney failure and the evolving story
of APOL1. Journal of Clinical Investigation, 121(9) :3367–3374, sep 2011.
[278] Afshin Parsa, W.H. Linda Kao, Dawei Xie, Brad C. Astor, Man Li, Chi-yuan Hsu, Harold I.
Feldman, Rulan S. Parekh, John W. Kusek, Tom H. Greene, Jeffrey C. Fink, Amanda H.
Anderson, Michael J. Choi, Jackson T. Wright, James P. Lash, Barry I. Freedman, Akinlolu
Ojo, Cheryl A. Winkler, Dominic S. Raj, Jeffrey B. Kopp, Jiang He, Nancy G. Jensvold,
Kaixiang Tao, Michael S. Lipkowitz, and Lawrence J. Appel. APOL1 Risk Variants,
Race, and Progression of Chronic Kidney Disease. New England Journal of Medicine,
369(23) :2183–2196, dec 2013.
[279] Barry I. Freedman, Carl D. Langefeld, Kelly K. Andringa, Jennifer A. Croker, Adrienne H.
Williams, Neva E. Garner, Daniel J. Birmingham, Lee A. Hebert, Pamela J. Hicks, Mark S.
Segal, Jeffrey C. Edberg, Elizabeth E. Brown, Graciela S. Alarcón, Karen H. Costenbader,
Mary E. Comeau, Lindsey A. Criswell, John B. Harley, Judith A. James, Diane L. Kamen,
S. Sam Lim, Joan T. Merrill, Kathy L. Sivils, Timothy B. Niewold, Neha M. Patel, Mi-
chelle Petri, Rosalind Ramsey-Goldman, John D. Reveille, Jane E. Salmon, Betty P. Tsao,
Keisha L. Gibson, Joyce R. Byers, Anna K. Vinnikova, Janice P. Lea, Bruce A. Julian, and
Robert P. Kimberly. End-Stage Renal Disease in African Americans With Lupus Nephritis
Is Associated With APOL1. Arthritis Rheumatology, 66(2) :390–396, feb 2014.

208
 Références bibliographiques

[280] Jeffrey B. Kopp, George W. Nelson, Karmini Sampath, Randall C. Johnson, Giulio Geno-
vese, Ping An, David Friedman, William Briggs, Richard Dart, Stephen Korbet, Michele H.
Mokrzycki, Paul L. Kimmel, Sophie Limou, Tejinder S. Ahuja, Jeffrey S. Berns, Justyna
Fryc, Eric E. Simon, Michael C. Smith, Howard Trachtman, Donna M. Michel, Jeffrey R.
Schelling, David Vlahov, Martin Pollak, and Cheryl A. Winkler. APOL1 Genetic Variants
in Focal Segmental Glomerulosclerosis and HIV-Associated Nephropathy. Journal of the
American Society of Nephrology, 22(11) :2129–2137, nov 2011.
[281] Alex N. Kasembeli, Raquel Duarte, Michèle Ramsay, Pulane Mosiane, Caroline Dickens,
Thérèse Dix-Peek, Sophie Limou, Efe Sezgin, George W. Nelson, Agnes B. Fogo, Stewart
Goetsch, Jeffrey B. Kopp, Cheryl A. Winkler, and Saraladevi Naicker. APOL1 Risk Va-
riants Are Strongly Associated with HIV-Associated Nephropathy in Black South Africans.
Journal of the American Society of Nephrology, 26(11) :2882–2890, nov 2015.
[282] Russell Thomson, Giulio Genovese, Chelsea Canon, Daniella Kovacsics, Matthew K. Hig-
gins, Mark Carrington, Cheryl A. Winkler, Jeffrey Kopp, Charles Rotimi, Adebowale
Adeyemo, Ayo Doumatey, George Ayodo, Seth L. Alper, Martin R. Pollak, David J. Fried-
man, and Jayne Raper. Evolution of the primate trypanolytic factor APOL1. Proceedings
of the National Academy of Sciences, 111(20), may 2014.
[283] B. A. Julian, R. S. Gaston, W. M. Brown, A. M. Reeves-Daniel, A. K. Israni, D. P.
Schladt, S. O. Pastan, S. Mohan, B. I. Freedman, and J. Divers. Effect of Replacing Race
With Apolipoprotein L1 Genotype in Calculation of Kidney Donor Risk Index. American
Journal of Transplantation, 17(6) :1540–1548, jun 2017.
[284] Carmen A. Peralta, Kirsten Bibbins-Domingo, Eric Vittinghoff, Feng Lin, Myriam For-
nage, Jeffrey B. Kopp, and Cheryl A. Winkler. APOL1 Genotype and Race Differences
in Incident Albuminuria and Renal Function Decline. Journal of the American Society of
Nephrology, 27(3) :887–893, mar 2016.
[285] Haley M. Gonzales, John W. McGillicuddy, Vinayak Rohan, Jessica L. Chandler, Satish N.
Nadig, Derek A. Dubay, and David J. Taber. A comprehensive review of the impact of ta-
crolimus intrapatient variability on clinical outcomes in kidney transplantation. American
Journal of Transplantation, 20(8) :1969–1983, aug 2020.
[286] David J. Taber, Mulugeta G. Gebregziabher, Titte R. Srinivas, Kenneth D. Chavin,
Prabhakar K. Baliga, and Leonard E. Egede. African-American Race Modifies the In-
fluence of Tacrolimus Concentrations on Acute Rejection and Toxicity in Kidney Trans-
plant Recipients. Pharmacotherapy : The Journal of Human Pharmacology and Drug
Therapy, 35(6) :569–577, jun 2015.
[287] Éric Sagou Yayo, Mireille Aye, Jean-Louis Konan, Arlette Emième, Marie-Laure At-
toungbre, Appolinaire Gnionsahé, Étienne Cavalier, Dagui Monnet, and Pierre Delanaye.

209
PartVI, Références bibliographiques

Inadéquation du facteur ethnique pour l’estimation du débit de filtration glomérulaire en

population générale noire-africaine : résultats en Côte d’Ivoire. Néphrologie Thérapeutique,
12(6) :454–459, nov 2016.
[288] Casey R. Dorr, William S. Oetting, Pamala A. Jacobson, and Ajay K. Israni. Genetics
of acute rejection after kidney transplantation. Transplant International, 31(3) :263–277,
mar 2018.
[289] Hyeon Joo Jeong. Diagnosis of renal transplant rejection : Banff classification and beyond.
Kidney Research and Clinical Practice, 39(1) :17–31, mar 2020.
[290] W. S. Oetting, D. P. Schladt, W. Guan, M. B. Miller, R. P. Remmel, C. Dorr, K. Sanghavi,
R. B. Mannon, B. Herrera, A. J. Matas, D. R. Salomon, P.-Y. Kwok, B. J. Keating, A. K.
Israni, and P. A. Jacobson. Genomewide Association Study of Tacrolimus Concentrations
in African American Kidney Transplant Recipients Identifies Multiple CYP3A5 Alleles.
American Journal of Transplantation, 16(2) :574–582, feb 2016.
[291] Annick Massart, Lidia Ghisdal, Ondrej Viklicky, Maarten Naesens, Daniel Abramowicz,
and Marc Abramowicz. Reply to Hernandez et al. - GWAS of acute renal graft rejection.
American Journal of Transplantation, 18(8) :2098–2099, aug 2018.
[292] Francesca Zanoni and Krzysztof Kiryluk. Genetic background and transplantation out-
comes : insights from genome-wide association studies. Current Opinion in Organ Trans-
plantation, 25(1) :35–41, feb 2020.
[293] Geir Mjøen, Stein Hallan, Anders Hartmann, Aksel Foss, Karsten Midtvedt, Ole Øyen,
Anna Reisæter, Per Pfeffer, Trond Jenssen, Torbjørn Leivestad, Pål-Dag Line, Magnus
Øvrehus, Dag Olav Dale, Hege Pihlstrøm, Ingar Holme, Friedo W Dekker, and Hallvard
Holdaas. Long-term risks for kidney donors. Kidney international, 86(1) :162–7, jul 2014.
[294] Abimereki D Muzaale, Allan B Massie, Mei-Cheng Wang, Robert A Montgomery, Mau-
reen A McBride, Jennifer L Wainright, and Dorry L Segev. Risk of end-stage renal disease
following live kidney donation. JAMA, 311(6) :579–86, feb 2014.

210
 Septième partie

Liste des communications

scientifiques

211
 Chapitre 1

B IBLIOGRAPHIE SCIENTIFIQUE

1.1 Publications scientifiques

Ba R, Geffard E, Douillard V, Simon F, Mesnard L, Vince N, Gourraud PA, Limou S. Surfing
the Big Data Wave : Omics Data Challenges in Transplantation. Transplantation. 2022 Feb
1 ;106(2) :e114-e125. doi : 10.1097/TP.0000000000003992. PMID : 34889882.
Ba R, Durand A, Mauduit V, Chauveau C, Le Bas-Bernardet S, Salle S, Guérif P, Morin M,
Petit C, Douillard V, Rousseau O, Blancho G, Kerleau C, Vince N, Giral M, Gourraud PA,
Limou S. Cohort Profile : the French Genetics of Kidney Transplantation Study (KiT-GENIE).
Soumis à EJHG (en revisions).

1.2 Communications orales

Ba R, Vince N, Geffard E, Malguid D, Lanza M, Gourraud PA, Limou S. Burrowing functional
and immunogenetic information through the 1000 Genomes project with Ferret v3.0. European
Immunogenetics and Histocompatibility Conference (EFI) - Lisbon, Portugal, 2019.
Petit C, Dantal J, Durand A, Ba R, Rousseau O, Mauduit V, Morin M, Gatault P, Gar-
rouste C, Couzi L, Mesnard L, Vince N, Limou S. First genome-wide association study of post-
transplantation FSGS recurrence. Société Francophone de Tranplantation - Genève 2021

1.3 Posters
Ba R, Vince N, Geffard E, Malguid D, Lanza M, Gourraud PA, Limou S. Burrowing functional
and immunogenetic information through the 1000 Genomes Project with Ferret v3.0. JOBIM
annual bioinformatic meeting - Nantes, France, 2019.
Geffard E, Ba R, Limou S, Brouard S, Loupy A, Vince N, Gourraud PA. De-centralized data-
base : new challenges to design innovative contextualization algorithms. European Immunoge-
netics and Histocompatibility Conference (EFI) - Lisbon, Portugal, 2019.
Durand A, Geffard E, Ba R, Limou S, Brouard S, Loupy A, Vince N, Gourraud PA. De-
centralized database : new challenges to design innovative contextualization algorithms. JOBIM

212
 1.3. Posters

annual bioinformatic meeting - Nantes, France, 2019.

Mauduit V, Durand A, Ba R, Morin M, Petit C, Gourraud PA, Vince N, Limou S. Integrating
large-scale genetic data to study kidney graft survival. Société Francophone de Tranplantation
- Genève 2021

213
Titre : Intégration de données génétiques à grande échelle pour l'amélioration de la prise en charge du
transplanté rénal

Mots clés : Transplantation rénale, Paires donneur-receveur, Génomique, Biobanque, Analyses GWAS

Résumé : La transplantation rénale est le Les résultats des GWAS menées sur les
meilleur traitement de suppléance pour receveurs et les donneurs séparément ne
l’insuffisance rénale chronique terminale. montrent aucune association statistiquement
Cependant, des défis majeurs liés au rejet et significative entre variants et retour en dialyse
l'échec chronique restent à relever. L’objectif de au-delà de 1 an post-transplantation.
ma thèse est de contribuer à l’identification de Néanmoins, un signal approchant le seuil de
facteurs génétiques pour mieux comprendre les significativité a été identifié dans le génome
mécanismes de rejet/perte chroniques et des receveurs au niveau du locus 11p14.1 qui
améliorer la prise en charge des transplantés a précédemment été associé avec la fonction
rénaux. Nous avons mis en place KiT-GENIE, rénale. Pour aller plus loin, la réalisation d’une
l'une des plus grandes cohortes génétiques de méta-analyse ou l’analyse simultanée des
transplantation rénale à ce jour qui s’organise génomes du donneur et du receveur pourraient
sur une triple couche de données homogènes identifier de potentiels facteurs de risque pour
(cliniques, biologiques et génétiques) de la perte du greffon.
donneurs et receveurs (D/R). KiT-GENIE inclut KiT-GENIE offre l’opportunité unique
4 217 individus (n=1 945 D et 2 272 R dont 1 d’approfondir l’étude des interactions
969 paires D/R), 8M de SNPs et plus de 200 donneurs-receveurs mais également d’explorer
variables cliniques. d’autres phénotypes d’intérêts tels que la
L’analyse statistique de ces données a permis fonction rénale du donneur ou encore la
d’établir la « carte d’identité » de KiT-GENIE récidive de certaines maladies rénales sur le
avec une description précise et complète des greffon.
individus et des variables de la cohorte.

Title : Integration of genomic data towards care improvement for kidney transplanted patients

Keywords : Kidney transplantation, Donor-recipient pairs, Genomics, Biobank, GWAS data analysis

Abstract : Kidney transplantation is the best GWAS analyses were conducted on recipients
renal replacement strategy for end-stage renal and donors separately. The results showed no
disease. However, major challenges related to significant association between variants and
chronic rejection and failure remain. The return to dialysis beyond 1 year post-
objective of my thesis is to identify genetic transplantation. However, a signal approaching
factors underlying chronic rejection/failure and significance was identified in the recipients'
to improve patients care. We have consolidated genome at the 11p14.1 locus that has
KiT-GENIE, one of the largest kidney transplant previously been associated with kidney
genetic cohorts to date containing function. To go further, a meta-analysis or
homogeneous high-quality triple data layer simultaneous analysis of donor and recipient
(clinical, biological and genetic) for donors and genomes could identify potential risk factors for
recipients (D/R). KiT-GENIE includes 4,217 graft loss.
individuals (n=1,945 D and 2,272 R, including KiT-GENIE offers a unique opportunity to
1,969 D/R pairs), 8M SNPs, and over 200 further study donor-recipient interactions but
clinical variables. also to explore other phenotypes of interest
Using statistical methods, we establish the such as donor renal function or recurrence of
"cohort profile" of KiT-GENIE with a precise and initial diseases on the graft.
complete description of individuals and clinical
variables.