Advancing Disease Gene Identification with cTWAS: A Fresh Approach

Posuń badanie identyfikacji chorób genetycznych do przodu za pomocą cTWAS: nowe podejście

Naukowcy z Uniwersytetu Chicago dokonali znaczącego postępu w dziedzinie identyfikacji genów chorób dzięki opracowaniu nowego narzędzia statystycznego o nazwie causal-transcriptome-wide association studies (cTWAS). Opublikowane w czasopiśmie Nature Genetics badanie przedstawia skuteczność tego narzędzia w precyzyjnym wskazywaniu genów i wariantów odpowiedzialnych za choroby poprzez połączenie danych z badań stowarzyszeń na poziomie całego genomu (GWAS) oraz prognoz ekspresji genów.

W odróżnieniu od tradycyjnych metod, które skupiają się na pojedynczych genach, cTWAS podejmuje holistyczne podejście, uwzględniając sąsiednie geny i warianty. To podejście skutecznie redukuje fałszywie pozytywne wyniki i eliminuje czynniki zakłócające, co prowadzi do bardziej niezawodnej identyfikacji rzeczywistych genów odpowiedzialnych za chorobę. Jest to istotne, ponieważ wiele chorób człowieka jest wynikiem złożonych interakcji między wieloma genami a czynnikami środowiskowymi.

Wyzwaniem jest rozróżnienie między związkami stowarzyszonymi a przyczynowymi w badaniach GWAS. Podczas gdy takie badania mogą identyfikować warianty chorób w całym genomie, nie ustalają one bezpośrednich związków przyczynowych. Xin He, Ph.D., główny autor badania, podkreśla trudność w identyfikacji konkretnego wariantu przyczynowego spośród kilku silnie skorelowanych wariantów w obrębie regionu genomowego. Ponadto, obecność wielu wariantów genetycznych w genomach niestandardowych dodatkowo komplikuje interpretację ich skutków.

Aby przezwyciężyć te wyzwania, cTWAS wykorzystuje dane lokusów ilościowych cech ekspresyjnych (eQTL). Jednak istniejące metody wykorzystujące dane eQTL często generują fałszywe pozytywne wyniki ze względu na czynniki zakłócające. Tutaj właśnie cTWAS błyszczy, redukując liczby fałszywie pozytywnych nominacji o ponad 50%. Jego zastosowanie ma potencjał rewolucjonizacji dziedziny poprzez ułatwienie analiz łączących zmienności genetyczne z fenotypami.

W demonstracji możliwości cTWAS badacze przyjrzeli się genetyce poziomów cholesterolu LDL. Tradycyjne metody eQTL nominowały gen odpowiedzialny za naprawę DNA, podczas gdy cTWAS zidentyfikował inny wariant w genie docelowym dla statyn. Dzięki cTWAS badacze skutecznie zidentyfikowali 35 rzekomych genów przyczynowych LDL, z czego ponad połowa z nich nie była wcześniej zgłaszana.

Co ciekawe, badacze udostępnili teraz oprogramowanie cTWAS do pobrania. Przyszłe przedsięwzięcia obejmują rozbudowę jego możliwości poprzez uwzględnienie innych rodzajów danych omicznych, takich jak splicing i epigenetyka, a także wykorzystanie danych eQTL z różnych rodzajów tkanek. Dzięki temu innowacyjnemu narzędziu społeczność naukowa dysponuje cennym zasobem do odkrywania skomplikowanych związków między zmiennościami genetycznymi a fenotypami chorób.

Najczęściej zadawane pytania dotyczące identyfikacji genów chorób za pomocą cTWAS

P: Co to jest cTWAS?
O: cTWAS to skrót od causal-transcriptome-wide association studies. Jest to nowe narzędzie statystyczne opracowane przez naukowców z Uniwersytetu Chicago w celu identyfikacji genów chorób i wariantów przyczynowych.

P: W czym cTWAS różni się od tradycyjnych metod?
O: W odróżnieniu od tradycyjnych metod, które skupiają się na pojedynczych genach, cTWAS podejmuje holistyczne podejście, uwzględniając sąsiednie geny i warianty. To podejście redukuje fałszywie pozytywne wyniki i eliminuje czynniki zakłócające, co prowadzi do bardziej dokładnej identyfikacji genów przyczynowych.

P: Dlaczego trudno jest ustalić związki przyczynowe w badaniach GWAS?
O: Badania GWAS mogą identyfikować warianty chorób w całym genomie, ale nie ustalają one bezpośrednich związków przyczynowych. Rozróżnienie konkretnego wariantu przyczynowego spośród silnie skorelowanych wariantów w obrębie regionu genomowego stanowi wyzwanie. Dodatkowo, interpretacja skutków wariantów genetycznych w genomach niestandardowych wiąże się z dodatkową skomplikowaniem.

P: Jak cTWAS radzi sobie z tymi wyzwaniami?
O: cTWAS wykorzystuje dane lokusów ilościowych cech ekspresyjnych (eQTL), aby rozróżnić związki stowarzyszeniowe od związków przyczynowych. Istniejące metody wykorzystujące dane eQTL często generują fałszywe pozytywne wyniki, ale cTWAS redukuje liczbę fałszywie pozytywnych nominacji o ponad 50%.

P: Jak wykazano skuteczność cTWAS?
O: Badacze przyjrzeli się genetyce poziomów cholesterolu LDL i porównali cTWAS z tradycyjnymi metodami eQTL. Podczas gdy tradycyjne metody identyfikowały gen odpowiedzialny za naprawę DNA, cTWAS zidentyfikował inny wariant w genie docelowym dla statyn. cTWAS skutecznie zidentyfikował 35 rzekomych genów przyczynowych LDL, z czego ponad połowa z nich nie była wcześniej zgłaszana.

P: Czy oprogramowanie cTWAS jest dostępne do pobrania?
O: Tak, badacze udostępnili oprogramowanie cTWAS do pobrania.

P: Jakie są przyszłe przedsięwzięcia dotyczące cTWAS?
O: Badacze planują rozwinięcie możliwości cTWAS, aby uwzględnić inne rodzaje danych omicznych, takie jak splicing i epigenetyka. Planują również wykorzystanie danych eQTL z różnych rodzajów tkanek w celu zwiększenia skuteczności narzędzia.

Terminy kluczowe:
– cTWAS: causal-transcriptome-wide association studies, narzędzie statystyczne do identyfikacji genów i wariantów przyczynowych chorób.
– GWAS: genome-wide association studies, badania analizujące zmienności genetyczne w całym genomie w celu identyfikacji związków ze schorzeniami.
– eQTL: expression quantitative trait loci, miejsca na genach, które wpływają na poziomy ekspresji genów.
– Fałszywie pozytywne wyniki: błędne identyfikacje genów lub wariantów przyczynowych.
– Dane omiczne: duże zbiory danych zawierające informacje na temat różnych cząsteczek, takich jak geny, białka i metabolity.

Sugerowane powiązane linki:
– Nature Genetics: Strona internetowa czasopisma, w którym opublikowano badania dotyczące cTWAS.
– Uniwersytet Chicago: Oficjalna strona internetowa Uniwersytetu Chicago, z którego pochodzą naukowcy prowadzący badania.

All Rights Reserved 2021
| .
Privacy policy
Contact