一种整合性的多背景门德尔随机化方法,用于在人类组织中识别风险基因

科学领域:

• 遗传学和生物信息学 遗传学和生物信息学
• 统计遗传学 统计遗传学
• 因果推理因果推理

背景情况:

• 传统的门德尔随机化 (MR) 方法在绘制遗传风险因素方面遇到了困难,原因是表达定量特征位置 (eQTL) 作为工具变量 (IV) 的局限性.
• 组织特异性eQTL效应违反了核心MR假设,即在不同的数据环境 (例如eQTL和GWAS数据) 中具有一致的IV效应.
• 估计稀疏的因果关系,并确定复杂疾病的相关分子特征仍然是遗传流行病学的一个重大挑战.

研究的目的:

• 开发和验证一个新的多背景多变量整合性MR框架,称为mintMR.
• 通过有效地绘制表达和分子特征作为联合暴露来解决现有的MR方法的局限性.
• 改进鉴定基因表达和DNA甲基化对复杂特征的因果关系.

主要方法:

• 提出了一个多背景多变量整合性MR框架 (mintMR),可以同时模拟多个组织和基因区域的分子暴露.
• 使用具有在多种组织类型中一致效果的eQTL作为仪器变量 (IVs) 来增强IV一致性.
• 采用多视图学习来建模疾病相关性的潜在指标,跨组织,分子特征和基因区域,在多组织MR和组织相关性概率的联合学习之间代.

主要成果:

• 通过整合多组织eQTL数据,mintMR框架证明了对跨基因稀疏效应的改进估计.
• 将mintMR应用于35个复杂的特征,使用多组织QTL作为IVs控制全基因组膨胀.
• 该方法通过评估基因表达和DNA甲基化因果作用,为复杂的疾病机制提供了新的见解.

结论:

• 拟议的mintMR框架有效地解决了用于基因映射的MR的挑战,提供了改进的因果效应估计.
• 使用多组织QTLs将mintMR应用于35个复杂的特征,证明了其控制全基因组通胀的能力.
• mintMR通过将多背景分子特征数据整合到一个强大的因果推理框架中,为疾病机制提供了新的见解.