通过联合类和表观基因组分区,将疾病位点映射到生物过程中

科学领域:

• 遗传学和基因组学 在
• 系统生物学 系统生物学
• 计算生物学 计算生物学

背景情况:

• 全基因组关联研究 (GWAS) 识别了数千个与疾病相关的基因位点,但由于潜在的过程异质性,它们的生物学解释具有挑战性.
• 现有的分隔GWAS位点的方法往往无法完全捕捉复杂的遗传架构和组织特异性的调节机制.

研究的目的:

• 引入联合类和表观基因组分区 (J-PEP),这是一个新的集群框架,旨在将与疾病相关的基因分为生物学上不同的集群.
• 开发一个强大的基准指标,Pleiotropic和表观遗传学预测准确性 (PEPA),用于评估分区方法.
• 将J-PEP应用于各种GWAS数据,以揭示对复杂疾病的新生物学见解.

主要方法:

• J-PEP 整合了辅助特征的单核酸多态化 (SNP) 效应与特定组织的表观遗传学数据.
• Pleotropic和表观基因组预测准确度 (PEPA) 度量被开发用于评估使用非染色体数据的集群预测能力,防止过拟合.
• 该框架应用于165种疾病/特征的GWAS总结统计数据,并整合了单细胞染色质可访问性数据以完善基于散装的集群.

主要成果:

• J-PEP实现的PEPA比现有的类或表观基因组分区方法高16-30%,对强大的特征有更大的收益.
• 该框架成功地完善了2型糖尿病 (T2D),高血压 (HTN) 和中性粒细胞计数的生物解释,揭示了新的免疫,发育,肌和上腺内分泌信号.
• 整合单细胞数据增强了细胞类型分辨率,将T2D集群精细化为胰岛β细胞和HTN集群改为上皮层细胞.

结论:

• J-PEP提供了一个原则和有效的框架,用于将GWAS位点分成可解释的组织信息集群.
• 该方法通过利用综合遗传和表观遗传学数据来增强对复杂疾病的生物学洞察力.
• 由于J-PEP能够通过单细胞数据来完善集群,因此可以提供更高的分辨率来理解细胞类型特定的疾病机制.