Genomweite Assoziationsstudie (GWAS)

Die Einführung von GWAS

Genomweite Assoziationsstudien (GWAS) haben die genetische Forschung revolutioniert, indem sie eine robuste Methodik zur Identifizierung genetischer Variationen bereitstellen, die mit bestimmten Merkmalen und Krankheiten korreliert sind. Durch umfassendes Scannen der Genome in großen Populationen versucht GWAS, die Beziehung zwischen genetischen Varianten und phänotypischen Merkmalen zu entschlüsseln. Dieser systematische Ansatz offenbart tiefgreifende Einblicke in die genetischen Grundlagen verschiedener Erkrankungen, verbessert unser Verständnis der menschlichen Genetik erheblich und ebnet den Weg für die Entwicklung gezielter therapeutischer Interventionen.

Was ist der Zweck von GWAS?

GWAS sind eine leistungsstarke Methode zur Identifizierung genetischer Varianten, die mit komplexen Krankheiten und Merkmalen assoziiert sind. Im Gegensatz zu traditionellen familienbasierten Verknüpfungsstudien nutzt GWAS Hochdurchsatz- Genotypisierung um umfassende Scans über das gesamte Genom durchzuführen. Dieser Ansatz ermöglicht es Forschern, einzelne Nukleotid-Polymorphismen (SNPs) und andere genetische Marker zu erkennen, die mit Erkrankungen wie Diabetes, Herz-Kreislauf-Erkrankungen und verschiedenen Krebsarten korreliert sind.

Hauptziele von GWAS

• Identifizierung von krankheitsassoziierten VariantenDas Hauptziel von GWAS besteht darin, spezifische genetische Varianten aufzudecken, die das Risiko für Krankheiten erhöhen. Zum Beispiel verbessert die Identifizierung von SNPs, die mit der Anfälligkeit für Brustkrebs assoziiert sind, unser Verständnis der genetischen Risikofaktoren und ebnet den Weg für gezielte therapeutische Interventionen.
• Verständnis der genetischen ArchitekturGWAS bietet Einblicke, wie multiple genetische Varianten zusammenwirken, um komplexe Merkmale zu beeinflussen. Durch die Aufklärung dieser Interaktionen können Forscher die zugrunde liegenden biologischen Mechanismen von Krankheiten und Merkmalen besser verstehen, was zu robusteren Modellen der genetischen Architektur führt.
• Unterstützung der personalisierten MedizinDurch die Identifizierung genetischer Risikofaktoren trägt GWAS erheblich zur Weiterentwicklung der personalisierten Medizin bei. Dieser präzise Ansatz ermöglicht die Anpassung von präventiven und therapeutischen Strategien an individuelle genetische Profile, wodurch die Gesundheitsresultate verbessert werden.

Vorteile von GWAS

• Umfassende DeckungGWAS durchsuchen das gesamte Genom und erhöhen die Chancen, neue genetische Marker zu entdecken, die mit Krankheiten verbunden sind.
• Hohe Durchsatzrate und SkalierbarkeitFortgeschrittene Genotypisierungstechnologien ermöglichen die Analyse vieler Varianten in großen Populationen und verbessern die Nachweisempfindlichkeit.
• Unvoreingenommene EntdeckungGWAS verwenden einen hypothesenfreien Ansatz, der Verzerrungen reduziert und unerwartete genetische Verbindungen zu Krankheiten aufdeckt.
• Reproduzierbarkeit und ValidierungErgebnisse aus GWAS können in unabhängigen Studien validiert werden, um die Zuverlässigkeit und Genauigkeit der Ergebnisse sicherzustellen.

Anwendungen von GWAS

• KrankheitsforschungDie Identifizierung genetischer Varianten, die mit Krankheiten wie Herzkrankheiten und Krebs verbunden sind, einschließlich SNPs, die mit Alzheimer-Krankheit assoziiert sind, hilft, zukünftige therapeutische Entwicklungen zu leiten.
• PharmakogenomikDie Entdeckung genetischer Varianten, die die individuellen Arzneimittelreaktionen beeinflussen, ermöglicht die Entwicklung personalisierter Arzneimitteltherapien, die die Wirksamkeit erhöhen und Nebenwirkungen reduzieren.
• Agrarische GenetikDas Finden genetischer Varianten, die mit vorteilhaften Eigenschaften in Pflanzen und Tieren, wie Ertrag und Trockenresistenz, verbunden sind, verbessert die landwirtschaftliche Produktivität und Resilienz.
• PopulationsgenetikDas Verständnis genetischer Vielfalt und evolutionärer Geschichte innerhalb von Populationen zeigt, wie Variationen zwischen ethnischen Gruppen die Krankheitsanfälligkeit beeinflussen.

GWAS-Workflow

GWAS beinhaltet die Auswahl einer Studienpopulation, das Genotypisieren von Individuen zur Identifizierung genetischer Varianten und anschließend die Verwendung statistischer Modelle, um Zusammenhänge zwischen diesen Varianten und spezifischen Merkmalen oder Krankheiten zu finden. Die Ergebnisse werden durch Replikation in unabhängigen Kohorten validiert, um ihre Zuverlässigkeit zu bestätigen.

Dienstspezifikationen

	Musteranforderungen Natürliche Populationen mit Referenzgenom ≥200; mehrere von kleinen Loci kontrollierte Merkmalspopulationen ≥500 Keine offensichtliche Untergruppendifferenzierung zwischen den Proben. Starke Erblichkeit der untersuchten phänotypischen Merkmale DNA-Probe: ~1,0 μg (Konzentration ≥ 10 ng/μl; OD260/280=1,8~2,0) Alle DNA-Proben sollten mit RNase behandelt werden und keine Zersetzung oder Kontamination aufweisen. Hinweis: Musterbeträge sind nur zur Referenz aufgeführt. Für detaillierte Informationen, bitte Kontaktieren Sie uns mit Ihren maßgeschneiderten Anfragen.
Klicken	Sequenzierungsstrategie WGS: 10X/Stichprobe basierend auf SNP; 30X/Stichprobe basierend auf CNV GBS: 10~20W Tags; durchschnittlich 8 X/Tag Illumina Hiseq Analyse der Sequenzierungsqualitätsmetriken
	Bioinformatische Analyse Wir bieten mehrere maßgeschneiderte bioinformatische Analysen an: Rohdaten-QC Referenzausrichtung oder Zusammenstellung LD-Abklingdistanzanalyse PCA, Struktur, Verwandtschaftsanalyse GWAS-Analyse LD-Block-Analyse Personalisierte Analyse Hinweis: Die empfohlenen Datenoutputs und Analyseinhalte, die angezeigt werden, dienen nur zur Orientierung. Für detaillierte Informationen wenden Sie sich bitte an kontaktieren Sie uns mit Ihren maßgeschneiderten Anfragen.

Analyse-Pipeline

Liefergegenstände

• Rohdaten (FASTQ)
• Bedeutende SNP-Informationen
• QQ-Plot und Manhattan-Plot
• Datenanalysebericht

Teilweise Ergebnisse sind unten aufgeführt:

1. Was sind die Prinzipien für die Stichprobenauswahl in genomweiten Assoziationsstudien (GWAS)?

• Sicherstellen einer ausreichenden Repräsentativität der Proben: Die ausgewählten Proben müssen die Zielpopulation ausreichend repräsentieren, um sicherzustellen, dass die Ergebnisse allgemein anwendbar sind.
• Vermeiden Sie Proben mit signifikanter Subpopulationen-Stratifizierung: Proben sollten keine ausgeprägte Differenzierung zwischen Subpopulationen aufweisen (z. B. reproduktive Isolation), da eine solche Stratifizierung erhebliches genetisches Hintergrundrauschen einführen kann, was die Analyse verfälscht.
• Fokus auf Phänotypen mit hoher Erblichkeit: Es ist ratsam, mehrere wichtige phänotypische Merkmale mit hoher Erblichkeit als primäre Ziele für die Studie zu priorisieren, um die Wahrscheinlichkeit zu erhöhen, signifikante Assoziationen zu entdecken.
• Nutzen Sie binäre Merkmale für qualitative Eigenschaften: Bei qualitativen Merkmalen sollten Sie versuchen, binäre Phänotypen (0/1) zu verwenden und sicherzustellen, dass die Stichprobengrößen für die beiden phänotypischen Kategorien ungefähr gleich sind, um robuste statistische Vergleiche zu ermöglichen.
• Quantitative Merkmale genau quantifizieren: Quantitative Merkmale sollten präzise gemessen und aufgezeichnet werden, wie beispielsweise die Krankheitsresistenz, die durch Inzidenzrate, Sterberate, Überlebensrate, Läsionsanzahl oder Läsionsfläche quantifiziert wird, anstatt breite kategoriale Skalen zu verwenden. Die phänotypischen Daten sollten idealerweise einer nahezu normalen Verteilung folgen.
• Nutzen Sie langfristige Mehrstandortversuche für kultivierte Pflanzen: Führen Sie im Fall von kultivierten Pflanzen mehrjährige, mehrstandortliche und wiederholte Versuche durch. Die Ergebnisse dieser Versuche können separat analysiert oder gemittelt werden, um die Zuverlässigkeit der Assoziationsanalysen zu stärken.
• Anpassung der Stichprobengröße basierend auf phänotypischer Variabilität und Kontrolle: Wenn die phänotypische Variation erheblich ist und von Hauptloci kontrolliert wird, kann eine kleinere Stichprobengröße (empfohlene Mindestanzahl von 200 Individuen) ausreichen. Bei Merkmalen mit geringen phänotypischen Unterschieden und polygenetischer Kontrolle ist jedoch eine größere Stichprobengröße (empfohlene Mindestanzahl von 500 Individuen) erforderlich, um signifikante Assoziationen zu erkennen.

2. Was sind die Themen von GWAS in natürlichen Populationen?

Nicht-streng genetische Populationen:

• Genressourcen
• Halbgeschwister und gemischte Populationen
• MAGIC/NAM Bevölkerungen
• Mehrere F2/RIL- oder Vollgeschwisterpopulationen
• Hoch heterozygote Arten: F1-Populationen

3. Können verschiedene Eigenschaften in einer einzelnen Person überlappen?

Ja, verschiedene Merkmale können bei demselben Individuum überlappen. Zum Beispiel, wenn man eine Population basierend auf Größe und Farbmerkmalen kategorisiert, können Individuen in beiden Gruppen vorhanden sein. Diese Überlappung beeinflusst nicht die Gültigkeit der Analyseergebnisse.

4. Ist GWAS ohne ein Referenzgenom möglich?

In Abwesenheit eines Referenzgenoms können vereinfachte Genomsequenzierungstechnologien wie RAD-seq oder GBS kann verwendet werden, um SNPs durch Clustering zu erkennen. Obwohl diese SNPs für GWAS verwendet werden können, schränkt das Fehlen einer Genomannotation die weitere Genannotierung der identifizierten Assoziationsloci ein.

5. Wie werden GWAS-Ergebnisse validiert?

GWAS-Ergebnisse werden durch Replikationsstudien in unabhängigen Kohorten validiert. Darüber hinaus helfen funktionale Studien und Pfadanalysen, die biologische Relevanz der identifizierten genetischen Varianten zu bestätigen.

Genomweite Assoziations- und Multi-Trait-Analysen charakterisieren die gemeinsame genetische Architektur von Herzinsuffizienz.

Journal: Naturkommunikationen
Impactfaktor: 16,6
Veröffentlicht: 14. November 2022

Hintergrund

Herzinsuffizienz (HF) betrifft weltweit über 38 Millionen Menschen und ist eine Hauptursache für kardiovaskuläre Probleme. Trotz ihrer hohen Prävalenz wurden nur 11 genetische Loci identifiziert, die mit HF assoziiert sind. Diese Studie verbessert die GWAS-Power, indem sie Daten aus mehreren Abstammungen kombiniert und kardiologische Bildgebungsmerkmale integriert. Sie entdeckt neue Risikovarianten für HF, identifiziert relevante Gewebe und untersucht genetische Assoziationen mit zirkulierenden Proteinen und Bildgebungsphänotypen.

Materialien & Methoden

Ergebnisse

Eine multianalytische Meta-Analyse zu Herzinsuffizienz identifizierte 47 Risikoloci anhand von Daten aus über 115.000 HF-Fällen und 1,5 Millionen Kontrollen. Unter diesen erreichten 939 Varianten genomweite Signifikanz, wobei 34 Loci außerhalb zuvor berichteter Regionen gefunden wurden. Die stärkste Assoziation war am PITX2-Locus. Die Replikation in zusätzlichen Kohorten bestätigte 41 von 44 Loci mit übereinstimmenden Effekten. Pleiotropie-Scans zeigten, dass viele HF-Loci auch mit anderen kardiometabolischen Merkmalen assoziiert sind, was auf gemeinsame genetische Wege hinweist, die das Risiko für Herzinsuffizienz beeinflussen.

Abb. 1: Genomweite Assoziationen für Herzinsuffizienz.

Abb. 2: Assoziationen von Risikovariante für Herzinsuffizienz mit häufigen kardiometabolischen Merkmalen.

Durch den Einsatz multivariater genetischer Analysemethoden (wie N-GWAMA, MTAG und Genomic Structural Equation Modeling) identifizierten die Forscher 61 unabhängige Loci, die mit Herzinsuffizienz (HF) und verwandten kardiologischen Bildgebungsphänotypen assoziiert sind. Unter diesen waren 14 neuartige Entdeckungen. Viele dieser Loci sind in der Nähe bekannter Kardiomyopathie-Gene angereichert, was auf eine gemeinsame genetische Ätiologie mit HF und kardiologischen Bildgebungsmerkmalen hinweist. Eine Kolokalisationanalyse dieser Loci über mehrere Merkmale hinweg deutete auf gemeinsame genetische Ursachen hin. Neuartige Assoziationen wurden auch mit anderen kardiovaskulären Merkmalen und Risikofaktoren für HF in Verbindung gebracht, was die genetische Überlappung und Komplexität der HF hervorhebt.

Abb. 3: Ergebnisse der multivariaten genomweiten Assoziationsstudie.

Fazit

Diese Studie verwendete multi-ancestrale und multi-trait genomweite Analysen, um neue genetische Varianten zu identifizieren, die mit Herzinsuffizienz (HF) und verwandten kardialen Merkmalen verbunden sind. Es wurde festgestellt, dass die Integration verschiedener Arten genetischer Daten die Entdeckung von HF-Loci verbesserte, wichtige Gene und Signalwege, die an HF beteiligt sind, hervorhob und potenzielle Verbindungen zwischen zirkulierenden Metaboliten und kardialen Merkmalen aufdeckte. Die Ergebnisse betonen den Wert der Kombination unterschiedlicher genetischer Analysen, um HF und ihre zugrunde liegenden Mechanismen besser zu verstehen.

Referenz

1. Levin MG, Tsao NL, Singhal P, et al. Genomweite Assoziations- und Multi-Trait-Analysen charakterisieren die gemeinsame genetische Architektur von Herzinsuffizienz. Naturwissenschaftliche Kommunikation2022 Nov 14;13(1):6914.