Name: 利用染色质配置的计算分析，将阿尔茨海默氏病变异体映射到其目标基因 (视频) | JoVE Journal
Uploaded: 2020-01-09T13:00:00.000+00:00
Duration: 4 min 41 s
Description: 学习利用三维染色质构象数据和Hi-C数据集计算分析阿尔茨海默病GWAS风险变异体的目标基因预测方法。该计算流程通过染色质相互作用图谱将非编码区SNP映射到112个风险基因，有助于深入理解疾病机制并推动治疗策略开发。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本工作由美国国立卫生研究院（NIH）资助项目R00MH113823（授予H.W.）和R35GM128645（授予D.H.P.）、NARSAD青年研究者奖（授予H.W.）以及西蒙斯基金会自闭症研究计划（SFARI）的SPARK资助项目（授予N.M.和H.W.）支持。

1. Workstation Setup
<ol>
	<li>Install R (version 3.5.0) and RStudio Desktop. Open RStudio.</li>
	<li>Install the following libraries in R by typing the following code into the console window in RStudio. 
	if (!&#34;BiocManager&#34; %in% rownames(installed.packages())) 
	install.packages(&#34;BiocManager&#34;, repos=&#34;https://cran.r-project.org&#34;) 
	BiocManager::install(&#34;GenomicRanges&#34;) 
	BiocManager::install(&#34;biomaRt&#34;) 
	BiocManager::install(&#34;WGCNA&#34;) 
	install.packages(&#34;reshape&#34;) 
	install.packages(&#34;ggplot2&#34;) 
	install.packages(&#34;corrplot&#34;) 
	install.packages(&#34;gProfileR&#34;) 
	install.packages(&#34;tidyverse&#34;) 
	install.packages(&#34;ggpubr&#34;)</li>
	<li>Download files. 
	NOTE: In this protocol, all files are required to be downloaded to ~/work directory.
	<ol>
		<li>Download the following files by clicking the links provided in Table of Materials.
		<ol>
			<li>Download fine-mapped credible SNPs for AD (Supplementary Table 8 from Jansen et al.14). 
			NOTE: Before analysis, open sheet eight in 41588_2018_311_MOESM3_ESM.xlsx, remove the first three rows and save the sheet as Supplementary_Table_8_Jansen.txt with tab separated format.</li>
			<li>Download 10 kb resolution Hi-C interaction profiles in the adult brain from psychencode (described as Promoter-anchored_chromatin_loops.bed below). 
			NOTE: This file has the following format: chromosome, TSS_start, TSS_end, Enhancer_start, and Enhancer_end. In case other Hi-C datasets are used, this protocol requires Hi-C datasets processed at high resolution (5&#8722;20 kb).</li>
			<li>Download single cell expression datasets from the PsychENCODE. 
			NOTE: These are from neurotypical control samples.</li>
			<li>Download developmental expression datasets from the BrainSpan (described as devExpr.rda below). 
			NOTE: 267666527 is a zipped file, so unzip the 267666527 to extract &#34;columns_metadata.csv&#34;, &#34;expression_matrix.csv&#34;, and &#34;rows_metadata.csv&#34; to generate devExpr.rda (see section 3).</li>
		</ol>
		</li>
		<li>Download exonic coordinates (see Supplementary Files, described as Gencode19_exon.bed and Gencode19_promoter.bed below) from Gencode version 19. 
		NOTE: Promoters are defined as 2 kb upstream of transcription start site (TSS). These files have the following format: chromosome, start, end, and gene.</li>
		<li>Download gene annotation file (see Supplementary Files, described as geneAnno.rda below) from biomart. 
		NOTE: This file can be used to match genes based on Ensembl gene IDs and HUGO Gene Nomenclature Committee (HGNC) symbol.</li>
	</ol>
	</li>
</ol>
2. Generation of a GRanges Object for Credible SNPs
<ol>
	<li>Set up in R by typing the following code into the console window in RStudio. 
	library(GenomicRanges) 
	options(stringsAsFactors = F) 
	setwd(&#34;~/work&#34;) # This is the path to the working directory. 
	credSNP = read.delim(&#34;Supplementary_Table_8_Jansen.txt&#34;, header=T) 
	credSNP = credSNP[credSNP$Credible.Causal==&#34;Yes&#34;,]</li>
	<li>Make a GRanges object by typing the following code into the console window in RStudio. 
	credranges = GRanges(credSNP$Chr, IRanges(credSNP$bp, credSNP$bp), rsid=credSNP$SNP, P=credSNP$P) 
	save(credranges, file=&#34;AD_credibleSNP.rda&#34;)</li>
</ol>
3. Positional Mapping
NOTE: For each step, type the corresponding code into the console window in RStudio.
<ol>
	<li>Set up in R. 
	options(stringsAsFactors=F) 
	library(GenomicRanges) 
	load(&#34;AD_credibleSNP.rda&#34;) # (see 2)</li>
	<li>Positional mapping of promoter/exonic SNPs to genes
	<ol>
		<li>Load promoter and exonic region and generate a GRange object. 
		exon = read.table(&#34;Gencode19_exon.bed&#34;) 
		exonranges = GRanges(exon[,1],IRanges(exon[,2],exon[,3]),gene=exon[,4]) 
		promoter = read.table(&#34;Gencode19_promoter.bed&#34;) 
		promoterranges = GRanges(promoter[,1], IRanges(promoter[,2], promoter[,3]), gene=promoter[,4])</li>
		<li>Overlap credible SNPs with exonic regions. 
		olap = findOverlaps(credranges, exonranges) 
		credexon = credranges[queryHits(olap)] 
		mcols(credexon) = cbind(mcols(credexon), mcols(exonranges[subjectHits(olap)]))</li>
		<li>Overlap credible SNPs with promoter regions. 
		olap = findOverlaps(credranges, promoterranges) 
		credpromoter = credranges[queryHits(olap)] 
		mcols(credpromoter) = cbind(mcols(credpromoter), mcols(promoterranges[subjectHits(olap)]))</li>
	</ol>
	</li>
	<li>Link SNPs to their putative target genes using chromatin interactions.
	<ol>
		<li>Load Hi-C dataset and generate a GRange object. 
		hic = read.table(&#34;Promoter-anchored_chromatin_loops.bed &#34;, skip=1) 
		colnames(hic) = c(&#34;chr&#34;, &#34;TSS_start&#34;, &#34;TSS_end&#34;, &#34;Enhancer_start&#34;, &#34;Enhancer_end&#34;) 
		hicranges = GRanges(hic$chr, IRanges(hic$TSS_start, hic$TSS_end), enhancer=hic$Enhancer_start) 
		olap = findOverlaps(hicranges, promoterranges) 
		hicpromoter = hicranges[queryHits(olap)] 
		mcols(hicpromoter) = cbind(mcols(hicpromoter), mcols(promoterranges[subjectHits(olap)])) 
		hicenhancer = GRanges(seqnames(hicpromoter), IRanges(hicpromoter$enhancer, hicpromoter$enhancer+10000), gene=hicpromoter$gene)</li>
		<li>Overlap credible SNPs with Hi-C GRange object. 
		olap = findOverlaps(credranges, hicenhancer) 
		credhic = credranges[queryHits(olap)] 
		mcols(credhic) = cbind(mcols(credhic), mcols(hicenhancer[subjectHits(olap)]))</li>
	</ol>
	</li>
	<li>Compile AD candidate genes defined by positional mapping and chromatin interaction profiles. 
	### The resulting candidate genes for AD: 
	ADgenes = Reduce(union, list(credhic$gene, credexon$gene, credpromoter$gene)) 
	### to convert Ensembl Gene ID to HGNC symbol 
	load(&#34;geneAnno.rda&#34;) 
	ADhgnc = geneAnno1[match(ADgenes, geneAnno1$ensembl_gene_id), &#34;hgnc_symbol&#34;] 
	ADhgnc = ADhgnc[ADhgnc!=&#34;&#34;] 
	save(ADgenes, ADhgnc, file=&#34;ADgenes.rda&#34;) 
	write.table(ADhgnc, file=&#34;ADgenes.txt&#34;, row.names=F, col.names=F, quote=F, sep=&#34;\t&#34;)</li>
</ol>
4. Developmental Expression Trajectories
NOTE: For each step, type the corresponding code into the console window in RStudio.
<ol>
	<li>Set up in R. 
	library(reshape); library(ggplot2); library(GenomicRanges); library(biomaRt) 
	library(&#34;WGCNA&#34;) 
	options(stringsAsFactors=F)</li>
	<li>Process expression and meta data. 
	datExpr = read.csv(&#34;expression_matrix.csv&#34;, header = FALSE) 
	datExpr = datExpr[,-1] 
	datMeta = read.csv(&#34;columns_metadata.csv&#34;) 
	datProbes = read.csv(&#34;rows_metadata.csv&#34;) 
	datExpr = datExpr[datProbes$ensembl_gene_id!=&#34;&#34;,] 
	datProbes = datProbes[datProbes$ensembl_gene_id!=&#34;&#34;,] 
	datExpr.cr= collapseRows(datExpr, rowGroup = datProbes$ensembl_gene_id, rowID= rownames(datExpr)) 
	datExpr = datExpr.cr$datETcollapsed 
	gename = data.frame(datExpr.cr$group2row) 
	rownames(datExpr) = gename$group
	<ol>
		<li>Specify developmental stages. 
		datMeta$Unit = &#34;Postnatal&#34; 
		idx = grep(&#34;pcw&#34;, datMeta$age) 
		datMeta$Unit[idx] = &#34;Prenatal&#34; 
		idx = grep(&#34;yrs&#34;, datMeta$age) 
		datMeta$Unit[idx] = &#34;Postnatal&#34; 
		datMeta$Unit = factor(datMeta$Unit, levels=c(&#34;Prenatal&#34;, &#34;Postnatal&#34;))</li>
		<li>Select cortical regions. 
		datMeta$Region = &#34;SubCTX&#34; 
		r = c(&#34;A1C&#34;, &#34;STC&#34;, &#34;ITC&#34;, &#34;TCx&#34;, &#34;OFC&#34;, &#34;DFC&#34;, &#34;VFC&#34;, &#34;MFC&#34;, &#34;M1C&#34;, &#34;S1C&#34;, &#34;IPC&#34;, &#34;M1C-S1C&#34;, &#34;PCx&#34;, &#34;V1C&#34;, &#34;Ocx&#34;) 
		datMeta$Region[datMeta$structure_acronym %in% r] = &#34;CTX&#34; 
		datExpr = datExpr[,which(datMeta$Region==&#34;CTX&#34;)] 
		datMeta = datMeta[which(datMeta$Region==&#34;CTX&#34;),] 
		save(datExpr, datMeta, file=&#34;devExpr.rda&#34;)</li>
	</ol>
	</li>
	<li>Extract developmental expression profiles of AD risk genes. 
	load(&#34;ADgenes.rda&#34;) 
	exprdat = apply(datExpr[match(ADgenes, rownames(datExpr)),],2,mean,na.rm=T) 
	dat = data.frame(Region=datMeta$Region, Unit=datMeta$Unit, Expr=exprdat)</li>
	<li>Compare prenatal versus postnatal expression levels of AD risk genes. 
	pdf(file=&#34;developmental_expression.pdf&#34;) 
	ggplot(dat,aes(x=Unit, y=Expr, fill=Unit, alpha=Unit)) + ylab(&#34;Normalized expression&#34;) + geom_boxplot(outlier.size = NA) + ggtitle(&#34;Brain Expression&#34;) + xlab(&#34;&#34;) + scale_alpha_manual(values=c(0.2, 1)) + theme_classic() + theme(legend.position=&#34;na&#34;) 
	dev.off()</li>
</ol>
5. Cell-type Expression Profiles
NOTE: For each step, type the corresponding code into the console window in RStudio.
<ol>
	<li>Set up in R. 
	options(stringsAsFactors=F) 
	load(&#34;ADgenes.rda&#34;) 
	load(&#34;geneAnno.rda&#34;) 
	targetname = &#34;AD&#34; 
	targetgene = ADhgnc 
	cellexp = read.table(&#34;DER-20_Single_cell_expression_processed_TPM_backup.tsv&#34;,header=T,fill=T) 
	cellexp[1121,1] = cellexp[1120,1] 
	cellexp = cellexp[-1120,] 
	rownames(cellexp) = cellexp[,1] 
	cellexp = cellexp[,-1] 
	datExpr = scale(cellexp,center=T, scale=F) 
	datExpr = datExpr[,789:ncol(datExpr)]</li>
	<li>Extract cellular expression profiles of AD risk genes. 
	exprdat = apply(datExpr[match(targetgene, rownames(datExpr)),],2,mean,na.rm=T) 
	dat = data.frame(Group=targetname, cell=names(exprdat), Expr=exprdat) 
	dat$celltype = unlist(lapply(strsplit(dat$cell, split=&#34;[.]&#34;),&#39;[[&#39;,1)) 
	dat = dat[-grep(&#34;Ex|In&#34;,dat$celltype),] 
	dat$celltype = gsub(&#34;Dev&#34;,&#34;Fetal&#34;,dat$celltype) 
	dat$celltype = factor(dat$celltype, levels=c(&#34;Neurons&#34;,&#34;Astrocytes&#34;,&#34;Microglia&#34;,&#34;Endothelial&#34;, 
	Oligodendrocytes&#34;,&#34;OPC&#34;,&#34;Fetal&#34;)) 
	pdf(file=&#34;singlecell_expression_ADgenes.pdf&#34;) 
	ggplot(dat,aes(x=celltype, y=Expr, fill=celltype)) + 
	ylab(&#34;Normalized expression&#34;) + xlab(&#34;&#34;) + geom_violin() + theme(axis.text.x=element_text(angle = 90, hjust=1)) + theme(legend.position=&#34;none&#34;) + 
	ggtitle(paste0(&#34;Cellular expression profiles of AD risk genes&#34;)) 
	dev.off()</li>
</ol>
6. Gene Annotation Enrichment Analysis of AD Risk Genes
<ol>
	<li>Download and configure HOMER by typing the commands below in terminal. 
	mkdir homer 
	cd homer 
	wget http://homer.ucsd.edu/homer/configureHomer.pl 
	perl ./configureHomer.pl -install 
	perl ./configureHomer.pl -install human-p 
	perl ./configureHomer.pl -install human-o</li>
	<li>Run HOMER by typing the commands below in terminal. 
	export PATH=$PATH:~/work/homer/bin 
	findMotifs.pl ~/work/ADgenes.txt human ~/work/</li>
	<li>Plot the enriched terms by typing the following code into the console window in RStudio. 
	library(ggpubr) 
	options(stringsAsFactors=F) 
	pdf(&#34;GO_enrichment.pdf&#34;,width=15,height=8) 
	plot_barplot = function(dbname,name,color){ 
	input = read.delim(paste0(dbname,&#34;.txt&#34;),header=T) 
	input = input[,c(-1,-10,-11)] 
	input = unique(input) 
	input$FDR = p.adjust(exp(input$logP)) 
	input_sig = input[input$FDR &#60; 0.1,] 
	input_sig$FDR = -log10(input_sig$FDR) 
	input_sig = input_sig[order(input_sig$FDR),] 
	p = ggbarplot(input_sig, x = &#34;Term&#34;, y = &#34;FDR&#34;, fill = color, color = &#34;white&#34;, sort.val = &#34;asc&#34;, ylab = expression(-log[10](italic(FDR))), xlab = paste0(name,&#34; Terms&#34;), rotate = TRUE, label = paste0(input_sig$Target.Genes.in.Term,&#34;/&#34;,input_sig$Genes.in.Term), font.label = list(color = &#34;white&#34;, size = 9), lab.vjust = 0.5, lab.hjust = 1) 
	p = p+geom_hline(yintercept = -log10(0.05), linetype = 2, color = &#34;lightgray&#34;) 
	return(p) 
	} 
	p1 = plot_barplot(&#34;biological_process&#34;,&#34;GO Biological Process&#34;,&#34;#00AFBB&#34;) 
	p2 = plot_barplot(&#34;kegg&#34;,&#34;KEGG&#34;,&#34;#E7B800&#34;) 
	p3 = plot_barplot(&#34;reactome&#34;,&#34;Reactome&#34;,&#34;#FC4E07&#34;) 
	ggarrange(p1, p2, p3, labels = c(&#34;A&#34;, &#34;B&#34;, &#34;C&#34;), ncol = 2, nrow = 2) 
	dev.off()</li>
</ol>

<ol><li>Dekker, J., Misteli, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Long-Range+Chromatin+Interactions%5BTitle%5D)+AND+%22Cold+Spring+Harbor+Perspectives+in+Biology%22%5BJournal%5D)">Long-Range Chromatin Interactions.</a> Cold Spring Harbor Perspectives in Biology. 7 (10), a019356(2015).</li>
<li>Sanyal, A., Lajoie, B. R., Jain, G., Dekker, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+long-range+interaction+landscape+of+gene+promoters%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">The long-range interaction landscape of gene promoters.</a> Nature. 489 (7414), 109-113 (2012).</li>
<li>Plank, J. L., Dean, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Enhancer+function%3A+mechanistic+and+genome-wide+insights+come+together%5BTitle%5D)+AND+%22Molecular+Cell%22%5BJournal%5D)">Enhancer function: mechanistic and genome-wide insights come together.</a> Molecular Cell. 55 (1), 5-14 (2014).</li>
<li>Dekker, J., Marti-Renom, M. A., Mirny, L. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+the+three-dimensional+organization+of+genomes%3A+interpreting+chromatin+interaction+data%5BTitle%5D)+AND+%22Nature+Reviews+Genetics%22%5BJournal%5D)">Exploring the three-dimensional organization of genomes: interpreting chromatin interaction data.</a> Nature Reviews Genetics. 14 (6), 390-403 (2013).</li>
<li>Martin, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Capture+Hi-C+reveals+novel+candidate+genes+and+complex+long-range+interactions+with+related+autoimmune+risk+loci%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Capture Hi-C reveals novel candidate genes and complex long-range interactions with related autoimmune risk loci.</a> Nature Communications. 6, 10069(2015).</li>
<li>Won, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chromosome+conformation+elucidates+regulatory+relationships+in+developing+human+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Chromosome conformation elucidates regulatory relationships in developing human brain.</a> Nature. 538 (7626), 523-527 (2016).</li>
<li>Jäger, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Capture+Hi-C+identifies+the+chromatin+interactome+of+colorectal+cancer+risk+loci%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Capture Hi-C identifies the chromatin interactome of colorectal cancer risk loci.</a> Nature Communications. 6, 6178(2015).</li>
<li>Chen, J. A. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Joint+genome-wide+association+study+of+progressive+supranuclear+palsy+identifies+novel+susceptibility+loci+and+genetic+correlation+to+neurodegenerative+diseases%5BTitle%5D)+AND+%22Molecular+Neurodegeneration%22%5BJournal%5D)">Joint genome-wide association study of progressive supranuclear palsy identifies novel susceptibility loci and genetic correlation to neurodegenerative diseases.</a> Molecular Neurodegeneration. 13 (1), 41(2018).</li>
<li>Wang, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comprehensive+functional+genomic+resource+and+integrative+model+for+the+adult+brain%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Comprehensive functional genomic resource and integrative model for the adult brain.</a> Science. 362 (6420), eaat8464(2018).</li>
<li>Demontis, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Discovery+of+the+first+genome-wide+significant+risk+loci+for+attention+deficit%2Fhyperactivity+disorder%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Discovery of the first genome-wide significant risk loci for attention deficit/hyperactivity disorder.</a> Nature Genetics. 51 (1), 63-75 (2019).</li>
<li>Grove, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+common+genetic+risk+variants+for+autism+spectrum+disorder%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Identification of common genetic risk variants for autism spectrum disorder.</a> Nature Genetics. 51 (3), 431-444 (2019).</li>
<li>Lee, P. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome+wide+meta-analysis+identifies+genomic+relationships%2C+novel+loci%2C+and+pleiotropic+mechanisms+across+eight+psychiatric+disorders%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Genome wide meta-analysis identifies genomic relationships, novel loci, and pleiotropic mechanisms across eight psychiatric disorders.</a> bioRxiv. , 528117(2019).</li>
<li>Mah, W., Won, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+three-dimensional+landscape+of+the+genome+in+human+brain+tissue+unveils+regulatory+mechanisms+leading+to+schizophrenia+risk%5BTitle%5D)+AND+%22Schizophrenia+Research%22%5BJournal%5D)">The three-dimensional landscape of the genome in human brain tissue unveils regulatory mechanisms leading to schizophrenia risk.</a> Schizophrenia Research. , In press (2019).</li>
<li>Jansen, I. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+meta-analysis+identifies+new+loci+and+functional+pathways+influencing+Alzheimer%27s+disease+risk%5BTitle%5D)+AND+%22Nature+Genetics%22%5BJournal%5D)">Genome-wide meta-analysis identifies new loci and functional pathways influencing Alzheimer's disease risk.</a> Nature Genetics. 51 (3), 404-413 (2019).</li>
<li>Viola, K. L., Klein, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Amyloid+%CE%B2+oligomers+in+Alzheimer%27s+disease+pathogenesis%2C+treatment%2C+and+diagnosis%5BTitle%5D)+AND+%22Acta+Neuropathologica%22%5BJournal%5D)">Amyloid β oligomers in Alzheimer's disease pathogenesis, treatment, and diagnosis.</a> Acta Neuropathologica. 129 (2), 183-206 (2015).</li>
<li>Mroczko, B., Groblewska, M., Litman-Zawadzka, A., Kornhuber, J., Lewczuk, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Amyloid+%CE%B2+oligomers+%28A%CE%B2Os%29+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neural+Transmission%22%5BJournal%5D)">Amyloid β oligomers (AβOs) in Alzheimer's disease.</a> Journal of Neural Transmission. 125 (2), 177-191 (2018).</li>
<li>Heneka, M. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroinflammation+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Lancet+Neurology%22%5BJournal%5D)">Neuroinflammation in Alzheimer's disease.</a> Lancet Neurology. 14 (4), 388-405 (2015).</li>
<li>Minter, M. R., Taylor, J. M., Crack, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+contribution+of+neuroinflammation+to+amyloid+toxicity+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Journal+of+Neurochemistry%22%5BJournal%5D)">The contribution of neuroinflammation to amyloid toxicity in Alzheimer's disease.</a> Journal of Neurochemistry. 136 (3), 457-474 (2016).</li>
<li>Hansen, D. V., Hanson, J. E., Sheng, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microglia+in+Alzheimer%27s+disease%5BTitle%5D)+AND+%22The+Journal+of+Cell+Biology%22%5BJournal%5D)">Microglia in Alzheimer's disease.</a> The Journal of Cell Biology. 217 (2), 459-472 (2018).</li>
<li>Gjoneska, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conserved+epigenomic+signals+in+mice+and+humans+reveal+immune+basis+of+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Conserved epigenomic signals in mice and humans reveal immune basis of Alzheimer's disease.</a> Nature. 518 (7539), 365-369 (2015).</li>
<li>Benner, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FINEMAP%3A+efficient+variable+selection+using+summary+data+from+genome-wide+association+studies%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">FINEMAP: efficient variable selection using summary data from genome-wide association studies.</a> Bioinformatics. 32 (10), 1493-1501 (2016).</li>
<li>Hormozdiari, F., Kostem, E., Kang, E. Y., Pasaniuc, B., Eskin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+causal+variants+at+loci+with+multiple+signals+of+association%5BTitle%5D)+AND+%22Genetics%22%5BJournal%5D)">Identifying causal variants at loci with multiple signals of association.</a> Genetics. 198 (2), 497-508 (2014).</li>
<li>Tewhey, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Direct+Identification+of+Hundreds+of+Expression-Modulating+Variants+using+a+Multiplexed+Reporter+Assay%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Direct Identification of Hundreds of Expression-Modulating Variants using a Multiplexed Reporter Assay.</a> Cell. 165 (6), 1519-1529 (2016).</li>
<li>Arnold, C. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+quantitative+enhancer+activity+maps+identified+by+STARR-seq%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Genome-wide quantitative enhancer activity maps identified by STARR-seq.</a> Science. 339 (6123), 1074-1077 (2013).</li>
<li>Kent, W. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+human+genome+browser+at+UCSC%5BTitle%5D)+AND+%22Genome+Research%22%5BJournal%5D)">The human genome browser at UCSC.</a> Genome Research. 12 (6), 996-1006 (2002).</li>
<li>Kang, H. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+transcriptome+of+the+human+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Spatio-temporal transcriptome of the human brain.</a> Nature. 478 (7370), 483-489 (2011).</li>
</ol>

作者无任何利益冲突需要披露。

本文描述了一种基于位置映射和染色质相互作用的功能性注释全基因组显著性（GWS）位点的分析框架。该过程包含多个步骤（更多细节请参见此综述13）。首先，由于染色质相互作用谱具有高度的细胞类型特异性，因此必须使用能够最好地反映疾病潜在生物学机制的相应细胞/组织类型的Hi-C数据。鉴于阿尔茨海默病（AD）是一种神经退行性疾病，我们采用了成人脑组织的Hi-C数据9来注释GWS位点。其次，由于连锁不平衡（LD）的存在，每个GWS位点通常包含多达数百个与性状相关的单核苷酸多态性（SNP），因此有必要通过精细定位算法进行计算预测21,22，或利用高通量方法（如大规模并行报告基因检测（MPRA）23或自转录活性调控区域测序（STARR-seq）24）进行实验验证，以确定潜在的因果性（“可信”）SNP。在本研究中，我们采用了Jansen等人14报告的可信SNP。第三，启动子区和外显子区的SNP通过位置映射进行注释。我们采用了一种简单的定位映射策略，即将与启动子区（定义为转录起始位点上游2 kb区域）或外显子区重叠的SNP映射到相应基因。然而，该方法还可进一步扩展，例如评估外显子区SNP的功能影响，如是否引起无义介导的mRNA降解、错义变异或无义变异。第四，可利用相应组织/细胞类型的染色质相互作用谱，根据物理邻近性将SNP分配至其潜在的靶基因。我们使用了以启动子为锚定点的相互作用谱，但也可进一步优化或扩展这些相互作用谱，例如结合增强子活性（由组蛋白H3K27乙酰化或染色质可及性指导）或外显子间相互作用信息。此过程中的一个重要考虑因素是使用一致的人类基因组版本。例如，如果汇总统计的基因组位置并非基于hg19（如hg18或hg38），则应获取相应版本的参考基因组，或使用liftover工具将汇总统计信息转换至hg1925。
我们应用该框架识别阿尔茨海默病全基因组关联研究（AD GWAS）的潜在靶基因，将284个SNP分配至112个AD风险基因。利用发育阶段的表达谱26和细胞类型特异性表达谱9，我们进一步证明该基因集合与已知的AD病理特征一致，揭示了相关细胞类型（小胶质细胞）、生物学功能（免疫反应和淀粉样蛋白β）以及随年龄增长而升高的风险。
尽管我们提出了一个用于界定阿尔茨海默病潜在靶基因及其潜在生物学机制的框架，但需要注意的是，基于Hi-C的注释方法可进一步扩展，用于注释任何非编码区的遗传变异。随着全基因组测序数据的不断积累以及对非编码区罕见变异认知的深入，Hi-C技术将为疾病相关遗传变异的解读提供关键资源。因此，整合来自多种组织和细胞类型的Hi-C资源文库，对于广泛推广应用该框架以深入解析各类人类性状及疾病的生物学机制至关重要。

全基因组关联研究（GWAS）在揭示多种人类性状和疾病的遗传基础方面发挥了关键作用。这种大规模基因分型已发现了数千个与表型相关的基因组变异，这些表型范围从身高到精神分裂症风险。然而，尽管GWAS在识别与疾病和性状相关的位点方面取得了巨大成功，但要理解这些变异如何影响表型的分子机制仍具挑战性，因为大多数与表型相关的变异位于人类基因组的非编码区域。由于这些变异通常与预测的调控元件重叠，它们可能改变邻近基因的转录调控。然而，非编码位点可影响线性距离超过一兆碱基（megabase）的基因转录，使得每个变异所影响的基因难以确定。三维（3D）染色质结构在远距离调控位点与基因启动子之间的相互作用中起着重要作用，可用于识别受表型相关单核苷酸多态性（SNPs）影响的基因。
基因调控由一个复杂的过程介导，该过程涉及增强子的激活以及染色质环的形成，从而在物理上将增强子与基因启动子连接起来，使转录机制能够被引导至启动子区域1,2,3。由于染色质环通常跨越数十万碱基对（kb），因此需要详细的三维染色质结构图谱来解析基因调控机制。为鉴定三维染色质结构，已开发出多种染色质构象捕获技术4。在这些技术中，Hi-C 能提供最全面的染色质结构信息，因为它可捕获全基因组范围内的三维染色质相互作用图谱。Hi-C 数据集已被迅速应用于解读非编码区全基因组显著性（GWS）位点5,6,7,8,9,10,11,12,13，因为它能够基于染色质相互作用图谱将非编码区变异与潜在的靶基因关联起来。
本文介绍了一种利用染色质相互作用谱通过计算方法预测全基因组关联研究（GWAS）风险变异位点潜在靶基因的实验方案。我们应用该方案，结合成人人类大脑的Hi-C数据集9，将阿尔茨海默病（AD）的GWAS位点14映射到其靶基因。所得的AD风险基因进一步通过其他功能基因组学数据集进行特征分析，包括单细胞转录组数据和发育阶段基因表达谱。

<table><tbody><tr><td>来自psychencode的成年大脑中10 kb分辨率的Hi-C相互作用图谱</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;http://adult.psychencode.org/Datasets/Integrative/Promoter-anchored_chromatin_loops.bed">http://adult.psychencode.org/&lt;/a&gt;</td></tr><tr><td>发育阶段基因表达数据集</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;http://www.brainspan.org/api/v2/well_known_file_download/267666527">http://www.brainspan.org/&lt;/a&gt;</td></tr><tr><td>阿尔茨海默病精细定位的可信SNP（来自Jansen等&lt;sup&gt;14&lt;/sup&gt;的补充表8）</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;https://static-content.springer.com/esm/art%3A10.1038%2Fs41588-018-0311-9/MediaObjects/41588_2018_311_MOESM3_ESM.xlsx">https://static-content.springer.com/&lt;/a&gt;</td></tr><tr><td>HOMER</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;http://homer.ucsd.edu/homer/configureHomer.pl">http://homer.ucsd.edu/&lt;/a&gt;</td></tr><tr><td>R（版本3.5.0）</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;https://www.r-project.org/">https://www.r-project.org/&lt;/a&gt;</td></tr><tr><td>RStudio Desktop</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;https://www.rstudio.com/products/rstudio/download/">https://www.rstudio.com/&lt;/a&gt;</td></tr><tr><td>单细胞表达数据集</td><td></td><td></td><td>&lt;a target=&quot;_blank&quot; href=&quot;http://adult.psychencode.org/Datasets/Derived/SC_Decomp/DER-20_Single_cell_expression_processed_TPM_backup.tsv">http://adult.psychencode.org/&lt;/a&gt;</td></tr></tbody></table>

利用染色质构象的计算分析将阿尔茨海默病相关变异映射至其靶基因

Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration

全基因组关联研究（GWAS）已成功鉴定了数百个与人类性状和疾病相关的基因组位点。然而，由于大多数全基因组显著性（GWS）位点位于非编码基因组区域，其功能影响仍不明确。通过Hi-C或其衍生技术鉴定出的三维染色质相互作用，可作为有效工具，通过将非编码变异与可作用基因关联，实现对这些位点的功能注释。本文概述了一种利用阿尔茨海默病（AD）GWAS数据及来自人类成年脑组织的Hi-C数据集，将GWAS非编码变异映射至其潜在靶基因的实验方案。首先通过精细定位算法识别潜在的因果单核苷酸多态性（SNPs），随后基于Hi-C数据中的增强子-启动子相互作用，将SNPs映射至其潜在的靶基因。所得基因集合代表了AD风险基因，因其表达可能受到AD风险变异的调控。为进一步揭示AD潜在的分子机制，我们利用发育期脑组织表达数据及脑组织单细胞表达谱对AD风险基因进行功能表征。该方案可推广至任何GWAS与Hi-C数据集，用于鉴定各类人类性状和疾病相关的潜在靶基因及其分子机制。

本研究中所描述的方法应用于一项原始研究定义的800个可信的SNP位点14。位置比对分析显示，其中103个SNP位于启动子区域（对应43个独特基因），42个SNP位于外显子区域（对应27个独特基因）。在完成位置比对后，仍有84%（669个）SNP未被注释。利用成人脑组织的Hi-C数据集，我们根据物理邻近性将额外的208个SNP与64个基因关联起来。总计，我们将284个阿尔茨海默病（AD）可信SNP映射到112个AD风险基因（图1A）。这些AD风险基因与淀粉样前体蛋白、淀粉样β蛋白的形成以及免疫应答相关，反映了已知的AD生物学机制15,16,17,18（图1B-D）。AD风险基因的发育期表达谱显示其在出生后显著富集，提示其与年龄相关的AD风险升高有关（图2A）。最后，AD风险基因在小胶质细胞——脑内主要的免疫细胞中高度表达（图2B）。这一发现与反复报道的结果一致，即AD具有显著的免疫基础，而小胶质细胞在AD发病机制中起核心作用14,19,20。
<img alt="阿尔茨海默病遗传学研究；KEGG、Reactome、GO 分析；SNP 分布；柱状图，基因术语。" class="xfigimg" src="/files/ftp_upload/60428/60428fig1b.jpg" data-altupdatedat="1788282455000" data-alt="图 1"> 
图 1：定义阿尔茨海默病（AD）全基因组显著（GWS）位点的推定靶基因。（A）来自前 29 个 AD 位点的可信 SNP 被分为启动子区 SNP、外显子区 SNP 和未注释的非编码区 SNP。通过位置映射将启动子区和外显子区 SNP 直接分配给其靶基因，同时利用成人大脑中的染色质相互作用谱，基于物理相互作用进一步映射 SNP。（B-D）使用 HOMER 对 AD 风险基因中的 GO（B）、KEGG（C）和 Reactome（D）术语进行富集分析，方法见方案第 6 节。横轴表示经假发现率（FDR）校正后的 -log10(P 值)。仅绘制 FDR &lt; 0.1 的富集术语。灰色垂直线表示 FDR = 0.05。APP 为淀粉样前体蛋白。分子表示每个术语中包含的 AD 风险基因数量；分母表示每个术语中的总基因数量。<a href="https://www.jove.com/files/ftp_upload/60428/60428fig1alarge.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="基因表达分析；箱线图，小提琴图；产前与产后大脑，AD 基因表达谱。" class="xfigimg" src="/files/ftp_upload/60428/60428fig2.jpg" data-altupdatedat="1788282455000" data-alt="图 2"> 
图 2：AD 风险基因的表征。 （A）与产前皮层相比，AD 风险基因在产后皮层中高度表达。（B）小提琴图显示皮层中不同细胞类型基因表达值（标准化表达）的分布情况。这些结果表明，AD 风险基因在小胶质细胞中高度表达，与先前的研究结果一致14。 <a href="https://www.jove.com/files/ftp_upload/60428/60428fig2large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
补充文件 1. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_exon.bed" target="_blank">请点击此处查看该文件（右键点击可下载）。</a>
补充文件 2. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_promoter.bed" target="_blank">请点击此处查看该文件（右键点击可下载）。</a>
补充文件 3。 <a href="https://www.jove.com/files/ftp_upload/60428/geneAnno2.rda" target="_blank">请点击此处查看该文件（右键单击以下载）。</a>

我们提出了一种利用三维染色质相互作用来鉴定全基因组关联研究（GWAS）所识别的非编码变异功能意义的实验方案。

全基因组关联研究（GWAS）已成功鉴定出数百个与人类性状和疾病相关的基因组位点。然而，……

尽管全基因组关联研究（GWAS）已成功鉴定出与人类性状和疾病相关的基因组区域，但这些风险变异的生物学影响尚不明确。本文概述了一种利用染色质相互作用谱，通过计算方法预测GWAS风险变异潜在靶基因的实验方案。通常，鉴定风险基因是理解疾病机制的第一步，也有助于后续常规治疗策略的开发。我们希望本研究的结果最终能够推动阿尔茨海默病诊断与治疗策略的发展。该技术的主要优势在于，通过使用三维染色质接触频率，我们能够识别出受阿尔茨海默病风险变异影响的基因，即使这些基因位于数千甚至数百万个碱基对之外。在尝试本实验方案时，熟悉 R 语言或 X 染色体配对系统至关重要，因为用户需要借助该系统完成整个实验流程。要执行此计算流程，请参考文稿中的代码或屏幕上的代码。首先在 R 中进行设置，以生成可信的单核苷酸多态性（SNPs）的 G 型范围（G ranges）对象。对于位置定位，在 R 中设置后，加载启动子区域和外显子区域，并生成一个 G 型范围对象。将可信的SNPs与外显子区域及启动子区域进行重叠分析。为了利用染色质相互作用将SNPs与其假定的目标基因关联起来，加载Hi-C数据集并生成一个G范围对象。将可信的SNPs与Hi-C G范围对象进行重叠。然后整合阿尔茨海默病候选基因，这些基因通过位置定位和染色质相互作用谱确定。接下来，探索发育轨迹。在 R 中进行设置并处理表达谱元数据。确定发育阶段并选择皮层区域。提取阿尔茨海默病风险基因的发育期表达谱，比较产前与产后表达水平。通过在R中进行设置，提取阿尔茨海默病风险基因的细胞类型表达谱，开展细胞类型特异性表达分析。最后，对阿尔茨海默病（AD）风险基因进行基因注释富集分析。下载并配置Homer软件，然后运行Homer，并使用R Studio绘制富集的条目。通过该流程研究了一组800个可信的SNPs。位置作图显示，其中103个SNPs与启动子区域重叠，42个SNPs与外显子重叠，而84%的SNPs仍无注释信息。利用成年大脑的Hi-C数据集，根据物理邻近性，额外将208个SNPs与64个基因关联起来。总共将 284 个可靠的阿尔茨海默病（AD）SNP 位点定位到 112 个 AD 风险基因。这些 AD 风险基因与淀粉样前体蛋白、β-淀粉样蛋白的形成以及免疫应答相关，反映了该疾病的已知生物学机制。AD 风险基因的发育期表达谱显示出生后显著富集，提示该疾病的风险随年龄增长而升高。最后，这些基因在大脑的主要免疫细胞——小胶质细胞中高度表达，这进一步支持了阿尔茨海默病具有显著免疫基础的反复发现。本文利用脑组织的Hi-C数据，分析阿尔茨海默病风险变异的生物学影响。然而，若将该方法应用于其他全基因组关联研究（GWAS），获取相关组织中新的Hi-C数据水平至关重要。这些结果可进一步利用基于CRISPR的技术、增强子报告基因检测，或通过与其他功能基因组学数据集（如表达数量性状位点，EQTLs）进行交叉分析来深入研究和验证。本文中，我们鉴定了数十个阿尔茨海默病风险基因，预计这些基因的发现将有助于我们理解其在阿尔茨海默病中此前未知的作用。

mapping-alzheimer-s-disease-variants-to-their-target-genes-using

Research

科研

JoVE Journal

Genetics

遗传学

利用染色质配置的计算分析，将阿尔茨海默氏病变异体映射到其目标基因

本文介绍了一种染色质免疫沉淀（ChIP）实验流程，用于对在组蛋白结合结构域上存在差异的蛋白质亚型进行全基因组定位分析。我们将其应用于ChIP-Seq分析，以鉴定KDM5A/JARID1A/RBP2组蛋白去甲基化酶的作用靶点。...

使用染色质免疫共沉淀进行全基因组分析以鉴定亚型特异性基因靶点

本文介绍了一种将DNA腺嘌呤甲基转移酶鉴定技术（DamID）与高通量测序相结合的检测方法（DamID-seq）。该改进方法具有更高的分辨率和更宽的动态范围，可实现DamID-seq数据与其他高通量测序数据（如ChIP-seq、RNA-seq）的联合分析。...

DamID-seq：通过高通量测序腺嘌呤甲基化DNA片段实现全基因组蛋白质-DNA相互作用作图

我们提出了一种用于识别影响转录因子（TF）DNA结合的非编码遗传变异的策略性方案和实验流程。本文提供了针对基因型依赖性转录因子DNA结合的电泳迁移率变动分析（EMSA）和DNA亲和沉淀分析（DAPA）的详细实验方案。...

利用电泳迁移率变动分析（EMSA）和DNA亲和沉淀分析（DAPA）筛选功能性非编码遗传变异

本研究介绍了一种优化的甲基化CpG结合域（MBD）测序方案及相应的计算分析流程，用于鉴定慢性淋巴细胞白血病（CLL）患者中差异甲基化的富含CpG区域。...

利用基于甲基化CpG结合结构域捕获的方法对中国台湾慢性淋巴细胞白血病患者的全面DNA甲基化分析

本文介绍了一种用于检测补体受体1（CR1）长度多态性的创新方法，该方法可应用于多个领域，特别是用于评估阿尔茨海默病（AD）等疾病的易感性。该方法有助于更深入地理解CR1异构体在AD发病机制中的作用。...

用于补体受体1长度多态性基因分型的高分辨率熔解PCR：阿尔茨海默病基因易感性评估的创新工具

转座酶可及性染色质测序（ATAC-seq）是一种全基因组范围检测染色质可及性的方法。本方案为针对人淋巴细胞（Th1/Th2）优化的逐步ATAC-seq实验流程，涵盖从分子实验到最终计算分析的完整步骤。该方案适用于无下一代测序方法经验的研究人员。...

通过ATAC-Seq技术绘制原代人T淋巴细胞全基因组染色质可及性图谱

本文介绍了一种优化的高通量染色质免疫沉淀测序（ChIP-sequencing）实验方案及相应的计算分析流程，用于从冻存的肿瘤组织和细胞系中确定全基因组范围内的染色质状态模式。...

利用高通量ChIP-测序在肿瘤组织中进行全基因组染色质状态作图的整合平台

靶向二代测序是一种高效且经济的方法，正日益广泛应用于疾病研究和临床诊断。本文所述方案介绍了用于测序的复杂工作流程，以及用于识别致病遗传变异的生物信息学分析过程。...

靶向二代测序与生物信息学分析流程用于评估先天性疾病的遗传决定因素

本方案描述了染色质捕获结合高通量测序（Capture...

通过捕获式 Hi-C 解析高分辨率 3D 染色质结构 via Capture Hi-C

本文介绍了一种利用全基因组染色体构象捕获方法Micro-C-XL，以核小体分辨率绘制三维基因组结构的实验方案。...

利用 Micro-C-XL 绘制哺乳动物三维基因组相互作用

本研究分析了33名阿尔茨海默病（AD）患者的单细胞核转录组，揭示了胶质细胞中与性别相关的差异表达基因（DEGs）。功能富集分析强调了突触、神经及激素相关通路的作用。研究鉴定了关键基因NLGN4Y及其调控因子，并提出了针对性别特异性AD的潜在治疗靶点。...

基于胶质细胞转录组谱的阿尔茨海默病性别特异性生物标志物鉴定

学习利用三维染色质构象数据和Hi-C数据集计算分析阿尔茨海默病GWAS风险变异体的目标基因预测方法。该计算流程通过染色质相互作用图谱将非编码区SNP映射到112个风险基因，有助于深入理解疾病机制并推动治疗策略开发。

利用染色质构象的计算分析将阿尔茨海默病相关变异映射至其靶基因

探索更多视频