一种用于代谢通路信息全基因组关联分析的通路关联分析工具
2020年7月1日
通过使用 Shiny 应用程序或 R 控制台运行通路关联分析工具（PAST），研究人员可以通过研究相关的代谢通路，更深入地理解全基因组关联研究（GWAS）结果的生物学意义。
全基因组关联分析是发现与性状相关基因的强大工具，但会遗漏其中许多基因。PAST 能够找到更多的这类基因，从而更完整地揭示整体图景。PAST 以全基因组关联分析的输出结果为基础，加入细胞用于合成代谢物及形成生物体表型的通路信息。
仅通过全基因组关联研究（GWAS）通常会遗漏这些通路中的基因。在确认GWAS数据为制表符分隔格式后，使用“关联文件”选择框选取关联文件，并使用“效应文件”选择框选取效应文件。要在R控制台中使用PAST加载GWAS数据，请按照提示修改并运行相应代码。
使用 PAST Shiny 加载连锁不平衡数据时，首先确认连锁不平衡数据为制表符分隔，且包含适当类型的数据，然后选择包含连锁不平衡数据的文件。若要在 R 控制台中使用 PAST 加载连锁不平衡数据，请按说明修改并运行代码。使用 PAST Shiny 将 SNP 分配至基因时，需定位通用特征格式（general feature format）的注释文件，选择包含通用特征格式注释的文件，并根据所研究物种的适宜窗口大小和 R 平方截断值，按需调整设置。
在 R 控制台中使用 PAST 将 SNP 分配给基因时，按指示修改并运行代码。在确认通路文件包含以制表符分隔格式的适当数据后，选择包含通路数据的文件，并确认分析选项中已选中相应的模式。如有必要，更改通路中必须包含的基因数量，以确定保留用于分析的通路，并更改用于创建零分布的置换次数，以检验效应的显著性。
要在 R 控制台中使用 PAST 发现重要通路，请按照指示修改并运行代码。要在 PAST Shiny 中查看地毯图，在上传并设置所有输入后，点击“开始分析”。将出现一个进度条，指示分析的最后完成步骤。
分析完成后，PAST Shiny 将切换到结果选项卡，并显示结果表格和地毯图。使用滑块来调整过滤参数。当过滤水平达到满意时，点击下载结果按钮，即可将所有图像和表格单独下载为一个以分析标题命名的压缩文件（zip 格式）。
要在 R 控制台中使用 PAST 查看 rug 图，请修改并运行代码以保存结果。此处展示的是使用 PAST 软件包中提供的示例数据（基于籽粒颜色的全基因组关联研究）成功运行的结果。同时展示了点击“下载结果”按钮后可下载的图像示例。
该峰线图基于利用288个近交系组成的迷宫面板进行的全基因组关联分析（GWAS）结果生成，这些近交系均具有籽粒颜色表型数据。正如预期，产生类胡萝卜素的反式番茄红素生物合成通路与籽粒颜色显著相关。在基因效应排序中，该通路中的基因以及反式番茄红素生物合成通路本身也相对于分析中的所有其他基因进行了标注。
整个通路的富集评分曲线最高点由虚线标示。程序利用该点来判断该通路是否被选中并以地毯图形式展示。PAST 可应用于所有数据，但仅对高质量数据产生良好结果。
序列必须包含较少的错误，且表型数据应在严格的统计设计下进行收集。通过PAST结果，可以鉴定出控制关键位点和重要通路的基因，并最终通过选择育种、基因编辑和药物治疗等手段对这些基因进行操控，以改良目标性状。
概述
通路关联分析工具（PAST）通过整合代谢通路信息，增强全基因组关联研究（GWAS）的结果。该工具可帮助研究人员识别出仅靠GWAS可能遗漏的与性状相关的基因。
关键研究组成部分
科学领域
- 基因组学
- 代谢组学
- 生物信息学
背景
- 全基因组关联分析（GWAS）在识别与性状相关的基因方面是有效的，但常常遗漏许多相关基因。
- PAST 通过提供对代谢通路的洞察，弥补了 GWAS 的不足。
- 理解这些代谢通路可以揭示额外的遗传关联。
- 高质量的数据对于获得可靠结果至关重要。
研究目的
- 通过通路分析提高与性状相关基因的识别能力。
- 利用全基因组关联分析（GWAS）结果获得更深入的生物学见解。
- 促进与性状相关的重要通路的发现。
使用的方法
- 基于制表符分隔格式的数据验证。
- 关联分析与效应数据的文件选择。
- R代码的修改与执行以加载数据。
- 连锁不平衡与通路数据的分析。
主要结果
- 鉴定与性状相关的重要通路。
- 通过 PAST Shiny 中的地毯图可视化结果。
- 以谷粒颜色全基因组关联分析数据成功验证应用。
- 反式番茄红素生物合成通路与谷粒颜色显著相关。
结论
- PAST 能有效识别出 GWAS 所遗漏的额外基因和通路。
- 研究结果可为性状改良的遗传操作策略提供依据。
- 高质量数据可提高通路分析的可靠性。
常见问题
行业重要性概述
通路关联研究工具（PAST）通过整合代谢通路数据，解决了全基因组关联研究（GWAS）中的一个关键局限性，能够发现标准GWAS所遗漏的与性状相关的额外基因。该工具通过为遗传关联提供机制性解释，增强了早期发现阶段的靶点验证信心，支持在先导化合物识别过程中做出更明智的决策。该工具在速度和用户友好性方面的提升，使其能够广泛应用于各类发现工作流程中，从而缩短基于通路的假设生成所需的时间。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：识别出仅通过全基因组关联研究（GWAS）容易被忽视的、在生物学上具有重要意义的通路中的基因，从而加强治疗假设的验证能力。
- 操作价值：实现对GWAS结果的快速通路分析，加速靶点优先排序并降低研发风险。
- 预测价值：通过突出具有强表型关联的通路，支持项目组合的筛选，提高靶点选择的可信度。
筛选与检测方法开发
- 科学价值：为下游筛选制备具有生物学背景的基因集，提高化合物评估的相关性。
- 操作价值：标准化来自全基因组关联研究（GWAS）数据的通路分析，确保检测开发流程中输入结果的可重复性。
- 可扩展性：运行时间从24小时以上缩短至不到一小时，可在多个性状或数据集上实现高通量应用。
转化与临床前研究
- 转化连续性： 将基因发现与代谢通路相联系，支持生物标志物的匹配以及对性状结构的机制理解。
- 临床前相关性： 鉴定可药物靶向的通路（例如，反式番茄红素生物合成），可通过基因编辑或药理学干预进行调控。
- 风险缓解： 对全基因组关联研究（GWAS）的发现提供正交验证，减少假阳性结果，并提高临床前推进决策的可信度。
流程与工作流整合
PAST 通过将通路背景信息整合到全基因组关联研究（GWAS）衍生的基因列表中，契合了发现研究的连续过程，支持从初始显著信号识别到先导化合物优化的推进，并通过机制性风险降低实现这一过程。
- 发现生物学： 验证关于通路水平性状关联的假设，阐明GWAS信号背后的生物学机制。
- 筛选： 生成通路富集的基因列表，提高化合物筛选实验的生物学相关性。
- 分析： 产生定量的通路富集评分和显著性指标（通过置换检验），用于比较和排序生物学过程。
- 转化研究： 将遗传变异与功能通路相连接，实现在临床前模型中基于生物标志物的分层分析。
- 企业级复用： 作为Bioconductor和GitHub发布的工具，PAST支持在不同项目和团队间进行标准化、可复用的通路分析。
运营与企业影响
- 科学价值：通过揭示表型性状背后的机制通路，提高预测的可信度。
- 操作价值：通过 Shiny 或 R 控制台提供快速、用户友好的分析，提升非专业人员的使用便利性。
- 战略价值：通过减少生物学上的不确定性并提高靶点可信度，增强靶点验证中的决策能力。
- 项目组合影响：基于通路水平的证据实现根据风险调整的靶点优先排序，支持更合理的资源分配。
实施注意事项
- 需要具备全基因组关联研究（GWAS）数据处理和通路分析解读的专业知识。
- 依赖高质量的制表符分隔输入文件（关联数据、效应数据、连锁不平衡数据和通路数据）。
- 需要对基因注释文件（GFF）以及SNP到基因映射的参数（如窗口大小和R²截断值）进行标准化。
- 依赖用户自定义的通路大小（最小基因数）阈值和置换次数，以生成零分布。
- 最佳性能取决于严谨的表型研究设计和低误差的测序数据。
生物制药常见问题
Chapters in this video
0:05
Introduction
0:32
Genome-Wide Association Study (GWAS) Data Loading
0:57
Load Linkage Disequilibrium (LD) Data Loading
1:26
Single Nucleotide Polymorphism (SNP) Assignment
1:56
Significant Pathway Discovery
2:35
Rugplot Visualization
3:21
Results: Representative GWAS Analyses of Metabolic Pathway Information
4:21
Conclusion
