Ein Pathway Association Study Tool für GWAS-Analysen von Stoffwechselweginformationen
1. Juli 2020
Durch die Ausführung des Pathway Association Study Tool (PAST), entweder über die Shiny-Anwendung oder über die R-Konsole, können Forscher ein tieferes Verständnis der biologischen Bedeutung ihrer Ergebnisse einer genomweiten Assoziationsstudie (GWAS) erlangen, indem sie die beteiligten Stoffwechselwege untersuchen.
Die genomweite Assoziationsanalyse ist ein leistungsstarkes Instrument zur Entdeckung von Genen, die mit einem Merkmal assoziiert sind, aber viele von ihnen fehlen. PAST findet mehr dieser Gene und rundet das Bild besser ab. PAST nimmt GWAS-Output und fügt Informationen über Wege hinzu, die Zellen zum Aufbau von Metaboliten und zur Bildung von Phänotypen in einem Organismus verwenden.
Gene in diesen Signalwegen werden oft von GWAS allein übersehen. Nachdem Sie überprüft haben, dass die GWAS-Daten tabulatorgetrennt sind, verwenden Sie das Feld Zuordnungsdatei, um eine Zuordnungsdatei auszuwählen, und das Auswahlfeld für Effektdateien, um eine Effektdatei auszuwählen. Um GWAS-Daten mit PAST in der R-Konsole zu laden, ändern Sie den Code, und führen Sie ihn wie angegeben aus.
Um Verknüpfungsungleichgewichtsdaten mit PAST Shiny zu laden, wählen Sie nach dem Überprüfen, ob die Verknüpfungsungleichgewichtsdaten tabulatorgetrennt sind und die entsprechenden Datentypen enthalten, die Datei mit den Verknüpfungsungleichgewichtsdaten aus. Um Verknüpfungsungleichgewichtsdaten mit PAST in die R-Konsole zu laden, ändern Sie den Code, und führen Sie ihn wie angegeben aus. Um SNPs zu Genen mit PAST Shiny zuzuweisen und Annotationen im allgemeinen Merkmalsformat zu lokalisieren, wählen Sie die Datei aus, die die Annotationen des allgemeinen Merkmalsformats enthält, und ändern Sie die Einstellungen entsprechend der Fenstergröße und dem R-Quadrat-Cutoff, die für die als notwendig erachtete Spezies am besten geeignet sind.
Um SNPs Genen mit PAST in der R-Konsole zuzuweisen, ändern Sie den Code, und führen Sie ihn wie angegeben aus. Nachdem Sie überprüft haben, ob die Pfaddatei die entsprechenden Daten im tabulatorgetrennten Format enthält, wählen Sie die Datei mit den Pfaddaten aus, und bestätigen Sie, dass der Modus in den Analyseoptionen ausgewählt ist. Ändern Sie bei Bedarf die Anzahl der Gene, die sich in einem Signalweg befinden müssen, um den Signalweg für die Analyse beizubehalten, und ändern Sie die Anzahl der Permutationen, die zum Erstellen der Nullverteilung verwendet werden, um die Signifikanz des Effekts zu testen.
Um signifikante Pfade mit PAST in der R-Konsole zu ermitteln, ändern Sie den Code, und führen Sie ihn wie angegeben aus. Um Teppichdiagramme mit PAST Shiny anzuzeigen, klicken Sie nach dem Hochladen und Festlegen aller Eingaben auf Analyse starten. Es wird ein Fortschrittsbalken angezeigt, der angibt, welcher Schritt der Analyse zuletzt abgeschlossen wurde.
Wenn die Analyse abgeschlossen ist, wechselt PAST Shiny zur Registerkarte "Ergebnisse" und es wird eine Tabelle mit den Ergebnissen und den Teppichdiagrammen angezeigt. Verwenden Sie den Schieberegler, um die Filterparameter zu steuern. Wenn die Filterstufe zufriedenstellend ist, klicken Sie auf die Schaltfläche Ergebnisse herunterladen, um alle Bilder und Tabellen einzeln in eine ZIP-Datei mit dem Namen des Analysetitels herunterzuladen.
Um die Teppichdiagramme mit PAST in der R-Konsole anzuzeigen, ändern Sie den Code, und führen Sie ihn aus, um die Ergebnisse zu speichern. Hier wird ein erfolgreicher Lauf mit den Beispieldaten aus dem PAST-Paket gezeigt, die auf einem Labyrinth-GWAS in Körnungsfarbe basieren. Und hier wird ein Beispiel für ein Bild gezeigt, das durch Klicken auf die Schaltfläche "Ergebnisse herunterladen" heruntergeladen werden kann.
Dieses Teppichdiagramm wurde aus der Signalweganalyse von GWAS-Ergebnissen erstellt, die mit dem Labyrinth-Panel von 288 Inzuchtlinien erstellt wurden, die den Phänotyp für die Kornfarbe hatten. Wie erwartet, war der Trans-Lycopin-Biosyntheseweg, der Carotinoide produzierte, signifikant mit der Kornfarbe verbunden. Die Gene und der Trans-Lycopin-Biosyntheseweg sind auch im Genrang ihrer Wirkung im Vergleich zu allen anderen Genen in der Analyse markiert.
Der Scheitelpunkt der Score-Linie für die laufende Anreicherung für den gesamten Pfad wird durch die gestrichelte Linie angezeigt. Es wird vom Programm verwendet, um zu bestimmen, ob der Pfad ausgewählt und als Teppichdiagramm dargestellt wird. PAST auf allen Daten, liefert aber nur bei qualitativ hochwertigen Daten gute Ergebnisse.
Die Sequenzen müssen nur wenige Fehler enthalten, und phänotypische Daten sollten unter strengem statistischem Design erhoben werden. Mit den Ergebnissen von PAST können Gene, die wichtige Punkte und signifikante Signalwege steuern, identifiziert und schließlich durch Selektion, Geneditierung und medikamentöse Therapie manipuliert werden, um ein interessantes Merkmal zu verbessern.
Übersicht
Das Pathway Association Study Tool (PAST) verbessert die Ergebnisse von genomweiten Assoziationsstudien (GWAS), indem es Informationen zu Stoffwechselwegen integriert. Dieses Werkzeug ermöglicht es Forschern, Gene zu identifizieren, die mit Merkmalen assoziiert sind und allein durch GWAS möglicherweise übersehen werden.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Genomik
- Metabolomik
- Bioinformatik
Hintergrund
- GWAS ist wirksam zur Identifizierung genetischer Merkmale, übergeht jedoch häufig viele Gene.
- PAST ergänzt GWAS, indem es Einblicke in Stoffwechselwege liefert.
- Das Verständnis dieser Stoffwechselwege kann zusätzliche genetische Assoziationen offenbaren.
- Hochwertige Daten sind entscheidend für zuverlässige Ergebnisse.
Zweck der Studie
- Verbesserung der Identifizierung von Genen, die mit Merkmalen über die Pfadanalyse verknüpft sind.
- Nutzung der GWAS-Ergebnisse für tiefere biologische Erkenntnisse.
- Erleichterung der Entdeckung signifikanter, mit Merkmalen assoziierter Signalwege.
Verwendete Methoden
- Datenüberprüfung für tabulatorgetrennte Formate.
- Dateiauswahl für Assoziations- und Effektdaten.
- Änderung und Ausführung von R-Code zum Laden der Daten.
- Analyse von Kopplungsungleichgewicht und Pfaddaten.
Hauptergebnisse
- Identifizierung signifikanter, mit Merkmalen assoziierter Signalwege.
- Visualisierung der Ergebnisse mittels Teppichdiagrammen in PAST Shiny.
- Erfolgreiche Anwendung anhand von GWAS-Daten zur Kornfarbe demonstriert.
- Der Trans-Lycopin-Biosynthese-Weg ist signifikant mit der Kornfarbe verknüpft.
Schlussfolgerungen
- PAST identifiziert effektiv zusätzliche Gene und Signalwege, die von GWAS übersehen wurden.
- Die Ergebnisse können Strategien zur genetischen Manipulation zur Verbesserung von Merkmalen unterstützen.
- Hochwertige Daten erhöhen die Zuverlässigkeit der Pfadanalyse.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Das Pathway Association Study Tool (PAST) behebt eine wesentliche Einschränkung genomweiter Assoziationsstudien, indem es metabolische Pfad-Daten integriert, um zusätzliche, von Standard-GWAS-Methoden übersehene merkmalsassoziierte Gene aufzudecken. Dadurch wird das Vertrauen in die Zielvalidierung während der frühen Entdeckungsphase erhöht, indem genetischen Assoziationen ein mechanistischer Kontext verliehen wird, was fundiertere Go/No-Go-Entscheidungen bei der Lead-Identifizierung unterstützt. Die verbesserte Geschwindigkeit und Benutzerfreundlichkeit des Tools ermöglichen einen skalierbaren Einsatz in Entdeckungsworkflows und verkürzen die Zeit bis zur Erkenntnisgewinnung bei der hypothesengenerierung auf Grundlage von Stoffwechselwegen.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Identifiziert Gene innerhalb biologisch relevanter Signalwege, die allein durch GWAS übersehen werden, und stärkt so die Überprüfung therapeutischer Hypothesen.
- Operationaler Wert: Ermöglicht eine schnelle, auf Signalwegen basierende Analyse von GWAS-Ergebnissen und beschleunigt dadurch die Priorisierung sowie Entschärfung von Zielstrukturen.
- Prädiktiver Wert: Unterstützt die Portfolioauswahl, indem Signalwege mit starken phänotypischen Assoziationen hervorgehoben werden, wodurch die Zuversicht bei der Zielstrukturauswahl verbessert wird.
Screening und Assay-Entwicklung
- Wissenschaftlicher Wert: Erstellt biologisch kontextualisierte Gen-Sets für die nachgeschaltete Analyse und verbessert dadurch die Relevanz der Wirkstoffbewertung.
- Operationaler Wert: Standardisiert die Pfadanalyse aus GWAS-Daten und gewährleistet reproduzierbare Eingaben für die Entwicklung von Testverfahren.
- Skalierbarkeit: Die Reduzierung der Laufzeit von über 24 Stunden auf unter eine Stunde ermöglicht einen hochdurchsatzfähigen Einsatz über mehrere Merkmale oder Datensätze hinweg.
Translationale und präklinische Forschung
- Translationale Kontinuität: Verbindet genetische Befunde mit Stoffwechselwegen und unterstützt die Anpassung von Biomarkern sowie das mechanistische Verständnis der Merkmalarchitektur.
- Präklinische Relevanz: Identifiziert pharmakologisch beeinflussbare Wege (z. B. die trans-Lycopin-Biosynthese), die durch Genomeditierung oder pharmakologische Eingriffe moduliert werden können.
- Risikominderung: Liefert eine orthogonale Validierung von GWAS-Treffern, verringert falsch-positive Ergebnisse und erhöht die Zuversicht bei Entscheidungen über die präklinische Weiterentwicklung.
Pipeline- und Workflow-Integration
PAST fügt sich in den Entdeckungsprozess ein, indem es aus GWAS abgeleitete Genlisten mit pathway-spezifischem Kontext anreichert und so den Fortschritt von der initialen Identifizierung von Hits bis hin zur Optimierung von Leitstrukturen durch mechanistische Entwederung unterstützt.
- Entdeckungsbiochemie: Überprüft Hypothesen zu assoziierten Wegen auf Ebene von Merkmalen und klärt so die biologischen Mechanismen hinter GWAS-Signalen auf.
- Screening: Erstellt genbasierte Listen mit angereicherten Wegen, um die biologische Relevanz von Verbindungsscreening-Kampagnen zu verbessern.
- Analysen: Erzeugt quantitative Weganreicherungswerte und Signifikanzmaße (mittels Permutationstests), um biologische Prozesse zu vergleichen und zu gewichten.
- Translationale Forschung: Verbindet genetische Varianten mit funktionellen Wegen und ermöglicht so eine biomarkerbasierte Stratifikation in präklinischen Modellen.
- Unternehmensweite Wiederverwendung: Als im Bioconductor und auf GitHub veröffentlichtes Werkzeug unterstützt PAST standardisierte und wiederverwendbare Weganalysen über Projekte und Teams hinweg.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit, indem mechanistische Signalwege aufgedeckt werden, die phänotypischen Merkmalen zugrunde liegen.
- Operationaler Wert: Bietet eine schnelle, benutzerfreundliche Analyse über Shiny oder die R-Konsole und verbessert so den Zugang für Nicht-Spezialisten.
- Strategischer Wert: Verbessert die Entscheidungsfindung bei der Zielvalidierung, indem biologische Unschärfen reduziert und das Vertrauen in Zielstrukturen erhöht wird.
- Portfolio-Wirkung: Ermöglicht eine risikoadjustierte Priorisierung von Zielstrukturen basierend auf Beweisen auf Ebene der Signalwege und unterstützt so eine intelligentere Ressourcenallokation.
Durchführungsaspekte
- Benötigt Fachkenntnisse im Umgang mit GWAS-Daten und der Interpretation von Pfadanalysen.
- Hängt von hochwertigen, tabulatorgetrennten Eingabedateien ab (Assoziations-, Effekt-, Kopplungsungleichgewichts- und Pfaddaten).
- Erfordert die Standardisierung von Genannotiationsdateien (GFF) und Parametern wie Fenstergröße und R²-Schwellenwert für die Zuordnung von SNPs zu Genen.
- Basiert auf benutzerdefinierten Schwellenwerten für die Pfadgröße (minimale Anzahl an Genen) und die Anzahl der Permutationen zur Erzeugung der Nullverteilung.
- Die optimale Leistung setzt ein sorgfältiges phänotypisches Studiendesign und Sequenzierdaten mit geringen Fehlerraten voraus.
Biopharma-Häufige Fragen
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
