Una herramienta de estudio de asociación de vías para los análisis GWAS de la información de las vías metabólicas
1 de julio de 2020
Al ejecutar la Herramienta de Estudio de Asociación pathway (PAST), ya sea a través de la aplicación Shiny o a través de la consola R, los investigadores pueden obtener una comprensión más profunda del significado biológico de los resultados de su estudio de asociación de todo el genoma (GWAS) al investigar las vías metabólicas involucradas.
El análisis de asociación de todo el genoma es una herramienta poderosa para descubrir genes asociados con un rasgo, pero pasa por alto muchos de ellos. PAST encuentra más de estos genes y completa mejor el cuadro. PAST toma la salida de GWAS y agrega información sobre las vías que las células usan para construir metabolitos y crear fenotipos en un organismo.
Los genes en estas vías a menudo se pasan por alto solo por GWAS. Después de comprobar que los datos GWAS están delimitados por tabuladores, utilice el cuadro de archivo de asociación para seleccionar un archivo de asociación y el cuadro de selección de archivo de efectos para seleccionar un archivo de efectos. Para cargar datos GWAS con PAST en la consola de R, modifique y ejecute el código como se indica.
Para cargar datos de desequilibrio de enlace con PAST Shiny, después de verificar que los datos de desequilibrio de enlace están delimitados por tabuladores y contienen los tipos de datos adecuados, seleccione el archivo que contiene los datos de desequilibrio de enlace. Para cargar datos de desequilibrio de enlace con PAST en la consola de R, modifique y ejecute el código como se indica. Para asignar SNPs a genes con PAST Shiny, localizando las anotaciones en formato de característica general, seleccione el archivo que contiene las anotaciones de formato de característica general y modifique la configuración de acuerdo con el tamaño de la ventana y el corte de R cuadrado que sean más adecuados para la especie que se considera necesaria.
Para asignar SNP a genes con PAST en la consola de R, modifique y ejecute el código como se indica. Después de verificar que el archivo de rutas contiene los datos adecuados en formato delimitado por tabulaciones, seleccione el archivo que contiene los datos de rutas y confirme que el modo está seleccionado en las opciones de análisis. Si es necesario, cambie el número de genes que deben estar en una vía para retener la vía para el análisis y cambie el número de permutaciones utilizadas para crear la distribución nula para probar la importancia del efecto.
Para detectar rutas significativas con PAST en la consola de R, modifique y ejecute el código como se indica. Para ver los gráficos de alfombras con PAST Shiny, una vez que se hayan cargado y configurado todas las entradas, haga clic en comenzar análisis. Aparecerá una barra de progreso que indica qué paso del análisis se completó por última vez.
Cuando se complete el análisis, PAST Shiny cambiará a la pestaña de resultados y se mostrará una tabla de resultados y los gráficos de alfombras. Utilice el control deslizante para controlar los parámetros de filtrado. Cuando el nivel de filtrado sea satisfactorio, haga clic en el botón de descarga de resultados para descargar individualmente todas las imágenes y tablas en un archivo zip con el título del análisis.
Para ver los gráficos de alfombra con PAST en la consola de R, modifique y ejecute el código para guardar los resultados. Aquí, se muestra una ejecución exitosa utilizando los datos de muestra del paquete PAST, que se basan en un laberinto GWAS de color de grano. Y aquí se muestra un ejemplo de una imagen que se puede descargar haciendo clic en el botón de resultados de descarga.
Este diagrama de alfombra se produjo a partir del análisis de ruta de los resultados de GWAS creado con el panel de laberinto de 288 líneas endogámicas que habían sido fenotipadas para el color del grano. Como se esperaba, la vía de biosíntesis del trans-licopeno, que produjo carotenoides, se asoció significativamente con el color del grano. Los genes y la vía de biosíntesis del trans-licopeno también están marcados en el rango genético de su efecto en comparación con todos los demás genes del análisis.
El vértice de la línea de puntuación de enriquecimiento de carrera para todo el recorrido se indica mediante la línea de puntos. Es utilizado por el programa para determinar si el camino es elegido y presentado como una parcela de alfombra. PAST en todos los datos, pero solo produce buenos resultados para datos de alta calidad.
Las secuencias deben contener pocos errores y los datos fenotípicos deben recopilarse bajo un diseño estadístico vigoroso. Con los resultados de PAST, los genes que controlan puntos importantes y vías significativas pueden identificarse y, finalmente, manipularse mediante selección, edición de genes y terapia farmacológica para mejorar un rasgo de interés.
Resumen
La herramienta de estudio de asociación de vías metabólicas (PAST) mejora los resultados de los estudios de asociación del genoma completo (GWAS) mediante la integración de información sobre vías metabólicas. Esta herramienta permite a los investigadores identificar genes asociados con rasgos que podrían pasarse por alto únicamente con GWAS.
Componentes Clave del Estudio
Área de la ciencia
- Genómica
- Metabolómica
- Bioinformática
Antecedentes
- El GWAS es eficaz para identificar genes asociados a rasgos, pero a menudo omite muchos de ellos.
- PAST complementa al GWAS al proporcionar información sobre las vías metabólicas.
- Comprender estas vías puede revelar asociaciones genéticas adicionales.
- Los datos de alta calidad son cruciales para obtener resultados confiables.
Objetivo del estudio
- Mejorar la identificación de genes asociados a rasgos mediante el análisis de vías metabólicas.
- Utilizar los resultados de GWAS para obtener información biológica más profunda.
- Facilitar el descubrimiento de vías metabólicas significativas relacionadas con rasgos.
Métodos Utilizados
- Verificación de datos para formatos delimitados por tabulaciones.
- Selección de archivos para datos de asociación y efectos.
- Modificación y ejecución de código R para la carga de datos.
- Análisis de datos de desequilibrio de ligamiento y vías metabólicas.
Resultados Principales
- Identificación de vías significativas asociadas con rasgos.
- Visualización de resultados mediante gráficos de líneas en PAST Shiny.
- Aplicación exitosa demostrada con datos de GWAS sobre color del grano.
- La vía de biosíntesis de trans-licopeno está significativamente asociada al color del grano.
Conclusiones
- PAST identifica eficazmente genes y vías adicionales que GWAS pasó por alto.
- Los resultados pueden orientar estrategias de manipulación genética para la mejora de rasgos.
- Datos de alta calidad aumentan la fiabilidad del análisis de vías.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
La herramienta de estudio de asociación de vías (PAST) aborda una limitación clave en los estudios de asociación del genoma completo mediante la integración de datos de vías metabólicas para descubrir genes adicionales asociados a rasgos que los GWAS estándar pasan por alto. Esto mejora la confianza en la validación de dianas en las primeras etapas del descubrimiento al proporcionar un contexto mecanicista para las asociaciones genéticas, apoyando decisiones más informadas de avance/no avance en la identificación de candidatos. La mayor velocidad y facilidad de uso de la herramienta permiten su aplicación a gran escala en los flujos de trabajo de descubrimiento, reduciendo el tiempo necesario para obtener conclusiones en la generación de hipótesis basadas en vías.
Aplicaciones Estratégicas en I+D de Biofármacos
Descubrimiento Temprano y Validación de Blancos
- Valor científico: Identifica genes dentro de vías biológicamente relevantes que pasan desapercibidos solo con GWAS, fortaleciendo la interrogación de hipótesis terapéuticas.
- Valor operativo: Permite un análisis rápido basado en vías de los resultados de GWAS, acelerando la priorización de objetivos y reduciendo riesgos.
- Valor predictivo: Apoya la selección de carteras al resaltar vías con fuertes asociaciones fenotípicas, mejorando la confianza en la selección de objetivos.
Desarrollo de Pruebas y Cribado
- Valor científico: Prepara conjuntos de genes contextualizados biológicamente para cribados posteriores, mejorando la relevancia de la evaluación de compuestos.
- Valor operativo: Estandariza el análisis de vías a partir de datos GWAS, asegurando entradas reproducibles para los flujos de desarrollo de ensayos.
- Escalabilidad: La reducción del tiempo de ejecución de más de 24 horas a menos de una hora permite aplicaciones de alto rendimiento en múltiples rasgos o conjuntos de datos.
Investigación Traductacional y Preclínica
- Continuidad Translacional: Relaciona hallazgos genéticos con vías metabólicas, favoreciendo la alineación de biomarcadores y la comprensión mecanicista de la arquitectura de los rasgos.
- Relevancia Preclínica: Identifica vías farmacológicamente intervenibles (por ejemplo, la biosíntesis del trans-licopeno) que pueden modularse mediante edición genética o intervención farmacológica.
- Reducción de Riesgos: Proporciona una validación independiente de los resultados de GWAS, reduciendo los falsos positivos y aumentando la confianza en las decisiones de avance preclínico.
Integración de la tubería y flujo de trabajo
PAST se integra en el continuo de descubrimiento al mejorar las listas de genes derivadas de GWAS con contexto de vías, apoyando la progresión desde la identificación inicial de hallazgos hasta la optimización de candidatos mediante la reducción de riesgos mecanicistas.
- Biología del Descubrimiento: Evalúa hipótesis sobre asociaciones entre vías biológicas y rasgos, aclarando los mecanismos biológicos subyacentes a las señales de GWAS.
- Selección: Genera listas de genes enriquecidos por vías que mejoran la relevancia biológica de las campañas de selección de compuestos.
- Análisis: Produce puntuaciones cuantitativas de enriquecimiento de vías y métricas de significancia (mediante pruebas de permutación) para comparar y clasificar procesos biológicos.
- Investigación Traslacional: Conecta variantes genéticas con vías funcionales, permitiendo la estratificación guiada por biomarcadores en modelos preclínicos.
- Reutilización Empresarial: Al ser una herramienta publicada en Bioconductor y GitHub, PAST facilita análisis de vías estandarizados y reutilizables en distintos proyectos y equipos.
Impacto Operativo y Empresarial
- Valor científico: Aumenta la confianza predictiva al revelar las vías mecanicistas subyacentes a los rasgos fenotípicos.
- Valor operativo: Ofrece un análisis rápido y fácil de usar mediante Shiny o la consola de R, mejorando el acceso para no especialistas.
- Valor estratégico: Mejora la toma de decisiones en la validación de objetivos al reducir la ambigüedad biológica y aumentar la confianza en los objetivos.
- Impacto en la cartera: Permite la priorización ajustada al riesgo de objetivos basada en evidencia a nivel de vías, apoyando una asignación más inteligente de recursos.
Consideraciones de Implementación
- Requiere experiencia en el manejo de datos de GWAS y en la interpretación del análisis de vías.
- Depende de archivos de entrada de alta calidad con delimitación por tabulaciones (asociación, efectos, desequilibrio de ligamiento y datos de vías).
- Necesita la estandarización de archivos de anotación génica (GFF) y parámetros como el tamaño de la ventana y el valor umbral de R² para la asignación de SNPs a genes.
- Se basa en umbrales definidos por el usuario para el tamaño de la vía (número mínimo de genes) y el número de permutaciones para la generación de la distribución nula.
- El rendimiento óptimo depende de un diseño riguroso del estudio fenotípico y de datos de secuenciación con bajo nivel de errores.
Preguntas frecuentes sobre biofármacos
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
