Uno strumento di studio della Pathway Association per le analisi GWAS delle informazioni sulle vie metaboliche
1 luglio 2020
Eseguendo il Pathway Association Study Tool (PAST), attraverso l'applicazione Shiny o attraverso la console R, i ricercatori possono acquisire una comprensione più profonda del significato biologico dei risultati del loro studio di associazione genome-wide (GWAS) studiando le vie metaboliche coinvolte.
L'analisi dell'associazione genoma-wide è uno strumento potente per scoprire i geni associati a un tratto, ma ne manca molti. PAST trova più di questi geni e completa meglio il quadro. PAST prende l'output GWAS e aggiunge informazioni sui percorsi che le cellule utilizzano per costruire metaboliti e per creare fenotipi in un organismo.
I geni in questi percorsi sono spesso persi dal solo GWAS. Dopo aver verificato che i dati GWAS siano delimitati da tabulazioni, utilizzare la casella del file di associazione per selezionare un file di associazione e la casella di selezione del file degli effetti per selezionare un file di effetti. Per caricare i dati GWAS con PAST nella console R, modificare ed eseguire il codice come indicato.
Per caricare i dati di squilibrio di linkage con PAST Shiny, dopo aver verificato che i dati di squilibrio di linkage siano delimitati da tabulazioni e contengano i tipi di dati appropriati, selezionare il file contenente i dati di squilibrio di linkage. Per caricare i dati di squilibrio di collegamento con PAST nella console R, modificare ed eseguire il codice come indicato. Per assegnare gli SNP ai geni con PAST Shiny, individuando le annotazioni nel formato delle caratteristiche generali, selezionare il file contenente le annotazioni del formato delle caratteristiche generali e modificare le impostazioni in base alla dimensione della finestra e al taglio R al quadrato che sono più adatti per la specie considerata necessaria.
Per assegnare SNP ai geni con PAST nella console R, modificare ed eseguire il codice come indicato. Dopo aver verificato che il file dei percorsi contenga i dati appropriati in formato delimitato da tabulazioni, selezionare il file contenente i dati dei percorsi e confermare che la modalità sia selezionata nelle opzioni di analisi. Se necessario, modificare il numero di geni che devono essere in un percorso per mantenere il percorso per l'analisi e modificare il numero di permutazioni utilizzate per creare la distribuzione nulla per testare la significatività dell'effetto.
Per individuare percorsi significativi con PAST nella console R, modificare ed eseguire il codice come indicato. Per visualizzare i grafici dei tappeti con PAST Shiny, una volta che tutti gli input sono stati caricati e impostati, fare clic su inizia analisi. Verrà visualizzata una barra di avanzamento che indica quale passaggio dell'analisi è stato completato per ultimo.
Al termine dell'analisi, PAST Shiny passerà alla scheda dei risultati e verrà visualizzata una tabella dei risultati e i grafici dei tappeti. Utilizzare il dispositivo di scorrimento per controllare i parametri di filtraggio. Quando il livello di filtraggio è soddisfacente, fare clic sul pulsante Scarica risultati per scaricare singolarmente tutte le immagini e le tabelle in un file zip denominato con il titolo dell'analisi.
Per visualizzare i grafici di rug con PAST nella console R, modificare ed eseguire il codice per salvare i risultati. Qui viene mostrata un'esecuzione riuscita utilizzando i dati di esempio del pacchetto PAST, che si basano su un labirinto GWAS di colore granulosità. E qui viene mostrato un esempio di un'immagine che può essere scaricata facendo clic sul pulsante dei risultati del download.
Questo rug plot è stato prodotto dall'analisi del percorso dei risultati GWAS creati con il pannello del labirinto di 288 linee consanguinee che erano state fenotipiche per il colore dei grani. Come previsto, la via di biosintesi trans-licopene, che ha prodotto carotenoidi, è stata significativamente associata al colore dei grani. I geni e la via di biosintesi trans-licopene sono anche marcati nel rango genico del loro effetto rispetto a tutti gli altri geni in analisi.
L'apice della linea di punteggio dell'arricchimento in corso per l'intero percorso è indicato dalla linea tratteggiata. Viene utilizzato dal programma per determinare se il percorso viene scelto e presentato come un tappeto. PAST su tutti i dati, ma produce solo buoni risultati per dati di alta qualità.
Le sequenze devono contenere pochi errori e i dati fenotipici devono essere raccolti con un vigoroso disegno statistico. Con i risultati di PAST, i geni che controllano punti importanti e percorsi significativi possono essere identificati ed eventualmente manipolati attraverso la selezione, l'editing genetico e la terapia farmacologica per migliorare un tratto di interesse.
Panoramica
Lo strumento Pathway Association Study Tool (PAST) migliora i risultati degli studi di associazione a livello genoma (GWAS) integrando informazioni sui percorsi metabolici. Questo strumento consente ai ricercatori di identificare geni associati a caratteri che potrebbero essere trascurati dagli studi GWAS presi singolarmente.
Componenti Chiave dello Studio
Area della Scienza
- Genomica
- Metabolomica
- Bioinformatica
Sfondo
- Lo studio di associazione sull'intero genoma (GWAS) è efficace nell'identificare geni associati a tratti fenotipici, ma spesso ne trascura molti.
- PAST integra il GWAS fornendo informazioni sulle vie metaboliche.
- La comprensione di queste vie può rivelare ulteriori associazioni genetiche.
- Dati di alta qualità sono fondamentali per ottenere risultati affidabili.
Scopo dello studio
- Migliorare l'identificazione dei geni associati a caratteri mediante analisi di percorso.
- Utilizzare i risultati della GWAS per ottenere approfondimenti biologici più dettagliati.
- Facilitare la scoperta di percorsi significativi correlati ai caratteri.
Metodi Utilizzati
- Verifica dei dati per formati delimitati da tabulazione.
- Selezione dei file per dati di associazione e di effetto.
- Modifica ed esecuzione del codice R per il caricamento dei dati.
- Analisi dei dati di disequilibrio di associazione e di percorso.
Risultati principali
- Identificazione di percorsi significativi associati ai tratti.
- Visualizzazione dei risultati mediante grafici a righe in PAST Shiny.
- Applicazione riuscita dimostrata con dati di GWAS sul colore dei granelli.
- Il percorso di biosintesi del trans-licopene è significativamente associato al colore dei granelli.
Conclusioni
- PAST identifica efficacemente geni e percorsi aggiuntivi non rilevati dai GWAS.
- I risultati possono guidare strategie di manipolazione genetica per il miglioramento dei caratteri.
- Dati di alta qualità aumentano l'affidabilità dell'analisi dei percorsi.
Domande frequenti
Rilevanza Industriale del Progetto
Lo strumento Pathway Association Study Tool (PAST) affronta una limitazione fondamentale degli studi di associazione sull'intero genoma integrando dati relativi ai percorsi metabolici, consentendo così di individuare ulteriori geni associati al tratto fenotipico che uno studio GWAS standard potrebbe trascurare. Ciò aumenta la fiducia nella validazione degli obiettivi nella fase iniziale della scoperta, fornendo un contesto meccanicistico alle associazioni genetiche e sostenendo decisioni più informate riguardo all'avanzamento o meno dei candidati nella fase di identificazione dei bersagli. La maggiore velocità e facilità d'uso dello strumento ne permettono l'applicazione su larga scala all'interno dei flussi di lavoro di scoperta, riducendo il tempo necessario per ottenere informazioni utili alla generazione di ipotesi basate sui percorsi metabolici.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Bersaglio
- Valore scientifico: Identifica geni all'interno di percorsi biologicamente rilevanti che vengono trascurati dall'analisi GWAS da sola, rafforzando l'interrogazione delle ipotesi terapeutiche.
- Valore operativo: Consente un'analisi rapida basata sui percorsi dei risultati GWAS, accelerando la priorizzazione degli obiettivi e riducendo i rischi.
- Valore predittivo: Supporta la selezione del portafoglio evidenziando percorsi con forti associazioni fenotipiche, migliorando la fiducia nella selezione degli obiettivi.
Sviluppo di Screening e Saggi
- Valore scientifico: Prepara set di geni contestualizzati dal punto di vista biologico per analisi successive, migliorando la rilevanza della valutazione dei composti.
- Valore operativo: Standardizza l'analisi dei percorsi a partire da dati GWAS, garantendo input riproducibili per i flussi di sviluppo dei saggi.
- Scalabilità: La riduzione del tempo di esecuzione da oltre 24 ore a meno di un'ora consente applicazioni ad alto rendimento su più tratti fenotipici o set di dati.
Ricerca Translazionale e Preclinica
- Continuità traslazionale: Collega i risultati genetici ai percorsi metabolici, supportando l'allineamento dei biomarcatori e la comprensione meccanicistica dell'architettura dei tratti.
- Rilevanza preclinica: Identifica percorsi farmacologicamente modulabili (ad esempio, la biosintesi del trans-licopene) che possono essere regolati mediante editing genico o intervento farmacologico.
- Riduzione del rischio: Fornisce una validazione indipendente dei risultati ottenuti tramite GWAS, riducendo i falsi positivi e aumentando la fiducia nelle decisioni relative all'avanzamento preclinico.
Integrazione di Pipeline e Flusso di Lavoro
PAST si inserisce nel percorso della scoperta migliorando le liste di geni ottenute da GWAS con il contesto delle vie biologiche, favorendo il passaggio dall'identificazione iniziale dei bersagli all'ottimizzazione dei candidati attraverso la riduzione del rischio meccanicistico.
- Biologia della scoperta: Verifica ipotesi riguardo alle associazioni tra percorsi biologici e tratti fenotipici, chiarendo i meccanismi biologici alla base dei segnali ottenuti dagli studi GWAS.
- Screening: Genera liste di geni arricchiti per percorsi biologici, migliorando la rilevanza biologica delle campagne di screening di composti.
- Analisi dati: Produce punteggi quantitativi di arricchimento dei percorsi biologici e metriche di significatività (mediante test di permutazione) per confrontare e ordinare i processi biologici.
- Ricerca traslazionale: Collega varianti genetiche a percorsi funzionali, consentendo una stratificazione guidata da biomarcatori in modelli preclinici.
- Riutilizzo aziendale: Essendo uno strumento distribuito tramite Bioconductor e GitHub, PAST supporta analisi di percorsi standardizzate e riutilizzabili in diversi progetti e team.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia nelle previsioni rivelando i percorsi meccanicistici alla base dei tratti fenotipici.
- Valore operativo: Fornisce un'analisi rapida e di facile utilizzo tramite Shiny o la console R, migliorando l'accessibilità per i non specialisti.
- Valore strategico: Migliora il processo decisionale nella validazione degli obiettivi riducendo l'ambiguità biologica e aumentando la fiducia negli obiettivi.
- Impatto sul portafoglio: Permette la priorizzazione degli obiettivi corretta rispetto al rischio in base a evidenze a livello di percorso, sostenendo un'allocazione più intelligente delle risorse.
Considerazioni sull'implementazione
- Richiede competenze nella gestione dei dati GWAS e nell'interpretazione dell'analisi dei percorsi biologici.
- È dipendente da file di input di alta qualità in formato tabulato (dati di associazione, effetti, disequilibrio di associazione e dati sui percorsi).
- Necessita della standardizzazione dei file di annotazione genica (GFF) e di parametri come la dimensione della finestra e la soglia di R² per la mappatura SNP-gene.
- Si basa su soglie definite dall'utente per la dimensione del percorso biologico (numero minimo di geni) e per il numero di permutazioni necessarie alla generazione della distribuzione nulla.
- Le prestazioni ottimali dipendono da un rigoroso disegno dello studio fenotipico e da dati di sequenziamento a basso tasso di errore.
Domande frequenti sul biopharma
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
