Een Pathway Association Study Tool voor GWAS-analyses van metabole Pathway-informatie
1 juli 2020
Door de Pathway Association Study Tool (PAST) uit te voeren, hetzij via de Shiny-applicatie of via de R-console, kunnen onderzoekers een dieper inzicht krijgen in de biologische betekenis van hun genoombrede associatiestudie (GWAS) -resultaten door de betrokken metabole routes te onderzoeken.
Genoombreedte associatieanalyse is een krachtig hulpmiddel om genen te ontdekken die geassocieerd zijn met een eigenschap, maar mist er vele. PAST vindt meer van deze genen en vult het beeld beter aan. PAST neemt GWAS-output en voegt informatie toe over de routes die cellen gebruiken om metabolieten op te bouwen en om fenotypes in een organisme te creëren.
Genen in deze routes worden vaak gemist door GWAS alleen. Na het verifiëren dat de GWAS-gegevens tab-afgescheiden zijn, gebruik de associatiebestandbox om een associatiebestand te selecteren en de effectenbestandselectiebox om een effectenbestand te selecteren. Om GWAS-gegevens met PAST in de R-console te laden, wijzig en voer de code uit zoals aangegeven.
Om linkage disequilibrium-gegevens te laden met PAST Shiny, na het verifiëren dat de linkage disequilibrium-gegevens tab-afgescheiden zijn en de juiste soorten gegevens bevatten, selecteer het bestand dat de linkage disequilibrium-gegevens bevat. Om linkage disequilibrium-gegevens met PAST in de R-console te laden, wijzig en voer de code uit zoals aangegeven. Om SNPs toe te wijzen aan genen met PAST Shiny, annotaties in algemeen kenmerkformaat te lokaliseren, selecteer het bestand met de annotaties in algemeen kenmerkformaat en wijzig de instellingen volgens de venstergrootte en R vierkant cutoff die het meest geschikt zijn voor de soort die als noodzakelijk wordt beschouwd.
Om SNPs toe te wijzen aan genen met PAST in de R-console, wijzig en voer de code uit zoals aangegeven. Na het verifiëren dat het padenbestand de juiste gegevens in tab-afgescheiden formaat bevat, selecteer het bestand met de padendata en bevestig dat de modus is geselecteerd in de analyse-opties. Indien nodig, verander het aantal genen dat zich in een pad moet bevinden om het pad voor de analyse te behouden en verander het aantal permutaties dat wordt gebruikt om de nulverdeling te creëren om de significantie van het effect te testen.
Om significante paden te ontdekken met PAST in de R-console, wijzig en voer de code uit zoals aangegeven. Om rugplots te bekijken met PAST Shiny, klik op begin analyse nadat alle invoer is geüpload en ingesteld. Er verschijnt een voortgangsbalk die aangeeft welke stap van de analyse het laatst is voltooid.
Wanneer de analyse voltooid is, schakelt PAST Shiny naar het resultatentab en worden een tabel met resultaten en de rugplots weergegeven. Gebruik de schuifregelaar om de filterparameters te bedienen. Wanneer het filterniveau bevredigend is, klik op de knop resultaten downloaden om alle afbeeldingen en tabellen afzonderlijk te downloaden naar een zip-bestand met de naam van de analysetitel.
Om de rugplots te bekijken met PAST in de R-console, wijzig en voer de code uit om de resultaten op te slaan. Hier wordt een succesvolle uitvoering getoond met behulp van de voorbeeldgegevens uit het PAST-pakket, die gebaseerd zijn op een maze GWAS van korrelkleur. En hier wordt een voorbeeld van een afbeelding getoond die kan worden gedownload door op de knop resultaten downloaden te klikken.
Deze rugplot is geproduceerd uit de padenanalyse van GWAS-resultaten die zijn gemaakt met het maze-paneel van 288 ingefokt lijnen die waren gezien voor korrelkleur. Zoals verwacht, was de trans-lycopeen biosyntheseroute, die carotenoïden produceerde, significant geassocieerd met korrelkleur. De genen en de trans-lycopeen biosyntheseroute zijn ook gemarkeerd in de genrang van hun effect in vergelijking met alle andere genen in de analyse.
De top van de lopende verrijkingscorelijn voor het hele pad wordt aangegeven door de stippellijn. Het wordt door het programma gebruikt om te bepalen of het pad wordt gekozen en gepresenteerd als een rugplot. PAST draait rond op alle gegevens, maar produceert alleen goede resultaten voor hoogwaardige gegevens.
Sequenties moeten weinig fouten bevatten en fenotypische gegevens moeten worden verzameld onder een krachtig statistisch ontwerp. Met PAST-resultaten kunnen genen die belangrijke punten controleren en significante paden worden geïdentificeerd en uiteindelijk gemanipuleerd via selectie, genbewerking en medicamenteuze therapie om een eigenschap van belang te verbeteren.
Overzicht
De Pathway Association Study Tool (PAST) verbetert de resultaten van genome-wide association studies (GWAS) door informatie over metabole pathways te integreren. Deze tool stelt onderzoekers in staat om genen te identificeren die geassocieerd zijn met kenmerken die bij een GWAS alleen over het hoofd zouden kunnen worden gezien.
Belangrijkste studiecomponenten
Wetenschappelijk vakgebied
- Genomica
- Metabolomica
- Bio-informatica
Achtergrond
- GWAS is effectief voor het identificeren van genen die geassocieerd zijn met een kenmerk, maar mist er vaak veel.
- PAST vult GWAS aan door inzichten te verschaffen in metabole pathways.
- Het begrijpen van deze pathways kan aanvullende genetische associaties onthullen.
- Hoge datakwaliteit is cruciaal voor betrouwbare resultaten.
Doel van de studie
- Om de identificatie van genen die gekoppeld zijn aan kenmerken via pathway-analyse te verbeteren.
- Om GWAS-resultaten te benutten voor diepere biologische inzichten.
- Om de ontdekking van significante pathways gerelateerd aan kenmerken te faciliteren.
Gebruikte methoden
- Gegevensverificatie voor tab-gescheiden formaten.
- Bestandsselectie voor associatie- en effectgegevens.
- Modificatie en uitvoering van R-code voor het laden van gegevens.
- Analyse van linkage disequilibrium en pathway-gegevens.
Belangrijkste resultaten
- Identificatie van significante pathways die geassocieerd zijn met eigenschappen.
- Visualisatie van resultaten via rug plots in PAST Shiny.
- Succesvolle toepassing aangetoond met GWAS-gegevens van graankleur.
- Trans-lycopeen biosynthese pathway is significant gekoppeld aan graankleur.
Conclusies
- PAST identificeert effectief aanvullende genen en pathways die door GWAS zijn gemist.
- De resultaten kunnen genetische manipulatiestrategieën voor trait improvement informeren.
- Hoogwaardige data vergroten de betrouwbaarheid van de pathway-analyse.
Veelgestelde vragen
Relevantie voor de Industrie
De Pathway Association Study Tool (PAST) pakt een belangrijke beperking in genoombrede associatiestudies aan door metabolische padgegevens te integreren om aanvullende trait-geassocieerde genen te ontdekken die door standaard GWAS worden gemist. Dit verhoogt het vertrouwen in de validatie van targets in de vroege ontdekkingsfase door een mechanistische context te bieden voor genetische associaties, wat leidt tot beter onderbouwde go/no-go-beslissingen bij de identificatie van lead-verbindingen. De verbeterde snelheid en gebruiksvriendelijkheid van de tool maken schaalbare toepassing in discovery-workflows mogelijk, waardoor de tijd tot het verkrijgen van inzichten voor hypothesegeneratie op basis van paden wordt verkort.
Strategische toepassingen in biofarmaceutische R&D
Vroege ontdekking & targetvalidatie
- Wetenschappelijke waarde: Identificeert genen binnen biologisch relevante pathways die door GWAS alleen over het hoofd worden gezien, wat de onderbouwing van therapeutische hypothesen versterkt.
- Operationele waarde: Maakt een snelle pathway-gebaseerde analyse van GWAS-outputs mogelijk, waardoor de prioritering van targets wordt versneld en risico's worden verminderd.
- Voorspellende waarde: Ondersteunt de triage van portfolio's door pathways met sterke fenotypische associaties te highlighten, wat het vertrouwen in de targetselectie vergroot.
Screening & Assayontwikkeling
- Wetenschappelijke waarde: Bereidt biologisch gecontextualiseerde genensets voor voor downstream screening, waardoor de relevantie van de evaluatie van verbindingen wordt verbeterd.
- Operationele waarde: Standaardiseert pathway-analyse op basis van GWAS-data, wat reproduceerbare inputs garandeert voor assay-ontwikkelingspipelines.
- Schaalbaarheid: De vermindering van de runtime van 24+ uur naar minder dan één uur maakt high-throughput toepassing over meerdere kenmerken of datasets mogelijk.
Translationeel & Preklinisch Onderzoek
- Translationele continuïteit: Verbindt genetische bevindingen met metabole pathways, wat bijdraagt aan de afstemming van biomarkers en een mechanistisch begrip van de trait-architectuur.
- Preklinische relevantie: Identificeert targetbare pathways (bijv. trans-lycopeen biosynthese) die gemoduleerd kunnen worden via gene editing of farmacologische interventie.
- Risicobeperking: Biedt orthogonale validatie van GWAS-hits, waardoor fout-positieven worden verminderd en het vertrouwen in beslissingen over preklinische verdere ontwikkeling toeneemt.
Integratie van Pipeline en Workflow
PAST past binnen het ontdekkingscontinuüm door GWAS-afgeleide genlijsten aan te vullen met pathway-context, wat de overgang ondersteunt van de initiële identificatie van hits naar lead-optimalisatie via mechanische risicoreductie.
- Discovery Biology: Test hypothesen over associaties van kenmerken op routeniveau, waardoor biologische mechanismen achter GWAS-signalen worden verduidelijkt.
- Screening: Genereert route-verrijkte genenlijsten die de biologische relevantie van screeningcampagnes voor verbindingen verbeteren.
- Analytics: Produceert kwantitatieve scores voor route-verrijking en significantiematen (via permutatietests) om biologische processen te vergelijken en te rangschikken.
- Translationeel onderzoek: Verbindt genetische varianten met functionele routes, wat biomarker-gestuurde stratificatie in preklinische modellen mogelijk maakt.
- Bedrijfsmatige herbruikbaarheid: Als tool die via Bioconductor en GitHub is uitgebracht, ondersteunt PAST gestandaardiseerde, herbruikbare route-analyses over projecten en teams heen.
Operationele en bedrijfsmatige impact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen door de mechanistische pathways te onthullen die ten grond liggen aan fenotypische kenmerken.
- Operationele waarde: Biedt snelle, gebruiksvriendelijke analyse via Shiny of de R-console, waardoor de toegankelijkheid voor niet-specialisten wordt verbeterd.
- Strategische waarde: Verbeterde besluitvorming bij targetvalidatie door biologische ambiguïteit te verminderen en het vertrouwen in het target te vergroten.
- Impact op portfolio: Maakt risico-gecorrigeerde prioritering van targets mogelijk op basis van bewijs op pathway-niveau, wat bijdraagt aan een slimmere toewijzing van middelen.
Overwegingen voor de implementatie
- Vereist expertise in de verwerking van GWAS-gegevens en de interpretatie van pathway-analyses.
- is afhankelijk van kwalitatief hoogwaardige, tabgescheiden inputbestanden (associatie, effecten, linkage disequilibrium en pathway-gegevens).
- Vereist standaardisatie van genannotatiebestanden (GFF) en parameters zoals venstergrootte en de R²-afkapwaarde voor SNP-naar-genmapping.
- Is afhankelijk van door de gebruiker gedefinieerde drempelwaarden voor pathway-grootte (minimum aantal genen) en het aantal permutaties voor het genereren van de nulverdeling.
- Optimale prestaties zijn afhankelijk van een strikt ontwerp van de fenotypische studie en sequencinggegevens met een lage foutmarge.
Biopharma Veelgestelde Vragen
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
