Übersicht
Genomweite Assoziationsstudien (GWAS) sind groß angelegte Analysen, die das Genom von Tausenden von Personen scannen, um genetische Varianten zu identifizieren, die mit bestimmten Merkmalen oder Krankheiten verbunden sind. Durch den Vergleich der Allelfrequenzen zwischen Fällen und Kontrollen kann GWAS genomische Loci lokalisieren, die zu komplexen Phänotypen wie Größe, Diabetes oder Herz-Kreislauf-Erkrankungen beitragen. Der Ansatz ist hypothesenfrei – er untersucht Millionen von SNPs im gesamten Genom, ohne vorherige Annahmen darüber, welche Gene beteiligt sind. Seit dem ersten bahnbrechenden GWAS im Jahr 2005 wurden mit dieser Methode Zehntausende merkmalsassoziierte Loci aufgedeckt.
Methoden
Ein typisches GWAS durchläuft mehrere Phasen. Zunächst werden die Studienteilnehmer mithilfe von SNP-Arrays oder DNA-Sequenzierung genotypisiert. Nach der Qualitätskontrolle (Filterung der SNPs nach Call-Rate, Hardy-Weinberg-Gleichgewicht und Nebenallelfrequenz) werden die Daten einer Imputation unterzogen, um mithilfe von Referenzpanels auf untypisierte Varianten zu schließen. Assoziationstests werden mithilfe logistischer Regression oder linearer gemischter Modelle durchgeführt, die die Bevölkerungsschichtung korrigieren. Der strenge genomweite Signifikanzschwellenwert (p < 5 × 10⁻⁸) ermöglicht Mehrfachtests über Millionen von SNPs hinweg. Die Ergebnisse werden in Manhattan-Diagrammen visualisiert, die die Chromosomenpositionen im Vergleich zur Signifikanz zeigen, und Q-Q-Diagramme bewerten die systematische Verzerrung.
Anwendungen
GWAS hat unser Verständnis der Genetik häufiger Krankheiten verändert. Es wurden Hunderte von Loci für Typ-2-Diabetes, koronare Herzkrankheit und Autoimmunerkrankungen identifiziert, von denen viele auf unerwartete biologische Wege hinweisen. In der Krebsforschung haben GWAS-Loci neue Anfälligkeitsgene und potenzielle Ziele für die Krebsbiochemie entdeckt. Allerdings bleibt die Umsetzung von GWAS-Signalen in kausale Mechanismen eine Herausforderung, da die meisten assoziierten Varianten in nicht-kodierenden Regionen liegen. Post-GWAS-Analysen umfassen Feinkartierung, funktionale Annotation und Mendelsche Randomisierung, um Kausalität festzustellen und die Relevanz der klinischen Biochemie zu untersuchen.
Praktisches Protokoll
Eine GWAS-Pipeline beginnt mit Genotypdaten aus SNP-Arrays oder unterstellten Sequenzierungsdaten. Die Qualitätskontrolle auf Probenebene filtert Personen mit einer Call-Rate von <95 %, Heterozygotie-Ausreißern (±3 SD vom Mittelwert) und Geschlechtsinkongruenzen heraus. Die QC auf SNP-Ebene entfernt Varianten mit einer Call-Rate <95 %, einem Hardy-Weinberg-Gleichgewicht p < 1×10⁻⁶ (in den Kontrollen) und einer Minor-Allel-Häufigkeit (MAF) < 1 %. Die gesamte Qualitätskontrolle wird in PLINK durchgeführt: „plink –bfile data –geno 0.05 –hwe 1e-6 –maf 0.01 –mind 0.05 –make-bed –out data_qc“. Die Imputation an ein Referenzpanel (z. B. 1000 Genomes oder TOPMed) erfolgt in einem zweistufigen Prozess: Vorphasen mit „SHAPEIT4“ oder „Eagle2“, dann Imputation mit „Minimac4“ oder „IMPUTE5“ auf einem Cloud-Server wie dem Michigan Imputation Server. Konvertieren Sie nach der Imputation die Dosierungen in Hard Calls und filtern Sie nach „Rsq > 0,3“. Die Bevölkerungsschichtung wird mit der Hauptkomponentenanalyse bewertet: „plink –bfile data_qc –pca 10 –out pca_results“. Assoziationstests verwenden ein lineares gemischtes Modell, das in „SAIGE“ oder „BOLT-LMM“ für binäre oder quantitative Merkmale implementiert ist und die Verwandtschaft und Populationsstruktur korrigiert: „saige –vcf imputed.vcf –traitType binär –pheno phenotype.txt –covar pca_results.eigenvec –output assoc.txt“. Die genomweite Signifikanzschwelle liegt bei p < 5×10⁻⁸. Visualisieren Sie die Ergebnisse mit einem Manhattan-Diagramm mit dem R-Paket „qqman“: „manhattan(gwas, chr=“CHR”, bp=“BP”, p=“P”, snp=“SNP”, suggestiveline = -log10(1e-5), genomewideline = -log10(5e-8))`. Bewerten Sie die Inflation mit dem genomischen Inflationsfaktor λ; Werte <1,05 weisen auf eine minimale Schichtung hin. Erstellen Sie eine Feinkartierung signifikanter Loci mit „FINEMAP“ oder „SuSiE“, um glaubwürdige Sätze kausaler Varianten innerhalb assoziierter Regionen zu identifizieren.
