Ikhtisar
Studi asosiasi genome-wide (GWAS) adalah analisis skala besar yang memindai genom ribuan individu untuk mengidentifikasi varian genetik yang terkait dengan sifat atau penyakit tertentu. Dengan membandingkan frekuensi alel antara kasus dan kontrol, GWAS dapat menentukan lokus genom yang berkontribusi terhadap fenotipe kompleks seperti tinggi badan, diabetes, atau penyakit kardiovaskular. Pendekatan ini bebas hipotesis - pendekatan ini memeriksa jutaan SNP di seluruh genom tanpa asumsi sebelumnya tentang gen mana yang terlibat. Sejak GWAS pertama kali diluncurkan pada tahun 2005, metode ini telah mengungkap puluhan ribu lokus yang terkait dengan sifat.
Metode
GWAS pada umumnya berlangsung melalui beberapa tahap. Pertama, peserta penelitian diberi genotipe menggunakan susunan SNP atau pengurutan DNA. Setelah kontrol kualitas (menyaring SNP berdasarkan kecepatan panggilan, keseimbangan Hardy-Weinberg, dan frekuensi alel minor), data menjalani imputasi untuk menyimpulkan varian yang belum diketik menggunakan panel referensi. Pengujian asosiasi dilakukan dengan menggunakan regresi logistik atau model campuran linier yang mengoreksi stratifikasi populasi. Ambang batas signifikansi genom yang ketat (p <5 × 10⁻⁸) menyumbang banyak pengujian pada jutaan SNP. Hasilnya divisualisasikan dalam plot Manhattan yang menunjukkan posisi kromosom versus signifikansi, dan plot QQ menilai bias sistematis.
Aplikasi
GWAS telah mengubah pemahaman kita tentang genetika penyakit yang umum. Penelitian ini telah mengidentifikasi ratusan lokasi diabetes tipe 2, penyakit arteri koroner, dan gangguan autoimun, banyak di antaranya menunjuk pada jalur biologis yang tidak terduga. Dalam penelitian kanker, lokus GWAS telah mengungkap gen kerentanan baru dan target potensial biokimia kanker. Namun, menerjemahkan sinyal GWAS ke dalam mekanisme sebab akibat masih merupakan tantangan, karena sebagian besar varian terkait terletak di wilayah non-coding. Analisis pasca-GWAS mencakup pemetaan halus, anotasi fungsional, dan pengacakan Mendel untuk menetapkan kausalitas dan mengeksplorasi relevansi biokimia klinis.
Protokol Praktis
Pipeline GWAS dimulai dengan data genotipe dari susunan SNP atau data pengurutan yang diperhitungkan. QC tingkat sampel menyaring individu dengan tingkat panggilan <95%, outlier heterozigositas (±3 SD dari rata-rata), dan ketidakcocokan jenis kelamin. QC tingkat SNP menghilangkan varian dengan tingkat panggilan <95%, keseimbangan Hardy-Weinberg p < 1×10⁻⁶ (dalam kontrol), dan frekuensi alel minor (MAF) < 1%. Semua QC dilakukan di PLINK: plink --bfile data --geno 0.05 --hwe 1e-6 --maf 0.01 --mind 0.05 --make-bed --out data_qc. Imputasi ke panel referensi (misalnya, 1000 Genom atau TOPMed) menggunakan proses dua langkah: prapentahapan dengan SHAPEIT4 atau Eagle2, lalu imputasi dengan Minimac4 atau IMPUTE5 di server cloud seperti Michigan Imputation Server. Setelah imputasi, ubah dosis menjadi panggilan keras dan filter berdasarkan Rsq > 0,3. Stratifikasi populasi dinilai dengan analisis komponen utama: plink --bfile data_qc --pca 10 --out pca_results. Pengujian asosiasi menggunakan model campuran linier yang diimplementasikan dalam SAIGE atau BOLT-LMM untuk sifat biner atau kuantitatif, mengoreksi keterkaitan dan struktur populasi: saige --vcf imputed.vcf --traitType biner --pheno phenotype.txt --covar pca_results.eigenvec --output assoc.txt. Ambang batas signifikansi genom adalah p <5×10⁻⁸. Visualisasikan hasil dengan plot Manhattan menggunakan paket qqman R: manhattan(gwas, chr="CHR", bp="BP", p="P", snp="SNP", sugestiveline = -log10(1e-5), genomewideline = -log10(5e-8)). Menilai inflasi dengan faktor inflasi genom λ; nilai <1,05 menunjukkan stratifikasi minimal. Petakan lokus signifikan dengan FINEMAP atau SuSiE untuk mengidentifikasi rangkaian varian sebab akibat yang kredibel dalam wilayah terkait.
