GWAS表型选择与质量控制
选择具有显著遗传力的疼痛相关性状,并进行数据质量控制。
从UK Biobank中筛选17个疼痛相关性状,基于样本量>10,000和LDSC遗传力z>4,并剔除遗传相关rg<0.35的性状;对常染色体SNP进行MAF和HWE过滤。
Genome wide association joint analysis reveals 99 risk loci for pain susceptibility and pleiotropic relationships with psychiatric, metabolic, and immunological traits
研究为大规模GWAS联合分析及后续生物信息学分析,包含多层级验证(MTAG、独立队列复制、遗传相关、MR),但缺乏直接的功能实验验证。
UK Biobank队列(194,174例女性,167,020例男性) 人类疼痛转录组数据集(64份血液样本,包括急性、慢性腰痛患者和健康对照)
17个疼痛相关表型的病例/对照数量及定义 PLEIO联合分析中使用的MAF≥0.01和HWE p>0.00001的过滤标准 用于基因定位和功能注释的FUMA参数(r²阈值、LD blocks) 用于孟德尔随机化的工具变量选择标准(F统计量>10)
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
选择具有显著遗传力的疼痛相关性状,并进行数据质量控制。
从UK Biobank中筛选17个疼痛相关性状,基于样本量>10,000和LDSC遗传力z>4,并剔除遗传相关rg<0.35的性状;对常染色体SNP进行MAF和HWE过滤。
利用多性状联合分析提高统计功效,发现多效性风险位点。
使用PLEIO对17个性状进行联合分析,并分别进行男性和女性分层分析,以及13性状敏感性分析。
定义LD独立的基因组风险位点,并定位候选基因。
使用FUMA SNP2GENE定义风险位点,并进行基因定位(位置、eQTL、染色质互作)。
识别风险位点富集的基因功能类别和组织表达特异性。
使用MAGMA进行基因集富集分析和组织特异性表达分析。
评估疼痛易感性与非疼痛性状的遗传相关及潜在因果关系。
使用LDHub进行遗传相关分析,对8个性状进行双样本孟德尔随机化分析(包括反向MR和MVMR)。
在独立队列中验证风险位点的关联。
分别在偏头痛GWAS(29,209例病例)和芬兰疼痛GWAS(151,484例病例)中进行复制分析。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| GWAS表型选择 | 17种疼痛相关表型的病例/对照数量、定义(如疼痛部位、持续时间、药物使用)及排除标准(如重叠病例)。 阅读提示:Methods: Sample and phenotype selection; Table 1 |
| PLEIO联合分析 | 分析软件参数(如MAF、HWE阈值、效应量转换),性染色体是否排除,以及样本重叠处理方法。 阅读提示:Methods: Joint-analysis of 17 pain-related UKBB GWASs |
| 风险位点鉴定 | LD参考面板(1000 Genomes Phase 3)、独立显著SNP和lead SNP的r²阈值、LD块合并距离。 阅读提示:Methods: Risk loci and gene mapping |
| 基因定位与功能注释 | 基因映射方法(位置、eQTL、染色质互作)的具体定义和数据库版本(如PsychENCODE、GTEx)。 阅读提示:Methods: Risk loci and gene mapping |
| 孟德尔随机化 | 工具变量选择标准(如P值、LD剪除)、来源GWAS(独立于UKBB)、F统计量阈值、MR方法(IVW、MR-Egger等)。 阅读提示:Methods: Genetic correlation and Mendelian Randomization |