GWAS分析
识别与代谢物缺失相关的遗传变异。
在NEO和Rhineland队列中分别对代谢物缺失进行逻辑回归GWAS，并荟萃分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于两项人群研究的代谢物缺失测量值的全基因组关联研究
Genome-wide association studies of missing metabolite measures from two population-based studies
实验完整度
高包含两独立队列的GWAS分析、定量GWAS敏感性分析、eQTL/pQTL分析及孟德尔随机化等多层级验证。
主要模型
NEO研究队列（594人） Rhineland研究队列（4165人）
重点核对
代谢物缺失率：10%-90% 全基因组显著水平：p<1.58×10–10 样本量：NEO 594，Rhineland 4165 基因型芯片和填补参考面板
摘要
背景：代谢组学分析越来越多地应用于病因学和预测性研究，但经常报告缺失值，这些缺失值随后被插补或从分析中移除，并且未被视为由于代谢改变所致的真实缺失。我们假设个体间的遗传变异可能解释了这种缺失的一部分。结果：我们在荷兰肥胖流行病学研究（N=594）和莱茵兰研究（N=4,165）中，基于非靶向质谱平台对代谢物缺失进行了逻辑回归全基因组关联研究（GWAS）。我们考虑了在两个队列中缺失率为10%-90%的代谢物（N=224）。这些代谢物缺失概率的GWAS荟萃分析揭示了55个代谢组-wide显著的关联，包括42个新关联（p<1.58×10–10），涉及28种代谢物和41个先导SNP。结论：尽管存在相当大的多效性，但大多数已识别的SNP-‘缺失代谢物’关联在生物学上是合理的，与β-氧化、胆汁酸、类固醇和外源物代谢有关。这些发现表明，代谢组学中的缺失值部分是非随机的，并反映了潜在的遗传变异。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 遗传变异是否与代谢物测量缺失相关，以及相关SNP与代谢物及通路的关系。
- 核心机制
- 遗传变异通过影响代谢酶（如ACADM、CYP2D6）的活性，导致某些代谢物浓度低于检测限或缺失。
- 主要证据
- 基于NEO和Rhineland两个队列的GWAS荟萃分析，发现了41个先导SNP与28种代谢物缺失的55个关联，并通过eQTL、pQTL及MR分析得到支持。
- 研究意义
- 研究提示代谢物缺失可能反映遗传变异的非随机效应，有助于识别“代谢不良者”和先天性代谢错误，并可能对代谢组学、营养流行病学、药物基因组学和IEM领域有潜在应用价值。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
定量GWAS敏感性分析
评估缺失GWAS发现的独特性。
对Rhineland中26种显著代谢物的定量水平进行GWAS。
SNP×SNP交互分析
评估研究特异效应。
使用EasyStrata检测224种重叠代谢物的SNP×SNP交互。
meta分析及功能注释
汇总并注释显著关联。
对重叠SNP荟萃分析，用FUMA进行连锁不平衡分析和风险位点定义，用ProGeM识别候选基因。
eQTL/pQTL分析
评估先导SNP对基因表达和蛋白水平的影响。
使用GTEx和PhenoScanner进行eQTL和pQTL查询。
中介分析
验证基因表达在SNP与代谢物缺失之间的中介作用。
使用Rhineland全血RNA-seq数据，进行线性回归、逻辑回归和中介分析。
孟德尔随机化
评估基因表达或蛋白水平对代谢物缺失的因果效应。
利用eQTL和pQTL作为工具变量，进行双样本MR分析（正向和反向）。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 基因分型 | Illumina HumanCoreExome-24 BeadChip | Illumina | -- |
| Omni 2.5 Exome Array | Illumina | -- | |
| RNA测序 | PAXgene血液RNA管 | PreAnalytix/Qiagen | -- |
| PAXgene血液miRNA试剂盒 | PreAnalytix/Qiagen | -- | |
| Tapestation 4200系统 | Agilent | -- | |
| TruSeq链特异性总RNA试剂盒 | Illumina | -- | |
| Qubit HS dsDNA检测 | Invitrogen | -- | |
| NovaSeq6000 | Illumina | -- |
关键环节
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 |
|---|---|
| 代谢物缺失定义 | 代谢物缺失率在10%-90%之间 阅读提示：Methods: Metabolomics measurements and missingness inclusion criteria |
| GWAS分析 | 样本量、基因型芯片、填补参考面板、关联模型、显著性阈值 阅读提示：Methods: Genotyping and imputation, Genome-wide association analyses |
| Meta分析 | SNP过滤标准、效应模型、等位基因转换、显著性阈值 阅读提示：Methods: Meta-analysis of GWAS |
| 基因表达分析 | RNA-seq样本量、数据处理流程、基因筛选标准 阅读提示：Methods: RNA sequencing data in the Rhineland study |