统计方法在生物信息学“精细定位”(fine-mapping)中的应用

1、【生物大数据】统计方法在生物信息学“精细定位”（fine-mapping）中的应用之前我们发过一篇文章，文章中说如何寻找与某个疾病相关的遗传信息，简单复习一下：我们每个人所带的基因是差不多的，之所以有的人卷发，有的人直发，有这么丰富多彩的变化，就是因为一些基因发生了改变。目前，科学家已经对糖尿病、冠心病、肺癌、前列腺癌、肥胖、精神病等多种复杂疾病进行了GWAS分析，并找到了疾病相关的多个易感位点。携带某种基因易感位点的人，就会有很大概率换上某种疾病。我们通过全基因组关联分析（GWAS）找出来与某个疾病关联最大的基因位点集合（SNP或说variant），GWAS分析的思想如下：原文请戳这里：【数

2、说·大数据圈】机器学习在生物大数据应用的一个例子到这里，其实并没有结束，最终找出来的若干基因易感位点（我们不妨称为易感SNP集合，每一个位点，简单理解为一个SNP吧），是一个集合，里面包含了可能不止一个易感位点。它们都是在统计意义上的显著，是有一定犯错概率的，也没有经过生物学的证实。本文要说的精细定位，就是要进一步缩减候选的基因易感位点，排除掉一些“假”的位点。精细定位，叫做fine-mapping。必备前提在做fine-mapping之前，有三个前提一定要具备：第一，区域中所有的common SNP都已经被genotyped或者imputed。这个前提是为了确保真正致病的那个SNP

3、已经包含在这“若干基因易感位点”之中了。第二，已经做过严格的quality control。第三，大样本，确保提供足够的power。满 足必备前提之后，我们进行fine-mapping，分成两部分，statistical fine-mapping和functional fine-mapping。本文的重点是statistical fine-mapping，简单介绍一下统计方法在fine-mapping中的应用。statistical fine-mapping这一部分是本文的重点。在此步骤中，我们对GWAS中选出来的易感SNP集合进行统计分析，比较、排序其中SNP的重要次序，甚至删除掉一些不重要

4、的SNP，缩小易感SNP集合的范围。大概有三种方法，一一列举如下：方法1：conditional regression我们在回归模型中，将最显著的那个SNP作为协变量进行控制，看其他SNP对疾病的影响是否还显著。选出P值最显著的几个易感SNP（P值通常要小于10的-8次方，因为要校正，所以视SNP的数量决定，参考浅议P值校正），缩小范围，精细定位。我们可以在plink中利用命令：plink -bfile mydata -linear -condition covariateSNP来实现。下面是一个例子， "Fine mapping analysis of HLADP/DQ gene

5、clusters on chromosome 6 reveals multiple susceptibility loci for HBV infection"这篇文献中，作者想要看一下前人发现的，HLA-DP/DQ这两个基因簇与乙型肝炎（HBV）的显著关系，是否可以再具体定位到某个SNP或者block中。注：染色体、基因、block和SNP这四者大致是什么关系？（不专业的比喻，帮助理解一下，勿喷哈）如果把SNP看做是一个具体的房子或者建筑物，那么block就是一片小区，基因大概就是一个城市，染色体差不多是一个省了。其中就使用到了conditional regression的方法垂直

6、轴代表作为协变量的基因簇，水平轴代表需要detected的基因簇。白色代表显著，灰色代表不显著:HBV = HLA-DP + （HLA-DQ + other covariates）HBV = HLA-DQ + （HLA-DP + other covariates）从两个白色区域可以看出，HLA-DP和HLA-DQ都是显著的，因此，作者的第一个结论是：之前发现的HLA-DP和HLA-DQ两个基因簇对乙型肝炎的显著影响，是相互独立的。此外，作者又对HLA-DP上的三个block做了conditional regression：block 3位于HLA-DPA1，block 5位于HLA-DPB1，

7、block 4位于HLA-DPA1和HLA-DPB1的overlap 区域。blocklocationblock 3in HLA-DPA1block 4in HLA-DPA1/B1 overlapping regionblock 5in HLA-DPB1首先以block 3作为covariate，看其他两个是否显著：HBV = block 4 + （ block 3 + other covariates）HBV = block 5 + （ block 3 + other covariates）发现都是显著的；其次以block 4作为covariate，HBV = block 3 + （ blo

8、ck 4 + other covariates）HBV = block 5 + （ block 4 + other covariates）发现block 5是显著的；最后以block 5作为covariate，HBV = block 3 + （ block 3 + other covariates）HBV = block 4 + （ block 3 + other covariates）发现都不显著。因此，作者的第二个结论：HLA-DPB1上的block 5，是该区域中对HBV作用最显著的易感位点。方法2: Bayesian posterior probabilityP 值判断的方法有几个缺点

9、，因为每一个P值的计算都受到样本量、MAF（Minor Allele Frequency）等因素的影响，每个研究的样本量不一样，不同研究的P值之间不好直接比较，而Bayesian posterior probability可以很好的回避这些问题。对某区域上的每个SNP，计算一个pp（posterior probability）。选出的易感SNP集合，其所有的pp之和等于99%，也即丢弃掉的SNP，其PP之和为1%。该方法可以使用一个叫BIMBAM的程序来实现。比如，"Bayesian refinement of association signals for 14 loci in 3

10、 common diseases"这篇文献就使用该方法对三种疾病进行fine-mapping。感兴趣的可以自己看一下，这里只展示一张图：图中黄色和紫色的点点，就是99%的易感SNP集合，它们的PP加起来为99%。其中，黄色的点点，是95%集合，它们加起来为95%。方法3：High LD with lead SNP这个方法很简单，就是选出GWAS中，与最最显著的SNP高LD的SNP，作为缩小的易感SNP集合。以上三种方法的适用情形，是我们有原始的genotype 数据，如果没有呢？我们可以尝试只用summary association statistical信息。方法4：Summary

11、 association statistics没有原始的genotype数据，我们可以利用一些summary的信息，典型的方法有CAVIAR、PAINTOR等。CAVIAR方法的流程如下图所示：PAINTOR方法也是只利用summary的统计量和成对的相关系数矩阵来完成。functional fine-mappingfunctional的fine-mapping主要是对SNP做一些功能阐述。用到的数据库有ANNOVAR、VEP、HaploReg等，不多说了。Summary最后总结一下整个流程：参考资料：Strategies for fine-mapping complex traits，Sarah L.，2015Fine mapping analysis of HLADP/DQ gene clusters on chromoso