表达数量性状位点(eQTL)的概念及其相关分析原理
表达数量性状位点(expression quantitative trait locus, eQTL)是一类能够影响基因表达量的遗传位点(大部分都是单核苷酸多态性,SNP),具有一定的生物学意义。迄今为止最全的eQTL数据库是GTEx(https://www.gtexportal.org/home/),如今已更新到第八版了。
一般而言,eQTL主要分为两类:(1)顺式eQTL(cis-eQTL):它主要是指与所调控基因相距较近的eQTL,一般多位于所调控基因的上下游1Mb区域;(2)反式eQTL(trans-eQTL):与cis-eQTL恰恰相反,反式是指距离所调控基因位置比较远的eQTL,有时候距离甚至超过5Mb。因此,对于eQTL分析而言,我们通常需要考虑两点,SNP和基因表达水平的关联度以及SNP与基因的距离。
由于大量eQTL数据库的开发,我们现在可以直接利用别人的结果寻找SNP调控的基因,最常用的就是GTEx数据库了,大家可以自行学习了解。接下来我将介绍如何利用自己的数据计算并确定相关eQTL。
利用原始数据做eQTL分析,我们至少需要三个文件,第一个是样本信息文件,该文件包含样本的年龄,性别和人种等等;第二个是基因表达量文件,它表示的是每个基因在每个样本中的表达含量;第三个是基因型数据,也即每个样本的基因型数据。
接下来我们看看数据格式:
第一个是样本信息文件,除开第一列,其它列都代表不同的样本,每一行代表的是样本的表型信息。
第二个是基因表达量信息,同样地,除开第一列,其它列都代表不同的样本,每一行代表的是不同的基因(一般来说基因表达数据需要先进行标准化转换)。
第三个是基因型数据,同样地,除开第一列,其它列都代表不同的样本,每一行代表的是不同的基因型(SNP),一般基因型数据用0,1,2这三个数字编码,代表的是效应等位基因剂量。举个简单的例子,SNP1的等位基因分别是A和C,如果我们以A为效应等位基因,那么基因型AA的剂量便是2,AC为1,CC为0。
有了这些数据,我们就可以简单分析SNP和基因表达量的关系了
其数学模型如下:
gene1 ~ snp1 + sex + age + error_term
这里gene1(因变量)一般就是一个基因的表达量,snp1(自变量)就是一个SNP的基因型,两者拟合,矫正相关干扰项(如sex和age等),error_term是指回归模型的误差项。
如果想区分顺式还是反式eQTL,这时候就需要结合基因与SNP的位置信息了。
关于eQTL的概念及原理就介绍完毕,下期我将和大家讲解如何使用“MatrixEQTL”包进行相关分析。