Nat Mach Intell | GWAS+转录组测序，基于贝叶斯网络的多基因-多性状关联分析框架 BN-GWAS！_estimation of causal effects of genes on complex t-CSDN博客

本文链接：https://blog.csdn.net/weixin_49214410/article/details/143312596

今天给各位老铁们分享一篇于2024年10月17号发表在 Nature Machine Intelligence [18.8] 的文章："Estimation of causal effects of genes on complex traits using a Bayesian-network-based framework applied to GWAS data"，使用基于贝叶斯网络的框架估算基因对复杂性状的因果效应，并将其应用于 GWAS 数据。

DOI:10.1038/s42256-024-00906-7

| 摘要

复杂性状的遗传研究一直面临挑战，传统GWAS方法难以解释基因的直接和间接作用。本文提出了一个基于贝叶斯网络的基因-性状关联分析框架（BN-GWAS），用于量化基因对复杂性状的总和直接/间接因果效应。BN-GWAS结合GWAS数据和基因表达数据，能够灵活应用于不同数据集，并可拓展至多个性状的联合因果网络分析。通过模拟和大规模实证研究验证了该方法的准确性、特异性和精确度，尤其在基因选择方面表现出显著优势。作者应用BN-GWAS对52种性状和14种组织的分析揭示了这些性状的遗传结构，并发现了许多具有直接因果效应的核心基因。总而言之，BN-GWAS的优势包括能够量化基因的总效应和直接效应，避免传统基因分析中的混杂效应，并具有广泛的适用性。

| 所用数据

英国生物样本库（UKBB，UK Biobank）：作者使用该数据集提供了个体表型和基因型数据，用于推断基因与复杂性状之间的因果网络。
GTEx RNA-seq数据：研究使用了GTEx V7版本的RNA测序数据，这些数据通过GTEx门户公开提供，GTEx数据用于推断组织特异性的基因表达和基因间因果关系。
Open Targets数据库：作者使用该数据库用于基因和复杂疾病关联的验证和功能注释。

| 研究内容

1. BN-GWAS框架

BN-GWAS 是一个用于识别基因与复杂性状之间的因果关系的框架，能够区分不同类型的因果基因（核心基因、外围基因和中介基因），并量化它们对性状的总因果效应以及直接/间接的因果效应。该框架结合了来自不同来源的 GWAS数据 和 基因表达 数据，以构建基因与性状之间的因果网络。简单来说，BN-GWAS框架的流程首先通过英国生物样本库（UKBB）的个体基因型和表型数据提取小于0.01的次等位基因频率（MAF）的SNPs，并使用PrediXcan工具获得组织特异性的顺式（cis）预测表达谱（步骤1）。随后，采用公开的转录表达定量特性位点（trans-eQTL）数据补充顺式预测的表达数据（步骤2），在调整群体结构后，使用PC-simple算法推断基因与性状的因果关系（步骤3）。接着，利用GTEx V7组织特异性RNA测序数据，经过混杂变量调整和基因筛选后，使用PC-algorithm推断基因-基因因果网络（步骤4）。最后，将推断出的基因-基因网络与基因-性状网络结合，使用基于惩罚的IDA和jointIDA方法估算不同基因对目标性状的总因果效应和直接因果效应，构建完整的基因-基因-性状因果网络（步骤5）。