2021, Vol. 42
文章信息
- 杨淞淳, 李重阳, 胡一祯, 孙秋芬, 潘建桥, 孙点剑一, 马宝山, 吕筠, 李立明.
- Yang Songchun, Li Chongyang, Hu Yizhen, Sun Qiufen, Pan Jianqiao, Sun Dianjianyi, Ma Baoshan, Lyu Jun, Li Liming
- gwasfilter：用于筛选全基因组关联研究的R脚本
- gwasfilter: an R script to filter genome-wide association study
- 中华流行病学杂志, 2021, 42(10): 1876-1881
- Chinese Journal of Epidemiology, 2021, 42(10): 1876-1881
- http://dx.doi.org/10.3760/cma.j.cn112338-20200731-01003
-
文章历史
收稿日期: 2020-07-31
2. 大连海事大学信息科学技术学院 116026;
3. 北京大学公众健康与重大疫情防控战略研究中心 100191
2. College of Information Science and Technology, Dalian Maritime University, Dalian 116026, China;
3. Peking University Center for Public Health and Epidemic Preparedness and Response, Beijing 100191, China
全基因组关联研究（genome-wide association study，GWAS）是在整个人类基因组范围内检验遗传变异（genetic variant）与疾病或性状之间统计学关联的重要研究方法[1]。深入分析GWAS发现的显著遗传位点对于确定疾病易感位点（casual variant）、阐明疾病遗传机制、实现精准医疗和精准预防都具有重要意义[2-5]。NHGRI-EBI GWAS Catalog（https://www.ebi.ac.uk/gwas/，GWAS Catalog）自2008年起持续收集所有已发表的符合该网站纳入标准的GWAS，是目前信息最为全面、更新相对及时、数据质量较高且能够公开获取的GWAS数据库[6]。截至2021年8月，GWAS Catalog已收录超过5 000篇GWAS文献的研究信息。
在报告新的GWAS位点（new loci）、构建遗传风险评分（genetic risk score）、开展基因多效性（pleiotropy）分析、遗传相关（genetic correlation）分析、孟德尔随机化（mendelian randomization）或基因-环境交互作用（gene-environment interaction）分析以及通径分析（pathway analysis）等之前[7-12]，都需要检索、利用既往GWAS的研究结果。对已发表的GWAS研究通常要参考以下一些原则进行适当筛选，以获得可信度更高、与目标人群更相关的研究。例如，在GWAS中，发现人群中观察到的结果若能在另一个独立人群中得到验证（replication），则具有更高的可信度[13]。由于常见的遗传变异与疾病或性状之间的关联强度往往较弱，大样本量将更有助于发现潜在的关联[13]。同时，由于不同种族人群遗传背景的天然差异，在某个种族中发现的遗传位点可能无法直接应用于其他种族[13]。在GWAS Catalog中筛选目标GWAS研究时，应用上述这些条件，需要人工逐一判断和筛选，特别是同时需要筛选较多性状时，费时费力，且容易出错。有研究者最近开发了针对GWAS Catalog数据库的R程序包gwasrappid，提供的函数get_studies（）只能基于特定的性状检索词查询GWAS Catalog中匹配的研究，但没有应用特定条件筛选研究的功能[14]。因此，我们开发了一套基于R语言的程序脚本，用于高效、准确地从GWAS Catalog中筛选满足特定条件的GWAS。
研究方法 (1) 筛选原理GWASCatalog网站允许直接下载完整的结构化数据库，包括研究设计、研究人群、性状和遗传位点等信息（图 1）。在GWAS Catalog中，性状主要采用Experimental Factor Ontology（EFO）分类系统，标准性状与EFO编码一一对应[6]。由于该分类系统具有跨域（cross-domain）分类的特点[15]，通过某一EFO编码检索到的研究并非都能满足目标性状的要求。例如，若我们只关注在自然人群中开展的某性状的GWAS结果，则需剔除在患者中开展的GWAS、该性状对药物治疗反应的GWAS、该性状与其他性状交互作用的GWAS。因此，研究者首先需要根据GWAS Catalog提供的原始文献中“报告性状”（reported traits）的名称人工判断哪些是自己期望的性状，据此获取所有相关的GWAS后，则可以根据“是否有验证人群”“样本量大小”和“研究人群种族”等条件进一步筛选。
|
| 注：STUDY数据库中包含GWAS的发表、研究设计、性状等基本信息；ANCESTRY数据库中包含研究人群（含发现人群与验证人群）的种族及样本量信息；ASSOCIATION数据库中包含遗传位点与表型的关联信息及位点注释信息等。3个子数据库之间通过变量“STUDY ACCESSION”互相链接。数据库下载地址：https://www.ebi.ac.uk/gwas/docs/file-downloads 图 1 GWAS Catalog数据库基本结构 |
基于以上原理，由2名程序员采用R语言共同撰写了脚本gwasfilter.R[16]。撰写思路为：①将人工筛选研究的过程抽象为标准化的算法；②明确各环节的输入和输出；③采用R语言中的函数（function）对每个环节进行编译。该脚本基于R 3.5.1 x64环境开发，开发完成后，由3名测试员经过多次测试，在R 3.5软件及以上平台、32位操作系统及Linux操作系统均可正常运行。脚本源代码可在github平台（https://github.com/lab319/gwas_filter）
结果 (1) 脚本操作具体步骤gwasfilter.R包含6个标准步骤（图 2），内置5个预设函数（表 1），当前支持2种使用模式。模式1为从头筛选模式，包含完整的6个步骤，在未明确性状EFO编码和性状筛选词时使用。模式2为直接筛选模式，在已备好性状EFO编码文件和性状筛选词文件的前提下，可跳过步骤3~5直接进行步骤6。以下为各步骤简介：
|
| 图 2 gwasfilter.R脚本原理图 |
步骤1：准备R工作平台。在使用前需运用source命令加载gwasfilter.R中的预设函数。加载过程中程序会自动检查依赖包（readr、dplyr、stringr、data.table）的安装情况。
步骤2：下载/更新GWAS Catalog数据库。函数get_gwasdata（）将GWAS Catalog网站的数据库下载至本地并读入内存。该函数会自动检查本地已有数据库是否需更新。
步骤3：获取目标性状EFO编码。函数get_efo（）可返回查询给定关键词时所有相关的EFO编码。
步骤4：获取“报告性状”。函数obtain_trait（）可返回在GWAS Catalog中检索某个EFO编码（一次只能选一个EFO编码）时所有相关研究的“报告性状”。
步骤5：明确目标性状筛选词。函数store_trait（）通过直接记录正确的“报告性状”的序号向量traitindex，能方便地完成性状筛选词的存储过程。在执行步骤6前，步骤3~5可以循环进行（图 2），从而实现程序的批量筛选功能。
步骤6：执行筛选策略。函数gwasfilter（）包含多个功能参数（表 1）。用户可以通过设置这些参数，灵活组合多个筛选条件：①是否剔除未观察到满足特定统计学显著性水平（P < 1.0×10-5）的遗传位点的研究（exclude0）；②是否有验证人群（replication）；③发现阶段样本量（sample）；④发现人群的种族（ancestry.eas和eas.only）；⑤期刊特征，如以2018年期刊引用报告（JCR）中的杂志分区（journal）为例。通过设置参数association=TRUE还可以额外导出入选研究对应的遗传位点关联数据库。在不设置任何筛选参数时，gwasfilter（）可返回筛选前的所有记录。
(2) 测试情况以筛选总胆固醇水平（total cholesterol）的GWAS为例进行测试。测试所用平台为R 4.0.1软件，所用GWAS Catalog数据库的更新日期为2021-08-16，测试语句如下：
source（"; gwasfilter.R”）#步骤1：加载脚本函数；
get_gwasdata（）#步骤2：获取GWAS Catalog数据库；
get_efo（trait=“Cholesterol”）#步骤3：查询胆固醇相关的EFO编码；
obtain_trait（efoindex=1）#步骤4：查询目标性状对应的报告性状；
store_trait[traitindex=c（1，2，11，12）] #步骤5：明确目标性状筛选词；
gwasfilter（replication = T，ancestry.eas = T，eas.only = F，journal=c（1），association=T）#步骤6：执行筛选策略（有验证阶段，发现人群包含东亚人，期刊为JCR Q1区，同时输出对应的遗传位点关联数据库）。
上述步骤中，除步骤2下载与预处理数据耗时约4 min以外（与具体网速有关），其余步骤程序用时均 < 1秒。步骤6完成后输出4个csv文件（表 2），分别为qc_table 1、qc_table 2、study_database和snp_database。在上述筛选条件下，共有6项研究符合筛选要求。
当前尚无其他的专注于筛选GWAS的工具，仅有的一个与GWAS Catalog相关的R程序包gwasrapidd仅能简单查询GWAS Catalog中的研究，没有进一步的筛选功能[14]。与人工筛选相比，gwasfilter.R具有4大优势。首先，使用过程简便。用户仅需要记录2个参数（efoindex和traitindex），并根据需要确定筛选策略，便可完成筛选，省去了在GWAS Catalog网站检索性状、下载数据然后逐一判断的繁琐过程；在筛选条件较多、筛选量较大时，也能避免人工操作导致的失误。第二，筛选过程高效。除下载数据外，程序执行过程所需时间几乎可以忽略。在需要筛选的性状较多时，脚本的批量筛选功能可以大幅度地提升筛选效率。第三，筛选过程标准化。gwasfilter.R导出的文件qc_table 1.csv记录了筛选过程的关键数据，每个性状所用的性状筛选词也能即时存储，便于对筛选过程进行核验；每个性状存储的性状筛选词也可在之后重复使用。第四，筛选方式灵活。用户可以根据研究需要，灵活地组合不同的筛选条件。
当然，gwasfilter.R也存在一定的局限性。第一，该脚本的运行依赖于GWAS Catalog定期发布的数据库，因此，筛选的准确度以及导出的遗传位点数据库的数据质量取决于GWAS Catalog数据库本身的数据质量。第二，在明确目标性状筛选词的环节（步骤5），不同研究者的意见可能存在分歧。通过多人平行地甄别性状筛选词将有助于提高筛选的准确度。第三，由于一项GWAS从发表到收录至GWAS Catalog有一定的时间间隔，对于3个月内新发表的研究，则需要在PubMed上检索。
综上所述，我们开发了一套基于GWAS Catalog数据库筛选GWAS的R脚本。该脚本操作简便，筛选研究的过程高效而标准化，可灵活应用于实际研究。后续研究可以在当前脚本的基础上进一步与其他公共数据库整合。
利益冲突 所有作者均声明不存在利益冲突
| [1] |
陈峰, 柏建岭, 赵杨, 等. 全基因组关联研究中的统计分析方法[J]. 中华流行病学杂志, 2011, 32(4): 400-404. Chen F, Bai JL, Zhao Y, et al. Statistical methodologies used in genome-wide association studies[J]. Chin J Epidemiol, 2011, 32(4): 400-404. DOI:10.3760/cma.j.issn.0254-6450.2011.04.018 |
| [2] |
Schaid DJ, Chen W, Larson NB. From genome-wide associations to candidate causal variants by statistical fine-mapping[J]. Nat Rev Genet, 2018, 19(8): 491-504. DOI:10.1038/s41576-018-0016-z |
| [3] |
Gallagher MD, Chen-Plotkin AS. The post-GWAS era: from association to function[J]. Am J Human Genet, 2018, 102(5): 717-730. DOI:10.1016/j.ajhg.2018.04.002 |
| [4] |
Torkamani A, Wineinger NE, Topol EJ. The personal and clinical utility of polygenic risk scores[J]. Nat Rev Genet, 2018, 19(9): 581-590. DOI:10.1038/s41576-018-0018-x |
| [5] |
Nelson MR, Tipney H, Painter JL, et al. The support of human genetic evidence for approved drug indications[J]. Nat Genet, 2015, 47(8): 856-860. DOI:10.1038/ng.3314 |
| [6] |
Buniello A, MacArthur JAL, Cerezo M, et al. The NHGRI-EBI GWAS Catalog of published genome-wide association studies, targeted arrays and summary statistics 2019[J]. Nucleic Acids Res, 2019, 47(D1): 1005-1012. DOI:10.1093/nar/gky1120 |
| [7] |
王铖, 戴俊程, 孙义民, 等. 遗传风险评分的原理与方法[J]. 中华流行病学杂志, 2015, 36(10): 1062-1064. Wang C, Dai JC, Sun YM, et al. Genetic risk score: principle, methods and application[J]. Chin J Epidemiol, 2015, 36(10): 1062-1064. DOI:10.3760/cma.j.issn.0254-6450.2015.10.005 |
| [8] |
Solovieff N, Cotsapas C, Lee PH, et al. Pleiotropy in complex traits: challenges and strategies[J]. Nat Rev Genet, 2013, 14(7): 483-495. DOI:10.1038/nrg3461 |
| [9] |
Bulik-Sullivan B, Finucane HK, Anttila V, et al. An atlas of genetic correlations across human diseases and traits[J]. Nat Genet, 2015, 47(11): 1236-1241. DOI:10.1038/ng.3406 |
| [10] |
林丽娟, 魏永越, 张汝阳, 等. 孟德尔随机化方法在观察性研究因果推断中的应用[J]. 中华预防医学杂志, 2019, 53(6): 619-624. Lin LJ, Wei YY, Zhang RY, et al. Application of mendelian randomization methods in causal inference of observational study[J]. Chin J Prev Med, 2019, 53(6): 619-624. DOI:10.3760/cma.j.issn.0253-9624.2019.06.015 |
| [11] |
McAllister K, Mechanic LE, Amos C, et al. Current challenges and new opportunities for gene-environment interaction studies of complex diseases[J]. Am J Epidemiol, 2017, 186(7): 753-761. DOI:10.1093/aje/kwx227 |
| [12] |
Wang K, Li MY, Hakonarson H. Analysing biological pathways in genome-wide association studies[J]. Nat Rev Genet, 2010, 11(12): 843-854. DOI:10.1038/nrg2884 |
| [13] |
McCarthy MI, Abecasis GR, Cardon LR, et al. Genome-wide association studies for complex traits: consensus, uncertainty and challenges[J]. Nat Rev Genet, 2008, 9(5): 356-369. DOI:10.1038/nrg2344 |
| [14] |
Magno R, Maia AT. gwasrapidd: an R package to query, download and wrangle GWAS catalog data[J]. Bioinformatics, 2019, 36(2): 649-650. DOI:10.1093/bioinformatics/btz605 |
| [15] |
Malone J, Holloway E, Adamusiak T, et al. Modeling sample variables with an experimental factor ontology[J]. Bioinformatics, 2010, 26(8): 1112-1118. DOI:10.1093/bioinformatics/btq099 |
| [16] |
R Core Team. R: A language and environment for statistical computing[EB/OL]. R Foundation for Statistical Computing, Vienna, Austria, 2018. https://www.R-project.org/.
|