今天跟大家分享的是發表在Mol Genet Genomics（IF：2.797）雜誌上的一篇文章Identification of pleiotropic genes between risk factors of stroke by multivariate metaCCA analysis.在文章中用了一種新穎的分析方法--metaCCA，然後進行了基於基因的VEGAS2分析，以識別與中風多種危險因素相關的多效性基因。
Identification of pleiotropic genes between risk factors of stroke by multivariate metaCCA analysis通過metaCCA分析來鑑定中風危險因素之間的多效性基因
微信視頻預覽查看
一.研究背景中風是一種臨床症候群，中風易感性可能受到許多心血管因素的影響，包括心房纖顫（AF），高血壓（HBP），冠狀動脈疾病（CAD）和心力衰竭（HF）以及代謝性疾病。研究這些危險因素的共同發病機制可能對中風預防和臨床幹預有益。
全基因組關聯分析（GWAS）已檢測到與中風相關的20多個顯著遺傳位點，例如ALDH2，ZFHX3，PITX2，HDAC9，TSPAN2，FOXF2。但是單位點分析的GWAS忽略了不同表型之間的相關信息,因此不能有效識別複雜疾病中的罕見變異｡所以在本篇文章中，作者利用MetaCCA方法，對GWAS的匯總統計結果進行分析,以探討多個疾病表型與基因型之間的關係,從而為研究疾病的發病機制提供依據｡
二.分析流程三.結果解讀1.數據處理
作者下載了中風相關的七個GWAS數據集（房顫AF、高血壓HBP、冠狀動脈疾病CAD、心衰HF、BMI、膽固醇水平、糖尿病）。
表1.從GWAS下載數據集的詳細信息
然後作者利用plink軟體基於LD信息過濾SNP。接著將過濾得到的SNP注釋為其相應的基因。然後接著進行metaCCA分析。
MetaCCA也稱Summarystatistics based multival rate meta analysis of genome wideassociation studiesusing canonical correlation analysis，是利用典型相關分析（canonical correl ationanalysis,CCA）的原理，對GWAS的匯總統計結果進行分析,以探討多個疾病表型與基因型之間的關係，從而為研究疾病的發病機制提供依據。MetaCCA可有效解決單位點分析的GWAS其忽略不同表型之間的相關信息,而不能有效識別複雜疾病中的罕見變異的難題。
作者通過metaCCA分析檢測到107個與多種表型顯著相關的基因。然後使用VEGAS2算法對該基因集進行了測試。通過該算法，作者在測試中鑑定出了20個顯著基因（調整p值≤0.05）（表2）。
發現了6個與AF相關的基因（ARHGAP32，MPPED2，SIK3，DOCK9，FUT8，SKAP1）；
3個與BMI相關的基因（SKAP1，PVRL2，PLA2G6）；
7個與HPB相關的基因（SIK3，PDE3A，DIAPH3，USP8，SPECC1，RAB8A，MACROD2）；
4個與CAD相關的基因（SIK3，DOCK9，PVRL2，SMARCA4）；
7個與T2D（2型糖尿病）相關的基因（MYRF，DENND5B，FUT8，SKAP1，GMIP，PVRL2，PLA2G6）；
9個TC相關的基因（MYRF，SIK3，PDE3A，ZMYM2，NYNRIN，GMIP，PVRL2，SMARCA4，PLA2G6）；
1個與HF相關的基因（ FUT8）。
表2.過metaCCA和VEGAS2分析鑑定的多效性基因
鑑定的20個多效性基因中的7個（USP8，SPECC1，RAB8A，ZMYM2，DOCK9，FUT8，PLA2G6）之前從未被報導與上述所包含的任何性狀相關，屬於新鑑定出的基因。上述結果也表明，這些基因可能與中風的幾種危險因素有關聯，而且可能通過調節下遊信號通路來調控中風的發生。
為了進一步了解由metaCCA鑑定的多效性基因調控的下遊信號通路，作者基於網絡工具Enrichr對metaCCA鑑定的107個基因進行了功能富集分析。結果表明，最常見的富集通路包括葡萄糖醛酸化，黃酮和脂質的代謝，這些代謝被稱為中風的代謝危險因素（表3）。
表3.多效性基因的通路富集
為了可視化這些基因編碼的蛋白質間的相互作用，作者通過STRING 11.0資料庫對GO富集中包含的相同107個基因進行了PPI分析（圖1）。
圖1.多效性基因的蛋白質-蛋白質相互作用（PPI）網絡
為了確定影響中風的潛在風險基因，作者挑選了在VEGAS2測試中證實與多個性狀有關聯的十個基因（PDE3A，DOCK9，SMARCA4，MYRF，GMIP，FUT8，SKAP1，PLA2G6，SIK3，PVRL2）。然後作者確定了與其中5個選定基因（PDE3A，SMARCA4，GMIP，FUT8，PLA2G6）有關的18條指向缺血性卒中的最短通路（圖2A）。結果發現：SMARCA4是所包括基因組中幾乎所有基因的驅動基因。SMARCA4可能會通過多種通路調控中風，包括配體依賴性核受體（BCL6，ETS2，HMGB1，HDAC9），轉運蛋白（ABCA1，ALB），和其它分子（肌鈣蛋白T，PLAT，TNNT2，NR3C1，NOS3）。
另外，作者確定了與其中5個選定基因（PDE3A，SKAPT，FUT8，SMARCA4，PLA2G6）有關的24條指向腦出血的最短通路（圖2B）。在這些基因中，SMARCA4和PDE3A也通過多種中間因素影響結果。
（圖中實線表示連結分子之間的直接關係（例如：蛋白質之間的相互作用）；而虛線表示間接關係（例如：抑制或激活））
圖5.基因-性狀的通路網絡
在這項研究中，作者將metaCCA方法應用於GWAS匯總統計數據中的7個缺血性和出血性中風的危險因素（AF，CAD，HBP，HF，BMI，TC和T2D），來檢驗這些因素之間的重疊的遺傳關係，並鑑定中風的預測風險基因。首先作者進行了metaCCA分析，以鑑定可能影響中風的多種危險因素的多效基因，並提出了缺血性和出血性中風的幾種潛在調控通路。
此研究也存在局限性：由於研究中缺乏個體水平的基因型數據，所以無法確定能被已鑑定基因所解釋的變異性的比例。