一講人類基因組數(shù)據(jù)庫及關(guān)聯(lián)分析

生物醫(yī)學(xué)大數(shù)據(jù)挖掘及生物信息學(xué)案例分析系列課程第一講人類基因組數(shù)據(jù)庫及SNP關(guān)聯(lián)與互作分析第二講基因表達(dá)數(shù)據(jù)分析第三講表觀遺傳學(xué)數(shù)據(jù)分析第四講非編碼RNA數(shù)據(jù)分析第五講生物醫(yī)學(xué)數(shù)據(jù)挖掘案例分析與探討第一講人類基因組數(shù)據(jù)庫及SNP關(guān)聯(lián)與互作分析PartI風(fēng)險(xiǎn)SNP識(shí)別與候選疾病基因驗(yàn)證PartIIGWAS關(guān)聯(lián)分析資源與拓展應(yīng)用PartIIISNP關(guān)聯(lián)分析與互作分析的軟件實(shí)現(xiàn)PartIVSNP功能分析的生物信息學(xué)方法PartI風(fēng)險(xiǎn)SNP識(shí)別與候選疾病基因驗(yàn)證以SNP為起點(diǎn)的疾病基因識(shí)別流程SNP作為人類可遺傳變異中最常見的一種，占所有已知多態(tài)性的90％以上，不僅可以作為遺傳標(biāo)記，還可以通過連鎖分析定位疾病基因。因此，SNP在疾病的早期風(fēng)險(xiǎn)性評(píng)估，早期診斷，預(yù)防和治療等方面具有重要功能和應(yīng)用價(jià)值。SNP基因芯片采用多色熒光探針雜交技術(shù)可以大大提高芯片的準(zhǔn)確性、定量及檢測范圍，應(yīng)用高密度基因芯片檢測單堿基多態(tài)性，為分析SNP提供了便捷的方法。SNP數(shù)據(jù)類型利用dbSNP篩選功能性SNP

SNP數(shù)據(jù)庫SNP相關(guān)的重要數(shù)據(jù)庫SingleSNPassociationanalysis?

Chi-squaretest1Allelictest(2×2table)2Genotypetest(2×3table)3Trendtest(2×2table)4Dominant(2×2table)5Recessive(2×2table)

病例與對(duì)照的等位基因分布組別等位基因合計(jì)AT病例412320732對(duì)照499281780Allelictest(2×2table)病例與對(duì)照的基因型分布組別基因型合計(jì)AAATTT病例10719861366對(duì)enotypetest(2×3table)采用plink軟件來實(shí)現(xiàn)-我們后面會(huì)進(jìn)行介紹為了探討一個(gè)SNP是否與糖尿病相關(guān)聯(lián)，采用病例-對(duì)照研究，收集了366個(gè)病例與390個(gè)對(duì)照的基因型數(shù)據(jù)，見下面兩個(gè)表。組別等位基因合計(jì)AT病例412320732對(duì)照499281780組別基因型合計(jì)AAATTT病例10719861366對(duì)用卡方檢驗(yàn)：allele-based：=9.325,P=0.002，認(rèn)為兩組的等位基因頻率分布有差別，此位點(diǎn)與糖尿病有關(guān)聯(lián)。genotype-based：=12.267,P=0.004，認(rèn)為病例組和對(duì)照組的基因型頻率分布有差異，此位點(diǎn)與糖尿病有關(guān)聯(lián)。

ExfoliationsyndromerelatedSNPanalysis

50casesvs125controls3SNPSingleSNPassociationanalysis

在選擇國內(nèi)外研究較多的SNP位點(diǎn)時(shí)可以進(jìn)行多數(shù)據(jù)層面的meta分析，從而發(fā)現(xiàn)高顯著的疾病位點(diǎn)。多數(shù)據(jù)層面的meta分析Meta分析的基本流程常用軟件：R,ReviewManager,Stata等。Stratifiedmeta-analysisforCAD-relatedgenesMTHFRC677TStratifiedmeta-analysisforCAD-relatedgenesReference:Linhuaetal.Combininggeogrophicregionwithmeta-analysistomapthepotentialassocationbetweeenthreegeneticpolymorphismsandcoronaryarterydisease.JMedBiochem.20131-19

SNP-SNP互作分析研究SNP互作的分析方法：1logisticregression2MultifactorDimensionalityReduction

(MDR)3PolymorphismInteractionAnalysis(PIA)algorithm4Bayesnetworkanalysis5Decisiontree......可聯(lián)合使用多種方法,從而發(fā)現(xiàn)與復(fù)雜疾病相關(guān)的重要基因及基因間的交互作用.

COPDrelatedSNP-SNPandSNP-environmentanalysis301casesvs203controls

44SNP

Bayesiannetworksconstructedwithdifferentnodescombinations,alongwiththeircorrespondingprobabilitytables

Bayesiannetworkanalysis表型Bayesiannetworksconstructedwithdifferentnodescombinations,alongwiththeircorrespondingprobabilitytables

Bayesiannetworkanalysis數(shù)量性狀ROCcurvesobtainedusingfourlogisticregressionmodelsfordetectingCOPD,whicharecoloredwithdifferentlinesrespectively. ROCcurvescomparisonReference:Linhuaetal.AbioinformaticsstrategyfordetectingthecomplexityofChronicObstructivePulmonaryDiseaseinNorthernChineseHanPopulation.GenesGenet.Syst.2012ApplyPIAmethodtoconstructRArelatedSNP-SNPnetworkReference:Linhuaetal.MiningfunctionalgenemoduleslinkedwithrheumatoidarthritisusingaSNP-SNPnetwork.Genomics,proteomics&bioinformatics2012(IF=6.615)SNP-SNP互作網(wǎng)絡(luò)與COPD數(shù)量性狀相關(guān)的SNP-SNP互作與COPD數(shù)量性狀關(guān)聯(lián)的SNP-SNP互作Reference:LiAn,Linhuaetal.ExploringtheinteractionamongEPHX1,GSTP1,SERPINE2,andTGFB1contributingtothequantitativetraitsofchronicobstructivepulmonarydiseaseinChineseHanpopulatioin.HuamnGenomics.2016應(yīng)用GeneMANIA網(wǎng)絡(luò)工具查詢四個(gè)基因的互作關(guān)系PartIIGWAS關(guān)聯(lián)分析資源與拓展應(yīng)用

ThecharacteristicofGWASAlargeamountofSNPsAlargesamplesizeAhighsignificantlevel（p<10-7)tosurvivethemultipletestingcorrectionAhighcostbutlowefficiencyThecurrentGWAS

高通量SNP分析的難度多重檢驗(yàn)造成假陽性錯(cuò)誤增加；數(shù)據(jù)的高維性變量的多重共線性遺傳異質(zhì)性冠心病GWAS數(shù)據(jù)分析600casevs600control500,000SNPGWAS的多層面數(shù)據(jù)研究SNPGeneProteinnetworkFurtherfunctionalanalysis-疾病子網(wǎng)提取Reference:Linhuaetal.MiningsusceptibilitygenemodulesanddiseaseriskgenesfromSNPdatabycombiningnetworktopologicalpropertieswithsupportvectorregression.JournalofTheoreticalBiology2011225-236PartIIISNP關(guān)聯(lián)分析及互作分析的軟件實(shí)現(xiàn)1SNP關(guān)聯(lián)分析常用軟件-plink軟件Plink軟件是命令行執(zhí)行工具，將plink.exe直接存在某目錄下（如d盤）即可執(zhí)行，如下圖。1）ped文件（家系文件）Plink軟件格式首先需要將數(shù)據(jù)整理成plink所需要的格式。plink軟件所需要的數(shù)據(jù)文件包括：家系文件包括六列數(shù)據(jù)，分別為家庭編號(hào)（FamilyID）、個(gè)體編號(hào)（IndividualID）、父親編號(hào)（PaternalID）、母親編號(hào)（MaternalID）、性別（Sex，1=男性；2=女性）和表型Phenotype。其中這里的表型（Phenotype）列可以為數(shù)量性狀或疾病狀態(tài)。對(duì)于疾病狀態(tài)，一般1表示無病（unaffected），2表示有?。╝ffected）。如果數(shù)據(jù)屬于病例對(duì)照數(shù)據(jù)，則家庭編號(hào)和個(gè)體編號(hào)、父親編號(hào)和母親編號(hào)可以是相同的。家系文件FamilyID

IndividualID

PID

MID

sexPhenotype2)map文件(位置文件)其中第1列表示染色體編號(hào)，第2列表示dbSNP數(shù)據(jù)庫中的SNP名稱，最后1列表示在染色體上的距離。3）phenotype文件（表型文件）

也可以預(yù)先準(zhǔn)備好一個(gè)表型文件pheno.txt。注意表型文件要包括下面3列，每一個(gè)個(gè)體占一行。

Hardy-WeinbergEquilibrium檢驗(yàn)

SNP數(shù)據(jù)分析此時(shí)會(huì)在d盤下輸出一個(gè)文件名為：plink.hwe其中A1表示最小等位基因，A2表示另一個(gè)等位基因，GENO表示基因型頻數(shù)，P表示哈代-溫伯格定律檢驗(yàn)的p值。P>0.05表示滿足哈代-溫伯格定律。注意對(duì)于病例-對(duì)照樣本，每個(gè)SNP都有3個(gè)哈代-溫伯格定律p值，其中all表示對(duì)全部樣本，aff表示僅對(duì)病例樣本，unaff表示僅對(duì)對(duì)照樣本。我們用excel將其打開：最小等位基因P-value單個(gè)SNP的關(guān)聯(lián)分析此時(shí)在d盤下輸出了plink.assoc文件，用excel打開如下：--ci0.95表示計(jì)算95%置信區(qū)間。其中A1表示最小等位基因，A2表示另一個(gè)等位基因，F(xiàn)_A表示A1在疾病中的頻率，F(xiàn)_U表示A1在對(duì)照中的頻率。P<0.05表示等位基因與疾病相關(guān)。OR為優(yōu)勢(shì)比，L95和U95分別表示OR置信區(qū)間的上限和下限。此外，Plink軟件還提供了下面單個(gè)SNP關(guān)聯(lián)分析的模型，假設(shè)一個(gè)SNP的最小等位基因?yàn)镈,另一個(gè)等位基因?yàn)閐,則四個(gè)模型分別為：等位基因模型(Allelic),顯性模型(Dominant),隱性模型(Recessive)和基因型模型(Genotypic).具體編碼如下：此時(shí)在d盤下輸出了plink.assoc文件，用excel打開單變量logistic回歸默認(rèn)為是加性模型MultiplecomparisoncorrectionThestandardforevidenceofsignificanceinGWAStoidentifyagenotype-phenotypeassociationisgenerallyconsideredtobep<5×10-8orp<1×10-8,fora=0.05and0.01,respectively.ThisstandardisbasedonaBonferronicorrectionforanassumedmillionindependentvariantsinthehumangenome.關(guān)于多重校正的問題Severalcorrectionmethodsprovidedbyplinkareasfollowing:打開存于c盤下的plink.assoc.adjusted文件

SNP-SNP互作分析plink-Traditionallogisticregressionplink--filemydata--epistasisExample:rs6734100×rs7583463

Logisticregression

SNP(gene)×SNP(gene)interactionSet0.1ascutoff：打開存于c盤下的plink.epi.cc文件datamining-MultifactorDimensionalityReduction

-MDR(多因子降維方法）MDRisanonparametricandgeneticmodel-freedataminingalternativetologisticregressionfordetectingandcharacterizingnonlinearinteractionsamongdiscretegeneticandenvironmentalattributes.

其他SNP-SNP互作分析方法（1）采用10倍交叉驗(yàn)證法將數(shù)據(jù)分為10個(gè)集合，其中9個(gè)子集作為訓(xùn)練集，1個(gè)子集作為測試集（2）根據(jù)總的因子數(shù)量確定組合因子數(shù)n（3）對(duì)每個(gè)訓(xùn)練集和測試集，篩選最好的n因子組合（篩選的標(biāo)準(zhǔn)根據(jù)訓(xùn)練集最低的分類錯(cuò)誤率）（4）此過程重復(fù)10次，最后根據(jù)平均最小預(yù)測錯(cuò)誤率和最大的交叉驗(yàn)證一致性篩選出最好的n因子組合（5）對(duì)每個(gè)n因子組合計(jì)算病例數(shù)與對(duì)照數(shù)之比。如果比值等于或超過域值，則此基因型組合確定為疾病的高風(fēng)險(xiǎn)組合，反之，則為疾病的低風(fēng)險(xiǎn)組合。（6）對(duì)于不同n值，得到最好的n因子組合。不同的n因子組合可能有的具有最小預(yù)測錯(cuò)誤率，而有的具有最大交叉驗(yàn)證一致性，一般取n值較小的模型。多因子降維方法的主要步驟：ApplyMDRpackageofRsoftware數(shù)據(jù)格式按照加性模型，0表示兩個(gè)等位基因均為非風(fēng)險(xiǎn)allele,1表示有1個(gè)等位基因?yàn)轱L(fēng)險(xiǎn)allele,2表示有兩個(gè)等位基因均為風(fēng)險(xiǎn)allele.library(MDR)read.table("c:\\mdrexample.csv",header=TRUE,sep=",")->datafit<-mdr.cv(data,K=2,cv=10)fitSNP1和SNP6的互作是最優(yōu)的模型，預(yù)測準(zhǔn)確率為51.88%。交叉驗(yàn)證一致性為70%。采用R軟件的MDR軟件包plot(fit,data)除了SNP1=2andSNP6=0是低風(fēng)險(xiǎn)，其余都是高風(fēng)險(xiǎn)。2）datamining-DecisionTree(rpartpackageofRsoftware)Thedevelopmentofclassificationandregressiontrees-Randomforest決策樹模型基于數(shù)量性狀的SNP互作分析在遺傳關(guān)聯(lián)研究中，有時(shí)常常需要計(jì)算基因的協(xié)同效應(yīng)對(duì)數(shù)量性狀的影響。近年來新開發(fā)了一款基于多因子降維方法的數(shù)量性狀多因子降維法（QuantitativeMultifactorDimensionalityReduction,QMDR），可用于探查SNP的上位顯性交互作用。QMDR方法是在MDR算法的基礎(chǔ)上分析數(shù)量性狀。不同于MDR方法比較每種基因型組合的頻數(shù)，QMDR是比較每種基因型組合的均數(shù)。與數(shù)量性狀相關(guān)的SNP-SNP互作對(duì)于每種基因型組合，計(jì)算它們的平均數(shù)并與總均數(shù)進(jìn)行比較。如果基因型組合的平均數(shù)超過總均數(shù)，此時(shí)該基因型組合就被認(rèn)為是高水平的。否則，該基因型組合就被認(rèn)為為低水平的。當(dāng)所有的基因型組合都被標(biāo)記為“高水平”或“低水平”，構(gòu)建一個(gè)二分類變量，采用T檢驗(yàn)法對(duì)高水平組和低水平組進(jìn)行比較。將T統(tǒng)計(jì)量作為訓(xùn)練分?jǐn)?shù)選擇出最好的模型。假設(shè)無效分布是均數(shù)為0的正態(tài)分布，采用經(jīng)驗(yàn)分布方法估計(jì)模型的p值。QMDR方法QMDR軟件是基于Java系統(tǒng)進(jìn)行操作，可以從上直接下載。下載完成后界面如下圖，點(diǎn)擊“LoadDatafile”加載數(shù)據(jù)文件。假定數(shù)據(jù)集中有10個(gè)SNP，450個(gè)樣本，一個(gè)數(shù)量性狀FEV1。將該數(shù)據(jù)文件另存為qmdr10-FEV1.txt。數(shù)據(jù)格式如下圖：數(shù)據(jù)文件進(jìn)行加載后，點(diǎn)擊“ViewDatafile”，即可以看到相應(yīng)的數(shù)據(jù)文件，如下圖按照默認(rèn)的參數(shù)設(shè)置，點(diǎn)擊“RunAnalysis”，則可以輸出下面的結(jié)果，如下圖：對(duì)于單個(gè)SNP，SNP3獲得了最好的模型。其中訓(xùn)練集和測試集T統(tǒng)計(jì)量分別為2.8556和1.7585。交叉驗(yàn)證一致性是50.0%。點(diǎn)擊“GraphicalModel”，可以獲得相應(yīng)的條圖。其中條的寬度表示數(shù)據(jù)的頻數(shù)，條的高度表示該基因型的FEV1平均數(shù)與總平均數(shù)的差異。點(diǎn)擊菜單中的“Topmodel”，則輸出每個(gè)模型交叉驗(yàn)證過程中的T統(tǒng)計(jì)量，如下圖。將紅色橢圓標(biāo)記的下拉菜單打開，還可以輸出T統(tǒng)計(jì)量的線圖和直方圖對(duì)于SNP的二階交互，SNP4和SNP6獲得了最好的模型，訓(xùn)練集和測試集的T統(tǒng)計(jì)量分別為3.7399和0.0328。對(duì)于SNP三階交互，SNP5、SNP9和SNP10獲得了最好的交互模型，訓(xùn)練集和測試集T統(tǒng)計(jì)量分別為5.5261和1.1015。對(duì)于二階交互模型和三階交互模型，交叉驗(yàn)證一致性均為40.0%。和單個(gè)SNP分析相同，選中交互模型，點(diǎn)擊圖中的各個(gè)選項(xiàng)，即可描述計(jì)算過程和繪制相應(yīng)圖形。例如對(duì)于SNP三階交互模型，點(diǎn)擊“GraphicalModel”，即可繪制出三個(gè)SNP互作條圖，如下圖所示：SNP5,SNP9和SNP10的三階互作點(diǎn)擊“Configuration”可以對(duì)參數(shù)進(jìn)行設(shè)置，如下圖：點(diǎn)擊“Network”可以通過調(diào)整閾值構(gòu)建相應(yīng)的網(wǎng)絡(luò)（基于熵的計(jì)算方法）并計(jì)算網(wǎng)絡(luò)的拓?fù)湫再|(zhì)（如度、介數(shù)和簇類系數(shù)）等

PartIVSNP功能分析的生物信息學(xué)方法

SNP功能分析研究表明，SNP可以在DNA、RNA和蛋白質(zhì)水平上影響基因的功能。SNP功能分析可以幫助闡明SNP對(duì)基因功能的影響及導(dǎo)致疾病發(fā)生的分子機(jī)制。對(duì)基因功能有影響的SNP是研究復(fù)雜疾