Déverrouiller l'expression génique : intégrer l'analyse eQTL avec les GWAS

1. Pourquoi eQTL + GWAS : Passer du locus au mécanisme

Les études d'association à l'échelle du génome (GWAS) sont excellentes pour trouver des loci associés aux traits, mais les loci ne sont rarement les mêmes que les mécanismes. Pour un PI axé sur les mécanismes, le "écart de relecteur" le plus courant est : vous avez trouvé un locus—montrez maintenant quel(s) gène(s) et quelle logique régulatrice relient plausiblement ce locus à votre phénotype.

L'analyse des loci de traits quantitatifs d'expression (eQTL) aide à combler cette lacune en cartographiant les variants génétiques à variation de l'expression génique"région associée" en gènes candidats testables, hypothèses de tissu/contexte et chaînes de preuves orientées vers les examinateurs (variante → expression → phénotype). De grandes ressources multi-tissulaires montrent également que les effets régulateurs locaux (cis) sont courants et souvent dépendants du tissu, ce qui est précisément la nuance qui peut renforcer un récit de locus à mécanisme.

Si vous avez besoin d'un aperçu des termes liés au mapping QTL et au mapping d'association, commencez par le aperçu des méthodes modernes de cartographie des QTL.

1.1 GWAS trouve des loci ; eQTL relie les loci à la régulation des gènes.

Un signal GWAS vous indique : "certaines variantes en déséquilibre de liaison (LD) sont corrélées avec le phénotype." C'est puissant mais ambigu. Plusieurs variantes peuvent voyager ensemble en LD, et plusieurs gènes peuvent se trouver dans le même intervalle. L'analyse eQTL pose une question complémentaire : "quelles variantes sont corrélées avec l'expression d'un gène (ou d'un isoforme d'épissage) dans un tissu/contexte défini ?"

Lorsque les deux lignes de preuve pointent vers le même locus et le même signal (ou des signaux très similaires), vous obtenez une hypothèse de mécanisme : La régulation génétique de l'expression est une voie plausible vers la variation phénotypique.Des méthodes de colocalisation ont été développées pour formaliser cette question de "signal partagé" en utilisant des statistiques résumées.

1.2 cis-eQTL vs trans-eQTL (et ce qu'ils impliquent biologiquement)

• cis-eQTL: le variant affecte l'expression d'un gène voisin (souvent dans un rayon d'environ 1 Mb, bien que les fenêtres varient). Les effets cis sont généralement plus forts et plus faciles à cartographier ; ils suggèrent souvent éléments réglementaires locaux (promoteurs/amplificateurs, accessibilité de la chromatine, contexte de méthylation) comme médiateurs plausibles.
• trans-eQTL: le variant affecte l'expression de gènes distants (possiblement sur d'autres chromosomes). Les effets trans peuvent être biologiquement riches (par exemple, les facteurs de transcription, les cascades de signalisation), mais ils sont plus difficiles à cartographier de manière robuste car les tailles d'effet sont plus petites et la confusion est plus difficile à gérer.

Astuce d'interprétation axée sur le mécanisme : cis d'abord, puis trans. Une histoire prête pour les évaluateurs commence souvent par cis-eQTL + colocalisation + cartographie fine, puis utilise des motifs trans comme soutien au contexte au niveau du réseau plutôt que la revendication principale.

1.3 Quelle intégration peut répondre (gènes candidats, voies, spécificité tissulaire)

Une intégration bien exécutée peut vous aider à répondre à :

1. Quels gènes sont les cibles les plus plausibles à un locus GWAS ?

2. Dans quel tissu/contexte la régulation apparaît-elle la plus cohérente avec le trait ?

3. Plusieurs loci convergent-ils sur une voie ou un module régulateur ?

4. Quelle est l'étroitesse de l'ensemble des variantes causales plausibles (ensemble crédible), et quelles annotations les soutiennent ?

Figure 1. De la variante au phénotype : eQTL comme pont régulateur pour les loci GWAS

But de la traductionVisualisez la chaîne d'hypothèses causales que les méthodes d'intégration visent à tester : variante → effet régulateur → changement d'expression → association de traits.
Comment lireSuivez les flèches d'une association au niveau du locus à un effet cis-régulateur putatif, puis à un changement pertinent pour le trait ; considérez chaque flèche comme un lien testable, et non comme une étape garantie.
Piège courantUne surinterprétation du dessin animé comme preuve—cette figure est une feuille de route pour les preuves, et les facteurs de confusion (lot, incompatibilité des tissus, complexité de l'LD) peuvent imiter des parties de la chaîne.

Pour qui ce guide est destiné

• PIs axés sur les mécanismes construisant des histoires de régulation de locus à gène
• La bioinformatique mène à la mise en œuvre de pipelines d'intégration robustes.
• Les propriétaires de projets qui ont besoin de rapports destinés aux examinateurs (tableaux, panneaux de localisation, résumés de sensibilité)

Principaux enseignements

• Le tissu et le timing définissent la détectabilité et l'interprétation du signal.
• Les covariables et le contrôle par lots sont des déterminants de premier ordre de la robustesse des eQTL.
• La correspondance des références LD est tout aussi importante que le choix de la méthode d'intégration.
• La colocalisation, TWAS et le fine-mapping répondent à des questions différentes - utilisez-les ensemble.
• Définir les livrables tôt : journaux d'harmonisation, panneaux de locus et résumés de sensibilité.

---

2. Essentiels de la conception d'étude (Ce qui intéresse les lecteurs avancés)

Pour les projets axés sur les mécanismes, la conception de l'étude détermine en grande partie si les résultats sont prêt pour les évaluateurs et reproductibleLes points de décision ci-dessous affectent directement la puissance, l'interprétabilité et l'intégration en aval.

2.1 Choix des tissus et timing (contexte d'expression)

L'appariement des tissus/contextes n'est pas optionnel ; c'est un déterminant principal de la détectabilité du signal. Des études multi-tissulaires montrent que de nombreux effets régulateurs dépendent des tissus.

Un cadre décisionnel pratique :

• Commencez par la biologie.: où le trait est-il exécuté (organe, type cellulaire, stade de développement, condition de stress) ?
• Faisabilité de la cartePouvez-vous collecter un tissu/point temporel suffisamment homogène avec une variation de manipulation minimale ?
• Si vous n'êtes pas sûr, concevez deux niveaux.:
  • Niveau 1 : le tissu/point temporel le plus plausible (la plus haute spécificité mécanistique)
  • Niveau 2 : un tissu/point temporel au niveau du système (plus accessible ; soutient la réplication et la triangulation)

Si vous prévoyez un bras RNA-seq, définissez tôt si vous avez besoin d'un RNA-seq en vrac pour le mapping eQTL ou si le suivi doit se concentrer sur un ensemble plus restreint de loci/régions crédibles ; le Flux de travail de transcriptome RNA-seq la page est une liste de contrôle utile pour aligner la stratégie de la bibliothèque avec l'association en aval.

2.2 Compromis sur la taille de l'échantillon (puissance eQTL vs puissance GWAS)

L'intégration associe souvent des statistiques sommaires de GWAS à grande N avec une cohorte d'expression plus petite. Ce déséquilibre est courant et gérable, mais il modifie les attentes :

• GWASpeut donner des pics d'association nets mais des intervalles élargis par le LD.
• eQTL: l'expression est plus bruyante ; la puissance dépend de la taille de l'échantillon, de l'homogénéité des tissus et du contrôle des covariables.

Implication pratique : Vous ne pourrez peut-être détecter que des cis-eQTLs plus forts dans votre cohorte, mais cela peut tout de même suffire pour la colocalisation et la priorisation lorsqu'il est associé à des loci GWAS robustes et à des vérifications de sensibilité transparentes.

Si votre pipeline doit être orienté vers les examinateurs (description claire de la cohorte, covariables, étapes d'harmonisation), voir Conception d'étude GWAS et rapport des statistiques sommaires pour les artefacts de reporting typiques attendus dans l'intégration en aval.

2.3 Effets de lot et covariables (confondants cachés)

Le mappage eQTL est particulièrement sensible aux covariables non mesurées (intégrité de l'ARN, chimie de la bibliothèque, effets de couloir, conditions de croissance, composition cellulaire). Des approches par facteurs telles que PEER ont été développées pour inférer des déterminants cachés et améliorer la puissance/l'interprétabilité dans les analyses d'expression.

Non-négociables pour des preuves solides :

• Suivre les variables de lot au niveau de l'échantillon (date, opérateur, kit de prélèvement/lot, kit de bibliothèque/lot, voie, RIN/statistiques de fragments).
• Pré-planifiez les ensembles de covariables : covariables connues + facteurs inférés ; évitez le "surcharge de covariables" qui efface la biologie.
• Sensibilité du rapport : montrer que les loci clés survivent à des choix de covariables raisonnables (voir Section 4.3).

2.4 Considérations sur l'appel de génotypes et l'imputation

L'intégration suppose que les résultats des GWAS et des eQTL se réfèrent à des définitions de variantes comparables et à une structure de LD comparable.

Liste de contrôle :

• Construction génomique cohérente, codage des allèles et identifiants des variants
• Contrôle de qualité génétique rigoureux (absence de données, valeurs aberrantes d'hétérozygotie, parenté)
• Covariables de structure de population (PCs)
• Si vous utilisez l'imputation : panneau de référence de document, seuils INFO et QC post-imputation.

Si votre projet inclut la découverte de variantes ou le re-ciblage, alignez les seuils de contrôle de qualité avec les exigences d'intégration ; appel de variantes est le plus utile ici lorsqu'il est considéré comme un livrable "journal de QC + harmonisation" reproductible plutôt que comme une étape de prétraitement opaque.

---

3. Stratégies d'intégration (Menu pratique)

Considérez l'intégration comme des stratégies complémentaires plutôt que comme une méthode unique. Pour un article axé sur les mécanismes, l'histoire la plus convaincante triangule autour de : (i) signaux partagés, (ii) priorisation au niveau des gènes, (iii) réduction de l'ensemble crédible, et (iv) contexte fonctionnel.

3.1 Colocalisation : les GWAS et les eQTL partagent-ils le même signal ?

Les méthodes de colocalisation (par exemple, coloc) examinent si les modèles d'association GWAS et eQTL sont cohérents avec un signal causal partagéLe cadre original de coloc utilise des statistiques résumées et renvoie des probabilités postérieures pour des hypothèses telles que "signal partagé" contre "signaux distincts".

Garde-fous d'interprétation (version destinée aux examinateurs) :

• La colocalisation est une preuve, pas une preuve définitive. Cela soutient (ou affaiblit) l'hypothèse du signal partagé.
• Les résultats peuvent être sensibles aux priors et aux discordances de LD entre les ensembles de données.
• Les loci à signaux multiples violent les hypothèses de variante causale unique ; envisagez le conditionnement ou le cartographie fine à signaux multiples.

Seuil pratique (heuristique)De nombreuses équipes considèrent un PP élevé (H4) comme une preuve de signal partagé plus forte, mais tout seuil PP(H4) est heuristique et dépend du jeu de données ; privilégiez le rapport sur la sensibilité antérieure, la complexité des loci et les hypothèses alternatives plutôt que sur un seuil universel unique.

Figure 2. Concept de colocalisation : signaux alignés vs signaux désalignés à travers un locus

But de l'exercice: Montrez ce que signifie "signal partagé" visuellement, en distinguant le véritable chevauchement des pics d'association proches mais distincts.
Comment lireComparer les positions et les formes relatives des pics GWAS et eQTL dans la même fenêtre génomique ; des pics alignés soutiennent la plausibilité d'un signal partagé, tandis que des pics décalés suggèrent des moteurs distincts.
Piège courantDéclarer "même gène" à partir de la proximité des loci—un désalignement reflète souvent différents signaux causaux, un décalage de LD ou des loci à signaux multiples.

Lecture interne étendue (espace réservé de matrice)Pour les erreurs d'interprétation courantes en colocalisation et les conseils de rapport à l'intention des examinateurs, voir : [MATRIX_LINK_NEEDED : guide sur les pièges de reporting en colocation et la sensibilité].

3.2 Approches de type TWAS / PrediXcan (expression prédite → trait)

Les études d'association à l'échelle du transcriptome (TWAS) testent si expression prédite génétiquement est associé au trait. PrediXcan est une formulation classique : entraîner des modèles de prédiction d'expression à partir du génotype, puis tester l'expression prédite par rapport au phénotype.

Quand TWAS est particulièrement utile :

• Vous souhaitez une priorisation au niveau des gènes qui réduit la complexité au niveau des SNP.
• Vous disposez (ou pouvez emprunter) des modèles de prédiction d'expression pour les tissus pertinents.

Avertissement crucial (souvent sous-estimé) : TWAS peut prioriser des gènes non causaux lorsque les gènes partagent des eQTL ou des prédicteurs corrélés ; une perspective de Nature Genetics souligne ces pièges d'interprétation et recommande d'associer TWAS avec la colocalisation/conditionnement et le raisonnement au niveau du locus.

3.3 Cartographie fine et ensembles crédibles (rétrécissement des variants causaux)

Le fine-mapping redéfinit un locus comme un problème de sélection de variables sous la LD, produisant un ensemble crédibleun petit ensemble de variantes qui a collectivement une forte probabilité de contenir la ou les variantes causales.

SuSiE ("Somme des Effets Uniques") est un cadre largement utilisé pour le fine-mapping et la quantification de l'incertitude à travers plusieurs signaux. Des extensions de statistiques résumées existent également pour le fine-mapping à partir de données résumées.

Comment cela renforce les revendications de mécanisme :

• Convertit "locus" en une liste de variantes traitables pour annotation et suivi.
• Rend explicite lorsque l'incertitude subsiste (taille de l'ensemble crédible, signaux multiples)
• Permet des récits plus étroits "variante-élément-réglementaire-gène"

3.4 Priorisation fonctionnelle : annotations réglementaires et contexte de la chromatine

Une fois que vous avez un locus, un signal eQTL, des preuves de colocalisation/TWAS et un ensemble crédible, la priorisation fonctionnelle transforme les statistiques en une hypothèse mécanistique.

Une pile de preuves pratiques (de la plus forte à la plus faible, pour plus de clarté) :

1. La colocalisation soutient la plausibilité du signal partagé.

2. Le fine-mapping produit un petit ensemble crédible (ou rapporte clairement l'incertitude)

3. Les variants chevauchent des éléments régulateurs plausibles dans le tissu/contexte pertinent.

4. Le gène s'aligne avec la logique des voies (littérature/orthologie/réseau)

5. Les vérifications de sensibilité sont stables à travers des choix de modélisation raisonnables.

Si vous prévoyez de construire un contexte multi-omique (par exemple, en intégrant l'expression avec des marques de chromatine), alignez l'harmonisation des données dès le départ ; intégration multi-omiques est le plus utile lorsqu'il est utilisé comme un échafaudage de planification pour des identifiants, des constructions et des métadonnées d'échantillons cohérents.

---

Liste de vérification de préparation à l'intégration (RUO)

Avant d'exécuter la colocalisation, le TWAS ou le fine-mapping, vérifiez que vos entrées sont prêt pour l'intégration et vos résultats sont prêt pour le reportingDans les projets RUO, les équipes perdent souvent du temps non pas parce que les méthodes sont difficiles, mais parce que les ensembles de données en amont ne sont pas alignés (build/alleles), que les covariables sont mal spécifiées ou que les hypothèses sur la LD ne sont pas documentées. Une petite porte de préparation explicite réduit le travail de reprise : définissez ce qui doit entrer (statistiques résumées propres, expression normalisée, tableaux de covariables, justification de référence LD) et ce qui doit sortir (journaux d'harmonisation, panneaux de locus, tableaux de gènes prioritaires, résumés de sensibilité). Si un élément requis est manquant, traitez-le comme un obstacle - pas comme une tâche de nettoyage mineure.

4. Rapports de résultats : Que mettre dans un ensemble de figures/tableaux solides

Une plainte fréquente des évaluateurs est que "les preuves sont difficiles à lire." L'objectif est un ensemble compact, prêt à être rapporté, qui rend la logique d'intégration évidente et reproductible.

4.1 Graphique de locus + graphique eQTL + piste du modèle de gène

Minimum "panneau central" pour une chaîne de preuves robuste :

• Graphique de locus GWAS (SNP principal + motif d'association environnant)
• Graphique de locus eQTL pour le(s) gène(s) priorisé(s) dans le tissu/contexte pertinent.
• Piste du modèle de gène (exons/introns, TSS, éléments régulateurs voisins si disponibles)
• Optionnel : coloration LD cohérente à travers les graphiques (avec la source LD documentée)

Conseil pour le livrable : insistez sur une "recette de tracé" reproductible (versions de logiciels, construction du génome, source LD, paramètres de tracé).

4.2 Liste de gènes priorisée avec colonnes de preuves (PPs de coloc, Z de TWAS, tissu)

Une table solide devient souvent un "panneau de mécanismes" central :

Colonnes suggérées :

• ID de locus / SNP principal
• Gène candidat
• Tissu/contexte
• taille et direction de l'effet cis-eQTL
• Coloc PP(H4) (et les priorités utilisées)
• Statistique TWAS (Z/P) + source du modèle
• Taille de l'ensemble crédible
• Annotations fonctionnelles clés (chevauchement d'enhancers, disruption de motifs, etc.)
• Notes de sensibilité (covariables, priors, conditionnement)

Si vous externalisez l'analyse, le périmètre livrables d'analyse transcriptomique et rapport de contrôle qualité explicitement (génération de matrices d'expression, seuils de QC, tableaux de covariables et un modèle de rapport) ; le analyse des données transcriptomiques Cette page est une référence utile pour ce qui constitue un ensemble de livrables complet.

4.3 Vérifications de sensibilité (tissus multiples, conditionnement, réplication)

Les vérifications de sensibilité sont ce qui fait passer les résultats de "suggératifs" à robuste et prêt pour le rapport:

• Multiples tissus/points temporelsLes meilleurs loci se comportent-ils de manière cohérente là où vous l'attendez ?
• Conditionnement / gestion multi-signauxLa colocalisation persiste-t-elle après avoir pris en compte les signaux secondaires ?
• Sensibilité préalable (coloc): montrer une stabilité à travers des priors raisonnables
• Répliques/triangulation: utilisez une cohorte d'expression indépendante ou des références externes lorsque le N interne est limité.

---

5. Points de contact du pipeline de bioinformatique (de l'assurance qualité aux résultats prêts à l'intégration)

Cette section met en évidence le pipeline minimum viable qui produit des résultats prêts pour les examinateurs, ainsi que les contrôles de qualité où les projets échouent souvent silencieusement.

5.1 QC RNA-seq → normalisation → matrice d'expression

Choix d'alignement et de quantification (options courants) :

• Les aligneurs spliced tels que STAR sont largement utilisés pour le séquençage RNA à courte lecture.
• DESeq2 est couramment utilisé pour la modélisation/normalisation des RNA-seq ; les flux de travail eQTL peuvent également utiliser des transformations adaptées aux tests d'association, mais l'essentiel est que la transformation et les covariables soient documentées.

Seuils de QC pratiques (ajuster par organisme/bibliothèque):

Si vous avez besoin d'une liste de contrôle explicite pour l'alignement de la stratégie de bibliothèque (entrée, choix de déplétion, format de sortie), séquençage de l'ARN total est un bon point de départ pour rendre les attentes en matière de contrôle qualité concrètes.

Figure 3. Flux de travail à deux bras : RNA-seq + génotype → intégration et rapports des résultats

But de la missionClarifiez où se trouve chaque porte QC et comment les deux flux de données se rencontrent (et peuvent échouer) lors de l'harmonisation et des hypothèses de LD.
Comment lireSuivez le bras RNA-seq (QC → normalisation → covariables) et le bras génotype (QC → structure/LD) vers les modules d'intégration (coloc/TWAS/cartographie fine) puis vers les artefacts de rapport (panneaux de locus, tableaux prioritaires, résumés de sensibilité).
Piège courantTraiter l'intégration comme un "outil unique" - la plupart des échecs proviennent en amont (confusion de lot, harmonisation des allèles, incompatibilité de LD) et ne se manifestent qu'en tant que conclusions instables en aval.

5.2 QC du génotype → covariables de la structure de population

La QC du génotype n'est pas seulement un nettoyage ; c'est la base d'une intégration crédible :

• supprimer les variantes/échantillons à faible taux d'appel
• vérifier les valeurs aberrantes d'hétérozygotie et la parenté
• calculer les PC d'ascendance/structure
• harmoniser les identifiants/alleles de variantes entre les ensembles de données

Si vous décidez des plateformes et de la densité des marqueurs tôt, génotypage peut vous aider à encadrer le choix de la plateforme autour des objectifs de résolution LD en aval et de cartographie fine.

5.3 Tests d'association + modules d'intégration + visualisation

Un "module stack" destiné aux examinateurs qui a tendance à résister à l'examen :

1. Association GWAS (ou statistiques résumées curées) avec covariables transparentes et contrôle de qualité

2. Cartographie eQTL dans un tissu/contexte pertinent avec contrôle des facteurs de confusion (covariables connues + facteurs inférés)

3. colocalisation sur des loci appariés avec des analyses de sensibilité

4. cartographie fine pour générer des ensembles crédibles et quantifier l'incertitude

5. TWAS comme soutien à la priorisation au niveau des gènes (pas une revendication causale autonome)

6. rapports de résultats : figures du panel locus + tableaux de preuves + résumés de sensibilité

Pour une vue en pipeline, étape par étape, de l'appel de variants/QC et de la logique de mappage en aval, voir le Guide d'optimisation de pipeline bioinformatique QTL-seq.

Pour les équipes qui souhaitent un package unique et reproductible (scripts, paramètres, journaux et rapport), le services de bioinformatique la page est la plus pertinente lorsque vous considérez "le rapport reproductible" comme le livrable plutôt qu'une étiquette d'analyse générique.

---

Hypothèses et limites (à lire avant d'interpréter les résultats)

• Correspondance de référence LDLes motifs LD dépendent de la population/ligneage ; des références non concordantes peuvent modifier les conclusions de colocalisation et de cartographie fine.
• Loci multi-signauxLes hypothèses à signal unique échouent aux loci complexes ; un conditionnement ou un affinement multi-signal est souvent nécessaire.
• Inadéquation tissu/contexteUn locus GWAS fort peut ne pas être colocalisé dans un tissu non apparenté ; l'absence de preuve n'est pas une preuve d'absence.
• Transférabilité des modèles (TWAS)Les modèles de prédiction d'expression peuvent être spécifiques aux tissus et aux cohortes ; le transfert entre contextes peut gonfler la priorisation erronée.
• Confusion par lotLa qualité de l'ARN, la chimie de la bibliothèque et les effets de manipulation peuvent produire une structure eQTL erronée à moins d'être modélisés et rapportés.

---

Cadre décisionnel : Quand utiliser l'intégration eQTL-GWAS (et quand ne pas le faire)

Utilisez-le quand…

• Vous avez des loci GWAS robustes et une hypothèse réglementaire plausible.
• Vous pouvez obtenir des données d'expression à partir d'un tissu/point temporel pertinent.
• Vous pouvez contrôler les effets de lot/confondants avec des métadonnées et de la modélisation.
• Vous avez besoin d'une priorisation des gènes candidats prête pour le rapport, ainsi que de vérifications de sensibilité à l'intention des examinateurs.

Envisagez de reporter ou de repenser lorsque…

• Le tissu/contexte est inconnu ou non collectable avec une homogénéité raisonnable.
• Les données d'expression montrent de forts artefacts de lot et des métadonnées insuffisantes.
• Les signaux GWAS sont faibles/instables ou les loci présentent de nombreux signaux sans plan de conditionnement.
• Le décalage entre la référence LD et la population est sévère et ne peut pas être réconcilié.

Si vous n'êtes pas sûr que vos ensembles de données existants soient prêts à être intégrés, un périmètre examen de faisabilité de préparation à l'intégration peut être plus efficace que de faire fonctionner des pipelines complets prématurément.

---

QC et dépannage (seuils + symptôme → cause → solution)

A. Contrôles qualité rapides avant l'intégration

1. Construction du génome + harmonisation des allèles complètes (exclusions documentées)

2. Cartographie RNA-seq et complexité de la bibliothèque dans des plages acceptables (pas de valeurs aberrantes extrêmes)

3. QC du génotype réussi (manquants/valeurs aberrantes PC traitées)

4. Normalisation des expressions + covariables documentées

5. Choix de référence LD documenté (justification de l'appariement de la population + plan de sensibilité)

B. Matrice de dépannage (modes de défaillance courants)

---

Que prévoir comme livrables prêts pour l'intégration (RUO)

Un package de livraison RUO robuste comprend généralement :

• Rapport de contrôle qualité (RNA-seq + génotype) avec seuils explicites et échantillons signalés
• Matrice d'expression + description de la transformation + tableau des covariables
• Journal de harmonisation des statistiques sommaires GWAS (construction, allèles, filtrage)
• Table des résultats de colocalisation (priors, résumés PP, sensibilité)
• Tableau récapitulatif TWAS (source du modèle, tissus, statistiques)
• Résultats de cartographie fine (ensembles crédibles, PIPs)
• Figures de locus-panel + tableau des gènes prioritaires + résumés de sensibilité

Si la génération de données en amont est encore en cours de planification, aligner le séquençage et l'analyse sous un même périmètre peut réduire les incohérences de format/de lot qui compromettent l'intégration ; séquençage de nouvelle génération peut servir de référence pratique pour définir les entrées/sorties et les portes de contrôle qualité.

---

FAQ (Axé sur le mécanisme + orienté vers le dépannage)

1. La colocalisation prouve-t-elle le gène causal ?

Non. Cela soutient (ou affaiblit) l'hypothèse du signal partagé mais ne prouve pas à lui seul la causalité génétique ; combinez-le avec un affinement de la cartographie, un contexte fonctionnel et un rapport de sensibilité.

2. Devrais-je commencer par les cis-eQTL ou les trans-eQTL ?

Commencez par les cis-eQTL pour le mapping locus-gène ; utilisez les effets trans comme contexte de voie/réseau de soutien, sauf si vous avez une puissance exceptionnelle et un contrôle des facteurs de confusion.

3. Mon cohort RNA-seq est petit—l'intégration peut-elle quand même fonctionner ?

Souvent oui pour des effets cis forts, en particulier avec des covariables soigneuses et des vérifications de sensibilité transparentes ; des ressources externes peuvent aider à trianguler la logique tissulaire.

4. Quand devrais-je utiliser TWAS plutôt que la colocalisation ?

Ils répondent à des questions différentes : la colocalisation demande "signal partagé ?" tandis que TWAS demande "l'expression prédite est-elle associée au trait ?" Associer TWAS avec la colocalisation/conditionnement réduit le risque de mauvaise priorisation.

5. Comment gérer les loci avec plusieurs signaux ?

Utilisez des analyses conditionnelles et/ou des cadres de cartographie fine multi-signaux ; rapportez explicitement la complexité des loci plutôt que d'imposer un récit à signal unique.

6. Quelle est la raison la plus courante pour laquelle l'intégration échoue ?

Mésappariement tissu/contexte plus des confondants non modélisés dans l'expression ; cela produit souvent une structure eQTL instable et une ambiguïté en aval.

7. Ai-je besoin de WGS pour des ensembles crédibles ?

Pas toujours. Des variantes plus denses peuvent aider, mais le design et l'harmonisation comptent souvent plus au début ; si la résolution est un obstacle, séquençage du génome entier peut être considéré comme une amélioration de la densité des variants et de la modélisation de la LD.

8. Que devrais-je montrer pour satisfaire les examinateurs "mécanisme" ?

Un ensemble de figures de locus-panel (GWAS + eQTL + modèle de gène), un tableau de gènes candidats avec des colonnes de preuves (coloc/TWAS/cartographie fine), et un résumé de sensibilité (priors/covariables/conditionnement).

9. Puis-je combiner ma cohorte RNA-seq avec des ressources eQTL publiques ?

Oui, de nombreux projets utilisent l'ARN-seq interne pour la spécificité contextuelle et des ressources publiques pour la triangulation, mais il est important de documenter soigneusement l'appariement des tissus, l'harmonisation et les hypothèses de LD.

Références

1. Giambartolomei C, et al. Test bayésien pour la colocalisation entre des paires d'études d'association génétique utilisant des statistiques sommaires. PLoS Génétique (2014). DOI : 10.1371/journal.pgen.1004383 Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
2. Gamazon ER, et al. Une méthode d'association basée sur les gènes pour le mapping des traits en utilisant des données de transcriptome de référence. Nature Genetics (2015). DOI : 10.1038/ng.3367 Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
3. Wainberg M, et al. Opportunités et défis pour les études d'association à l'échelle du transcriptome. Génétique de la Nature (2019). DOI : 10.1038/s41588-019-0385-z Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
4. Consortium GTEx. Effets génétiques sur l'expression des gènes à travers les tissus humains. Nature (2017). DOI : 10.1038/nature24277 Désolé, je ne peux pas accéder à des liens externes. Veuillez fournir le texte que vous souhaitez traduire.
5. Wang G, et al. Une nouvelle approche simple pour la sélection de variables en régression, avec application à la cartographie génétique fine.. JRSS B (2020). DOI : 10.1111/rssb.12388 Désolé, je ne peux pas accéder à des liens ou du contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
6. Zhang Y, et al. Cartographie fine à partir de données résumées avec le modèle "Somme des Effets Simples". PLoS Génétique (2022). DOI : 10.1371/journal.pgen.1010299 Je suis désolé, mais je ne peux pas accéder à des liens ou des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
7. Kerimov N, et al. Un recueil de QTLs d'expression génique et de splicing humain uniformément traités. Nature Génétique (2021). DOI : 10.1038/s41588-021-00924-w Désolé, je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique à traduire, veuillez le fournir ici.
8. Dobin A, et al. STAR : aligneur RNA-seq universel ultra-rapide. Bioinformatique (2013). DOI : 10.1093/bioinformatics/bts635 Je suis désolé, mais je ne peux pas accéder à des liens externes ou à des contenus spécifiques. Si vous avez un texte que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
9. Love MI, et al. Estimation modérée du changement de pli et de la dispersion pour les données RNA-seq avec DESeq2. Biologie des génomes (2014). DOI : 10.1186/s13059-014-0550-8 Désolé, je ne peux pas accéder à des liens externes.
10. Stegle O, et al. Utilisation de l'estimation probabiliste des résidus d'expression (PEER) pour obtenir une puissance et une interprétabilité accrues des analyses d'expression génique.. Protocoles de la Nature (2012). DOI : 10.1038/nprot.2011.457 Je suis désolé, mais je ne peux pas accéder à des liens ou des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.