【生物大数据】统计方法在生物信息学“精细定位”（fine-mapping）中的应用

之前我们发过一篇文章，文章中说如何寻找与某个疾病相关的遗传信息，简单复习一下：

我们每个人所带的基因是差不多的，之所以有的人卷发，有的人直发，有这么丰富多彩的变化，就是因为一些基因发生了改变。 目前，科学家已经对糖尿病、冠心病、肺癌、前列腺癌、肥胖、精神病等多种复杂疾病进行了GWAS分析，并找到了疾病相关的多个易感位点。

携带某种基因易感位点的人，就会有很大概率换上某种疾病。

我们通过全基因组关联分析（GWAS）找出来与某个疾病关联最大的基因位点集合（SNP或说variant），GWAS分析的思想如下：

原文请戳这里：☞【数说·大数据圈】机器学习在生物大数据应用的一个例子

到这里，其实并没有结束，最终找出来的若干基因易感位点（我们不妨称为易感SNP集合，每一个位点，简单理解为一个SNP吧），是一个集合，里面包含了可能不止一个易感位点。它们都是在统计意义上的显著，是有一定犯错概率的，也没有经过生物学的证实。 本文要说的精细定位，就是要进一步缩减候选的基因易感位点，排除掉一些“假”的位点。精细定位，叫做fine-mapping。

0

必备前提

在做fine-mapping之前，有三个前提一定要具备： 第一，区域中所有的common SNP都已经被genotyped或者imputed。这个前提是为了确保真正致病的那个SNP已经包含在这“若干基因易感位点”之中了。 第二，已经做过严格的quality control。 第三，大样本，确保提供足够的power。 满足必备前提之后，我们进行fine-mapping，分成两部分，statistical fine-mapping和functional fine-mapping。本文的重点是statistical fine-mapping，简单介绍一下统计方法在fine-mapping中的应用。

1

statistical fine-mapping

这一部分是本文的重点。 在此步骤中，我们对GWAS中选出来的易感SNP集合进行统计分析，比较、排序其中SNP的重要次序，甚至删除掉一些不重要的SNP，缩小易感SNP集合的范围。 大概有三种方法，一一列举如下：

方法1：conditional regression

我们在回归模型中，将最显著的那个SNP作为协变量进行控制，看其他SNP对疾病的影响是否还显著。选出P值最显著的几个易感SNP（P值通常要小于10的-8次方，因为要校正，所以视SNP的数量决定，参考☞浅议P值校正），缩小范围，精细定位。 我们可以在plink中利用命令： plink -bfile mydata --linear --condition covariateSNP 来实现。 下面是一个例子，摘自 "Fine mapping analysis of HLA‑DP/DQ gene clusters

on chromosome 6 reveals multiple susceptibility loci for HBV infection"

这篇文献中，作者想要看一下前人发现的，HLA-DP/DQ这两个基因簇与乙型肝炎（HBV）的显著关系，是否可以再具体定位到某个SNP或者block中。

注：染色体、基因、block和SNP这四者大致是什么关系？

（不专业的比喻，帮助理解一下，勿喷哈~）

如果把SNP看做是一个具体的房子或者建筑物，那么block就是一片小区，基因大概就是一个城市，染色体差不多是一个省了。

其中就使用到了conditional regression的方法

垂直轴代表作为协变量的基因簇，水平轴代表需要detected的基因簇。白色代表显著，灰色代表不显著: HBV = HLA-DP + （HLA-DQ + other covariates）

HBV = HLA-DQ + （HLA-DP + other covariates）

从两个白色区域可以看出，HLA-DP和HLA-DQ都是显著的，因此，作者的第一个结论是：

之前发现的HLA-DP和HLA-DQ两个基因簇对乙型肝炎的显著影响，是相互独立的。

此外，作者又对HLA-DP上的三个block做了conditional regression：

block 3位于HLA-DPA1，block 5位于HLA-DPB1，block 4位于HLA-DPA1和HLA-DPB1的overlap 区域。

首先以block 3作为covariate，看其他两个是否显著： HBV = block 4 + （ block 3 + other covariates） HBV = block 5 + （ block 3 + other covariates） 发现都是显著的； 其次以block 4作为covariate， HBV = block 3 + （ block 4 + other covariates） HBV = block 5 + （ block 4 + other covariates） 发现block 5是显著的； 最后以block 5作为covariate， HBV = block 3 + （ block 3 + other covariates） HBV = block 4 + （ block 3 + other covariates） 发现都不显著。 因此，作者的第二个结论：

HLA-DPB1上的block 5，是该区域中对HBV作用最显著的易感位点。

方法2: Bayesian posterior probability

P值判断的方法有几个缺点，因为每一个P值的计算都受到样本量、MAF（Minor Allele Frequency）等因素的影响，每个研究的样本量不一样，不同研究的P值之间不好直接比较，而Bayesian posterior probability可以很好的回避这些问题。

对某区域上的每个SNP，计算一个pp（posterior probability）。

选出的易感SNP集合，其所有的pp之和等于99%，也即丢弃掉的SNP，其PP之和为1%。 该方法可以使用一个叫BIMBAM的程序来实现。 比如，

"Bayesian refinement of association signals for 14 loci in 3 common diseases"

这篇文献就使用该方法对三种疾病进行fine-mapping。感兴趣的可以自己看一下，这里只展示一张图：

图中黄色和紫色的点点，就是99%的易感SNP集合，它们的PP加起来为99%。其中，黄色的点点，是95%集合，它们加起来为95%。

方法3：High LD with lead SNP

这个方法很简单，就是选出GWAS中，与最最显著的SNP高LD的SNP，作为缩小的易感SNP集合。 以上三种方法的适用情形，是我们有原始的genotype 数据，如果没有呢？我们可以尝试只用summary association statistical信息。

方法4：Summary association statistics

没有原始的genotype数据，我们可以利用一些summary的信息，典型的方法有CAVIAR、PAINTOR等。 CAVIAR方法的流程如下图所示：

PAINTOR方法也是只利用summary的统计量和成对的相关系数矩阵来完成。

2

functional fine-mapping

functional的fine-mapping主要是对SNP做一些功能阐述。用到的数据库有ANNOVAR、VEP、HaploReg等，不多说了。

3

Summary

最后总结一下整个流程：

参考资料：

Strategies for fine-mapping complex traits，Sarah L.，2015

Fine mapping analysis of HLA‑DP/DQ gene clusters on chromosome 6 reveals multiple susceptibility loci for HBV infection, Jingjing Tao, 2015

Bayesian refinement of association signals for 14 loci in 3 common diseases, Julian B Maller, 2012