A fast and robust strategy to remove variant level artifacts in Alzheimer’s Disease Sequencing Project data
Notice bibliographique
Résumé
Abstract Whole-exome sequencing (WES) and whole-genome sequencing (WGS) are expected to be critical to further elucidate the missing genetic heritability of Alzheimer’s disease (AD) risk by identifying rare coding and/or noncoding variants that contribute to AD pathogenesis. In the United States, the Alzheimer’s Disease Sequencing Project (ADSP) has taken a leading role in sequencing AD-related samples at scale, with the resultant data being made publicly available to researchers to generate new insights into the genetic etiology of AD. In order to achieve sufficient power, the ADSP has adapted a study design where subsets of larger AD cohorts are collected and sequenced across multiple centers, using a variety of sequencing kits. This approach may lead to variable variant quality across sequencing centers and/or kits. Here, we performed exome-wide and genome-wide association analyses on AD risk using the latest ADSP WES and WGS data releases. We observed that many variants displayed large variation in allele frequencies across sequencing centers/kits and contributed to spurious association signals with AD risk. We also observed that sequencing kit/center adjustment in association models could not fully account for these spurious signals. To address this issue, we designed and implemented novel filters that aim to capture and remove these center/kit-specific artifactual variants. We conclude by deriving a novel, fast, and robust approach to filter variants that represent sequencing center- or kit-related artifacts underlying spurious associations with AD risk in ADSP WES and WGS data. This approach will be important to support future robust genetic association studies on ADSP data, as well as other studies with similar designs. Author Summary Next generation sequencing data represents a highly valuable resource to uncover rare coding and/or noncoding genetic variants that contribute to Alzheimer’s disease risk. In order to achieve large sample sizes that are required for such data, the Alzheimer’s Disease Sequencing Project (ADSP) has taken the leading role in sequencing Alzheimer’s disease related samples at scale in the United States. The ADSP’s study design however leads to variable variant quality across the involved sequencing centers, necessitating a quality control approach that ensures robust genetic association analyses. Here, we present and validate a rigorous quality control pipeline, where we specifically developed a new strategy to handle inter-center variant quality issues in the ADSP. In doing so, we provide a first glance into exome- and genome-wide associations with Alzheimer’s disease risk using the latest releases of ADSP data (respectively 20.5k and 16.9k individuals). In sum, our pipeline is important to support future robust genetic association studies on ADSP data, as well as other studies with similar design. This in turn will contribute to accelerating Alzheimer’s disease gene discovery and gene-driven therapy development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».