Accounting for genetic effect heterogeneity in fine-mapping and improving power to detect gene-environment interactions with SharePro
Notice bibliographique
Résumé
Abstract Background Characterizing genetic effect heterogeneity across subpopulations with different environmental exposures is useful for identifying exposure-specific pathways, understanding biological mechanisms underlying disease heterogeneity and further pinpointing modifiable risk factors for disease prevention and management. Classical gene-by-environment interaction (GxE) analysis can be used to characterize genetic effect heterogeneity. However, it can have a high multiple testing burden in the context of genome-wide association studies (GWAS) and requires a large sample size to achieve sufficient power. Methods We adapt a colocalization method, SharePro, to account for effect heterogeneity in finemapping and subsequently improve power for GxE analysis. Through joint fine-mapping of exposure stratified GWAS summary statistics, SharePro can greatly reduce multiple testing burden in GxE analysis. Results Through extensive simulation studies, we demonstrated that accounting for effect heterogeneity can improve power for fine-mapping. With efficient joint fine-mapping of exposure stratified GWAS summary statistics, SharePro alleviated multiple testing burden in GxE analysis and demonstrated improved power with well-controlled false discovery rate. Through analyses of smoking status stratified GWAS summary statistics, we identified genetic effects on lung function modulated by smoking status mapped to the genes CHRNA3 , ADAM19 and UBR1 . Additionally, using sex stratified GWAS summary statistics, we characterized sex differentiated genetic effects on fat distribution and provided biologically plausible candidates for functional follow-up studies. Conclusions We have developed an analytical framework to account for effect heterogeneity in finemapping and subsequently improve power for GxE analysis. The SharePro software for GxE analysis is openly available at https://github.com/zhwm/SharePro_gxe .
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 | 0,020 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 ».