GEM-Finder: dissecting GWAS variants via long-range interacting cis-regulatory elements with differentiation-specific genes
Notice bibliographique
Résumé
Abstract Interpreting the functional significance of non-coding GWAS variants remains challenging. While co-localizing variants with cell-type specific cis-regulatory elements (CREs) has improved our understanding, many variants remain unassociated. In this study, we propose GEM-Finder (Genomic Element Mapping for Fine Discovery of Promoter-Linked Variants), a novel analytical framework that integrates transcriptomic, epigenomic (H3K27ac ChIP-seq), and chromatin interaction data. GEM-Finder utilizes long-range chromatin interactions to identify CREs that connect differentially expressed genes of specific cell types. When we apply GEM-Finder to endothelial differentiation, unlike conventional methods primarily focused on cell-type specific CREs, GEM-Finder identifies 7.6 times more disease/trait associations. Specifically, by integrating transcriptome, epigenome (particularly H3K27ac ChIP-seq), and long-range chromatin interactions during endothelial differentiation, we identified CREs linked to differentiation-specific genes. Our enrichment analyses revealed both shared and unique associations for 53 human diseases/traits. Notably, the majority of these (68%) exhibited unique associations in a differentiation-specific manner. Hematological traits and neuropsychiatric disorders were primarily linked to the final stage of endothelial differentiation, while several complex diseases, such as colorectal cancer (CRC), were unexpectedly associated with the late stage. Our findings underscore the importance of leveraging long-range chromatin interactions to accurately identify disease-associated CREs in the functional characterization of non-coding GWAS variants.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».