CRISPRi perturbation screens and eQTLs provide complementary and distinct insights into GWAS target genes
Notice bibliographique
Résumé
Abstract Most genetic variants associated with human traits and diseases lie in noncoding regions of the genome 1 , and a key challenge is determining which genes they affect 2,3 . A common approach has been to leverage associations between natural genetic variation and gene expression to identify expression quantitative trait loci (eQTLs) in the population 4,5 . At the same time, a novel approach uses pooled CRISPR interference (CRISPRi) perturbations of noncoding loci with single-cell transcriptome sequencing 6,7 . Here, we systematically harmonized and compared the results from these approaches across hundreds of genomic regions associated with blood cell traits. We find that while the two approaches sometimes identify the same target genes, there are considerable differences that affect biological inferences made from the data. CRISPRi preferentially maps highly proximal, constraint-enriched genes, whereas eQTLs recover multiple, often distal targets. By benchmarking against 1,075 gold-standard CRE–gene pairs linked to blood traits, we show that the two approaches identify largely distinct targets; when combined, they achieve a balance between accuracy and completeness of gene discovery. Our results offer guidance for improved design of CRISPRi and eQTL studies and highlight their joint potential as a powerful toolkit for interpreting disease-associated loci.
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) | 0,000 | 0,001 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».