今天跟大家分享的是发表在Mol Genet Genomics杂志上的一篇文章Identification of pleiotropic genes between risk factors of stroke by multivariate metaCCA analysis．在文章中用了一种新颖的分析方法－－metaCCA，然后进行了基于基因的VEGAS2分析，以识别与中风多种危险因素相关的多效性基因。
Identification of pleiotropic genes between risk factors of stroke by multivariate metaCCA analysis
通过metaCCA分析来鉴定中风危险因素之间的多效性基因
一．研究背景
中风是一种临床综合征，中风易感性可能受到许多心血管因素的影响，包括心房纤颤，高血压，冠状动脉疾病和心力衰竭以及代谢性疾病。研究这些危险因素的共同发病机制可能对中风预防和临床干预有益。
全基因组关联分析已检测到与中风相关的20多个显著遗传位点，例如ALDH2，ZFHX3，PITX2，HDAC9，TSPAN2，FOXF2。但是单位点分析的GWAS忽略了不同表型之间的相关信息，因此不能有效识别复杂疾病中的罕见变异?所以在本篇文章中，作者利用metaCCA方法，对GWAS的汇总统计结果进行分析，以探讨多个疾病表型与基因型之间的关系，从而为研究疾病的发病机制提供依据?
二．分析流程
三．结果解读
1．数据处理
作者下载了中风相关的七个GWAS数据集（房颤AF、高血压HBP、冠状动脉疾病CAD、心衰HF、BMI、胆固醇水平、糖尿病）。
表1．从GWAS下载数据集的详细信息
然后作者利用plink软件基于LD信息过滤SNP。接着将过滤得到的SNP注释为其相应的基因。然后接着进行metaCCA分析。
metaCCA也称Summarystatistics based multival rate meta analysis of genome wideassociation studiesusing canonical correlation analysis，是利用典型相关分析（canonical correl ationanalysis，CCA）的原理，对GWAS的汇总统计结果进行分析，以探讨多个疾病表型与基因型之间的关系，从而为研究疾病的发病机制提供依据。metaCCA可有效解决单位点分析的GWAS其忽略不同表型之间的相关信息，而不能有效识别复杂疾病中的罕见变异的难题。
2．通过metaCCA和VEGAS2分析鉴定多效性基因
作者通过metaCCA分析检测到107个与多种表型显著相关的基因。然后使用VEGAS2算法对该基因集进行了测试。通过该算法，作者在测试中鉴定出了20个显著基因（调整p值≤0．05）（表2）。
发现了6个与AF相关的基因（ARHGAP32，MPPED2，SIK3，DOCK9，FUT8，SKAP1）；
3个与BMI相关的基因（SKAP1，PVRL2，PLA2G6）；
7个与HPB相关的基因（SIK3，PDE3A，DIAPH3，USP8，SPECC1，RAB8A，MACROD2）；
4个与CAD相关的基因（SIK3，DOCK9，PVRL2，SMARCA4）；
7个与T2D（2型糖尿病）相关的基因（MYRF，DENND5B，FUT8，SKAP1，GMIP，PVRL2，PLA2G6）；
9个TC相关的基因（MYRF，SIK3，PDE3A，ZMYM2，NYNRIN，GMIP，PVRL2，SMARCA4，PLA2G6）；
1个与HF相关的基因（ FUT8）。
表2．过metaCCA和VEGAS2分析鉴定的多效性基因
鉴定的20个多效性基因中的7个（USP8，SPECC1，RAB8A，ZMYM2，DOCK9，FUT8，PLA2G6）之前从未被报道与上述所包含的任何性状相关，属于新鉴定出的基因。上述结果也表明，这些基因可能与中风的几种危险因素有关联，而且可能通过调节下游信号通路来调控中风的发生。
3．鉴定的多效基因的生物学解释
为了进一步了解由metaCCA鉴定的多效性基因调控的下游信号通路，作者基于网络工具Enrichr对metaCCA鉴定的107个基因进行了功能富集分析。结果表明，最常见的富集通路包括葡萄糖醛酸化，黄酮和脂质的代谢，这些代谢被称为中风的代谢危险因素（表3）。
表3．多效性基因的通路富集
为了可视化这些基因编码的蛋白质间的相互作用，作者通过STRING 11．0数据库对GO富集中包含的相同107个基因进行了PPI分析（图1）。
图1．多效性基因的蛋白质－蛋白质相互作用（PPI）网络
为了确定影响中风的潜在风险基因，作者挑选了在VEGAS2测试中证实与多个性状有关联的十个基因（PDE3A，DOCK9，SMARCA4，MYRF，GMIP，FUT8，SKAP1，PLA2G6，SIK3，PVRL2）。然后作者确定了与其中5个选定基因（PDE3A，SMARCA4，GMIP，FUT8，PLA2G6）有关的18条指向缺血性卒中的最短通路（图2A）。结果发现：SMARCA4是所包括基因组中几乎所有基因的驱动基因。SMARCA4可能会通过多种通路调控中风，包括配体依赖性核受体（BCL6，ETS2，HMGB1，HDAC9），转运蛋白（ABCA1，ALB），和其它分子（肌钙蛋白T，PLAT，TNNT2，NR3C1，NOS3）。
另外，作者确定了与其中5个选定基因（PDE3A，SKAPT，FUT8，SMARCA4，PLA2G6）有关的24条指向脑出血的最短通路（图2B）。在这些基因中，SMARCA4和PDE3A也通过多种中间因素影响结果。
（图中实线表示链接分子之间的直接关系（例如：蛋白质之间的相互作用）；而虚线表示间接关系（例如：抑制或激活））
图5．基因－性状的通路网络
小结
在这项研究中，作者将metaCCA方法应用于GWAS汇总统计数据中的7个缺血性和出血性中风的危险因素（AF，CAD，HBP，HF，BMI，TC和T2D），来检验这些因素之间的重叠的遗传关系，并鉴定中风的预测风险基因。首先作者进行了metaCCA分析，以鉴定可能影响中风的多种危险因素的多效基因，并提出了缺血性和出血性中风的几种潜在调控通路。
此研究也存在局限性：由于研究中缺乏个体水平的基因型数据，所以无法确定能被已鉴定基因所解释的变异性的比例。
