GWAS SVatalog：利用结构变异进行GWAS位点精细定位的可视化工具

《Heredity》：GWAS SVatalog: a visualization tool to aid fine-mapping of GWAS loci with structural variations

本研究针对GWAS（全基因组关联分析）中显著SNP（单核苷酸多态性）多位于非编码区、难以解释其功能机制的问题，开发了开源网络工具GWAS SVatalog。该工具整合了101例长读长测序数据鉴定的35,732个SV（结构变异）与GWAS Catalog中14,479种表型的116,870个SNP，通过计算并可视化SV与SNP间的LD（连锁不平衡），首次系统评估了常见SV与人类性状的关联。研究发现SV更易重叠调控元件，且与GWAS SNP LD较弱的SV更常重叠CpG岛和启动子。工具成功应用于铁水平、屈光不正和阿尔茨海默病等性状的GWAS位点精细定位，为疾病病因研究提供了新视角。

　　

在遗传学研究领域，全基因组关联分析（Genome-Wide Association Studies, GWAS）已成为探索复杂性状遗传基础的利器。通过扫描数百万个单核苷酸多态性（Single Nucleotide Polymorphisms, SNPs），科学家们成功鉴定了大量与疾病风险、生理指标等表型相关的遗传位点。然而，一个令人困惑的现象逐渐浮现：约93%的GWAS显著信号位于基因组的非编码区域，这些区域不直接编码蛋白质，其生物学功能往往难以直接解读。更深入的问题在于，SNPs本身只能代表基因组变异的一部分，许多重要的遗传变异形式——如大片段的结构变异（Structural Variations, SVs）——可能在GWAS信号背后扮演着更为直接的因果角色，但由于技术限制，这些变异在传统GWAS中难以被全面检测。

结构变异通常指长度在50bp到数Mb之间的DNA序列变化，包括插入、缺失、重复和倒位等类型。由于它们通常涉及大片段的DNA改变，SVs对基因功能的影响往往比SNPs更为显著：可能改变基因的拷贝数、破坏调控元件、甚至影响染色体的三维结构。然而，SVs的检测面临巨大技术挑战。传统的短读长测序技术由于读长限制，难以准确识别大片段变异，特别是在重复序列区域。尽管长读长测序技术的出现显著提升了SV检测能力，但如何将SV信息与现有的GWAS资源有效整合，仍然是一个亟待解决的问题。

正是在这一背景下，由多伦多病童医院领衔的研究团队开发了GWAS SVatalog这一创新性网络工具。该研究近期发表于《Heredity》杂志，旨在通过可视化SV与GWAS显著SNPs之间的连锁不平衡（Linkage Disequilibrium, LD）关系，帮助研究人员发现那些可能被GWAS信号"标记"但未被直接检测的潜在功能性SVs。

为开展这项研究，研究人员利用了一个独特的队列资源——囊性纤维化加拿大个性化治疗项目（Cystic Fibrosis Canada-SickKids Program in Individualized Therapy, CFIT）。该队列包含101名囊性纤维化患者，研究人员同时采用了PacBio连续长读长（Continuous Long Read, CLR）和10X Genomics链接读长（Linked-Read）两种测序技术对样本进行全基因组测序。这种双平台测序策略相当罕见，其优势在于能够通过技术互补提高SV检测的可靠性和稳健性。

关键技术方法包括：1）基于101例CF患者队列（主要為欧洲裔）的双平台测序数据（PacBio CLR和10X Genomics）；2）采用多款SV检测软件（pbsv、Sniffles、Long Ranger等）的组合调用策略；3）建立三步合并流程整合不同平台的SV检测结果；4）计算35,732个SVs与GWAS Catalog中116,870个显著SNPs的连锁不平衡统计量（r²和D'）；5）开发基于Plotly Dash和Python的交互式网络可视化工具。

SV检测与验证

研究人员建立了一套完整的SV检测流程（图1），通过合并PacBio CLR和10XG两个测序平台的检测结果，共识别出129,485个长度大于50bp的独特SVs，平均大小为977bp。

其中插入和缺失的数量分别为60,591和63,301个，高于先前报道的全基因组长读长SV数据集。为确保证据质量，研究人员仅保留在至少三个个体中出现的SVs，最终获得87,183个独特SVs用于后续分析。

通过等位基因频率比较，研究证实除7号染色体上的CFTR基因座外，该CF队列的遗传背景与1000 Genomes欧洲人群无显著差异，确保了结果对普通欧洲裔人群的可推广性。与三个公共长读长SV数据集的比较显示，85%的常见SVs（非参考等位基因频率>0.1）在其他数据集中也得到了验证，证明了检测结果的可靠性。

SV的基因组分布特征

SV长度分布显示出300bp和6,000bp处的明显峰值，分别对应Alu和LINE元件。SVs在端粒区域密度较高，且大多数单例SV在此区域被检测到。功能注释分析发现，增强子频繁与SVs重叠，且73,655个独特常见SVs位于拓扑关联域（Topologically Associated Domains, TADs）内部，而仅有72个SVs重叠TAD边界，后者可能对基因表达产生功能性影响。

关联分析显示，较高的SV非参考等位基因频率（Non-reference Allele Frequency, NAF）与较低的CpG岛和启动子重叠几率相关。SV类型与调控特征重叠显著相关，且SV大小和附近GWAS SNPs数量越多，SV与各调控特征重叠的几率越高。特别值得注意的是，与GWAS SNPs连锁不平衡较弱的SVs（基于D'或r²）更倾向于重叠CpG岛和启动子，这支持了某些GWAS信号可能由影响基因功能的SVs驱动的假说。

GWAS SVatalog工具应用

GWAS SVatalog提供了直观的查询界面，用户可通过表型或基因组区域进行检索。工具可视化展示了选定SV与GWAS显著SNPs的LD关系（图3），其中图3A显示目标SV与所有表型GWAS显著SNPs的LD，图3B则聚焦于特定表型的GWAS信号。

在35,732个SVs中，23,577个与GWAS SNPs存在高度LD（D'≥0.8），其中9,438个位于基因内部的SVs与GWAS相关位点存在强LD。研究人员通过系统筛选，成功复现了已知的年龄相关性黄斑变性（Age-related Macular Degeneration, AMD）致病SV——位于ARMS2基因3'UTR区域的缺失变异（图4A），证明了工具的有效性。

更重要的是，研究发现了三个新的候选SVs可能解释已知GWAS信号：1）3号染色体TF基因3'UTR区域的1317bp缺失（图4B），与血清转铁蛋白水平GWAS中的显著SNP rs3811647存在强LD（D'=0.952），该SV为SINE-VNTR-Alu（SVA）反转录转座子，可能影响基因表达调控；2）6号染色体KCNQ5基因内含子1区域的54bp缺失（图4C），与屈光不正GWAS信号rs7744813完全连锁（D'=1），位于组蛋白标记H3K4me1和H3K27ac区域内，可能影响基因表达；3）7号染色体TMEM106B基因3'UTR区域的323bp缺失（图4D），与阿尔茨海默病GWAS信号rs1990622完全连锁（D'=1），该SV可能通过影响表观遗传调控元件发挥作用。

研究结论与讨论

GWAS SVatalog的推出填补了GWAS精细定位中的重要空白，首次实现了大规模SV与GWAS信号的系统整合和可视化。研究通过严谨的技术验证表明，基于欧洲裔CF患者队列产生的SV数据具有良好的可靠性和泛化能力，为欧洲裔人群的GWAS研究提供了宝贵资源。

然而，研究也存在若干局限性。首先，基于参考基因组比对的SV检测仍受参考偏倚影响，可能导致复杂SVs的漏检。其次，当前SV检测软件难以完全准确界定变异边界，导致研究中将所有SVs视为二等位形式处理，可能高估了SV与SNP间的LD程度。此外，工具目前主要适用于欧洲裔人群，在其他族群中的适用性有待通过纳入更多样化的SV数据集来扩展。

尽管存在这些限制，GWAS SVatalog代表了向更全面理解GWAS信号生物学机制迈出的重要一步。通过将SVs纳入GWAS位点精细定位的视野，该工具有望推动更多疾病相关功能性变异的发现，最终促进对复杂性状遗传基础的深入理解。随着长读长测序技术的不断进步和泛基因组参考的推广应用，未来GWAS SVatalog的持续更新将进一步提升其在多样化人群中的适用性和检测能力，为精准医学研究提供更强有力的支持。