用改进的多祖源精细定位方法识别影响分子性状和疾病风险的顺式调控变

目前fine-mapping 针对分子性状

image.png

常见的 fine-mapping 软件

• SuSiE
• JAX： 使用Python library - CPU/GPU/TPU (LLM model 常用) 优点：1： autograd 2: python快-简单function很简单

新开发- SuSHiE : Sum of Shared single Effect

每个祖先为一组
一个vector只有一个non 0数，符合正太分布。

image.png

比较-模拟数据

image.png

结果与其他方法比较-优点

image.png

实际数据结果

三个实际数据集

image.png

1结果-大多基因具有1-3eQTL

image.png

控制信号出现的问题-初始的位置

image.png

QTL的生物学意见

image.png

具体到细胞类型-tissue

image.png

与其他方法比较-eGene

image.png

case study- URGCP-肿瘤发育-只有SuSiE发现

image.png

验证发现的SNP

image.png

又使用了三个新的数据集验证

image.png

2 结果-进一步分析eQTL效应之间的相关性（非常重要）

image.png

分析不相关的基因问题-constraint相关

image.png

3 结果- TWAS- pediction weight - 个体基因组数据

image.png image.png

软件- Python包

image.png

总结

image.png

问题- 1 -怎么找出case-SNP

• 如果一样的样本数，多个祖先的数据可能更好；但是当一个群体中的数据足够大，一个也可以
• 加入add mix 群体可能得到更多

问题-2 GWAS 缺陷是假设只使用了SNP

-应该考虑SV, INDEL
-非加性效应

问题-3- SuSiE的适应方法

• 方法： 分析时尝试多种方法，可能得到自己需要gene
• 软件： SuShiE Python给出Fusion的结果模式，用于TWAS分析
• Document： 比较全部

参考文献： Lu et al., 2025. NG

参考PPT 来自CGM公众号