这篇文章介绍GWAS数据的多组学分析，一并介绍孟德尔随机化的应用，文章内容来自2023年发表的3篇论文。
1.端粒长度基因与肺癌的常见遗传变异：孟德尔随机化研究及其在肺肿瘤转录组中的新应用
全基因组关联研究 (GWAS) 已确定白细胞端粒长度 (LTL) 和肺癌易感性的遗传易感性变异。
（1）首先评估了端粒长度、肺癌风险和其他假定的肺癌风险因素的共同遗传基础
（2）MR分析：在与全基因组显著性 LTL 相关的 490 个遗传工具中 (p<5x10 –08 )，144 个 LTL 遗传工具解释了约 3.5% 的 LTL 方差，并且处于低连锁不平衡状态 (r 2 <0.01）用于MR分析。
（3）肺腺癌肿瘤的分子表达模式、LTL PRS 和癌症基因组图谱 (TCGA) 特征之间的关联
这项研究揭示了一种基因表达成分，该成分与增殖率评分和其他基因组稳定性相关特征高度相关，并与肺腺癌肿瘤中的 LTL 相关。新意在于首次报道端粒长度等病因相关的PRS与肺部肿瘤中的特定表达成分之间的关联。
参考文献：Common genetic variations in telomere length genes and lung cancer: a Mendelian randomisation study and its novel application in lung tumour transcriptome. Elife. 2023 Apr 20;12:e83118.
1.孟德尔随机化和转录组分析揭示了阿尔茨海默病和癌症之间的反向因果关系
阿尔茨海默病（AD）和癌症是常见的与年龄相关的疾病，流行病学证据表明它们之间存在反比关系。然而，调查它们之间关系的潜在机制仍然不够。
GWAS确定的是和发病相关的SNP位点，相关非因果，进一步地使用孟德尔随机化等方法，可以定位更明确的因果基因。
（1）AD 是感兴趣的暴露，癌症是结果，SNP 是工具变量，进行两样本孟德尔随机化分析
（2）利用GTEx的与血液和脑组织相关的eQTL数据进行共定位分析，使用SMR(summary水平的孟德尔随机化）工具将多个数据整合起来。一般到这一步就完了，直接验证，作者多做了一步表观。
（3）转录组分析：基于 TCGA 的转录组数据分析AD 风险基因 ( PVRIG）表达之间的相关性）以及 33 种癌症类型和泛癌的分子和临床特征，随后进行了通路富集分析。后续就是功能验证。
参考文献：Mendelian randomization and transcriptomic analysis reveal an inverse causal relationship between Alzheimer's disease and cancer. J Transl Med. 2023 Aug 4;21(1):527.
1.血浆趋化因子与乳腺癌症风险和预后的相关性：一项孟德尔随机化研究
尽管几种趋化因子在细胞毒性免疫细胞迁移以抑制乳腺癌细胞增殖中具有潜在作用，但对趋化因子与乳腺癌风险和预后的全面了解还很少，而且对其因果关系知之甚少。
（1）通过在最近的 GWAS 中以 GWAS 显著水平 (p < 5 × 10 -8 ) 识别与血浆趋化因子相关的单核苷酸多态性 ( SNP ）作为遗传工具，做双向双样本孟德尔随机化分析。
（2）TCGA随访数据获得临床预后信息
参考文献：The association between plasma chemokines and breast cancer risk and prognosis: A mendelian randomization study. Front Genet. 2023 Jan 4;13:1004931.
转自：“朗盟医学”微信公众号
如有侵权，请联系本站删除！
