1. Configuration
<ol><li>Installez R, s’il n’est pas déjà installé. REMARQUE: PAST est écrit en R et, par conséquent, nécessite que ses utilisateurs aient installé R. Au moment d’écrire ces lignes, l’installation de PAST directement à partir de Bioconductor nécessite R4.0.  Les anciennes versions de PAST peuvent être installées à partir de Bioconductor pour R3.6, et PAST peut être installé à partir de Github pour les utilisateurs de R3.5. Les instructions d’installation de R peuvent être téléchargées à partir du lien suivant : https://www.r-project.org/.</li>
	<li>Installez la dernière version de RStudio Desktop ou mettez à jour RStudio (facultatif). REMARQUE: RStudio est un environnement utile pour travailler avec le langage R. Son installation est recommandée, en particulier pour ceux qui choisissent d’exécuter PAST dans la ligne de commande plutôt que via l’application Shiny GUI. RStudio et ses instructions d’installation peuvent être trouvés sur le lien suivant: <a href="https://rstudio.com/products/rstudio/">https://rstudio.com/products/rstudio/</a>.</li>
	<li>Installez PAST à partir de Bioconductor11 en suivant les instructions sur Bioconductor. REMARQUE: L’installation via Bioconductor doit gérer l’installation des dépendances de PAST. En outre, PAST peut être installé à partir de Github12, mais l’installation à partir de Github n’installera pas automatiquement les dépendances.</li>
	<li>Installez PAST Shiny (facultatif). Téléchargez le fichier « app. R » à partir de la page Versions du référentiel Github : https://github.com/IGBB/PAST/releases/ et rappelez-vous où se trouve le fichier téléchargé. REMARQUE : PAST peut être utilisé en appelant ses méthodes directement avec R, mais les utilisateurs qui sont moins familiers avec R peuvent exécuter l’application PAST Shiny, qui fournit une interface utilisateur guidée. PAST Shiny est un script R disponible dans la branche shiny_app du référentiel GITHUB PAST. PAST Shiny tentera d’installer ses dépendances lors de la première exécution.</li>
	<li>Commencez l’analyse en démarrant l’application de l’une des trois manières décrites ci-dessous.<ol>
<li>PAST Shiny avec RStudio<ol>
<li>À l’aide de RStudio, créez un nouveau projet dans le dossier où se trouve l’application. R est situé. Cliquez sur | fichier Nouveau projet et sélectionnez ce dossier.</li>
			<li>Une fois qu’un nouveau projet a été créé, ouvrez l’application. R téléchargé précédemment. RStudio reconnaît cette application. R est une application Shiny et crée un bouton Exécuter l’application sur la barre au-dessus du code source affiché. Cliquez sur Exécuter l’application. RStudio lancera alors une fenêtre qui affiche l’application PAST Shiny.</li>
		</ol>
</li>
		<li>PAST Shiny avec console R<ol>
<li>Lancez R et exécutez le code suivant pour démarrer l’application PAST Shiny : shiny::runApp('path/to/folder/with/shiny/app. R'. Remplacez le texte entre guillemets par le dossier dans lequel l’application. R a été téléchargé et conservez les citations.</li>
		</ol>
</li>
		<li>PASSÉ sans R Shiny<ol>
<li>Exécutez library(PAST) dans une console R pour charger PAST.</li>
		</ol>
</li>
	</ol>
</li>
</ol>2. Personnaliser l’analyse Shiny (facultatif)
<ol><li>Remplacez le titre de l’analyse de « Nouvelle analyse » par quelque chose qui reflète mieux le type d’analyse en cours d’exécution, ce qui permet de suivre plusieurs analyses (voir la figure 1).</li>
</ol><img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/61268/61268fig1.jpg"> Figure 1. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig1large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<ol start="2"><li>Modifiez le nombre de cœurs et le mode. Définissez le nombre de cœurs sur n’importe quel nombre compris entre 1 et le nombre total sur la machine, mais sachez que consacrer plus de ressources à PAST peut ralentir d’autres opérations sur la machine. Définissez le mode en fonction de la description de la section 6.</li>
</ol>3. Charger les données GWAS
Remarque : Vérifiez que les données GWAS sont délimitées par des tabulations. Assurez-vous que le fichier d’association contient les colonnes suivantes : trait, nom du marqueur, locus ou chromosome, position sur le chromosome, valeur p et valeur R2 pour le marqueur. Assurez-vous que le fichier d’effets contient les colonnes suivantes : trait, nom du marqueur, locus ou chromosome, position sur le chromosome et effet. L’ordre de ces colonnes n’est pas important, car l’utilisateur peut spécifier les noms des colonnes lors du chargement des données. Toutes les colonnes supplémentaires sont ignorées. TASSEL13 peut être utilisé pour produire ces fichiers.
<ol><li>Chargez les données GWAS avec PAST Shiny.<ol>
<li>Sélectionnez un fichier d’association et un fichier d’effets à l’aide des zones de sélection Fichier d’association et Fichier d’effets. Modifiez les noms des colonnes dans les zones de saisie Nom de la colonne d’association et Nom des colonnes d’effets sous les zones de sélection de fichier pour refléter les noms de colonne dans les données. </li>
	</ol>
</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/61268/61268fig2.jpg"> Figure 2. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig2large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<ol start="2"><li>Chargez les données GWAS avec PAST dans la console R.<ol>
<li>Modifiez et exécutez le code suivant : gwas_data = load_GWAS_data(« path/to/association_file.tsv », « path/to/effects_file.tsv », association_columns = c(« Trait », « Marker », « Locus », « Site », « p », « marker_R2 »), effects_columns = c(« Trait », « Marker », « Locus », « Site », « Effect »)
</li>
	</ol>
</li>
	<li>REMARQUE : Modifiez les chemins d’accès à l’emplacement réel des fichiers GWAS. Les valeurs fournies pour association_columns et effects_columns sont les valeurs par défaut. Si les noms ne correspondent pas aux valeurs par défaut, spécifiez les noms des colonnes. Sinon, ceux-ci peuvent être omis.</li>
</ol>4. Données sur le déséquilibre de liaison de charge (LD)
Remarque : Vérifiez que les données de déséquilibre de liaison (LD) sont délimitées par des tabulations et contiennent les types de données suivants : Locus, Position1, Site1, Position2, Site2, Distance dans les paires de bases entre Position1 et Position2 et valeur R2.
<ol><li>Chargez les données LD avec PAST Shiny.<ol>
<li>Sélectionnez le fichier contenant les données LD. Modifiez les noms des colonnes dans les zones de saisie Noms des colonnes LD sous la zone de sélection de fichier pour qu’elles correspondent aux noms des colonnes dans les données LD si nécessaire.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/61268/61268fig3.jpg"> Figure 3. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig3large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<ol start="2"><li>Chargez LD Data avec PAST dans la console R.<ol>
<li>Modifiez et exécutez le code suivant pour charger les données LD : LD = load_LD(« path/to/LD.tsv », LD_columns = c(« Locus1 », « Position1 », « Site1 », « Position2 », « Site2 », « Dist_bp », « R.2 ») Remarque : Modifiez le chemin d’accès à l’emplacement réel du fichier LD. Les valeurs fournies pour LD_columns sont les valeurs par défaut. Si les noms ne correspondent pas à ces valeurs par défaut, spécifiez les noms corrects des colonnes ; sinon, ceux-ci peuvent être omis.</li>
	</ol>
</li>
</ol>5. Assigner des SLP aux gènes
REMARQUE: Téléchargez ou recherchez des annotations au format GFF. Ces annotations peuvent souvent être trouvées dans des bases de données en ligne pour des organismes spécifiques. Soyez prudent avec les annotations de faible qualité, car la qualité des données d’annotations affectera la qualité de l’analyse des voies. Vérifiez que la première colonne de ces annotations (le chromosome) correspond au format du locus/chromosome dans les données d’association, d’effets et de LD. Par exemple, les annotations ne doivent pas appeler le premier chromosome « chr1 » si les fichiers de données GWAS et LD appellent le premier chromosome « 1 ».
<ol><li>Attribuez des SLP aux gènes avec PAST Shiny. REMARQUE: Plus d’informations sur la détermination d’un seuil R2 approprié peuvent être trouvées dans Tang et al.6, dans la section intitulée « SNP to gene algorithm for the pathway analysis ».<ol>
<li>Sélectionnez le fichier contenant les annotations GFF. Considérez quelle taille de fenêtre et quelle coupure R2 conviennent le mieux à l’espèce considérée et modifiez-la si les valeurs par défaut ne conviennent pas aux données téléchargées. REMARQUE: Les valeurs par défaut dans PAST reflètent principalement les valeurs appropriées pour le maïs. Le nombre de cœurs défini au début de l’analyse PAST Shiny (étape 2.2) est utilisé dans cette étape.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/61268/61268fig4.jpg"> Figure 4. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig4large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<ol start="2"><li>Attribuez des SLP aux gènes avec PAST dans la console R.<ol>
<li>Modifiez et exécutez le code suivant pour affecter des SMP aux gènes : gènes = assign_SNPs_to_genes(gwas_data, LD, « path/to/annotations.gff », c(« gene »), 1000, 0.8, 2) REMARQUE: Dans cet exemple de code, plusieurs suggestions par défaut sont fournies: 1000 est la taille de la fenêtre autour du SNP pour rechercher des gènes; 0,8 est la valeur seuil pour R2; 2 est le nombre de cœurs utilisés pour le traitement parallèle. Le chemin d’accès aux annotations doit également être remplacé par l’emplacement réel du fichier d’annotations.</li>
	</ol>
</li>
</ol>6. Découvrez des voies importantes
REMARQUE: Vérifiez que le fichier de voies contient les données suivantes dans un format délimité par des tabulations, avec une ligne pour chaque gène dans chaque voie: ID de voie - un identificateur tel que « PWY-6475-1 »; description de la voie - une description plus longue de ce que font les voies, comme la « biosynthèse trans-lycopène »; gène - un gène dans la voie, qui doit correspondre aux noms fournis dans les annotations. Les informations sur les voies d’accès peuvent probablement être trouvées dans des bases de données en ligne pour des organismes spécifiques, tels que MaizeGDB. La deuxième option spécifiée par l’utilisateur est le mode. « Croissant » fait référence aux phénotypes qui reflètent quand une valeur croissante du trait mesuré est souhaitable, comme le rendement, tandis que « décroissant » fait référence à un trait où une diminution des valeurs mesurées est bénéfique, comme les cotes de dommages causés par les insectes. L’importance des voies est testée à l’aide des méthodesdécritesprécédemment 4,6,14.
<ol><li>Découvrez des voies importantes avec PAST Shiny.<ol>
<li>Sélectionnez le fichier contenant les données des chemins d’accès et assurez-vous que le mode est sélectionné dans les options d’analyse. Si nécessaire, modifiez le nombre de gènes qui doivent se présenter dans une voie pour le conserver pour l’analyse et le nombre de permutations utilisées pour créer la distribution nulle afin de tester la signification de l’effet.</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/61268/61268fig5.jpg"> Graphique 5. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig5large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
REMARQUE : Le nombre de cœurs et le mode défini au début de l’analyse PAST Shiny (étape 2.2) sont utilisés dans cette étape. Le nombre par défaut de gènes est actuellement fixé à 5 gènes, de sorte que les voies avec moins de gènes connus seront supprimées. L’utilisateur peut abaisser cette valeur à 4 ou 3, pour inclure des voies plus courtes, mais cela risque de fausses résultats positifs. L’augmentation de cette valeur peut augmenter la puissance de l’analyse, mais supprimera davantage de voies de l’analyse. Changer le nombre de permutations utilisées augmente et diminue la puissance du test.
<ol start="2"><li>Découvrez des voies importantes avec PAST dans la console R.<ol>
<li>Modifiez et exécutez le code suivant pour découvrir des chemins d’accès significatifs : rugplots_data <- find_pathway_significance(gènes, « path/to/pathways.tsv », 5, « increasing », 1000, 2) Remarque : Dans cet exemple de code, plusieurs valeurs par défaut suggérées sont fournies. 5 est le nombre minimum de gènes qui doivent être dans une voie afin de maintenir la voie dans l’analyse, l’augmentation fait référence à une quantité croissante du trait mesuré (il est recommandé que l’utilisateur exécute à la fois en augmentation et en diminution, quel que soit le trait; l’interprétation des données différera pour les deux, cependant), 1000 est le nombre de fois pour échantillonner les effets pour déterminer la distribution nulle, et 2 est le nombre de cœurs utilisés pour le traitement parallèle. Modifiez le chemin d’accès à l’emplacement réel du fichier de chemins d’accès.</li>
	</ol>
</li>
</ol>7. Voir Rugplots
<ol><li>Voir Rugplots avec PAST Shiny.<ol>
<li>Une fois toutes les entrées téléchargées et définies, cliquez sur Commencer l’analyse. Une barre de progression apparaîtra et indiquera quelle étape de l’analyse a été terminée pour la dernière fois. Une fois l’analyse terminée, PAST Shiny passe à l’onglet Résultats. Un tableau des résultats sera affiché dans la colonne de gauche (intitulée « chemins ») et les Rugplots seront affichés dans la colonne de droite (intitulée « tracés »).</li>
		<li>Utilisez le curseur pour contrôler les paramètres de filtrage. Lorsque le niveau de filtrage est satisfaisant, cliquez sur le bouton Télécharger les résultats en bas à gauche pour télécharger toutes les images et tous les tableaux individuellement dans un fichier ZIP nommé avec le titre de l’analyse. Ce fichier ZIP contient la table filtrée, la table non filtrée et une image par chemin d’accès dans la table filtrée.</li>
	</ol>
</li>
</ol><img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/61268/61268fig6.jpg"> Figure 6. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig6large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/61268/61268fig7.jpg"> Figure 7. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig7large.jpg" target="_blank">Veuillez cliquer ici pour l’agrandir.</a>
<ol start="2"><li>Afficher rugplots avec PAST dans la console R<ol>
<li>Modifiez et exécutez le code suivant pour enregistrer les résultats : plot_pathways(rugplots_data, « pvalue », 0,02, « augmentation », « output_folder ») Remarque : Dans cet exemple de code, plusieurs valeurs par défaut suggérées sont fournies. pvalue fournit les données qui peuvent être utilisées pour filtrer les voies insignifiantes après qu’un seuil de signification a été choisi par l’utilisateur; 0,02 est la valeur par défaut utilisée dans le filtrage, et l’augmentation fait référence à une quantité croissante du trait mesuré (il est recommandé que l’utilisateur exécute à la fois en augmentation et en diminution, quel que soit le trait; l’interprétation des données différera pour les deux, cependant); output_folder est le dossier dans lequel les images et les tables seront écrites (ce dossier doit exister avant d’exécuter la fonction). Un tableau des résultats filtrés, des résultats non filtrés et des images individuelles pour chaque chemin d’accès dans les résultats filtrés sont écrits dans ce dossier.</li>
	</ol>
</li>
</ol>

<ol>
	<li>Rafalski, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Association+genetics+in+crop+improvement.">Association genetics in crop improvement.</a> Current Opinion in Plant Biology. 13 (2), 174-180 (2010).</li><li>Yan, J., Warburton, M., Crouch, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Association+Mapping+for+Enhancing+Maize+(Zea+mays+L.)+Genetic+Improvement.">Association Mapping for Enhancing Maize (Zea mays L.) Genetic Improvement.</a> Crop Science. 51 (2), 433-449 (2011).</li><li>Xiao, Y., Liu, H., Wu, L., Warburton, M., Yan, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genome-wide+Association+Studies+in+Maize:+Praise+and+Stargaze.">Genome-wide Association Studies in Maize: Praise and Stargaze.</a> Molecular Plant. 10 (3), 359-374 (2017).</li><li>Wang, K., Li, M., Bucan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pathway-Based+Approaches+for+Analysis+of+Genomewide+Association+Studies.">Pathway-Based Approaches for Analysis of Genomewide Association Studies.</a> The American Journal of Human Genetics. 81 (6), 1278-1283 (2007).</li><li>Weng, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SNP-based+pathway+enrichment+analysis+for+genome-wide+association+studies.">SNP-based pathway enrichment analysis for genome-wide association studies.</a> BMC Bioinformatics. 12 (1), 99 (2011).</li><li>Tang, J., Perkins, A., Williams, W., Warburton, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+genome-wide+associations+to+identify+metabolic+pathways+involved+in+maize+aflatoxin+accumulation+resistance.">Using genome-wide associations to identify metabolic pathways involved in maize aflatoxin accumulation resistance.</a> BMC Genomics. 16 (1), 673 (2015).</li><li>Warburton, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genome-Wide+Association+Mapping+of+Aspergillus+flavus+and+Aflatoxin+Accumulation+Resistance+in+Maize.">Genome-Wide Association Mapping of Aspergillus flavus and Aflatoxin Accumulation Resistance in Maize.</a> Crop Science. 55 (5), 1857-1867 (2015).</li><li>Warburton, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genome-Wide+Association+and+Metabolic+Pathway+Analysis+of+Corn+Earworm+Resistance+in+Maize.">Genome-Wide Association and Metabolic Pathway Analysis of Corn Earworm Resistance in Maize.</a> The Plant Genome. 11 (1), 170069 (2018).</li><li>Li, H., Thrash, A., Tang, J., He, L., Yan, J., Warburton, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Leveraging+GWAS+data+to+identify+metabolic+pathways+and+networks+involved+in+maize+lipid+biosynthesis.">Leveraging GWAS data to identify metabolic pathways and networks involved in maize lipid biosynthesis.</a> The Plant Journal. 98 (5), 853-863 (2019).</li><li>Thrash, A., Tang, J., DeOrnellis, M., Peterson, D., Warburton, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PAST:+The+Pathway+Association+Studies+Tool+to+Infer+Biological+Meaning+from+GWAS+Datasets.">PAST: The Pathway Association Studies Tool to Infer Biological Meaning from GWAS Datasets.</a> Plants. 9 (1), 58 (2020).</li><li>Adam, T., Mason, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> PAST: Pathway Association Study Tool (PAST). Bioconductor version: Release (3.10). , (2020).</li><li>Thrash, A., DeOrnellis, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> IGBB/PAST. , (2019).</li><li>Bradbury, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=TASSEL:+software+for+association+mapping+of+complex+traits+in+diverse+samples.">TASSEL: software for association mapping of complex traits in diverse samples.</a> Bioinformatics. 23 (19), 2633-2635 (2007).</li><li>Subramanian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gene+set+enrichment+analysis:+A+knowledge-based+approach+for+interpreting+genome-wide+expression+profiles.">Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles.</a> Proceedings of the National Academy of Sciences U.S.A. 102, 15545-15550 (2005).</li></ol>

Les auteurs n’ont rien à divulguer.

L’un des principaux objectifs de PAST est d’apporter des analyses des voies métaboliques des données GWAS à un public plus large, en particulier pour les organismes non humains et non animaux. Les méthodes alternatives à PAST sont souvent des programmes en ligne de commande qui se concentrent sur les humains ou les animaux. La convivialité était l’un des principaux objectifs du développement de PAST, à la fois en choisissant de développer une application Shiny et en choisissant d’utiliser R et Bioconductor pour libérer l’application. Les utilisateurs n’ont pas besoin d’apprendre à compiler des programmes pour utiliser PAST.
Comme avec la plupart des types de logiciels d’analyse, les résultats de PAST ne sont aussi bons que les données d’entrée; si les données d’entrée présentent des erreurs ou sont mal formatées, PAST ne s’exécutera pas ou ne produira pas de résultats non informatifs. Il est essentiel de s’assurer que les données GWAS, les données LD, les annotations et les fichiers de chemins d’accès sont correctement formatés est essentiel pour recevoir une sortie correcte de PAST. PAST n’analyse que les marqueurs bi-alléliques et ne peut exécuter qu’un seul trait pour chaque ensemble de données d’entrée. En outre, les données GWAS produites par un mauvais génotypage ou un phénotypage incorrect ou imprécis ne sont pas non plus susceptibles de produire des résultats clairs ou reproductibles. PAST peut aider à l’interprétation biologique des résultats du GWAS, mais il est peu probable qu’il clarifie les ensembles de données chaotiques si la variation environnementale, l’erreur expérimentale ou la structure de la population n’ont pas été correctement prises en compte.
Les utilisateurs peuvent choisir de modifier certains paramètres de l’analyse, à la fois dans l’application Shiny et en transmettant ces paramètres aux fonctions de PAST dans la console R. Ces paramètres peuvent modifier les résultats rapportés par PAST, et les utilisateurs doivent faire attention lorsqu’ils les modifient à partir des valeurs par défaut. Étant donné que la LD est mesurée par les utilisateurs, généralement à l’aide du même ensemble de données de marqueurs qui a également été utilisé dans le GWAS, les mesures de LD sont spécifiques à la population. Pour toutes les études, en particulier pour les espèces autres que le maïs (en particulier les espèces autopolinisatrices, polyploïdes ou très hétérogènes), des changements dans les valeurs par défaut peuvent être justifiés.

An erratum was issued for: A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information. One of the affiliations was updated.
The second affiliation was updated from:
USDA-ARS Corn Host Plant Resistance Research Unit, Mississippi State University
to:
Corn Host Plant Resistance Research Unit, USDA-ARS

An erratum was issued for:&#160;<a href="https://www.jove.com/t/61268">A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information</a>. One of the affiliations was updated.

Erratum: A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information

Les études d’association à l’échelle du génome (GWAS) sont une méthode populaire d’étude des traits complexes et des régions génomiques qui leur sont associées1,2,3. Dans ce type d’étude, des centaines de milliers de marqueurs de polymorphisme nucléotidique unique (SNP) sont testés pour leur association avec le trait, et la signification des associations est évaluée. Les associations marqueurs-traits qui atteignent le seuil du taux de fausse découverte (FDR) (ou un autre type de seuil de signification) sont conservées pour l’étude, mais les associations vraies peuvent être filtrées. Pour les caractères polygéniques complexes, l’effet de chaque gène peut être faible (et donc filtré), et certains allèles ne sont exprimés que dans des conditions spécifiques qui pourraient ne pas être présentes dans l’étude3. Ainsi, bien que de nombreux SLP puissent être conservés comme associés au trait, chacun peut avoir un très faible effet. Trop d’appels SNP seront manquants, et une interprétation de la signification biologique et de l’architecture génétique du trait peut être incomplète et déroutante. L’analyse des voies métaboliques peut aider à résoudre certains de ces problèmes en se concentrant sur les effets combinés des gènes regroupés en fonction de leur fonction biologique4,5,6.
Plusieurs études ont été réalisées à l’aide d’une implémentation antérieure de la méthode décrite dans cet article. L’accumulation d’aflatoxines7,la résistance au ver de l’oreille du maïs8et la biosynthèse de l’huile9 ont toutes été étudiées avec la mise en œuvre précédente. Bien que ces analyses aient été couronnées de succès, le processus d’analyse était compliqué, long et fastidieux, car les outils d’analyse étaient écrits dans une combinaison de R, Perl et Bash, et le pipeline n’était pas automatisé. En raison des connaissances spécialisées nécessaires pour modifier cette méthode pour chaque analyse, une nouvelle méthode a maintenant été développée qui peut être partagée avec d’autres chercheurs.
Le Pathway Association Study Tool (PAST)10 a été conçu pour remédier aux lacunes de la méthode précédente en exigeant moins de connaissances en langages de programmation et en exécutant des analyses dans un délai plus court. Bien que la méthode ait été testée avec du maïs, PAST ne fait aucune hypothèse spécifique à l’espèce. PAST peut être exécuté via la console R, en tant qu’application Shiny, et une version en ligne devrait bientôt être disponible sur MaizeGDB.

<table border="0" cellpadding="0" cellspacing="0" style="width:719px;" width="717">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">Computer</td>
			<td style="width:74px;">NA</td>
			<td style="width:123px;">NA</td>
			<td style="width:300px;">Any computer with 8GB RAM should be sufficient</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">R</td>
			<td style="width:74px;">R Project</td>
			<td style="width:123px;">NA</td>
			<td>R 3.6 or greater is required to install from Bioconductor</td>
		</tr>
	</tbody>
</table>

a pathway association study tool for gwas analyses of metabolic pathway information

Récemment, une nouvelle mise en œuvre d’une méthode décrite précédemment pour interpréter les données d’étude d’association à l’échelle du génome (GWAS) à l’aide de l’analyse des voies métaboliques a été développée et publiée. L’outil d’étude pathway association (PAST) a été développé pour répondre aux préoccupations concernant la convivialité et les analyses lentes. Ce nouvel outil convivial a été publié sur Bioconductor et Github. Lors des tests, PAST a exécuté des analyses en moins d’une heure qui nécessitaient auparavant vingt-quatre heures ou plus. Dans cet article, nous présentons le protocole permettant d’utiliser l’application Shiny ou la console R pour exécuter PAST.

Si les résultats ne sont pas produits après l’exécution de l’outil logiciel PAST, vérifiez que tous les fichiers d’entrée sont correctement formatés. Une exécution réussie à l’aide des exemples de données du package PAST, qui sont basées sur un GWAS de maïs de couleur de grain, est illustrée à la figure 8. Ce tableau et l’image résultante peuvent être téléchargés à l’aide du bouton Télécharger les résultats. Un exemple de l’image téléchargée est illustré à la Figure 210. Des paramètres incorrects peuvent conduire à des résultats qui n’ont pas de sens biologique, mais la détermination de l’incorrect doit être du choix du chercheur, qui doit vérifier la validité des paramètres choisis et prendre en compte toutes les preuves connues concernant le trait d’intérêt.
La figure 910 montre le rugplot produit à partir de l’analyse des voies des résultats GWAS créés avec un panneau de maïs de 288 lignées consanguines qui avaient été phénotypées pour la couleur des grains. Cet exemple simpliste, où les phénotypes étaient soit « blancs » soit « jaunes », a été utilisé parce que la voie responsable de la création des pigments caroténoïdes jaune vif est connue et devrait être responsable de la plupart des phénotypes. Ainsi, nous nous attendions à ce que la voie de biosynthèse trans-lycopène (qui produit des caroténoïdes) soit significativement associée à la couleur du grain, ce qui est le cas. L’ID et le nom du chemin d’accès sont répertoriés en haut du graphique. L’axe horizontal du graphique classe tous les gènes qui ont été inclus dans l’analyse, disposés de gauche à droite dans l’ordre du plus grand effet sur le trait au plus petit. Cependant, seuls les gènes de la voie de biosynthèse du trans-lycopène sont marqués (en haut du graphique, sous forme de marques d’éclosion, apparaissant dans le rang génétique de leur effet par rapport à tous les autres gènes de l’analyse). Il y a 7 gènes dans cette voie. Le score d’enrichissement en cours d’exécution (ES) est tracé le long de l’axe vertical. L’ES pour chaque gène est ajouté au total courant par ordre d’effet et le total est ajusté au nombre de gènes analysés. Ainsi, le score change à mesure que l’on se déplace le long de l’axe horizontal et tend à augmenter à mesure que les gènes à effet plus importants sont inclus, mais à un moment donné, l’augmentation de l’effet est plus petite que l’ajustement pour avoir ajouté un autre gène, et le score entier commence à diminuer. Le sommet de la ligne ES en cours d’exécution est marqué d’une ligne verticale pointillée; il s’agit de l’ES pour l’ensemble du parcours et est utilisé par le programme pour déterminer si le chemin est choisi et présenté comme un rugplot.
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/61268/61268fig8.jpg"> Figure 8: Exécution terminée de PAST Shiny. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig8large.jpg" target="_blank">Veuillez cliquer ici pour afficher une version agrandie de cette figure.</a>
<img alt="Figure 9" class="xfigimg" src="/files/ftp_upload/61268/61268fig9.jpg"> Figure 9: Image du chemin d’accès à partir de l’exécution terminée de PAST (ou téléchargée à partir de Shiny). Ce chiffre a été cité dans Thrash et al.10. <a href="https://www.jove.com/files/ftp_upload/61268/61268fig9large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

Watch this Scientific Journal Video about A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information at JoVE.com

A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information

En exécutant l’outil d’étude pathway association (PAST), soit via l’application Shiny, soit via la console R, les chercheurs peuvent mieux comprendre la signification biologique des résultats de leur étude d’association à l’échelle du génome (GWAS) en étudiant les voies métaboliques impliquées.

Un outil d’étude d’association de voies pour les analyses GWAS de l’information sur les voies métaboliques

Recently, a new implementation of a previously described method for interpreting genome-wide association study (GWAS) data using metabolic pathway ...

a-pathway-association-study-tool-for-gwas-analyses-metabolic-pathway

Research

JoVE Journal

Genetics

3.1K vues.  Mississippi State University. En exécutant l’outil d’étude pathway association (PAST), soit via l’application Shiny, soit via la console R, les chercheurs peuvent mieux comprendre la signification biologique des résultats de leur étude d’association à l’échelle du génome (GWAS) en étudiant les voies métaboliques impliquées. 

Vidéo: A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information

Ultralow Input Genome Sequencing Library Preparation from a Single Tardigrade Specimen

Tardigrades are microscopic animals that enter an ametabolic state called anhydrobiosis when facing desiccation and can return to their original state when water is supplied. The genomic sequencing of microscopic animals such as tardigrades risks bacterial contamination that sometimes leads to erroneous interpretations, for example, regarding the extent of horizontal gene transfer in these animals. Here, we provide an ultralow input method to sequence the genome of the tardigrade, Hypsibius dujardini, from a single specimen. By employing rigorous washing and contaminant exclusion along with an efficient extraction of the 50 ~ 200 pg genomic DNA from a single individual, we constructed a library sequenced with a DNA sequencing instrument. These libraries were highly reproducible and unbiased, and an informatics analysis of the sequenced reads with other H. dujardini genomes showed a minimal amount of contamination. This method can be applied to unculturable tardigrades that could not be sequenced using previous methods.

Contamination during the genomic sequencing of microscopic organisms remains a large problem. Here, we show a method to sequence the genome of a tardigrade from a single specimen with as little as 50 pg of genomic DNA without whole genome amplification to minimize the risk of contamination.

Ultra basse génome d’entrée séquençage bibliothèque préparation à partir d’un seul spécimen Tardigrade

Tardigrades are microscopic animals that enter an ametabolic state called anhydrobiosis when facing desiccation and can return to their original state ...

Recherche

Génétique

Methodology for Accurate Detection of Mitochondrial DNA Methylation

Quantification of DNA methylation can be achieved using bisulfite sequencing, which takes advantage of the property of sodium bisulfite to convert unmethylated cytosine into uracil, in a single-stranded DNA context. Bisulfite sequencing can be targeted (using PCR) or performed on the whole genome and provides absolute quantification of cytosine methylation at the single base-resolution. Given the distinct nature of nuclear- and mitochondrial DNA, notably in the secondary structure, adaptions of bisulfite sequencing methods for investigating cytosine methylation in mtDNA should be made. Secondary and tertiary structure of mtDNA can indeed lead to bisulfite sequencing artifacts leading to false-positives due to incomplete denaturation poor access of bisulfite to single-stranded DNA. Here, we describe a protocol using an enzymatic digestion of DNA with BamHI coupled with bioinformatic analysis pipeline to allow accurate quantification of cytosine methylation levels in mtDNA. In addition, we provide guidelines for designing the bisulfite sequencing primers specific to mtDNA, in order to avoid targeting undesirable NUclear MiTochondrial segments (NUMTs) inserted into the nuclear genome.

Here, we present a protocol to allow accurate quantification of mitochondrial DNA (mtDNA) methylation. In this protocol, we describe an enzymatic digestion of DNA with BamHI coupled with a bioinformatic analysis pipeline which can be used to avoid overestimation of mtDNA methylation levels caused by the secondary structure of mtDNA.

Méthodologie pour une détection précise de la méthylation de l’ADN Mitochondrial

Quantification of DNA methylation can be achieved using bisulfite sequencing, which takes advantage of the property of sodium bisulfite to convert ...

High-throughput Identification of Gene Regulatory Sequences Using Next-generation Sequencing of Circular Chromosome Conformation Capture (4C-seq)

The identification of regulatory elements for a given target gene poses a significant technical challenge owing to the variability in the positioning and effect sizes of regulatory elements to a target gene. Some progress has been made with the bioinformatic prediction of the existence and function of proximal epigenetic modifications associated with activated gene expression using conserved transcription factor binding sites. Chromatin conformation capture studies have revolutionized our ability to discover physical chromatin contacts between sequences and even within an entire genome. Circular chromatin conformation capture coupled with next-generation sequencing (4C-seq), in particular, is designed to discover all possible physical chromatin interactions for a given sequence of interest (viewpoint), such as a target gene or a regulatory enhancer. Current 4C-seq strategies directly sequence from within the viewpoint but require numerous and diverse viewpoints to be simultaneously sequenced to avoid the technical challenges of uniform base calling (imaging) with next generation sequencing platforms. This volume of experiments may not be practical for many laboratories. Here, we report a modified approach to the 4C-seq protocol that incorporates both an additional restriction enzyme digest and qPCR-based amplification steps that are designed to facilitate a greater capture of diverse sequence reads and mitigate the potential for PCR bias, respectively. Our modified 4C method is amenable to the standard molecular biology lab for assessing chromatin architecture.

High-throughput Identification of Gene Regulatory Sequences Using Next-generation Sequencing of Circular Chromosome Conformation Capture 4C-seq

The identification of physical interactions between genes and regulatory elements is challenging but has been facilitated by chromosome conformation capture methods. This modification to the 4C-seq protocol mitigates PCR bias by minimizing over-amplification of PCR templates and maximizes the mappability of reads by incorporating an addition restriction enzyme digest step.

High-throughput Identification des séquences régulatrices du gène à l’aide de prochaine génération séquençage du Chromosome circulaire Conformation Capture (4C-seq)

The identification of regulatory elements for a given target gene poses a significant technical challenge owing to the variability in the positioning and ...

Chromogenic In Situ Hybridization as a Tool for HPV-Related Head and Neck Cancer Diagnosis

Human papillomavirus (HPV) infection is a major risk factor for a subtype of oropharyngeal squamous cell carcinoma (OPSCC), which tends to be associated with a better outcome than alcohol- and tobacco-related OPSCC. Chromogenic in situ hybridization (CISH) of HPV viral RNA could allow the semiquantitative evaluation of viral transcripts of the oncogenic proteins E6 and E7 and an in situ visualization with a good spatial resolution. This technique allows the diagnosis of an active infection with the visualization of HPV transcription in the tumoral HPV-infected cells. An advantage of this technique is the avoidance of contamination from nonneoplastic HPV-infected cells adjacent to the tumor. Overall, its good diagnosis performances have it considered to be the gold standard for active HPV infection identification. Since E6 and E7 viral protein interaction with cell proteins pRb and p53 is mandatory for cell transformation, HPV RNA CISH is functionally relevant and acutely reflects active oncogenic HPV infection. This technique is clinically relevant as well since &#34;low&#34; or &#34;high&#34; HPV transcription levels helped the identification of two prognosis groups among HPV-related p16-positive head and neck cancer patients. Here we present the protocol for manual HPV RNA CISH performed on formalin-fixed paraffin-embedded (FFPE) slides with a kit obtained from the manufacturer. Instead of chromogenic revelation, RNA in situ hybridization may also be performed with fluorescent revelation (RNA FISH). It may also be combined with conventional immunostaining.

Human papillomavirus (HPV) RNA chromogenic in situ hybridization is considered to be one of the gold standards for active human papillomavirus infection detection within tumors. It allows the visualization of HPV E6-E7 mRNA expression with localization and semiquantitative evaluation of its signal.

L'hybridation in situ chromogénique est un outil pour le diagnostic du cancer de la tête et du cou lié au VPH

Human papillomavirus (HPV) infection is a major risk factor for a subtype of oropharyngeal squamous cell carcinoma (OPSCC), which tends to be associated ...

Navigating MARRVEL, a Web-Based Tool that Integrates Human Genomics and Model Organism Genetics Information

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is pathogenic, one must query many databases to determine whether the gene of interest is linked to a genetic disease, whether the specific variant has been reported before, and what functional data is available in model organism databases that may provide clues about the gene&#8217;s function in human. MARRVEL (Model organism Aggregated Resources for Rare Variant ExpLoration) is a one-stop data collection tool for human genes and variants and their orthologous genes in seven model organisms including in mouse, rat, zebrafish, fruit fly, nematode worm, fission yeast, and budding yeast. In this Protocol, we provide an overview of what MARRVEL can be used for and discuss how different datasets can be used to assess whether a variant of unknown significance (VUS) in a known disease-causing gene or a variant in a gene of uncertain significance (GUS) may be pathogenic. This protocol will guide a user through searching multiple human databases simultaneously starting with a human gene with or without a variant of interest. We also discuss how to utilize data from OMIM, ExAC/gnomAD, ClinVar, Geno2MP, DGV and DECHIPHER. Moreover, we illustrate how to interpret a list of ortholog candidate genes, expression patterns, and GO terms in model organisms associated with each human gene. Furthermore, we discuss the value protein structural domain annotations provided and explain how to use the multiple species protein alignment feature to assess whether a variant of interest affects an evolutionarily conserved domain or amino acid. Finally, we will discuss three different use-cases of this website. MARRVEL is an easily accessible open access website designed for both clinical and basic researchers and serves as a starting point to design experiments for functional studies.

Here, we present a protocol to access and analyze many human and model organism databases efficiently. This protocol demonstrates the use of MARRVEL to analyze candidate disease-causing variants identified from next-generation sequencing efforts.

Naviguer MARRVEL, un outil Web qui intègre la génomique humaine et l'information génétique des organismes modèles

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is ...

Mass Spectrometry-Based Proteomics Analyses Using the OpenProt Database to Unveil Novel Proteins Translated from Non-Canonical Open Reading Frames

Genome annotation is central to today's proteomic research as it draws the outlines of the proteomic landscape. Traditional models of open reading frame (ORF) annotation impose two arbitrary criteria: a minimum length of 100 codons and a single ORF per transcript. However, a growing number of studies report expression of proteins from allegedly non-coding regions, challenging the accuracy of current genome annotations. These novel proteins were found encoded either within non-coding RNAs, 5' or 3' untranslated regions (UTRs) of mRNAs, or overlapping a known coding sequence (CDS) in an alternative ORF. OpenProt is the first database that enforces a polycistronic model for eukaryotic genomes, allowing annotation of multiple ORFs per transcript. OpenProt is freely accessible and offers custom downloads of protein sequences across 10 species. Using OpenProt database for proteomic experiments enables novel proteins discovery and highlights the polycistronic nature of eukaryotic genes. The size of OpenProt database (all predicted proteins) is substantial and need be taken in account for the analysis. However, with appropriate false discovery rate (FDR) settings or the use of a restricted OpenProt database, users will gain a more realistic view of the proteomic landscape. Overall, OpenProt is a freely available tool that will foster proteomic discoveries.

OpenProt is a freely accessible database that enforces a polycistronic model of eukaryotic genomes. Here, we present a protocol for the use of OpenProt databases when interrogating mass spectrometry datasets. Using OpenProt database for analysis of proteomic experiments allows for discovery of novel and previously undetectable proteins.

Basé sur la spectrométrie de masse protéomique des Analyses à l’aide de la base de données OpenProt de dévoiler de nouvelles protéines traduit de cadres ouverts de lecture Non canoniques

Genome annotation is central to today's proteomic research as it draws the outlines of the proteomic landscape. Traditional models of open reading frame ...

A Method to Study de novo Formation of Chromatin Domains

The organization and structure of chromatin domains are unique to individual cell lineages. Their misregulation might lead to a loss in cellular identity and/or disease. Despite tremendous efforts, our understanding of the formation and propagation of chromatin domains is still limited. Chromatin domains have been studied under steady-state conditions, which are not conducive to following the initial events during their establishment. Here, we present a method to inducibly reconstruct chromatin domains and follow their re-formation as a function of time. Although, first applied to the case of PRC2-mediated repressive chromatin domain formation, it could be easily adapted to other chromatin domains. The modification of and/or the combination of this method with genomics and imaging technologies will provide invaluable tools to study the establishment of chromatin domains in great detail. We believe that this method will revolutionize our understanding of how chromatin domains form and interact with each other.

A Method to Study de novo Formation of Chromatin Domains

This method is designed to follow formation of PRC2-mediated chromatin domains in cell lines, and the method can be adapted to many other systems.

Une méthode d'étude de novo Formation des Domaines chromatine

The organization and structure of chromatin domains are unique to individual cell lineages. Their misregulation might lead to a loss in cellular identity ...

3D Multicolor DNA FISH Tool to Study Nuclear Architecture in Human Primary Cells

A major question in cell biology is genomic organization within the nuclear space and how chromatin architecture can influence processes such as gene expression, cell identity and differentiation. Many approaches developed to study the 3D architecture of the genome can be divided into two complementary categories: chromosome conformation capture based technologies (C-technologies) and imaging. While the former is based on capturing the chromosome conformation and proximal DNA interactions in a population of fixed cells, the latter, based on DNA fluorescence in situ hybridization (FISH) on 3D-preserved nuclei, allows contemporary visualization of multiple loci at a single cell level (multicolor), examining their interactions and distribution within the nucleus (3D multicolor DNA FISH). The technique of 3D multicolor DNA FISH has a limitation of visualizing only a few predetermined loci, not permitting a comprehensive analysis of the nuclear architecture. However, given the robustness of its results, 3D multicolor DNA FISH in combination with 3D-microscopy and image reconstruction is a possible method to validate C-technology based results and to unambiguously study the position and organization of specific loci at a single cell level. Here, we propose a step by step method of 3D multicolor DNA FISH suitable for a wide range of human primary cells and discuss all the practical actions, crucial steps, notions of 3D imaging and data analysis needed to obtained a successful and informative 3D multicolor DNA FISH within different biological contexts.

3D multicolor DNA FISH represents a tool to visualize multiple genomic loci within 3D preserved nuclei, unambiguously defining their reciprocal interactions and localization within the nuclear space at a single cell level. Here, a step by step protocol is described for a wide spectrum of human primary cells.

3D Multicolor DNA FISH Outil pour étudier l'architecture nucléaire dans les cellules primaires humaines

A major question in cell biology is genomic organization within the nuclear space and how chromatin architecture can influence processes such as gene ...

An Approach to Study Shape-Dependent Transcriptomics at a Single Cell Level

Different types of cardiac hypertrophy have been associated with an increased volume of cardiac myocytes (CMs), along with changes in CM morphology. While the effects of cell volume on gene expression are well known, the effects of cell shape are not well understood. This paper describes a method that has been designed to systematically analyze the effects of CM morphology on gene expression. It details the development of a novel single-cell trapping strategy that is then followed by single-cell mRNA sequencing. A micropatterned chip has also been designed, which contains 3000 rectangular-shaped fibronectin micropatterns. This makes it possible to grow CMs in distinct length:width aspect ratios (AR), corresponding to different types of heart failure (HF). The paper also describes a protocol that has been designed to pick up single cells from their pattern, using a semi-automated micro-pipetting cell picker, and individually inject them into a separate lysis buffer. This has made it possible to profile the transcriptomes of single CMs with defined geometrical morphotypes and characterize them according to a range of normal or pathological conditions: hypertrophic cardiomyopathy (HCM) or afterload/concentric versus dilated cardiomyopathy (DCM) or preload/eccentric. In summary, this paper presents methods for growing CMs with different shapes, which represent different pathologies, and sorting these adherent CMs based on their morphology at a single-cell level. The proposed platform provides a novel approach to high throughput and drug screening for different types of HF.

This paper presents methods for growing cardiac myocytes with different shapes, which represent different pathologies, and sorting these adherent cardiac myocytes based on their morphology at a single cell level. The proposed platform provides a novel approach to high throughput and drug screening for different types of heart failure.

Une approche pour étudier la transcriptomics dépendante de la forme à un seul niveau cellulaire

Different types of cardiac hypertrophy have been associated with an increased volume of cardiac myocytes (CMs), along with changes in CM morphology. While ...

Sample Preparation to Bioinformatics Analysis of DNA Methylation: Association Strategy for Obesity and Related Trait Studies

Obesity is directly connected to lifestyle and has been associated with DNA methylation changes that may cause alterations in the adipogenesis and lipid storage processes contributing to the development of the disease. We demonstrate a complete protocol from selection to epigenetic data analysis of patients with and without obesity. All steps from the protocol were tested and validated in a pilot study. 32 women participated in the study, in which 15 individuals were classified with obesity according to Body Mass Index (BMI) (45.1 &#177; 5.4 kg/m2); and 17 individuals were classified without obesity according to BMI (22.6 &#177; 1.8 kg/m2). In the group with obesity, 564 CpG sites related to fat mass were identified by linear regression analysis. The CpG sites were in the promoter regions. The differential analysis found 470 CpGs hypomethylated and 94 hypermethylated sites in individuals with obesity. The most hypomethylated enriched pathwayswere in the RUNX, WNT signaling, and response to hypoxia. The hypermethylated pathways were related to insulin secretion, glucagon signaling, and Ca2+. We conclude that the protocol effectively identified DNA methylation patterns and trait-related DNA methylation. These patterns could be associated with altered gene expression, affecting adipogenesis and lipid storage. Our results confirmed that an obesogenic lifestyle could promote epigenetic changes in human DNA.

The present study describes the workflow to manage DNA methylation data obtained by microarray technologies. The protocol demonstrates steps from sample preparation to data analysis. All procedures are described in detail, and the video shows the significant steps.

Préparation d’échantillons à l’analyse bioinformatique de la méthylation de l’ADN: stratégie d’association pour l’obésité et les études sur les traits connexes

Obesity is directly connected to lifestyle and has been associated with DNA methylation changes that may cause alterations in the adipogenesis and lipid ...