Name: mapping alzheimer's disease variants to their target genes using computational analysis of chromatin configuration
Uploaded: 2020-01-09T13:00:00
Duration: 4 min 41 s
Description: Watch this Scientific Journal Video about Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration at JoVE.com

Dette arbejde blev støttet af NIH Grant R00MH113823 (til H.W.) og R35GM128645 (til D.H.P.), NARSAD Young Investigator Award (til H.W.), og SPARK Grant fra Simons Foundation autisme Research Initiative (SFARI, til N.M. og H.W.).

1. opsætning af arbejdsstation
<ol><li>Installer R (version 3.5.0) og RStudio desktop. Åbn RStudio.</li>
	<li>Installer følgende biblioteker i R ved at skrive følgende kode i konsolvinduet i RStudio. Hvis (! " BiocManager "% i% rownames (installeret. Packages ())) Installer. pakker ("BiocManager", Repos = "https://Cran.r-Project.org") BiocManager:: Installer ("GenomicRanges") BiocManager:: Installer ("biomaRt") BiocManager:: install ("WGCNA") Installer. pakker ("Omform") Installer. pakker ("ggplot2") Installer. pakker ("corrplot") Installer. pakker ("gProfileR") Installer. pakker ("tidyverse") Installer. pakker ("ggpubr")</li>
	<li>Hent filer. Bemærk: i denne protokol skal alle filer downloades til ~/Work Directory.<ol>
<li>Hent fÃ ̧lgende filer ved at klikke pÃ ¥ de hyperlinks, der findes i tabel over materialer.<ol>
<li>Download fine kortlagte troværdige SNPs for AD (supplerende tabel 8 fra Jansen et al.14). NOTER: før analyse, Åbn ark otte i 41588_2018_311_MOESM3_ESM. xlsx, Fjern de første tre rækker og Gem arket som Supplementary_Table_8_Jansen. txt med tabulatorsepareret format.</li>
			<li>Hent 10 KB resolution Hi-C interaktions profiler i voksen hjernen fra psychencode (beskrevet som Promoter-anchored_chromatin_loops. Bed nedenfor). Bemærk: denne fil har følgende format: kromosom, TSS_start, TSS_end, Enhancer_start og Enhancer_end. Hvis der anvendes andre Hi-C-datasæt, kræver denne protokol Hi-C-datasæt behandlet ved høj opløsning (5 − 20 kb).</li>
			<li>Hent datasæt for enkelt celle udtryk fra PsychENCODE. Bemærk: disse er fra neurotypical kontrolprøver.</li>
			<li>Download data om udviklings udtryk fra BrainSpan (beskrevet som Devexpr. RDA nedenfor). Bemærk: 267666527 er en zippet fil, så pak 267666527 ud for at udtrække "columns_metadata. csv", "expression_matrix. csv" og "rows_metadata. csv" for at generere devExpr. RDA (Se afsnit 3).</li>
		</ol>
</li>
		<li>Download exonic koordinater (Se supplerende filer, beskrevet som Gencode19_exon. Bed and Gencode19_promoter. Bed nedenfor) fra GenCode version 19. Bemærk: initiativtagerne defineres som 2 KB opstrøms for transkriptionsstart stedet (TSS). Disse filer har følgende format: kromosom, start, ende og gen.</li>
		<li>Download gen annotation fil (Se supplerende filer, beskrevet som geneanno. RDA nedenfor) fra biomart. Bemærk: denne fil kan bruges til at matche gener baseret på Ensembl gene IDs og HUGO gene nomenklatur Committee (HGNC) symbol.</li>
	</ol>
</li>
</ol>2. generering af en GRanges-genstand til troværdige SNP
<ol><li>Konfigurer i R ved at skrive følgende kode i konsolvinduet i RStudio. bibliotek (GenomicRanges) indstillinger (stringsAsFactors = F) setwd ("~/Work") # Dette er stien til arbejdsmappen. credSNP = Læs. delim ("Supplementary_Table_8_Jansen. txt", header = T) credSNP = credSNP [credSNP $ troværdig. kausal = = "ja",]</li>
	<li>Gør et GRanges-objekt ved at skrive følgende kode i konsolvinduet i RStudio. credranges = GRanges (credSNP $ Chr, IRanges (credSNP $ BP, credSNP $ BP), rsid = credSNP $ SNP, P = credSNP $ P) Gem (credranges, File = "AD_credibleSNP. RDA")</li>
</ol>3. positions kortlægning
Bemærk: for hvert trin, Skriv den tilsvarende kode i konsolvinduet i RStudio.
<ol><li>Oprettet i R. indstillinger (stringsAsFactors = F) bibliotek (GenomicRanges) belastning ("AD_credibleSNP. RDA") # (Se 2)</li>
	<li>Positionelle kortlægning af promotor/exonic SNPs til gener<ol>
<li>Indlæs promoter og exonic region og generere en GRange objekt. exon = Læs. table ("Gencode19_exon. Bed") exonranges = GRanges (exon [, 1], IRanges (exon [, 2], eXoN [, 3]), gen = exon [, 4]) Promoter = Læs. table ("Gencode19_promoter. Bed") promoterranges = GRanges (Promoter [, 1], IRanges (Promoter [, 2], Promoter [, 3]), Gene = Promoter [, 4])</li>
		<li>Overlappe troværdige SNPs med exoniske regioner. OLAP = Findoverlap (credranges, exonranges) credexon = credranges [queryHits (OLAP)] mcols (credexon) = cbind (mcols (credexon), mcols (exonranges [Subjekecthits (OLAP)]))</li>
		<li>Overlappe troværdige SNP'er med promotor-regioner. OLAP = Findoverlap (credranges, promoterranges) credpromoter = credranges [queryHits (OLAP)] mcols (credpromoter) = cbind (mcols (credpromoter), mcols (promoterranges [Subjekecthits (OLAP)]))</li>
	</ol>
</li>
	<li>Link SNPs til deres formodede målgener ved hjælp af kromatin interaktioner.<ol>
<li>Indlæs Hi-C-datasæt, og Generer et GRange-objekt. HIC = Læs. table ("promotor-anchored_chromatin_loops. Bed ", Skip = 1) kolnames (HIC) = c ("Chr", "TSS_start", "TSS_end", "Enhancer_start", "Enhancer_end") hicranges = GRanges (HIC $ Chr, IRanges (HIC $ TSS_start, HIC $ TSS_end), Enhancer = HIC $ Enhancer_start) OLAP = Findoverlap (hicranges, promoterranges) hicpromoter = hicranges [queryHits (OLAP)] mcols (hicpromoter) = cbind (mcols (hicpromoter), mcols (promoterranges [Subjekecthits (OLAP)])) hicenhancer = Granger (seqnames (hicpromoter), Iranger (hicpromoter $ Enhancer, hicpromoter $ Enhancer + 10000), Gene = hicpromoter $ Gene)</li>
		<li>Overlappe troværdige SNPs med hi-C GRange-objekt. OLAP = Findoverlap (credranges, hicenhancer) credhic = credranges [queryHits (OLAP)] mcols (credhic) = cbind (mcols (credhic), mcols (hicenhancer [Subjekecthits (OLAP)]))</li>
	</ol>
</li>
	<li>Kompiler annonce kandidat gener defineret ved positions kortlægning og kromatin-interaktions profiler. # # # De resulterende kandidat gener for annonce: ADgenes = Reducer (Union, List (credhic $ gene, credexon $ gene, credpromoter $ Gene)) # # # at konvertere Ensembl gene ID til HGNC symbol belastning ("geneAnno. RDA") ADhgnc = geneAnno1 [match (ADgenes, geneAnno1 $ ensembl_gene_id), "hgnc_symbol"] ADhgnc = ADhgnc [ADhgnc! = ""] Gem (ADgenes, ADhgnc, File = "ADgenes. RDA") Skriv. table (ADhgnc, fil = "ADgenes. txt", Row. Names = F, Col. navne = F, quote = F, sep = "\t")</li>
</ol>4. udviklingsmæssige udtryks Forløbskurver
Bemærk: for hvert trin, Skriv den tilsvarende kode i konsolvinduet i RStudio.
<ol><li>Oprettet i R. bibliotek (omforme); bibliotek (ggplot2); bibliotek (GenomicRanges); bibliotek (biomaRt) bibliotek ("WGCNA") indstillinger (stringsAsFactors = F)</li>
	<li>Proces udtryk og metadata. datExpr = Read. csv ("expression_matrix. csv", header = FALSE) datExpr = datExpr [,-1] datMeta = Read. csv ("columns_metadata. csv") datProbes = Read. csv ("rows_metadata. csv") datExpr = datExpr [datProbes $ ensembl_gene_id! = "",] datProbes = datProbes [datProbes $ ensembl_gene_id! = "",] datExpr.cr = Skjul (datExpr, rowGroup = datProbes $ ensembl_gene_id, rowID = rownames (datExpr)) datExpr = datExpr. CR $ Datetkollapset gename = data. frame (datExpr. CR $ group2row) rownames (data expr) = gename $ Group<ol>
<li>Angiv udviklingsstadier. datMeta $ Unit = "postnatal" IDX = GREP ("PCW", datMeta $ Age) datMeta $ Unit [IDX] = "prænatal" IDX = GREP ("yrs", datMeta $ Age) datMeta $ Unit [IDX] = "postnatal" datMeta $ Unit = faktor (datMeta $ enhed, niveauer = c ("prænatal", "postnatal"))</li>
		<li>Vælg kortikale områder. datMeta $ region = "SubCTX" r = c ("A1C", "STC", "ITC", "TCx", "OFC", "DFC", "VFC", "MFC", "M1C", "S1C", "IPC", "M1C-S1C", "PCx", "V1C", "OCX") datMeta $ region [datMeta $ structure_acronym% i% r] = "CTX" datExpr = datExpr [, som (datMeta $ region = = "CTX")] datMeta = datMeta [som (datMeta $ region = = "CTX"),] Gem (datExpr, datMeta, File = "devExpr. RDA")</li>
	</ol>
</li>
	<li>Udpak udviklings udtryks profiler for annonce risiko gener. belastning ("ADgenes. RDA") exprdat = Anvend (datExpr [match (ADgenes, rownames (data expr)),], 2, Mean, na. RM = T) dat = data. frame (region = datMeta $ region, enhed = datMeta $ Unit, expr = exprdat)</li>
	<li>Sammenlign prænatal versus postnatale ekspressionsniveauer for annonce risiko gener. PDF (fil = "developmental_expression. pdf") ggplot (DAT, AES (x = enhed, y = udtryk, fyld = enhed, alpha = enhed)) + YLAB ("normaliseret udtryk") + geom_boxplot (outlier. Size = NA) + ggtitle ("Brain Expression") + XLAB ("") + scale_alpha_manual (værdier = c (0,2, 1)) + theme_classic () + tema (Legend. position = "na" ) dev. off ()</li>
</ol>5. celle-type udtryks profiler
Bemærk: for hvert trin, Skriv den tilsvarende kode i konsolvinduet i RStudio.
<ol><li>Oprettet i R. indstillinger (stringsAsFactors = F) belastning ("ADgenes. RDA") belastning ("geneAnno. RDA") destinations = "ad" Target gene = ADhgnc cellexp = Læs. table ("DER-20_Single_cell_expression_processed_TPM_backup. tsv", headeren = T, fill = T) cellexp [1.121, 1] = cellexp [1120, 1] cellexp = cellexp [-1120,] rownames (cellexp) = cellexp [, 1] cellexp = cellexp [,-1] datExpr = skala (cellexp, Center = T, Scale = F) datExpr = datExpr [, 789: ncol (datExpr)]</li>
	<li>Uddrag cellulære udtryks profiler af AD Risk gener. exprdat = apply (datExpr [match (targetgen, rownames (data expr)),], 2, Mean, na. RM = T) dat = data. frame (gruppe = targetname, celle = Names (exprdat), expr = exprdat) dat $ CellType = unlist (lapply (strsplit (dat $ Cell, split = "[.]"), ' [', 1)) dat = dat [-GREP ("ex | I ", DAT $ CellType),] dat $ CellType = gsub ("dev", "fetal", DAT $ CellType) dat $ CellType = Factor (dat $ CellType, niveauer = c ("neuroner", "astrocytter", "Microglia", "Endothelial", Oligodendrocytter "," OPC "," føtal ")) PDF (fil = "singlecell_expression_ADgenes. pdf") ggplot (DAT, AES (x = CellType, y = expr, fill = CellType)) + YLAB ("normaliseret udtryk") + XLAB ("") + geom_violin () + tema (akse. Text. x = element_text (vinkel = 90, hjust = 1)) + tema (Legend. position = "ingen") + ggtitle (paste0 ("mobil udtryks profiler for annonce risiko gener")) dev. off ()</li>
</ol>6. genanmærknings berigelse analyse af AD Risk gener
<ol><li>Download og Konfigurer HOMER ved at skrive kommandoerne nedenfor i Terminal. mkdir Homer CD Homer wget http://homer.ucsd.edu/homer/configureHomer.pl Perl./configureHomer.pl-Installer Perl./configureHomer.pl-Installer Human-p Perl./configureHomer.pl-Installer Human-o</li>
	<li>Kør HOMER ved at skrive kommandoerne nedenfor i Terminal. Eksporter sti = $PATH: ~/Work/Homer/bin findMotifs.pl ~/work/ADgenes.txt Human ~/Work/</li>
	<li>Afbild de forbedrede termer ved at skrive følgende kode i konsolvinduet i RStudio. bibliotek (ggpubr) indstillinger (stringsAsFactors = F) PDF ("GO_enrichment. pdf", bredde = 15, højde = 8) plot_barplot = funktion (dbname, navn, farve) { input = Read. delim (paste0 (dbnavn, ". txt"), header = T) input = indgang [, c (-1,-10,-11)] input = Unique (input) input $ FDR = p. Adjust (exp (input $ logP)) input_sig = indgang [indgang $ FDR < 0,1,] input_sig $ FDR =-log10 (input_sig $ FDR) input_sig = input_sig [Order (input_sig $ FDR)] p = ggbarplot (input_sig, x = "term", y = "FDR", fyld = farve, Color = "hvid", sort. Val = "ASC", YLAB = Expression (-Log [10] (kursiv (FDR))), XLAB = paste0 (navn, "vilkår"), Roter = TRUE, etiket = paste0 (input_sig $ Target. Genes. in. term, "/", input_sig $ gener. in. term), Font. label = liste (farve = "hvid", størrelse = 9), Lab. vjust = 0,5, Lab. hjust = 1) p = p + geom_hline (yskæring =-log10 (0,05), linje = 2, Color = "lightgray") afkast (p) } P1 = plot_barplot ("biological_process", "GO biologisk proces", "#00AFBB") P2 = plot_barplot ("kegg", "KEGG", "#E7B800") P3 = plot_barplot ("reactome", "Reactome", "#FC4E07") ggarrange (P1, P2, P3, etiketter = c ("A", "B", "C"), ncol = 2, nrow = 2) dev. off ()</li>
</ol>

<ol>
	<li>Dekker, J., Misteli, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Long-Range+Chromatin+Interactions.">Long-Range Chromatin Interactions.</a> Cold Spring Harbor Perspectives in Biology. 7 (10), a019356 (2015).</li><li>Sanyal, A., Lajoie, B. R., Jain, G., Dekker, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+long-range+interaction+landscape+of+gene+promoters.">The long-range interaction landscape of gene promoters.</a> Nature. 489 (7414), 109-113 (2012).</li><li>Plank, J. L., Dean, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Enhancer+function:+mechanistic+and+genome-wide+insights+come+together.">Enhancer function: mechanistic and genome-wide insights come together.</a> Molecular Cell. 55 (1), 5-14 (2014).</li><li>Dekker, J., Marti-Renom, M. A., Mirny, L. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Exploring+the+three-dimensional+organization+of+genomes:+interpreting+chromatin+interaction+data.">Exploring the three-dimensional organization of genomes: interpreting chromatin interaction data.</a> Nature Reviews Genetics. 14 (6), 390-403 (2013).</li><li>Martin, 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=Capture+Hi-C+reveals+novel+candidate+genes+and+complex+long-range+interactions+with+related+autoimmune+risk+loci.">Capture Hi-C reveals novel candidate genes and complex long-range interactions with related autoimmune risk loci.</a> Nature Communications. 6, 10069 (2015).</li><li>Won, H., 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=Chromosome+conformation+elucidates+regulatory+relationships+in+developing+human+brain.">Chromosome conformation elucidates regulatory relationships in developing human brain.</a> Nature. 538 (7626), 523-527 (2016).</li><li>J&#228;ger, R., 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=Capture+Hi-C+identifies+the+chromatin+interactome+of+colorectal+cancer+risk+loci.">Capture Hi-C identifies the chromatin interactome of colorectal cancer risk loci.</a> Nature Communications. 6, 6178 (2015).</li><li>Chen, J. A. 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=Joint+genome-wide+association+study+of+progressive+supranuclear+palsy+identifies+novel+susceptibility+loci+and+genetic+correlation+to+neurodegenerative+diseases.">Joint genome-wide association study of progressive supranuclear palsy identifies novel susceptibility loci and genetic correlation to neurodegenerative diseases.</a> Molecular Neurodegeneration. 13 (1), 41 (2018).</li><li>Wang, D., 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=Comprehensive+functional+genomic+resource+and+integrative+model+for+the+adult+brain.">Comprehensive functional genomic resource and integrative model for the adult brain.</a> Science. 362 (6420), eaat8464 (2018).</li><li>Demontis, D., 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=Discovery+of+the+first+genome-wide+significant+risk+loci+for+attention+deficit/hyperactivity+disorder.">Discovery of the first genome-wide significant risk loci for attention deficit/hyperactivity disorder.</a> Nature Genetics. 51 (1), 63-75 (2019).</li><li>Grove, J., 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=Identification+of+common+genetic+risk+variants+for+autism+spectrum+disorder.">Identification of common genetic risk variants for autism spectrum disorder.</a> Nature Genetics. 51 (3), 431-444 (2019).</li><li>Lee, P. H., 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+meta-analysis+identifies+genomic+relationships,+novel+loci,+and+pleiotropic+mechanisms+across+eight+psychiatric+disorders.">Genome wide meta-analysis identifies genomic relationships, novel loci, and pleiotropic mechanisms across eight psychiatric disorders.</a> bioRxiv. , 528117 (2019).</li><li>Mah, W., Won, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+three-dimensional+landscape+of+the+genome+in+human+brain+tissue+unveils+regulatory+mechanisms+leading+to+schizophrenia+risk.">The three-dimensional landscape of the genome in human brain tissue unveils regulatory mechanisms leading to schizophrenia risk.</a> Schizophrenia Research. , (2019).</li><li>Jansen, I. E., 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+meta-analysis+identifies+new+loci+and+functional+pathways+influencing+Alzheimer's+disease+risk.">Genome-wide meta-analysis identifies new loci and functional pathways influencing Alzheimer's disease risk.</a> Nature Genetics. 51 (3), 404-413 (2019).</li><li>Viola, K. L., Klein, W. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Amyloid+&#946;+oligomers+in+Alzheimer's+disease+pathogenesis,+treatment,+and+diagnosis.">Amyloid &#946; oligomers in Alzheimer's disease pathogenesis, treatment, and diagnosis.</a> Acta Neuropathologica. 129 (2), 183-206 (2015).</li><li>Mroczko, B., Groblewska, M., Litman-Zawadzka, A., Kornhuber, J., Lewczuk, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Amyloid+&#946;+oligomers+(A&#946;Os)+in+Alzheimer's+disease.">Amyloid &#946; oligomers (A&#946;Os) in Alzheimer's disease.</a> Journal of Neural Transmission. 125 (2), 177-191 (2018).</li><li>Heneka, M. T., 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=Neuroinflammation+in+Alzheimer's+disease.">Neuroinflammation in Alzheimer's disease.</a> Lancet Neurology. 14 (4), 388-405 (2015).</li><li>Minter, M. R., Taylor, J. M., Crack, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+contribution+of+neuroinflammation+to+amyloid+toxicity+in+Alzheimer's+disease.">The contribution of neuroinflammation to amyloid toxicity in Alzheimer's disease.</a> Journal of Neurochemistry. 136 (3), 457-474 (2016).</li><li>Hansen, D. V., Hanson, J. E., Sheng, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Microglia+in+Alzheimer's+disease.">Microglia in Alzheimer's disease.</a> The Journal of Cell Biology. 217 (2), 459-472 (2018).</li><li>Gjoneska, E., 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=Conserved+epigenomic+signals+in+mice+and+humans+reveal+immune+basis+of+Alzheimer's+disease.">Conserved epigenomic signals in mice and humans reveal immune basis of Alzheimer's disease.</a> Nature. 518 (7539), 365-369 (2015).</li><li>Benner, C., 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=FINEMAP:+efficient+variable+selection+using+summary+data+from+genome-wide+association+studies.">FINEMAP: efficient variable selection using summary data from genome-wide association studies.</a> Bioinformatics. 32 (10), 1493-1501 (2016).</li><li>Hormozdiari, F., Kostem, E., Kang, E. Y., Pasaniuc, B., Eskin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identifying+causal+variants+at+loci+with+multiple+signals+of+association.">Identifying causal variants at loci with multiple signals of association.</a> Genetics. 198 (2), 497-508 (2014).</li><li>Tewhey, R., 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=Direct+Identification+of+Hundreds+of+Expression-Modulating+Variants+using+a+Multiplexed+Reporter+Assay.">Direct Identification of Hundreds of Expression-Modulating Variants using a Multiplexed Reporter Assay.</a> Cell. 165 (6), 1519-1529 (2016).</li><li>Arnold, C. D., 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+quantitative+enhancer+activity+maps+identified+by+STARR-seq.">Genome-wide quantitative enhancer activity maps identified by STARR-seq.</a> Science. 339 (6123), 1074-1077 (2013).</li><li>Kent, W. J., 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=The+human+genome+browser+at+UCSC.">The human genome browser at UCSC.</a> Genome Research. 12 (6), 996-1006 (2002).</li><li>Kang, H. J., 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=Spatio-temporal+transcriptome+of+the+human+brain.">Spatio-temporal transcriptome of the human brain.</a> Nature. 478 (7370), 483-489 (2011).</li></ol>

Forfatterne har intet at afsløre.

Her beskriver vi en analytisk ramme, der kan bruges til funktionelt at ankommentere GWS loci baseret på positions kortlægning og kromatin-interaktioner. Denne proces involverer flere trin (yderligere oplysninger findes i denne anmeldelse13). For det første, da kromatin interaktions profiler er meget celle specifikke, skal der anvendes Hi-C-data fra de relevante celle/vævstyper, der bedst fanger underliggende biologi af uorden. I betragtning af at ANNONCEN er en neurodegenerativ lidelse, brugte vi voksne Brain Hi-C data9 til at ANNOERE GWS loci. For det andet, hver GWS locus ofte har op til hundredvis af SNPs, der er forbundet med træk på grund af sammenkædning uligevægt (LD), det er derfor vigtigt at opnå formodede årsagssammenhæng (» troværdige «) SNPs ved at beregne årsagssammenhængen ved at anvende finkortlægnings algoritmer21,22 eller eksperimentelt teste reguleringsaktiviteter ved hjælp af tilgange med høj dataoverførselshastighed såsom massivt parallelle reporter assays (mpra)23 eller selv transskriberende aktiv reguleringsområde sekvensering ( STARR-SEQ)24. For det arbejde, der er beskrevet her, brugte vi troværdige SNPs rapporteret i Jansen et al.14. Tredje, promotor og exonic SNPs er kommenteret baseret på positions mapping. Vi brugte en simpel positions kortlægnings strategi, hvor SNPs blev knyttet til generne, når de overlappede med promotorer (defineret som 2 KB opstrøms for transskription start site) eller exons. Denne fremgangsmåde kan imidlertid uddybes yderligere ved at vurdere de funktionelle konsekvenser af exonic SNPs, såsom om SNP inducerer nonsens medierede forfald, missense variation eller nonsens variation. For det fjerde kan kromatin interaktions profiler fra den relevante vævs/celletype bruges til at tildele SNPs til deres formodede målgener baseret på fysisk nærhed. Vi brugte interaktions profiler forankret til initiativtagere, men vi kan yderligere forfine eller udvide interaktions profilerne ved at tage forstærker-aktiviteter (styret af Histon H3 K27 acetylering eller kromatin Accessibility) eller exonic interaktioner i betragtning. En vigtig overvejelse i denne proces er at bruge konsistent menneskelig genom Build. For eksempel, hvis de genomiske positioner i summariske statistikker ikke er baseret på hg19 (dvs. hg18 eller hg38), skal der indhentes en passende version af reference genomet, eller de summariske statistikker skal konverteres til hg19 ved hjælp af liftover25.
Vi anvendte denne ramme til at identificere formodede målgener for AD GWAS, tildele 284 SNPs til 112 AD risiko gener. Ved hjælp af udviklings udtryks profiler26 og celletype specifikke udtryks profiler9, viste vi derefter, at dette gensæt var i overensstemmelse med, hvad der vides om ad patologi, afslører celle typerne (microglia), biologiske funktioner (immunrespons og amyloid beta) og forhøjet risiko efter alder.
Mens vi præsenterede en ramme, der afgrænse potentielle mål gener af AD og dens underliggende biologi, det er af Bemærk, at Hi-C baseret annotation kan udvides til at anmærke enhver ikke-kodning variation. Efterhånden som flere data om hele genomsekvensering bliver tilgængelige, og vores forståelse af den ikke-kodende sjældne variation vokser, vil Hi-C udgøre en vigtig ressource til fortolkning af sygdoms associerede genetiske varianter. Et kompendium af Hi-C ressourcer fra flere vævs-og celletyper vil derfor være afgørende for at fremme en bred anvendelse af denne ramme til at samle biologisk indsigt i forskellige menneskelige træk og sygdom.

De mange forenings studier (GWAS) har spillet en afgørende rolle i afsløringen af det genetiske grundlag for en række menneskelige træk og sygdomme. Denne store genotypebestemmelse har afdækket tusinder af genomiske varianter forbundet med fænotyper, der spænder fra højde til skizofreni risiko. Men på trods af GWAS enorme succes med at identificere sygdom og træk associeret loci, en mekanistisk forståelse af, hvordan disse varianter bidrager til fænotype har været udfordrende, fordi de fleste fænotype associerede varianter bor i ikke-kodning del af det menneskelige genom. Da disse varianter ofte overlapper med forudsete regulatoriske elementer, vil de sandsynligvis ændre transkriptional kontrol af et nærliggende gen. Ikke-kodende loci kan dog påvirke transkriptionen af gener ved lineære afstande, som overstiger en megabase, hvilket gør de gener, som berøres af hver variant, svære at identificere. Tredimensionel (3D) kromatin struktur spiller en vigtig rolle i at formidle forbindelser mellem Fjern regulerende loci og gene promotorer og kan bruges til at identificere gener påvirket af fænotype associeret enkelt-nukleotid polymorfier (SNPs).
Gen regulering er medieret af en kompleks proces, som involverer forstærker aktivering og kromatin loop dannelse, der fysisk forbinder smagsforstærkere til gene promotorer, som transkriptionelle maskiner kan rettes1,2,3. Fordi kromatin loops ofte spænder over flere hundrede kilobaser (KB), detaljerede kort af 3D kromatin arkitektur er forpligtet til at dechifrere gen regulerende mekanismer. Flere kromatin konstellation Capture teknologier er blevet opfundet for at identificere 3D kromatin arkitektur4. Blandt disse teknologier, Hi-C giver den mest omfattende arkitektur, da det fanger Genome-dækkende 3D kromatin interaktion profiler. Hi-C datasæt er blevet hurtigt tilpasset til at fortolke ikke-kodning Genome-Wide signifikant (GWS) loci5,6,7,8,9,10,11,12,13, da det kan forbinde ikke-kodning varianter til deres formodede mål gener baseret på kromatin interaktion profiler.
I denne artikel skitserer vi en protokol til beregningsmæssigt forudsige formodede målgener af GWAS risiko varianter ved hjælp af kromatin interaktions profiler. Vi anvender denne protokol til at kort sætte AD GWS loci14 til deres målgener ved hjælp af Hi-C datasæt i den voksne menneskelige hjerne9. De resulterende annonce risiko gener er karakteriseret ved andre funktionelle genomdatasæt, der omfatter enkelt celle transkriptomic og udviklingsmæssige udtryks profiler.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>10 kb resolution Hi-C interaction profiles in the adult brain from psychencode</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="http://adult.psychencode.org/Datasets/Integrative/Promoter-anchored_chromatin_loops.bed">http://adult.psychencode.org/</a></td>
		</tr>
		<tr>
			<td>Developmental expression datasets</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="http://www.brainspan.org/api/v2/well_known_file_download/267666527">http://www.brainspan.org/</a></td>
		</tr>
		<tr>
			<td>Fine-mapped credible SNPs for AD (Supplementary Table 8 from Jansen et al.14)</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="https://static-content.springer.com/esm/art%3A10.1038%2Fs41588-018-0311-9/MediaObjects/41588_2018_311_MOESM3_ESM.xlsx">https://static-content.springer.com/</a></td>
		</tr>
		<tr>
			<td>HOMER</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="http://homer.ucsd.edu/homer/configureHomer.pl">http://homer.ucsd.edu/</a></td>
		</tr>
		<tr>
			<td>R (version 3.5.0)</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="https://www.r-project.org/">https://www.r-project.org/</a></td>
		</tr>
		<tr>
			<td>RStudio Desktop</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="https://www.rstudio.com/products/rstudio/download/">https://www.rstudio.com/</a></td>
		</tr>
		<tr>
			<td>Single cell expression datasets</td>
			<td></td>
			<td></td>
			<td><a target="_blank" href="http://adult.psychencode.org/Datasets/Derived/SC_Decomp/DER-20_Single_cell_expression_processed_TPM_backup.tsv">http://adult.psychencode.org/</a></td>
		</tr>
	</tbody>
</table>

mapping alzheimer's disease variants to their target genes using computational analysis of chromatin configuration

Genomstudier (GWAS) har med succes identificeret hundredvis af genomisk loci, der er forbundet med menneskelige træk og sygdom. Men da størstedelen af det Genome-store signifikante (GWS) loci falder på det ikke-kodende genom, er den funktionelle virkning af mange stadig ukendt. Tredimensionelle kromatin interaktioner identificeret ved Hi-C eller dets derivater kan give nyttige værktøjer til at anmærkning disse loci ved at forbinde ikke-kodning varianter til deres handlingsrettede gener. Her skitserer vi en protokol til at kortlægge GWAS ikke-kodning varianter til deres formodede gener ved hjælp af Alzheimers sygdom (AD) GWAS og Hi-C datasæt fra humant voksen hjernevæv. Formodede kausale enkelt-nukleotidpolymorfier (SNPs) identificeres ved anvendelse af finkortlægnings algoritmer. SNPs er derefter knyttet til deres formodede målgener ved hjælp af Enhancer-Promoter interaktioner baseret på Hi-C. Det resulterende gensæt repræsenterer annonce risiko gener, da de potentielt reguleres af annonce risiko varianter. For at samle yderligere biologisk indsigt i molekylære mekanismer underliggende annonce, karakteriserer vi AD Risk gener ved hjælp af udviklingsmæssige hjerne ekspression data og hjernen enkelt celle ekspressions profiler. Denne protokol kan udvides til alle GWAS-og Hi-C-datasæt for at identificere formodede målgener og molekylære mekanismer, der underliggende forskellige menneskelige egenskaber og sygdomme.

Den proces, der er beskrevet her, blev anvendt på et sæt på 800 troværdige SNP, som blev defineret i den oprindelige undersøgelse14. Positions kortlægning afslørede, at 103 SNPs overlappede med promotorer (43 unikke gener) og 42 SNPs overlappede med exons (27 unikke gener). Efter positions mapping forblev 84% (669) SNPs ikke kommenteret. Ved hjælp af Hi-C datasæt i den voksne hjerne, vi var i stand til at knytte en ekstra 208 SNPs til 64 gener baseret på fysisk nærhed. I alt kortlagde vi 284 AD troværdige SNPs til 112 AD Risk gener (figur 1A). Ad Risk gener var forbundet med amyloid prækursorer, amyloid-beta dannelse og immunrespons, hvilket afspejlede den kendte biologi i ad15,16,17,18 (figur 1B-D). Udviklingsmæssige udtryks profiler for AD-risiko gener viste markant postnatalt berigelse, hvilket indikerer den aldersrelaterede forhøjede risiko for AD (figur 2A). Endelig blev AD Risk gener stærkt udtrykt i microglia, primære immunceller i hjernen (figur 2B). Dette er i forståelse med de tilbagevendende fund, at annoncen har et stærkt immun grundlag, og microglia er den centrale aktør i ad patogenesen14,19,20.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/60428/60428fig1b.jpg"> Figur 1: definering af formodede målgener for ad GWS loci. A) troværdige SNP'er afledt af top 29 ad loci blev kategoriseret i promotor SNPs, Exonic SNPs og ikke-annoterede ikke-kodnings-SNPs. promotor og Exonic SNPs blev direkte tildelt deres målgener ved positions kortlægning, mens kromatin interaktions profiler i voksen hjernen også blev brugt til at kortlægge SNPs baseret på fysiske interaktioner. (B-D) Tilsætning af GO (B), kegg (C) og Reactome (D) udtryk i ad Risk gener blev udført ved hjælp af HOMER som beskrevet i protokol afsnit 6. X-aksen repræsenterer falsk Discovery rate (FDR) korrigeret-log10 (P-værdi). Forbedrede termer med FDR < 0,1 blev afbildet. Grå lodrette linjer repræsenterer FDR = 0,05. APP amyloid forløber protein. Tæller, antallet af annonce risiko gener, som er repræsenteret i hvert udtryk nævner, antallet af gener i hvert udtryk. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig1alarge.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/60428/60428fig2.jpg"> Figur 2: karakterisering af annonce risiko gener. A) ad Risk-gener udtrykkes i høj grad i den postnatale cortex sammenlignet med den prænatal cortex. (B) violin plots, som skildrer fordelinger af genekspressions værdier (normaliseret udtryk) i forskellige celletyper fra cortex. Disse resultater viser, at annonce risiko gener udtrykkes meget i microglia i overensstemmelse med tidligere undersøgelser14. <a href="https://www.jove.com/files/ftp_upload/60428/60428fig2large.jpg" target="_blank">Venligst klik her for at se en større version af dette tal.</a>
Supplerende fil 1. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_exon.bed" target="_blank">Klik venligst her for at se denne fil (Højreklik for at downloade).</a>
Supplerende fil 2. <a href="https://www.jove.com/files/ftp_upload/60428/Gencode19_promoter.bed" target="_blank">Klik venligst her for at se denne fil (Højreklik for at downloade).</a>
Supplerende fil 3. <a href="https://www.jove.com/files/ftp_upload/60428/geneAnno.rda" target="_blank">Klik venligst her for at se denne fil (Højreklik for at downloade).</a>

Watch this Scientific Journal Video about Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration at JoVE.com

Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration

Vi præsenterer en protokol til at identificere funktionelle konsekvenser af ikke-kodning varianter identificeret ved genomdækkende Association undersøgelser (GWAS) ved hjælp af tredimensionelle kromatin interaktioner.

Kortlægning af Alzheimers sygdom varianter til deres Målgener ved hjælp af beregningsmæssige analyse af kromatin konfiguration

Genome-wide association studies (GWAS) have successfully identified hundreds of genomic loci that are associated with human traits and disease. However, ...

Mens GWAS med succes har identificeret genomiske regioner forbundet med menneskelige træk og sygdomme, den biologiske virkning af disse risikovarianter er uklar. Her skitserer vi en protokol til beregningsfuldt at forudsige formodede målgener af GWAS-risikovarianter ved hjælp af kromatininteraktionsprofiler. Ofte gange identifikation af risiko gener er et første skridt til at forstå sygdomsmekanismer, og give mulighed for normale terapeutiske tilgange.Vi håber, at resultaterne af dette arbejde i sidste ende kan føre til endelige strategier til diagnosticering og behandling af Alzheimers sygdom. Den største fordel ved denne teknik er, at ved hjælp af 3D chromoton kontakt frekvenser vi kan identificere de gener, der er berørt af Alzheimers sygdom risiko varians, selv om de er tusinder eller endda millioner af base par væk. Når du forsøger denne protokol, er kendskab til R eller et X-par-system afgørende, fordi brugeren forventes at gennemføre hele protokollen med systemet.Hvis du vil udføre denne beregningsprotokol, skal du se koden i tekstmanuskriptet eller på skærmen. Begynd, ved at oprette i R, at generere en G intervaller objekt for troværdige, enkelt nukleatid polymorfier eller SNPS. Til positionstilknytning indlæses opsætningen i R derefter arrangøren og eksonicområdet og genererer et G-områdeobjekt.Overlap den troværdige SNPS med eksoniske regioner og med initiativtagerregionerne. Hvis du vil knytte SNPS til deres formodede målgener ved hjælp af Chromaton-interaktioner, skal du indlæse Hi C-datasættet og generere et G-områdeobjekt. Overlap den troværdige SNPS med Hi C G-området objekt.Og kompilere AD kandidat gener, defineret ved positionelle kortlægning og kromoton interaktion profiler. Dernæst udforske udviklingsmæssige baner. Opsætning i R og bearbejde udtryksmetadataene.Angiv udviklingsstadier, og vælg kortikale områder. Uddrag de udviklingsmæssige udtryksprofiler af AD-risikogener og sammenlign prænatale kontra postnatale udtryksniveauer. Undersøg celletypeudtryksprofiler ved at oprette i R og udtrække mobiludtryksprofiler for AD-risiko.Endelig udføre gene annotation berigelse analyse af AD risiko gener. Download og konfigurer Homer. Kør derefter Homer og plot de berigede vilkår med R Studio.Et sæt på 800 troværdige SNPs blev undersøgt ved hjælp af denne proces. Positionsbaseret kortlægning viste, at 103 SNPs overlappede initiativtagerne og 42 SNPs overlappede med Exons, mens 84 % af de snps forblev urenoterede. Ved hjælp af Hi-C datasæt i den voksne hjerne, yderligere 208 SNPs var knyttet til 64 gener baseret på fysisk nærhed.I alt blev 284 AD troværdige SNPs kortlagt til 112 AD risiko gener. AD risiko gener var forbundet med amyloid forløber proteiner, amyloid Beta dannelse og immunrespons, som afspejler den kendte biologi af sygdommen. Udviklingsudtryksprofiler for AD-risikogener viste markant postnatal berigelse, der indikerer den aldersrelaterede forhøjede risiko for sygdommen.Endelig, generne var meget udtrykt i mikroglia de primære immunceller i hjernen, som understøtter de tilbagevendende resultater, at AD har et stærkt immunforsvar. Her bruger vi Hi-C data fra hjernevævet til at analysere en biologisk virkning af Alzheimers sygdom risiko varians. For at anvende denne metode på en anden GWAS-undersøgelse er niveauet for de nye Hi-C-data i det relevante væv imidlertid kritisk.Disse resultater kan yderligere studeres og valideres ved hjælp af crisper-baserede teknologier, forstærker reporter assays, eller ved at krydse med andre funktionelle genomiske datasæt såsom EQTLs. Her identificerer vi snesevis af Alzheimers sygdom risiko gener, og vi forventer, at identifikationen af disse gener kan hjælpe os med at forstå deres hidtil ukendte rolle i Alzheimers sygdom.

Research

JoVE Journal

Genetics

Mapping RNA-RNA Interactions Globally Using Biotinylated Psoralen

Kortlægning af RNA-RNA-interaktioner globalt ved anvendelse af biotinyleret psoralen

Knowing how RNAs interact with themselves and with others is key to understanding RNA based gene regulation in the cell. While examples of RNA-RNA ...

Sequential Salt Extractions for the Analysis of Bulk Chromatin Binding Properties of Chromatin Modifying Complexes

Sekventiel Salt ekstraktioner til analyse af Bulk kromatin bindende egenskaber af kromatin ændre komplekser

Elucidation of the binding properties of chromatin-targeting proteins can be very challenging due to the complex nature of chromatin and the heterogeneous ...

Analysis of the c-KIT Ligand Promoter Using Chromatin Immunoprecipitation

Analyse af c-KIT ligand-promotoren ved anvendelse af chromatinimmunpræcipitation

Multiple cellular processes, including DNA replication and repair, DNA recombination, and gene expression, require interactions between proteins and DNA. ...

Retroviral Scanning: Mapping MLV Integration Sites to Define Cell-specific Regulatory Regions

Retroviral Scanning: Kortlægning af MLV Integration Sites til at definere Cell-specifikke Regulatory Regions

Moloney murine leukemia (MLV) virus-based retroviral vectors integrate predominantly in acetylated enhancers and promoters. For this reason, mLV ...

Mapping Genome-wide Accessible Chromatin in Primary Human T Lymphocytes by ATAC-Seq

Kortlægning Genome-wide tilgængelige kromatin i primære humane T lymfocytter af ATAC-Seq

Assay for Transposase-Accessible Chromatin with high-throughput sequencing (ATAC-seq) is a method used for the identification of open (accessible) regions ...

Immunostaining for DNA Modifications: Computational Analysis of Confocal Images

Immunfarvning for DNA ændringer: beregningsmæssige analyse af Konfokal billeder

For several decades, 5-methylcytosine (5mC) has been thought to be the only DNA modification with a functional significance in metazoans. The discovery of ...

Using Sniper-Cas9 to Minimize Off-target Effects of CRISPR-Cas9 Without the Loss of On-target Activity Via Directed Evolution

Ved hjælp af Sniper-Cas9 til at minimere Off target effekter af CRISPR-Cas9 uden tab af målaktiviteten Via styret Evolution

The development of clustered regularly interspaced short palindromic repeats (CRISPR)-associated protein 9 (Cas9) into therapeutic modalities requires the ...

An In Vitro Protocol for Evaluating MicroRNA Levels, Functions, and Associated Target Genes in Tumor Cells

En in vitro-protokol til evaluering af MicroRNA-niveauer, funktioner og tilknyttede Målgener i tumor celler

MicroRNAs (miRNAs) are small regulatory RNAs which are recognized to modulate numerous intracellular signaling pathways in several diseases including ...

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

In vivo funktionel undersøgelse af sygdoms associerede sjældne humane varianter ved hjælp af Drosophila

Advances in sequencing technology have made whole-genome and whole-exome datasets more accessible for both clinical diagnosis and cutting-edge human ...