新的工具有助于在大型遗传学研究中纳入不同血统的人

基因组 - 范围的协会研究（GWAs）通常在寻找赋予疾病风险的基因变体中排除多样化和少数群体。马萨诸塞州综合医院（MGH）的研究人员，广泛的麻省理工学院和哈佛大学，以及世界各地的其他机构现在已经开发出一个叫做拖拉机的自由控型软件包，以提高基因组学的发现能力。发布了对拖拉机的表现和准确性的研究自然遗传学。

研究人员对GWA进行了识别，识别负责导致疾病的遗传变异位于基因组中。最近，遗传学家已经开始从发布的GWAS数据创建模型，以预测个人疾病的风险。但这些模型的临床效用目前有限，因为大多数是基于欧洲人的基因组研究祖先。

“如果你在现有的数据上建立疾病风险模型，并试图将其外推到不同的人群，那么预测谁将患病的准确性就会降低，”伊丽莎白·阿特金森博士说，她是这篇论文的第一作者，也是MGH分析和翻译遗传学部门(ATGU)的研究员。“这些错误加剧了现有的健康差异，部分原因是我们没有发现可能导致不同人群患某种疾病风险更高的特定基因变异。”

Atkinson说，目前GWAS的另一个重大缺陷是，“它们为所有人群留下了许多遗传学发现的机会。”例如，非洲血统的人平均比没有非洲血统的人多100万份基因变异，这是由于多年来人类的迁移模式。阿特金森说，在不同的人群中进行GWAS可以让遗传学家在基因组中更多的点上确定与疾病的遗传联系。

她补充说:“在GWAS中确定的这些基因组区域内，实际上导致疾病的基因突变大多数时候在祖先之间是共享的。”通过研究混种人群——从两个或两个以上先前隔离的人群中分离出来的具有最近祖先的人人口“我们可以获得更强大、更精确的基因关联信号，并更好地定位致病突变的位置，这将提高我们对每个人疾病的理解。”

直到现在，还没有一种精确的方法来控制在GWAS中被研究的混合组的祖先组成。阿特金森解释说:“由于人口统计历史的不同，不同祖先的群体有不同频率的基因变异。”“在GWAS中不考虑祖先可能会导致假阳性检测，或者基因变异会自我抵消，被认为不重要而不予考虑。”所以，直到现在，从GWAS中排除具有多个祖先的人更容易避免被不同的基因变异模式混淆。”

然而，拖拉机允许研究人员以一种精确的方式来解释祖先，这样混合的个体就可以被包括在大规模的基因发现努力中。该软件根据每个人的祖先起源为染色体染色，研究人员可以从参考基因组序列中推断，并在新的GWAS模型中使用这些信息。“Tractor考虑到每个基因变体的祖先骨干，所以我们可以正确地校准GWAS结果，找到特定的因果变异人群,”阿特金森说。

Tractor还提供了对祖先特定效应大小的估计，这在标准的GWAS中是不可能的。“而不是得到一个疾病风险效应大小的加权平均值基因变异，拖拉机可以确定变种在各种血统群体中的效果大大或小，“阿特金森说。”这将是建立各种群体的遗传风险评分的信息。“拖拉机的另一个优势是其提高力量的能力通过检测跨多个祖先的风险基因变种的GWA。“通过拖拉机，我们可以通过利用祖先的基因组差异来获得更强的疾病关联信号，”阿特金森说。

“拖拉机推动了研究复杂疾病遗传学的现有方法，”她补充道。“我们希望这种方法增加了纳入了向前大规模关联研究的混合参与者。”

---

---