MaltSci 麦伴科研

Appearance

热门主题报告 / 基因组学

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

全基因组关联研究如何识别疾病基因？ ​

摘要 ​

全基因组关联研究（GWAS）近年来在遗传流行病学和医学研究中扮演着越来越重要的角色。GWAS通过比较大量个体的基因组数据，旨在识别与特定疾病表型相关的遗传变异，进而揭示复杂疾病的遗传基础。随着高通量基因组测序技术的发展和大规模人群样本的积累，GWAS为我们提供了前所未有的机会来深入了解疾病的遗传机制。本报告系统回顾了GWAS的基本原理，包括其定义、历史背景及与疾病关联的基本概念。研究表明，GWAS能够识别与糖尿病、心血管疾病和癌症等多种复杂疾病相关的遗传变异，进而推动个体化医疗的发展。尽管GWAS在识别疾病基因方面取得了诸多进展，但仍面临假阳性和假阴性问题、环境因素与基因交互作用的挑战。未来，GWAS的发展方向将集中在单细胞测序技术的应用及其在精准医学与个体化治疗中的潜力。通过综合运用多种数据分析方法和技术，GWAS有望为复杂疾病的研究提供更为深刻的见解，推动个性化医疗的实现。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 GWAS的基本原理
    • 2.1 GWAS的定义与历史背景
    • 2.2 SNP与疾病关联的基本概念
  • 3 GWAS的研究设计
    • 3.1 样本选择与表型定义
    • 3.2 基因组数据的收集与处理
  • 4 数据分析方法
    • 4.1 统计分析方法概述
    • 4.2 多重比较校正技术
  • 5 GWAS的挑战与局限性
    • 5.1 假阳性与假阴性问题
    • 5.2 环境因素与基因交互作用
  • 6 GWAS的未来发展方向
    • 6.1 单细胞测序技术的应用
    • 6.2 精准医学与个体化治疗
  • 7 总结

1 引言 ​

全基因组关联研究（GWAS）近年来成为遗传流行病学和医学研究中的重要工具，其主要目的是通过比较大量个体的基因组数据，寻找与特定疾病表型相关的遗传变异，从而识别潜在的疾病基因。随着高通量基因组测序技术的快速发展以及大规模人群样本的收集，GWAS为我们提供了前所未有的机会来深入了解复杂疾病的遗传基础。这种研究方法的成功不仅依赖于技术的进步，还得益于对人类基因组的深入理解和大规模数据分析能力的提升[1][2]。

GWAS的研究意义深远。首先，GWAS能够帮助我们识别与多种复杂疾病相关的遗传变异，这些变异可能影响个体对疾病的易感性。例如，GWAS已经在糖尿病、心血管疾病、癌症等领域取得了显著成果，揭示了许多新的遗传标记和潜在的致病基因[3][4]。其次，通过对GWAS数据的深入分析，研究者可以探索基因与环境因素之间的相互作用，从而更好地理解疾病的发病机制[5]。此外，GWAS的发现有望推动个体化医疗的发展，通过识别疾病易感基因，制定个性化的预防和治疗策略，从而提高临床干预的有效性[6]。

尽管GWAS在疾病基因识别方面取得了诸多进展，但研究仍面临不少挑战。例如，假阳性和假阴性结果的出现可能会影响研究的可靠性[7]。此外，复杂疾病的遗传背景往往受到多种因素的影响，包括基因与环境的交互作用，这使得识别真正的致病基因变得更加困难[5]。因此，如何有效地设计研究、选择合适的样本以及应用先进的数据分析方法，成为GWAS成功的关键因素[8]。

本报告将系统回顾GWAS在识别疾病基因中的应用，首先介绍GWAS的基本原理，包括其定义、历史背景及与疾病关联的基本概念。接着，分析GWAS的研究设计，包括样本选择和表型定义，以及基因组数据的收集与处理。随后，将探讨数据分析方法，涵盖统计分析的基本概念及多重比较校正技术。报告还将讨论GWAS面临的挑战与局限性，特别是假阳性与假阴性问题，以及环境因素与基因交互作用的影响。最后，我们将展望GWAS的未来发展方向，重点关注单细胞测序技术的应用及其在精准医学与个体化治疗中的潜力。

通过对GWAS的全面回顾与分析，我们希望为读者提供深入的理解，并促进其在生物医学研究中的广泛应用。

2 GWAS的基本原理 ​

2.1 GWAS的定义与历史背景 ​

基因组广泛关联研究（GWAS）是一种强有力的工具，用于研究复杂疾病的遗传基础。GWAS通过测试大量个体的基因变异，识别与特定表型（如疾病或其他性状）相关的基因组区域。自2005年以来，已有超过5000项GWAS研究发表，涵盖几乎所有人类表型特征[9]。这些研究为揭示表型特征的遗传基础提供了重要的见解，并逐渐显示出临床应用潜力，例如识别有较高风险的个体[9]。

GWAS的基本原理包括以下几个步骤：首先，研究者构建一个多样化的样本面板，进行严格的表型和基因分型，以便进行复杂的统计分析。GWAS能够准确定位与目标性状相关的特定位点或单核苷酸多态性（SNP），而不需要先前的生物学知识，从而最大程度地减少假阳性结果[10]。当某一致病SNP变体未被直接基因分型时，GWAS会识别与该致病变体处于连锁不平衡（LD）关系的SNP，从而映射出遗传区间[10]。

在GWAS的过程中，研究者通常会优先考虑高相关性和高遗传力的性状，并使用最佳线性无偏预测（BLUP）来控制环境效应。此外，研究者还需通过各种基因分型方法解决如种群结构和亲缘关系等混杂因素的问题。显著的关联结果通常会在曼哈顿图中展示，而候选基因的识别则通过LD分析和精细定位完成，后续还需进行功能验证[10]。

GWAS不仅在植物研究中得到了广泛应用，特别是在蔬菜作物的遗传改良方面，帮助识别与产量、营养价值、抗病性等关键性状相关的基因[10]。而在动物和植物病理学领域，GWAS也被用于揭示宿主-病原体相互作用的遗传基础，促进抗病育种策略的改进[11]。

然而，尽管GWAS在识别疾病相关基因方面取得了显著成功，但也面临着诸多挑战，包括识别与GWAS关联的因果基因以及理解其背后的生物学机制[12]。为了克服这些挑战，研究者们正在探索将GWAS与其他数据类型（如基因表达数据和药物靶点数据库）结合的方法，以便更好地识别潜在的因果基因，并为药物重新定位提供概念验证[13]。

总之，GWAS作为一种革命性的研究方法，已经在复杂疾病的遗传学领域发挥了重要作用，并且其不断发展的技术和方法有望进一步推动对人类疾病机制的理解和临床应用的转化。

2.2 SNP与疾病关联的基本概念 ​

基因组范围关联研究（GWAS）是一种强大的工具，用于识别与复杂性状和疾病相关的基因。其基本原理是通过对大规模个体的基因组进行分析，以寻找单核苷酸多态性（SNP）与特定性状或疾病之间的关联。

GWAS的过程通常包括以下几个步骤：

  1. 样本选择：研究者首先需要选择一个多样化的样本群体，包括患病个体和健康对照组。样本的多样性有助于提高研究的统计能力和准确性。

  2. 表型和基因型分析：对样本进行严格的表型（如疾病状态、性状表现等）和基因型（基因组中的SNP）分析。表型的准确记录和基因型的准确测定是确保GWAS成功的关键因素。

  3. 统计分析：使用复杂的统计模型和软件工具，GWAS会扫描整个基因组，以识别与目标性状相关的特定SNP或基因组区域。这些统计分析可以有效地控制环境因素的影响，利用最佳线性无偏预测（BLUP）等方法来提高结果的可靠性。

  4. 关联检测：在统计分析中，GWAS通过比较患病个体与健康对照组的基因型频率，识别出显著关联的SNP。这些SNP通常在与疾病相关的基因区域内，或与这些基因存在连锁不平衡（LD）的关系。

  5. 候选基因的识别：一旦确定了与疾病相关的SNP，研究者将进一步进行连锁不平衡分析和精细定位，以识别潜在的候选基因。这些候选基因是研究的重点，因为它们可能在疾病的发病机制中发挥关键作用。

  6. 功能验证：最终，研究者需要对识别出的候选基因进行功能验证，以确定它们在疾病发生中的具体作用。这一过程可能涉及细胞实验、动物模型研究等多种方法。

GWAS的优点在于它不需要事先的生物学知识，能够直接通过全基因组的扫描来定位与性状相关的基因组区域，从而降低假阳性的发生率[10]。通过这种方法，GWAS已经成功识别出数千个与各种复杂疾病（如心血管疾病、癌症等）相关的遗传变异，为理解疾病机制和开发新疗法提供了重要的线索[9]。

此外，GWAS还可以结合其他分析方法，如通路分析和功能基因组学，进一步深入探讨SNP如何影响基因表达和功能，从而影响疾病的发展[14]。这种综合性的研究策略能够为疾病的预防、诊断和治疗提供更为精确的依据。

3 GWAS的研究设计 ​

3.1 样本选择与表型定义 ​

Genome-wide association studies (GWAS) 通过对人类基因组中数百万个遗传变异进行统计分析，以识别与特定表型或疾病相关的基因。GWAS的研究设计主要包括样本选择和表型定义两个关键环节。

首先，样本选择是GWAS成功的基础。研究者需要建立一个多样化的样本群体，以确保能够捕捉到不同遗传背景下的表型变异。样本通常由病例（患有特定疾病的个体）和对照（健康个体）组成，研究者通过比较这两组样本中的基因组变异来识别与疾病相关的遗传标记。在选择样本时，研究者还需控制环境效应，以排除非遗传因素对表型的影响。例如，GWAS通常使用最佳线性无偏预测（BLUP）来控制环境变异的影响，并优先选择高相关性和高遗传力的表型[10]。

其次，表型定义是GWAS中的另一个重要步骤。表型是指可观察的特征或性状，包括疾病状态、疾病的严重程度、以及其他生物标记等。GWAS允许研究者使用假设自由的方法，识别那些未被预先假设的基因与表型之间的关联。通过对整个基因组的扫描，GWAS能够识别与目标表型相关的特定位点或单核苷酸多态性（SNPs）。在某些情况下，当未直接基因分型的致病SNP变体存在时，GWAS会识别与致病变体处于连锁不平衡（LD）的SNP，从而进行遗传区间的映射[10]。

GWAS的实施过程包括严格的表型和基因分型工作，以及使用各种统计模型和软件工具进行复杂的统计分析。这一过程能够显著提高识别疾病相关基因的效率和准确性，并为后续的功能验证提供基础。GWAS的结果不仅可以揭示疾病的遗传基础，还可以推动疾病抗性育种策略的改进，进而提高植物和动物的抗病能力[11]。

总之，GWAS通过精心设计的样本选择和明确的表型定义，结合高通量基因分型技术，能够有效识别与疾病相关的基因，从而为理解疾病的遗传机制和发展新的治疗策略提供重要的理论基础。

3.2 基因组数据的收集与处理 ​

基因组范围关联研究（GWAS）是一种强有力的工具，用于识别与复杂疾病相关的基因及其遗传变异。GWAS的研究设计涉及多个步骤，包括基因组数据的收集、处理以及统计分析。

首先，GWAS的研究设计通常开始于开发一个多样化的样本面板，这个面板由许多个体组成，通常涵盖广泛的人群，以便捕捉到丰富的遗传变异。这些个体的表型特征需要经过严格的表型鉴定，以确保研究的准确性和可靠性。在基因组数据的收集过程中，研究者需要进行基因分型，以识别个体的单核苷酸多态性（SNPs）等遗传变异。这一过程通常涉及使用高通量基因组测序技术，能够同时分析成千上万的遗传标记。

在数据处理方面，GWAS采用复杂的统计模型来分析收集到的基因组数据。通过对全基因组进行扫描，GWAS能够识别与目标表型相关的特定位点或SNP。这些分析过程通常包括控制环境因素的影响，并利用最佳线性无偏预测（BLUP）方法来处理遗传相关性。研究者还会使用Bonferroni校正等方法来减少假阳性的发生，以确保结果的可靠性[10]。

在GWAS中，若未直接基因分型的致病SNP变异，研究者会识别与致病变异处于连锁不平衡（LD）状态的SNP，从而映射出遗传区间。这一过程的关键在于通过连锁分析和精细绘图来确定候选基因，随后进行功能验证，以确认这些基因在疾病中的作用[9]。

此外，GWAS还可以结合生物信息学工具和数据库，进行网络分析，从而识别可能的药物靶点。通过对GWAS数据进行蛋白质相互作用网络的分析，研究者能够在没有直接遗传支持的情况下，排名候选药物靶点，揭示与疾病相关的细胞生物学机制[15]。

综上所述，GWAS通过系统的样本选择、严谨的表型和基因分型、复杂的统计分析及后续的功能验证，构成了一套完整的研究设计，能够有效识别与疾病相关的基因及其遗传变异。

4 数据分析方法 ​

4.1 统计分析方法概述 ​

Genome-wide association studies (GWAS) 是一种强有力的研究工具，用于识别与复杂疾病相关的基因和基因组位点。GWAS的基本原理是通过比较大规模人群中疾病患者的基因组数据与健康对照组的基因组数据，来发现与特定疾病相关的遗传变异。具体的统计分析方法概述如下：

  1. 样本选择与表型数据收集：GWAS首先需要收集大规模的样本数据，包括病例组（患有特定疾病的个体）和对照组（健康个体）。研究者需要详细记录每个参与者的表型信息，以确保能够有效地进行后续分析[16]。

  2. 基因型数据生成：使用高通量基因组测序或基因分型技术（如SNP芯片），研究者能够获取参与者的全基因组数据，识别出数以百万计的单核苷酸多态性（SNPs）[1]。

  3. 统计分析方法：

    • 关联分析：通过使用逻辑回归或线性回归等统计模型，GWAS评估每个SNP与疾病表型之间的关联强度。这些模型考虑了多种混杂因素，如年龄、性别和种族等[17]。
    • 多重检验校正：由于在GWAS中进行的检验数量极其庞大，通常需要应用多重检验校正方法（如Bonferroni校正或假发现率控制）来减少假阳性结果的概率[4]。

  4. 功能注释与候选基因识别：在识别出显著关联的SNP后，研究者通常需要进一步分析这些SNP所在的基因区域，以确定可能的致病基因。通过结合基因组注释数据（如基因功能、表达谱等），可以推测哪些基因可能受到这些遗传变异的影响[18]。

  5. 整合其他数据：为进一步确认候选基因的功能，GWAS研究往往结合其他类型的数据，如基因表达数据、蛋白质相互作用网络和表观基因组数据。这种整合有助于揭示遗传变异如何通过特定的生物途径影响疾病发生[7]。

  6. 验证与复制：一旦识别出候选基因，后续的研究通常需要在独立的样本中进行验证，以确认这些发现的可靠性和可重复性[19]。

通过上述方法，GWAS能够有效地识别与复杂疾病相关的遗传变异，并为理解疾病的遗传基础提供重要线索。这一过程不仅有助于发现新的致病基因，也为个性化医疗和新药研发提供了潜在的靶点和策略[6]。

4.2 多重比较校正技术 ​

在全基因组关联研究（GWAS）中，识别与疾病相关的基因是一项复杂的任务，涉及多种数据分析方法和统计技术。其中，多重比较校正技术在确保结果的可靠性和减少假阳性结果方面起着至关重要的作用。

GWAS的基本流程通常包括从大量样本中收集基因型数据，并将这些数据与表型信息（如疾病状态）进行比较。由于在GWAS中同时测试成千上万的单核苷酸多态性（SNP），因此很容易出现多重比较问题，即在进行多次统计检验时，增加了偶然发现显著结果的风险。为了应对这一挑战，研究者们采用了多种多重比较校正技术。

常见的多重比较校正方法包括：

  1. Bonferroni校正：这一方法通过将显著性水平（通常设定为0.05）除以测试的总数来调整每个测试的显著性阈值。这种方法简单且保守，但在测试数量极大时可能过于严格，导致漏检真正的关联。

  2. 假发现率（FDR）控制：FDR控制方法（如Benjamini-Hochberg程序）允许在给定的假阳性率下发现更多的显著结果。它在多重比较校正中更为灵活，尤其适用于大规模数据集，因为它可以在保留一定比例的假阳性结果的同时，发现更多的真正阳性结果。

  3. Permutation测试：这种方法通过对数据进行多次随机重排来评估观察到的结果是否显著。Permutation测试不依赖于特定的分布假设，因此在许多情况下比传统的统计方法更为可靠。

在进行GWAS时，研究者通常会结合这些校正方法来确保结果的有效性。例如，在一项研究中，研究者可能会首先使用Bonferroni校正筛选出显著性结果，然后应用FDR控制进一步精细化结果，以确保识别出的关联在统计上是可靠的[16]。

通过这些多重比较校正技术，GWAS能够有效地识别与特定疾病相关的基因和遗传变异，从而为理解疾病的遗传基础和开发新的治疗策略提供重要的信息。这些方法的应用不仅提高了研究的可信度，还促进了对复杂疾病遗传机制的深入理解。

5 GWAS的挑战与局限性 ​

5.1 假阳性与假阴性问题 ​

基因组范围关联研究（GWAS）是一种用于识别与复杂疾病相关的遗传变异的强大工具。通过对大量个体的基因组进行全面分析，GWAS能够发现与特定表型（如疾病）相关的基因型。然而，这一方法也面临着一些挑战和局限性，特别是在假阳性和假阴性问题上。

首先，假阳性问题是指在GWAS中，某些标记被错误地认为与疾病相关，实际上它们并不具备这样的生物学意义。这种情况可能源于多种因素，包括样本量不足、研究设计缺陷或统计方法不当等。GWAS依赖于对大量遗传变异的评估，然而在统计分析中，错误的关联可能由于多重比较问题而被放大。例如，许多GWAS在寻找关联时，使用了较为宽松的显著性阈值，这可能导致一些并不真实的关联被认为是显著的[20]。

其次，假阴性问题则是指真正存在的疾病相关变异未能被GWAS识别出来。这种情况常常发生在与疾病相关的遗传变异效应较小，或者在分析过程中未能考虑复杂的基因-基因和基因-环境交互作用时[21]。例如，许多GWAS未能有效捕捉到小效应单核苷酸多态性（SNPs）和表型之间的关系，因为这些小效应往往在统计分析中被忽视或淹没在噪声中[22]。

此外，GWAS的结果常常受到人群结构的影响，导致关联结果的偏倚。这种偏倚可能源于样本中的遗传变异在不同人群中的频率差异，进而影响结果的可靠性[23]。为了克服这些问题，研究者们正在探索混合模型等新方法，以更准确地检测与疾病的关联，同时纠正人群结构的影响[23]。

在解决假阳性和假阴性问题方面，GWAS的成功依赖于不断更新和整合证据，包括来自旧研究的结果、当前的GWAS研究以及未来的复制研究。这种整合有助于最大化透明度，并推动研究的下一步发展[21]。同时，随着新技术的进步，研究者们正在开发新的分析工具和方法，以提高GWAS的灵敏度和特异性，从而更有效地识别与疾病相关的遗传变异[24]。

综上所述，尽管GWAS在识别疾病基因方面具有重要的潜力，但假阳性和假阴性问题仍然是其面临的主要挑战。通过改进研究设计、统计方法以及整合不同来源的证据，未来有望克服这些局限性，进一步推动复杂疾病遗传学的研究。

5.2 环境因素与基因交互作用 ​

基因组范围关联研究（GWAS）是一种用于识别与复杂疾病相关的遗传变异的强大工具。GWAS通过在大量个体中测试遗传变异，来确定基因型与表型之间的关联。这一过程涉及多个步骤，包括样本选择、表型测量、基因分型以及统计分析，以识别与特定疾病或性状相关的单核苷酸多态性（SNPs）[12]。

GWAS的一个主要挑战在于其识别的关联信号往往位于基因组的非编码区域，这使得确定具体的致病基因变得复杂。这些信号并不总是直接对应于已知的基因，且许多与疾病相关的遗传变异可能通过调控基因表达的机制来发挥作用[18]。因此，虽然GWAS能够识别出与疾病相关的遗传标记，但在确定这些变异如何影响疾病过程方面仍存在许多未知。

环境因素与基因的交互作用（G*E交互作用）是另一个重要的研究领域，尤其是在复杂疾病的研究中。环境因素可以影响基因的表达及其对疾病的易感性。例如，GWAS在骨质疏松症的研究中发现了许多新的候选基因，但这些研究往往未能充分考虑环境因素对基因表达的影响[25]。这导致了“缺失的遗传力”问题，即GWAS识别的遗传变异无法完全解释观察到的表型变异。

在解决G*E交互作用的挑战方面，研究者们提出了新的方法，旨在将环境数据整合到基因组研究中，以更好地理解基因与环境之间的复杂关系。通过这些方法，可以识别出在特定环境条件下表现出的遗传效应，从而为个体化治疗和干预策略提供基础[25]。

此外，随着GWAS技术的进步，越来越多的研究开始关注非编码区域的变异和其对基因调控的影响。例如，通过分析拓扑关联域（TADs），研究者能够更好地理解GWAS信号与基因功能之间的关系，从而在基因组层面上构建更为全面的疾病模型[18]。这种方法有助于识别出在GWAS中未直接检测到的候选基因，并为进一步的功能验证提供了线索。

综上所述，GWAS在识别疾病基因方面提供了重要的视角，但其局限性和挑战也不容忽视。理解环境因素与基因之间的交互作用，能够帮助研究者更全面地解析复杂疾病的遗传机制，并推动个体化医学的发展。

6 GWAS的未来发展方向 ​

6.1 单细胞测序技术的应用 ​

本知识库信息不足，建议更换知识库或者补充相关文献。

6.2 精准医学与个体化治疗 ​

基因组广泛关联研究（GWAS）是一种强有力的工具，用于识别与复杂疾病相关的基因。通过比较大量个体的基因型数据与对照组，GWAS能够揭示潜在的遗传变异与特定疾病之间的关联。这一方法的成功依赖于多个关键因素，包括高通量基因分型技术的进步、对复杂疾病遗传结构的更好理解，以及大规模病例和对照样本的可用性[1]。

在GWAS中，研究人员通常首先识别与疾病相关的单核苷酸多态性（SNPs），然后利用这些SNPs构建遗传变异与疾病之间的统计模型。这一过程通常涉及对多个SNP进行联合分析，以确定它们与疾病表型的相关性。通过这种方式，GWAS能够识别出许多新的疾病相关基因和位点，这些发现为理解疾病的生物学基础提供了重要线索[4]。

未来GWAS的发展方向主要集中在以下几个方面：首先，研究者们正在努力提高GWAS的统计能力，以便更有效地识别低频变异和小效应变异，这些变异可能在疾病发生中起重要作用。其次，随着单细胞测序和其他高通量技术的进步，GWAS与多组学数据的整合将为疾病机制的深入理解提供新的视角[6]。此外，研究者们也在探索基因-环境交互作用对疾病的影响，以期更全面地揭示疾病的遗传背景[5]。

在精准医学和个体化治疗方面，GWAS的成果将促进针对特定人群的治疗策略的制定。通过识别特定疾病的遗传易感基因，医生可以为患者提供更加个性化的预防和治疗方案。例如，GWAS的发现能够帮助开发新的药物靶点，从而推动新疗法的研发[26]。此外，GWAS还能够为早期筛查和干预提供依据，尤其是在心血管疾病等慢性病的预防和治疗中，通过识别高风险个体，实现精准医疗的目标[6]。

综上所述，GWAS在识别疾病基因方面的应用已取得显著进展，未来的研究将进一步深化对疾病机制的理解，并推动精准医学的发展，为个体化治疗提供坚实的基础。

7 总结 ​

全基因组关联研究（GWAS）作为识别复杂疾病基因的重要工具，近年来取得了显著进展，揭示了多种疾病的遗传基础。研究显示，GWAS能够有效识别与疾病相关的单核苷酸多态性（SNP），并为个性化医疗提供潜在的靶点。然而，研究中仍面临假阳性与假阴性问题、环境因素与基因交互作用的挑战。未来，GWAS的研究将进一步结合单细胞测序技术和多组学数据，以提高对疾病机制的理解，并推动精准医学的发展。研究者们应持续优化研究设计和统计方法，以克服现有局限性，推动疾病遗传学研究的深入。通过这些努力，GWAS有望在个体化治疗和预防策略中发挥更大作用，最终改善人类健康。

参考文献 ​

  • [1] Ku Chee Seng;Chia Kee Seng. The success of the genome-wide association approach: a brief story of a long struggle.. European journal of human genetics : EJHG(IF=4.6). 2008. PMID:18285837. DOI: 10.1038/ejhg.2008.12.
  • [2] H Lango;M N Weedon. What will whole genome searches for susceptibility genes for common complex disease offer to clinical practice?. Journal of internal medicine(IF=9.2). 2008. PMID:18088250. DOI: 10.1111/j.1365-2796.2007.01895.x.
  • [3] Jeanette Erdmann;Thorsten Kessler;Loreto Munoz Venegas;Heribert Schunkert. A decade of genome-wide association studies for coronary artery disease: the challenges ahead.. Cardiovascular research(IF=13.3). 2018. PMID:29617720. DOI: 10.1093/cvr/cvy084.
  • [4] Justin N J McManus;Robert J Lovelett;Daniel Lowengrub;Sarah Christensen. A unifying statistical framework to discover disease genes from GWASs.. Cell genomics(IF=9.0). 2023. PMID:36950381. DOI: 10.1016/j.xgen.2023.100264.
  • [5] Cassandra E Murcray;Juan Pablo Lewinger;W James Gauderman. Gene-environment interaction in genome-wide association studies.. American journal of epidemiology(IF=4.8). 2009. PMID:19022827. DOI: 10.1093/aje/kwn353.
  • [6] Changwei Li;Yang Pan;Ruiyuan Zhang;Zhijie Huang;Davey Li;Yunan Han;Claire Larkin;Varun Rao;Xiao Sun;Tanika N Kelly. Genomic Innovation in Early Life Cardiovascular Disease Prevention and Treatment.. Circulation research(IF=16.2). 2023. PMID:37289909. DOI: 10.1161/CIRCRESAHA.123.321999.
  • [7] Karthik A Jagadeesh;Kushal K Dey;Daniel T Montoro;Rahul Mohan;Steven Gazal;Jesse M Engreitz;Ramnik J Xavier;Alkes L Price;Aviv Regev. Identifying disease-critical cell types and cellular processes by integrating single-cell RNA-sequencing and human genetics.. Nature genetics(IF=29.0). 2022. PMID:36175791. DOI: 10.1038/s41588-022-01187-9.
  • [8] Christopher I Amos. Successful design and conduct of genome-wide association studies.. Human molecular genetics(IF=3.2). 2007. PMID:17597095. DOI: 10.1093/hmg/ddm161.
  • [9] Roddy Walsh;Sean J Jurgens;Jeanette Erdmann;Connie R Bezzina. Genome-wide association studies of cardiovascular disease.. Physiological reviews(IF=28.7). 2023. PMID:36634218. DOI: 10.1152/physrev.00024.2022.
  • [10] Swagata Nandi;Kishor Varotariya;Sohamkumar Luhana;Amitkumar D Kyada;Ankita Saha;Nabanita Roy;Neha Sharma;Dharavath Rambabu. GWAS for identification of genomic regions and candidate genes in vegetable crops.. Functional & integrative genomics(IF=3.1). 2024. PMID:39470821. DOI: 10.1007/s10142-024-01477-x.
  • [11] Na Liu;Mengxin Guan;Baozhan Ma;Hao Chu;Guangxiang Tian;Yanyan Zhang;Chuang Li;Wenming Zheng;Xu Wang. Unraveling genetic mysteries: A comprehensive review of GWAS and DNA insights in animal and plant pathosystems.. International journal of biological macromolecules(IF=8.5). 2025. PMID:39631605. DOI: 10.1016/j.ijbiomac.2024.138216.
  • [12] Amit Sud;Ben Kinnersley;Richard S Houlston. Genome-wide association studies of cancer: current insights and future perspectives.. Nature reviews. Cancer(IF=66.8). 2017. PMID:29026206. DOI: 10.1038/nrc.2017.82.
  • [13] Constance Bordes;Muralidharan Sargurupremraj;Aniket Mishra;Stéphanie Debette. Genetics of common cerebral small vessel disease.. Nature reviews. Neurology(IF=33.1). 2022. PMID:34987231. DOI: 10.1038/s41582-021-00592-8.
  • [14] Kunlin Zhang;Suhua Chang;Sijia Cui;Liyuan Guo;Liuyan Zhang;Jing Wang. ICSNPathway: identify candidate causal SNPs and pathways from genome-wide association study by one analytical framework.. Nucleic acids research(IF=13.1). 2011. PMID:21622953. DOI: 10.1093/nar/gkr391.
  • [15] Inigo Barrio-Hernandez;Pedro Beltrao. Network analysis of genome-wide association studies for drug target prioritisation.. Current opinion in chemical biology(IF=6.1). 2022. PMID:36087372. DOI: 10.1016/j.cbpa.2022.102206.
  • [16] Wenhui Huang;Pengyuan Wang;Zhen Liu;Liqing Zhang. Identifying disease associations via genome-wide association studies.. BMC bioinformatics(IF=3.3). 2009. PMID:19208172. DOI: 10.1186/1471-2105-10-S1-S68.
  • [17] Marc A Schaub;Irene M Kaplow;Marina Sirota;Chuong B Do;Atul J Butte;Serafim Batzoglou. A Classifier-based approach to identify genetic similarities between diseases.. Bioinformatics (Oxford, England)(IF=5.4). 2009. PMID:19477990. DOI: 10.1093/bioinformatics/btp226.
  • [18] Gregory P Way;Daniel W Youngstrom;Kurt D Hankenson;Casey S Greene;Struan Fa Grant. Implicating candidate genes at GWAS signals by leveraging topologically associating domains.. European journal of human genetics : EJHG(IF=4.6). 2017. PMID:28792001. DOI: 10.1038/ejhg.2017.108.
  • [19] James Ding;Stephen Eyre;Jane Worthington. Genetics of RA susceptibility, what comes next?. RMD open(IF=4.7). 2015. PMID:26509058. DOI: 10.1136/rmdopen-2014-000028.
  • [20] Vivian Tam;Nikunj Patel;Michelle Turcotte;Yohan Bossé;Guillaume Paré;David Meyre. Benefits and limitations of genome-wide association studies.. Nature reviews. Genetics(IF=52.0). 2019. PMID:31068683. DOI: 10.1038/s41576-019-0127-1.
  • [21] Paolo Vineis;Paul Brennan;Federico Canzian;John P A Ioannidis;Giuseppe Matullo;Marylyn Ritchie;Ulf Stromberg;Emanuela Taioli;John Thompson. Expectations and challenges stemming from genome-wide association studies.. Mutagenesis(IF=4.3). 2008. PMID:18765424. DOI: 10.1093/mutage/gen042.
  • [22] Shanwen Sun;Benzhi Dong;Quan Zou. Revisiting genome-wide association studies from statistical modelling to machine learning.. Briefings in bioinformatics(IF=7.7). 2021. PMID:33126243. DOI: 10.1093/bib/bbaa263.
  • [23] Jae Hoon Sul;Lana S Martin;Eleazar Eskin. Population structure in genetic studies: Confounding factors and mixed models.. PLoS genetics(IF=3.7). 2018. PMID:30589851. DOI: 10.1371/journal.pgen.1007309.
  • [24] Gisela Orozco. Fine mapping with epigenetic information and 3D structure.. Seminars in immunopathology(IF=9.2). 2022. PMID:35022890. DOI: 10.1007/s00281-021-00906-4.
  • [25] Cheryl L Ackert-Bicknell;David Karasik. Impact of the environment on the skeleton: is it modulated by genetic factors?. Current osteoporosis reports(IF=5.3). 2013. PMID:23846556. DOI: 10.1007/s11914-013-0151-6.
  • [26] Chen Cao;John Moult. GWAS and drug targets.. BMC genomics(IF=3.7). 2014. PMID:25057111. DOI: 10.1186/1471-2164-15-S4-S5.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

全基因组关联研究 · 遗传变异 · 疾病基因 · 个体化医疗

© 2025 MaltSci 麦伴科研