Genomvida associationsstudier (GWAS)

Genomvida associationsstudier testar ett mycket stort antal genetiska varianter för statistiskt samband med en fenotyp och har kartlagt den polygena arkitekturen bakom många sjukdomar och fysiologiska egenskaper. Ett signifikant GWAS-fynd markerar dock vanligen ett locus i kopplingsojämvikt och är varken i sig bevis för kausalitet eller ett mått på kliniskt relevant risk.

Definition, avgränsning och historisk utveckling

En genomvid associationsstudie, genome-wide association study (GWAS), är en hypotesfri och fenotyp-först-baserad analys där genetiska varianter testas en i taget mot ett definierat utfall. Fenotypen kan vara binär, exempelvis diabetes eller inte diabetes; kvantitativ, exempelvis LDL-kolesterol; ordinal, exempelvis sjukdomsgrad; eller tidsberoende, exempelvis tid till återfall. Från hundratusentals direkt genotypade markörer kan imputering utöka analysen till tiotals miljoner varianter.

Hypotesfri innebär att analysen inte på förhand begränsas till biologiskt misstänkta gener. Detta skiljer GWAS från kandidatgenstudier, som testar ett fåtal förutbestämda gener, och från familjebaserad kopplingsanalys, som följer samnedärvning av kromosomsegment i släkter och främst varit effektiv vid monogena sjukdomar. GWAS ska också skiljas från sekvenseringsbaserade sällsyntvarianttester, där flera sällsynta varianter ofta aggregeras inom en gen, samt från experimentell QTL-kartläggning i korsningar. I human litteratur används dock QTL-begrepp som eQTL och pQTL för genomvida analyser av kvantitativa molekylära fenotyper.

Utvecklingen möjliggjordes av kartläggningen av det mänskliga genomet, International HapMap Project, storskaliga SNP-arrayer och referenspaneler med sekvenserade haplotyper. HapMap visade att vanliga varianter är organiserade i korrelerade segment, vilket gjorde det möjligt att täcka stora delar av genomet med ett begränsat urval tagg-SNP:er. Tidiga studier under 2000-talets första år följdes av 2005 års uppmärksammade fynd av CFH-regionen vid åldersrelaterad makuladegeneration och Wellcome Trust Case Control Consortiums analys av cirka 14 000 fall med sju sjukdomar år 2007.

Biobanker, elektroniska patientjournaler och internationella konsortier har därefter flyttat skalan från hundratals eller tusentals personer till hundratusentals och i vissa analyser flera miljoner deltagare. Imputering mot 1000 Genomes, Haplotype Reference Consortium och senare sekvenseringsbaserade paneler har möjliggjort jämförelser och meta-analyser mellan olika genotypningsplattformar. Den ökade storleken har främst gjort det möjligt att påvisa vanliga alleler med mycket små effekter och att analysera snävare biomarkör-, läkemedels- och subfenotyper.

Populationsgenetisk grund: allelfrekvens, haplotyper och kopplingsojämvikt

För en biallelisk variant är minor allele frequency, MAF, frekvensen av den mindre vanliga allelen i den analyserade populationen. Beteckningen är populationsberoende: samma allel kan vara minoritetsallel i en population men majoritetsallel i en annan. I en additiv modell kodas antalet kopior av effektallelen som genotypdos 0, 1 eller 2. För imputerade varianter kan dosen vara kontinuerlig, exempelvis 1,73, eftersom den utgör det förväntade antalet effektalleler givet genotypsannolikheterna.

Under Hardy–Weinberg-jämvikt och vid allelfrekvenserna (p) och (q=1-p) förväntas genotypfrekvenserna vara (p^2), (2pq) och (q^2). Jämvikten förutsätter bland annat slumpmässig parning och frånvaro av stark selektion, migration och genotypningsfel. I GWAS används Hardy–Weinberg-test främst som kvalitetskontroll, särskilt bland kontroller, men biologiska faktorer som selektion, inavel eller verklig sjukdomsassociation kan också ge avvikelser.

Kopplingsojämvikt, linkage disequilibrium (LD), innebär att alleler vid olika loci förekommer tillsammans oftare eller mer sällan än väntat utifrån deras separata frekvenser. (D') beskriver graden av historisk rekombination relativt den maximalt möjliga obalansen, medan (r^2) anger den kvadrerade korrelationen mellan två varianter. Ett högt (r^2) gör en variant till en informativ proxy för den andra och är därför särskilt relevant för taggning, imputering och associationsstyrka.

Rekombination bryter över generationer ned haplotyper, medan genetisk drift, flaskhalsar, grundareffekter, migration och selektion formar allelfrekvenser och LD-block. Populationer med olika demografisk historia kan därför ha olika korrelation mellan samma indexvariant och den biologiskt kausala varianten. Ett fynd kan replikeras med lägre effekt eller med en annan lead-SNP i en annan härkomstgrupp trots att den underliggande mekanismen är densamma. Omvänt kan en indexvariant vara en god markör i en europeisk population men nästan oinformativ i en afrikansk population.

Associationen identifierar därför vanligen ett locus, inte automatiskt en kausal variant eller gen. Den mest signifikanta varianten kan endast vara den bäst uppmätta markören för en större haplotyp. Flera gener och regulatoriska element kan finnas inom samma LD-region, och den funktionellt påverkade genen behöver inte vara den som ligger närmast indexvarianten.

Studiedesign och fenotypdefinition

Fall–kontrolldesignen jämför personer med ett binärt utfall med kontroller utan detta utfall. Kontrollerna bör komma från samma källpopulation som fallen och i princip ha kunnat bli fall. Populationskontroller kan vara effektiva vid ovanliga sjukdomar, men odiagnostiserade fall bland kontrollerna ger felklassificering och försvagar associationen. Vid åldersberoende sjukdom kan unga kontroller senare insjukna, varför ålder, uppföljningstid och diagnostisk säkerhet måste beaktas.

Kontinuerliga egenskaper analyseras i populationsbaserade stickprov, medan prospektiva kohorter kan skilja incidenta fall från prevalent sjukdom och möjliggöra tid-till-händelseanalys. Extremfenotypdesign, där endast individer i fördelningens ytterkanter inkluderas, kan öka styrkan per genotypad person men ger effektskattningar som inte utan vidare generaliseras till hela populationen. Familjebaserade designer och transmissionsanalyser är robusta mot viss populationsstruktur, men har ofta lägre tillgänglig stickprovsstorlek.

GWAS-by-proxy använder exempelvis sjukdom hos en förälder eller ett syskon som proxy för deltagarens genetiska belastning. Detta kan ge mycket stora material men späder ut effekten genom osäker släktskapsrapportering och ofullständig delning av genetiska riskfaktorer. Biobanksstudier möjliggör flerfenotypanalyser av diagnoskoder, laboratorieprov, läkemedelsuttag och journaluppgifter, men fenotypernas validitet varierar. Biomarkör-GWAS kan ha hög precision, medan en bred ICD-baserad diagnos kan blanda flera etiologiskt skilda tillstånd.

Selektionsmekanismer måste beskrivas explicit. Om både deltagande i biobanken och exponeringen påverkas av hälsa, socioekonomi eller vårdkontakt kan selektionsbias uppstå. Justering för en variabel som är gemensam konsekvens av genotyp och sjukdom kan skapa collider bias. Överlappande deltagare mellan discovery-, replikations- eller meta-analyskohorter ger korrelerade skattningar och artificiellt för små standardfel. Matchning bör därför följas av korrekt modellering, och inklusionskriterier, prevalenta respektive incidenta fall samt deltagaröverlapp ska dokumenteras.

Statistisk styrka och dimensionering

Statistisk styrka är sannolikheten att påvisa en verklig association vid den valda signifikansnivån. Den ökar med stickprovsstorlek, balanserad fall–kontrollkvot, högre MAF, större sann effekt och exakt fenotypmätning. Den minskar vid låg imputeringskvalitet, sällsynta utfall, obalanserade grupper och strängare multipeltestningsgräns. För binära utfall spelar även sjukdomsprevalens och om urvalet representerar populationen roll, särskilt när effekter översätts till liability-skala eller absolut risk.

Vid (\alpha \approx 5\times10^{-8}) kräver vanliga riskalleler med oddskvoter omkring 1,05–1,20 ofta tiotusentals till hundratusentals deltagare. En variant med låg MAF representeras av få allelkopior och ger därför stor osäkerhet även i ett numerärt stort stickprov. Ett kraftigt överskott av kontroller kan förbättra styrkan, men marginalnyttan avtar när antalet fall är litet. Effektiv stickprovsstorlek bör därför rapporteras tillsammans med det råa deltagarantalet.

Powerberäkningen ska göras före analysen och baseras på förväntad MAF, effektstorlek, genetisk modell, fenotypvarians, fallandel och antal oberoende tester. För kvantitativa egenskaper är standardisering användbar eftersom effekten då uttrycks i standardavvikelser per allel. Imputeringsosäkerhet minskar den effektiva informationen; en variant med låg imputerings-(r^2) motsvarar i praktiken ett mindre stickprov än deltagarantalet antyder.

Winner’s curse innebär att effekten hos signifikanta discovery-fynd tenderar att överskattas, eftersom endast skattningar som råkat passera en extrem tröskel väljs ut. Oberoende replikation och shrinkage minskar problemet. Slumpmässig fenotypfelklassificering ger vanligen regressionsutspädning mot noll, medan differentiell felklassificering kan ge bias i båda riktningarna. Interaktions- och epistasistester kräver särskilt stora material eftersom deltagarna fördelas över kombinationer av genotyper och exponeringar samtidigt som antalet tester ökar kraftigt.

Genotypning, sekvensering, fasning och imputering

Arbetsflödet börjar med DNA från exempelvis blod eller saliv. SNP-arrayer mäter förutbestämda varianter genom allelspecifik hybridisering och ger signalintensiteter som omvandlas till genotypkluster. Helgenomsekvensering ger i stället läsningar som aligneras mot ett referensgenom, varefter SNP:er, små insertioner och deletioner samt i varierande grad strukturella varianter anropas. Varje variant måste definieras med kromosom, position, referensallel, alternativ allel och genomversion.

Harmonisering kräver att alla kohorter använder förenlig referensgenomsversion och samma allelorientering. En variant kan anges på plus- eller minussträngen, och allelerna kan vara omvända komplement. A/T- och C/G-varianter är strängtvetydiga eftersom komplementet ger samma allelpar; vid MAF nära 0,5 kan fel inte alltid upptäckas med frekvensjämförelse. Lift-over mellan genomversioner, ändrade variantidentifierare och multialleliska positioner är ytterligare felkällor.

Fasning innebär att de observerade genotyperna fördelas på maternella och paternella haplotyper. Algoritmen identifierar längre sekvensmönster som delas mellan deltagare och referenshaplotyper. Vid imputering jämförs därefter varje studerad haplotyp med en tät referenspanel och sannolikheten för otypade alleler beräknas utifrån lokalt LD. Resultatet är genotypsannolikheter och vanligen en alleldos mellan 0 och 2, inte ett säkert direkt mätvärde.

Imputeringskvalitet rapporteras exempelvis som INFO eller imputerings-(r^2). Höga värden innebär att dosen är välbestämd, men gränsen måste anpassas till allelfrekvens och analysmål; omkring 0,8 används ofta för strikta analyser, medan lägre gränser kan accepteras i discovery-analyser. Referenspanelens härkomst är avgörande: haplotyper som saknas eller är fåtaliga i panelen kan inte imputeras tillförlitligt. Sällsynta varianter är särskilt känsliga för panelstorlek, sekvenseringskvalitet och populationsmatchning.

Kvalitetskontroll av individer och varianter

Kvalitetskontroll ska vara förhandsdefinierad, iterativ och reproducerbar. Exakta gränser beror på plattform, stickprovsstorlek och användningsområde, men prov- och variant-call rate ligger ofta inom 95–99 %. Först kontrolleras råa intensiteter eller sekvensmått, därefter individer, direkt genotypade varianter och slutligen imputerade data.

På individnivå jämförs rapporterat och genetiskt kön, heterozygositet, saknade genotyper, autosomal släktskap och härkomst. Oväntade duplikat kan bero på provförväxling, medan hög heterozygositet kan tala för kontamination. Släktingar kan exkluderas för standardregression eller behållas i mixed models. Principal component analysis används både för att identifiera härkomstmässiga avvikare och för att skapa kovariater.

På variantnivå granskas klusterseparation, call rate, MAF eller helst MAC, Hardy–Weinberg-jämvikt och differentiell saknad. En markör som genotypas sämre hos fall än kontroller kan ge en helt teknisk association. Batchspecifik allelfrekvens och avvikande kluster är särskilt misstänkta. Efter imputering tillkommer kontroll av allelharmonisering, dosfördelning och imputeringskvalitet.

Filtrering får inte vara mekanisk. Hardy–Weinberg-avvikelse bland fall kan orsakas av en verklig stark association, och heterozygositetsavvikelser kan spegla biologiska egenskaper hos populationen. Könskromosomer, HLA-regionen och strukturellt komplexa områden kräver ofta särskilda regler. Alla exklusionssteg bör sammanställas i ett flödesschema med antal individer och varianter före och efter varje steg.

Associationsmodeller och effektskattning

Den additiva modellen kodar genotypen (G) som 0, 1 eller 2 kopior av effektallelen. För en kvantitativ fenotyp används typiskt

[ Y=\beta_0+\beta_GG+\boldsymbol{\beta}_C\mathbf{C}+\varepsilon, ]

där (\mathbf{C}) innehåller kovariater och (\beta_G) anger genomsnittlig förändring i fenotypen per ytterligare effektallel. Om fenotypen standardiserats uttrycks effekten i standardavvikelser. Nollhypotesen är (\beta_G=0).

För binära utfall används logistisk regression:

[ \log\left(\frac{P(Y=1)}{1-P(Y=1)}\right) =\beta_0+\beta_GG+\boldsymbol{\beta}_C\mathbf{C}. ]

Här är (\beta_G) log-oddskvoten och (\mathrm{OR}=e^{\beta_G}). Ett 95-procentigt konfidensintervall för (\beta_G) beräknas approximativt som (\beta_G\pm1,96,SE), varefter gränserna exponentieras för OR. Oddskvoten är inte samma sak som relativ risk, särskilt inte vid vanliga utfall.

Dominant modell jämför bärare av minst en effektallel med icke-bärare, medan recessiv modell jämför homozygoter med övriga. En genotypisk modell skattar separata effekter för heterozygoter och homozygoter och kräver fler frihetsgrader. Recessiva tester har låg styrka när effektallelen är ovanlig. Cox-regression används för tid till händelse, ordinal regression för ordnade kategorier och generaliserade mixed models för binära utfall med släktskap eller kraftig fall–kontrollobalans.

Snedfördelade biomarkörer kan logtransformeras, ranknormaliseras eller analyseras med robusta modeller. Transformationsvalet påverkar tolkningen av (\beta) och måste anges. Kovariater ska väljas utifrån design och kausal struktur, inte enbart statistisk association; ålder, kön, principal components, centrum och batch är vanliga. Varje fynd bör rapporteras med effektallel, alternativ allel, effektallelfrekvens, genomposition, (\beta) eller OR, standardfel, konfidensintervall, P-värde, stickprovsstorlek och imputeringskvalitet.

Populationsstruktur, släktskap och andra confounders

Om både allelfrekvens och fenotyp varierar mellan härkomstgrupper kan en variant framstå som associerad utan biologisk effekt. Geografiska skillnader i kost, vårdtillgång eller socioekonomi kan exempelvis sammanfalla med genetiska skillnader. Grov självidentifierad etnicitet är inte tillräcklig korrektion eftersom genetisk struktur kan förekomma även inom nationer och regioner.

Principal components sammanfattar de största axlarna av genomisk variation och inkluderas som kovariater. Antalet komponenter bör bestämmas genom diagnostik, inte rutinmässigt vara detsamma i alla studier. Genetiska relationsmatriser modellerar parvis genetisk likhet, och linjära eller generaliserade mixed models inkluderar en slumpmässig polygen effekt. Därmed kan släktingar behållas samtidigt som standardfelen korrigeras för beroende observationer.

Kryptiskt släktskap, assortativ parning och indirekta familjeeffekter kan ändå påverka resultaten. En förälders genotyp kan forma barnets miljö, och populationsbaserade effekter kan därför avvika från inomfamiljsskattningar. Andra confounders är genotypningsbatch, arraytyp, studiecentrum, ålder och kön. Gen–miljökorrelation kan dessutom göra en genetisk association svår att tolka kausalt.

Genomisk kontrollfaktor (\lambda_{GC}) jämför medianen av observerade teststatistikor med den förväntade medianen. Ett värde över 1 kan indikera confounding, men ökar också med stickprovsstorlek och sann polygenicitet. En enkel division med (\lambda_{GC}) kan därför överkorrigera en stor, välkontrollerad studie. LD-score-regressionsintercept används för att skilja en LD-beroende polygen signal från mer enhetlig inflation orsakad av exempelvis populationsstruktur, men även denna metod bygger på antaganden om arkitektur och LD-referens.

Multipel testning, diagnostiska diagram och replikation

Om en miljon oberoende tester genomförs med (\alpha=0,05) ger Bonferroni-korrektion (0,05/10^6=5\times10^{-8}). Detta är den konventionella genomvida signifikansgränsen för vanliga varianter och ungefär den effektiva testbördan i populationer med europeisk LD-struktur. Den är inte universell. Tät sekvensering, sällsynta varianter, flera fenotyper eller andra härkomstspecifika LD-mönster kan kräva annan analytisk eller empirisk gräns.

Ett Manhattan-diagram visar kromosomal position mot (-\log_{10}(P)). Ett verkligt locus ger ofta en topp av många korrelerade varianter, medan en isolerad extrem punkt kan tala för genotypningsfel. Ett QQ-diagram jämför observerade och förväntade P-värden. Tidig generell avvikelse antyder inflation, medan avvikelse endast i den extrema svansen är förenlig med verkliga polygena associationer.

Suggestiva fynd kan prioriteras för replikation men ska inte beskrivas som etablerade. Discovery- och replikationsstrategin bör förhandsdefinieras, och replikationsmaterialet ska vara oberoende. Alleler och genompositioner måste harmoniseras så att samma effektallel analyseras. Ett trovärdigt replikationsfynd har förenlig effektriktning, statistiskt stöd och rimlig heterogenitet; enbart nominellt P-värde utan korrekt riktning eller med deltagaröverlapp är otillräckligt.

Locusdefinition, meta-analys och oberoende signaler

Lead- eller indexvarianten är vanligen den variant som har lägst P-värde inom en region. En taggvariant är däremot en markör vald för att representera andra varianter i LD. LD-klumpning grupperar korrelerade fynd kring en lead-variant, ofta inom ett fördefinierat fönster och vid ett angivet (r^2). Ett genomiskt locus kan omfatta flera sådana klumpar, och definitionen måste rapporteras eftersom antalet ”upptäckta loci” annars blir metodberoende.

Konditionell analys inkluderar lead-variantens dos som kovariat och testar regionen på nytt. Om en annan variant förblir associerad kan den representera en oberoende signal. Stegvis konditionering fortsätter tills inga ytterligare signaler återstår. Metoden kräver korrekt LD, helst från samma individer; summary-statistics-baserad konditionering kan bli missvisande om referenspopulationen har annan härkomst.

I en fixed-effect-meta-analys viktas varje studies skattning med inversen av variansen:

[ \hat\beta_{\text{meta}}= \frac{\sum_i \hat\beta_i/SE_i^2}{\sum_i 1/SE_i^2}, \qquad SE_{\text{meta}}=\sqrt{\frac{1}{\sum_i1/SE_i^2}}. ]

Modellen antar en gemensam sann effekt. Random-effects-modeller inkluderar mellan-studievarians och är relevanta när fenotyp, behandling, miljö eller LD skiljer sig mellan kohorter.

Cochrans (Q) testar effektvariation och (I^2) beskriver hur stor andel av variationen som är förenlig med heterogenitet snarare än sampling. Lågt antal studier ger dock osäkra heterogenitetsmått. Meta-analysen kräver harmoniserade alleler, enheter och modeller samt kontroll av deltagaröverlapp. Eventuell genomisk kontroll bör användas varsamt och beskrivas per kohort och efter meta-analys. Ett extremt P-värde anger stark evidens mot nollhypotesen, inte stor klinisk effekt.

Finmappning och funktionell tolkning

Statistisk finmappning försöker rangordna varianterna inom ett associerat locus. Bayesianska metoder beräknar posterior inklusionssannolikhet, det vill säga sannolikheten att en variant ingår bland de kausala signalerna givet data och modell. Ett 95-procentigt credible set är den minsta eller prioriterade mängd varianter vars sammanlagda posteriora sannolikhet når 95 %. Det garanterar inte att den verkliga varianten ingår om LD, imputation eller modellantaganden är felaktiga.

Upplösningen begränsas när flera varianter har nästan identiska genotyper. Transancestral finmappning kan hjälpa eftersom rekombinationshistoria och LD skiljer sig mellan populationer; en lång europeisk haplotyp kan exempelvis vara uppdelad i kortare korrelationssegment i en annan population. Analysen måste samtidigt tillåta skillnader i allelfrekvens, imputeringskvalitet och eventuellt effektstorlek.

Den funktionella kedjan börjar med konsekvensannotation: kodande förändring, splice-region, promotor, enhancer eller annan kromatinstatus. Därefter kan eQTL, pQTL och sQTL koppla genotyp till RNA-uttryck, proteinnivå respektive splitsning i relevanta vävnader. Allelspecifik expression visar om de två haplotyperna uttrycks olika inom samma individ, medan kromatinkontakter kan länka ett distalt regulatoriskt element till en promotor.

Kolokalisering testar om GWAS- och QTL-signaler är förenliga med en gemensam kausal variant, snarare än två varianter i LD. Gen- och pathwayanalyser söker aggregerad signal i funktionella nätverk, men påverkas av genstorlek, LD och ofullständig annotation. Reporterassays kan mäta allelspecifik regulatorisk aktivitet, och CRISPR-baserad redigering kan testa varianten eller elementet i celler eller organismer. Närmaste gen, starkaste eQTL och mest signifikanta SNP är således kandidater, inte automatiskt kausala aktörer.

Polygen genetisk arkitektur och heritabilitet

Komplexa fenotyper påverkas vanligen av tusentals alleler med små effekter. Den observerade arkitekturen bestäms av mutationsprocesser, allelfrekvens, selektion och fenotypens biologiska nätverk. Starkt skadliga alleler hålls ofta sällsynta av negativ selektion, medan vanliga alleler typiskt har mindre effekter. GWAS är därför särskilt väl lämpad för additiva effekter av vanliga varianter men mindre känslig för mycket sällsynta, strukturella eller populationsspecifika förändringar.

Familjebaserad heritabilitet uppskattar hur stor del av fenotypvariationen som kan hänföras till genetisk variation under en viss populations- och miljökontext. SNP-heritabilitet avser den andel som fångas av de analyserade eller väl taggade SNP-varianterna. De två måtten är inte utbytbara, eftersom arrayer och imputering ofullständigt fångar sällsynta och strukturella varianter samt icke-additiva effekter.

GREML använder en genetisk relationsmatris för att dela upp variansen i en SNP-komponent och en residualkomponent. LD-score-regression uppskattar SNP-heritabilitet från summary statistics genom sambandet mellan teststatistik och variantens LD-score. Metoden kan också uppskatta genetisk korrelation mellan egenskaper, alltså i vilken grad samma additiva genetiska faktorer påverkar båda.

För binära utfall kan heritabilitet anges på observerad skala eller omräknas till en underliggande liability-skala. Omräkningen beror på antagen populationsprevalens och urvalets fallandel. Genomvida signifikanta loci förklarar ofta betydligt mindre varians än den totala SNP-heritabiliteten, eftersom många verkliga effekter ligger under upptäcktströskeln.

”Missing heritability” kan spegla sällsynta varianter, strukturella förändringar, ofullständig taggning, dominans, epistasis, gen–miljöinteraktion och felaktiga familjestudieantaganden. Heritabilitet gäller variation i en viss population och miljö; den anger inte hur förändringsbar en egenskap är och innebär inte genetisk determinism för individen.

Sekundäranalys och klinisk translation

Ett polygent risktal beräknas principiellt som

[ PRS=\sum_{i=1}^{m}\beta_i g_i, ]

där (\beta_i) är GWAS-skattad vikt och (g_i) individens alleldos. Enkla metoder använder LD-pruning och P-värdeströsklar, medan modernare metoder använder shrinkage och LD-modeller för att vikta många korrelerade varianter. Vikterna ska härledas i ett discovery-material och testas i en extern, oberoende population.

Prediktion bedöms med (R^2) för kvantitativa utfall och AUC eller C-statistik för binära eller tidsberoende utfall. Diskrimination måste kompletteras med kalibrering, sensitivitet, specificitet och framför allt absolut risk över en kliniskt relevant tidsperiod. Ett statistiskt signifikant tillskott till AUC behöver inte ändra handläggning. Nyttan måste jämföras med etablerade faktorer som ålder, blodtryck, rökning, lipider och familjeanamnes.

Pleiotropi innebär att en variant eller biologisk mekanism påverkar flera fenotyper. Genetisk korrelation analyserar delad polygen arkitektur, medan phenome-wide association studies testar en genetisk exponering mot ett stort antal diagnoser eller egenskaper. Mendelsk randomisering använder genetiska varianter som instrument och kräver att instrumentet påverkar exponeringen, inte delar confounders med utfallet och inte påverkar utfallet via andra vägar än exponeringen. Horisontell pleiotropi, populationsstruktur och svaga instrument kan bryta dessa antaganden.

Klassiska fynd illustrerar olika nivåer av translation. CFH vid åldersrelaterad makuladegeneration gav oväntad etiologisk insikt om komplementsystemet. TCF7L2 är ett starkt vanligt risklocus för typ 2-diabetes men ger ensamt begränsad klinisk klassifikation. Varianter nära IL28B/IFNL3 hade tydlig betydelse för behandlingssvar vid interferon- och ribavirinbehandlad hepatit C, även om behandlingslandskapet senare förändrats.

Vid lipidmetabolism har SORT1-locus kopplats till reglering av LDL-relaterade processer genom funktionella uppföljningar. Genetiska fynd kring PCSK9 har bidragit till prioritering av ett läkemedelsmål som sedan validerats farmakologiskt. Sådana exempel visar att ett GWAS-fynd kan vara värdefullt för mekanism och målprioritering även när variantens individuella prediktionsvärde är litet.

Begränsningar, rapportering, etik och framtida utveckling

GWAS visar association, inte i sig orsakssamband. LD gör det svårt att identifiera kausal variant och målgen, och små effekter är känsliga för winner’s curse, fenotypfel och subtil confounding. Publikationsbias, otillräcklig replikation och efterhandsvalda analyser ökar risken för överdrivna slutsatser. En array kan dessutom bara mäta eller imputera den variation som dess markörer och referenspaneler representerar.

Fenotypheterogenitet kan dölja subtypsspecifika mekanismer eller skapa en genomsnittseffekt som inte gäller någon enskild klinisk grupp. Historisk dominans av deltagare med europeisk härkomst har gett array- och referenspanelsbias. Fynd och särskilt PRS kan få lägre precision i andra härkomstgrupper på grund av skillnader i allelfrekvens, LD, miljö och klinisk basrisk. Direkt överföring utan lokal validering riskerar därför att förstärka ojämlik vård.

Rapporteringen bör minst omfatta:

• studiedesign, rekrytering, samtycke och fenotypalgoritm,
• antal fall, kontroller och totalt analyserade individer,
• självrapporterad och genetiskt uppskattad härkomst,
• DNA-källa, plattform, variantanrop och referensgenom,
• fullständiga QC-gränser för individer och varianter,
• fasningsprogram, imputeringsprogram och referenspanel,
• associationsmodell, kovariater och hantering av släktskap,
• signifikansgräns, replikationsplan och meta-analysmetod,
• effektallel, frekvens, effekt, standardfel, P-värde och imputeringskvalitet,
• heterogenitet, deltagaröverlapp och genomisk inflationsdiagnostik.

För reproducerbarhet bör summary statistics innehålla variantidentifierare, kromosom och position, genomversion, effekt- och referensallel, allelfrekvens, (\beta) eller log-OR, standardfel, P-värde, effektiv stickprovsstorlek och kvalitetsmått. Delning kan behöva ske under kontrollerad åtkomst, särskilt för sällsynta varianter eller små undergrupper där reidentifieringsrisken är större.

Genomdata är varaktiga, identifierande och informativa om biologiska släktingar. Informerat samtycke måste därför omfatta återanvändning, länkning, internationell överföring och formerna för återrapportering. Pseudonymiserade genomdata utgör fortfarande personuppgifter enligt GDPR. Kontrollerad dataåtkomst, dataminimering, loggning och tydliga rättsliga grunder behöver kombineras med bedömning av diskrimineringsrisk och hantering av kliniskt relevanta bifynd.

Framtida GWAS kommer i ökande grad att använda diversifierade kohorter, helgenomsekvensering och genbaserade sällsyntvarianttester. Strukturella varianter och repetitiva genomregioner kan fångas bättre med förbättrad kortläsningsanalys och långläsningssekvensering. Integrering med epigenomik, proteomik, metabolomik och single-cell-data kan göra signalerna mer vävnads- och celltypsspecifika.

Federerade analyser kan slutligen låta institutioner beräkna gemensamma resultat utan att centralisera individdata. Metoden minskar vissa delningshinder men eliminerar inte integritetsrisker från modeller och summary statistics. Den centrala framtidsuppgiften är därför inte enbart att öka deltagarantalet, utan att kombinera representativ rekrytering, bättre fenotyper, tätare variantmätning och experimentell validering.

Källor

• Genome-wide association study
• Helgenomstudie
• Category:Genome-wide association study
• Genome-wide association study
• Bild: File:Minor allele frequency versus effect size.png — Masato Akiyama, Kazuyoshi Ishigaki, Saori Sakaue, Yukihide Momozawa, Momoko Horikoshi, Makoto Hirata, Koichi Matsuda, Sh, CC BY 4.0
• Bild: File:Genotype phenotype regression.svg — D Wells, CC BY-SA 4.0
• Bild: File:Manhattan plot from a GWAS of kidney stone disease.png — Sarah A. Howles, Akira Wiberg, Michelle Goldsworthy, Asha L. Bayliss, Anna K. Gluck, Michael Ng, Emily Grout, Chizu Tani, CC BY 4.0