文献解读-群体基因组第一期|《对BMI的影响:探究BMI的基因型-环境效应》

简介: 该文探讨了童年不良经历(ACEs)如何通过基因型-环境交互作用影响体重指数(BMI)。研究基于43,000名参与者的全外显子测序数据,发现在ACEs暴露下,55个基因变异与BMI有显著关联。研究表明,ACEs不仅直接导致不良健康结果,还可能增强某些基因对健康的负面影响。因此,未来研究应重视童年经历对健康的影响及其与遗传变异的交互作用,以改善患者的整体健康。

文献解读-Population Sequencing.png

关键词:应用遗传流行病学;群体测序;群体基因组;基因组变异检测;

文献简介

  • 标题(英文):The Impact of ACEs on BMI: An Investigation of the Genotype-Environment Effects of BMI
  • 标题(中文):ACEs对BMI的影响:探究BMI的基因型-环境效应
  • 发表期刊:Behavior Genetics
  • 作者单位:美国俄勒冈州立大学心理学系
  • 发表年份:2022
  • 文章地址https://doi.org/10.3389/fgene.2022.816660

图1 文献简介


Childhood trauma and adversity has long been linked with a greater risk of negative adult health outcomes (Felitti et al., 1998; McCrory et al., 2011; Merrick et al., 2019; Jones et al., 2020; Park et al., 2020). Adverse Childhood Experiences or Events (ACEs) are defined as traumatic events and unsafe environments occurring in children before the age of 18 (Felitti et al., 1998). The original ACE questionnaire and scoring protocol contains ten Yes/No questions that examine the incidence of emotional, physical, sexual maltreatment, neglect, substance abuse within the household, mental illness in the household, violence, and incarceration of a household member (Felitti et al., 1998).

长期以来,研究表明童年创伤和逆境与成人负面健康结果之间存在显著关联。这些被称为“童年不良经历或事件”(ACE),包括18岁前儿童所经历的创伤性事件和不安全环境,如虐待、忽视、家庭暴力等。这些经历通过ACE问卷等工具进行评估,并对个体的长期健康产生深远影响。

本文研究了不良童年经历(Adverse Childhood Experiences or Events,ACEs)与基因型-环境交互作用对体重指数(BMI)的影响。研究者使用了Healthy Nevada Project (HNP)的数据,该项目包括43,000名具有全外显子测序(WES)及匹配的电子健康记录的参与者。其中,17,839名参与者提供了关于ACEs的调查结果。研究发现,ACEs次数与成年肥胖具有很强的关联性,并鉴定了55个具有基因交互作用的常见和罕见变异。

图2

在该项研究中,研究者首先研究了ACEs与BMI之间的关联性;然后使用约500万个常见和罕见变异探索了BMI与ACEs的全基因组-环境交互作用。全基因组-环境交互研究(GWEIS)检查了每个变异的基因型-环境(G×E)效应,使得在ACEs暴露下,不同基因型的参与者在BMI上的差异。

测序流程

图3 测序分析

测序数据分析部分,测序reads使用Sentieon进行从fastq到vcf的全流程处理。Sentieon遵循了测序数据相关质控结果统计及GATK最佳实践流程。Sentieon在处理大规模队列样本时,在具有极速分析优势的同时保证了分析结果的可靠性。

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。

截至2023年3月份,Sentieon已经在全球范围内为1300+用户提供服务,被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用,引用次数超过700篇。此外,Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠,在业内获得广泛认可。

文献结论

图4 文献结论(部分)

This unique examination highlights several of the interactive effects between genetics and behavioral life experiences, and the consequences thereof on population health. Particularly, this study shows that the largely preventable negative health impacts of ACEs modulate purely genetic associations to an often detrimental effect on health. Simply stated, poor health outcomes result from lifestyle-driven events, and these health outcomes increase notably with specific genetic mutations. Conversely, a number of variants have already been shown to play a strong role in the increase of unhealthy BMI levels; when considered in tandem with environmental events such as ACEs, these effects can multiply in strength, resulting in a much worse state of disease. Thus, future emphasis in large population health studies must be placed on the strongly negative impact of adverse events encountered in childhood and the interactive effects of these events with specific genetic variations. Considering a patient’s social environment such as adverse experiences in childhood will provide a more complete clinical arsenal for overall better patient health.

总结

该研究使用了包括全外显子测序(Sentieon用于全流程数据分析)、电子健康记录、ACEs调查结果及全基因组-环境交互研究(GWEIS)等方法探索了ACEs、遗传因素和BMI之间的关系。

目录
相关文章
|
2月前
|
机器学习/深度学习 算法
R语言分类回归分析考研热现象分析与考研意愿价值变现
R语言分类回归分析考研热现象分析与考研意愿价值变现
|
2月前
|
机器学习/深度学习 算法 数据可视化
数据报告分享|WEKA贝叶斯网络挖掘学校在校人数影响因素数据分类模型
数据报告分享|WEKA贝叶斯网络挖掘学校在校人数影响因素数据分类模型
|
2月前
R语言Fisher检验探究地区间公寓价格的关系
R语言Fisher检验探究地区间公寓价格的关系
R语言Fisher检验探究地区间公寓价格的关系
|
2月前
|
机器学习/深度学习 人工智能 运维
江帅帅:科学提升认知方法之贝叶斯公式
江帅帅:科学提升认知方法之贝叶斯公式
26 0
|
2月前
|
数据库
文献速读|毕设不愁了,中科院二区5分非肿瘤双疾病分析思路
研究摘要:一项发表于2023年《Molecular Neurobiology》(IF=5.1)的论文探讨了帕金森病(PD)与重度抑郁症(MDD)的共病基因。研究通过分析基因表达谱数据识别出PD和MDD的共同基因,特别是AQP9、SPI1和RPH3A三个关键基因。这些基因在两种疾病中均表现出显著差异表达,且与中性粒细胞和单核细胞的功能有关。研究使用生物信息学方法进行基因功能注释和蛋白质相互作用网络分析,并通过实验验证了基因在模型系统中的作用,强调了这些基因在疾病病理生理中的潜在角色。
30 0
|
9月前
|
Unix 索引
生信教程 | 基于PSMC估计有效群体大小
生信教程 | 基于PSMC估计有效群体大小
192 0
|
11月前
|
机器学习/深度学习 数据采集 算法
高分SCI必备:使用R语言和机器学习算法解析心脏病中的变量重要性
心脏病是全球范围内主要的致死因素之一[1],给人们的生活和健康带来了巨大的挑战。为了预测和诊断心脏病,研究人员使用了各种机器学习算法,并通过分析变量重要性来理解特征对心脏病的影响。
492 0
|
机器学习/深度学习 人工智能 算法
集中一点,演化无限:PPO × Family决策智能入门公开课即日开讲
集中一点,演化无限:PPO × Family决策智能入门公开课即日开讲
|
机器学习/深度学习 算法
机器学习【西瓜书/南瓜书】--- 第2章模型评估与选择(下)(学习笔记+公式推导)
本博客为博主在学习 机器学习【西瓜书 / 南瓜书】过程中的学习笔记,每一章都是对《西瓜书》、《南瓜书》内容的总结和提炼笔记,博客可以作为各位读者的辅助思考,也可以做为读者快读书籍的博文,本博客对西瓜书所涉及公式进行详细的推理以及讲解,本人认为,不推导公式所学得的知识是没有深度的,是很容易忘记的,有些公式推导起来并不复杂,只是被看似复杂的数学表达式所“吓唬”,希望大家拿上纸笔,跟着博主一起学习,一起推导。
178 0
机器学习【西瓜书/南瓜书】--- 第2章模型评估与选择(下)(学习笔记+公式推导)
|
机器学习/深度学习 算法
机器学习【西瓜书/南瓜书】--- 第2章模型评估与选择(上)(学习笔记+公式推导)
本博客为博主在学习 机器学习【西瓜书 / 南瓜书】过程中的学习笔记,每一章都是对《西瓜书》、《南瓜书》内容的总结和提炼笔记,博客可以作为各位读者的辅助思考,也可以做为读者快读书籍的博文,本博客对西瓜书所涉及公式进行详细的推理以及讲解,本人认为,不推导公式所学得的知识是没有深度的,是很容易忘记的,有些公式推导起来并不复杂,只是被看似复杂的数学表达式所“吓唬”,希望大家拿上纸笔,跟着博主一起学习,一起推导。
253 0
机器学习【西瓜书/南瓜书】--- 第2章模型评估与选择(上)(学习笔记+公式推导)