本周最新文献速递
一
文献题目： Whole-organism eQTL mapping at cellular resolution with single-cell sequencing
不想看英文题目： 使用单细胞测序数据定位细胞类型eQTL
杂志和影响因子： Elife（7.08 1区）
研究意义： 表达数量性状基因座（eQTL）具有细胞类型特异性，其效应在不同细胞类型有所差异。哺乳动物组织的复杂性使得细胞类型eQTL的研究具有挑战性。为此，作者以秀丽隐杆线虫为模型开发了一种基于单细胞RNA测序数据定位细胞类型eQTL的新方法。
结论：
1）秀丽隐杆线虫的单细胞RNA测序总共有55,508 个细胞， 19 种细胞类型；
2）使用隐马尔可夫模型（Hidden Markov Model；HMM）对单细胞RNA测序数据进行基因型分型，发现 1,718 个 cis-eQTLs 影响 1,294 个基因、 451 个 trans-eQTLs 影响 390 个基因；
3）同时纳入传统的大块组织测序方法（bulk）进行比较，bulk 方法鉴定了981 个 cis-eQTLs位点(FDR < 10%)，其中 335 个 cis-eQTLs 位点与单细胞RNA测序数据鉴别出来的位点重合；
4）bulk 方法和单细胞RNA测序方法鉴定的eQTLs 效应值大小高度相关；
5）在鉴定的451 个 trans-eQTLs 位点中，有90个位点可聚成5大热点，每一热点包含12-31 个 eQTLs；
6）不同细胞类型的热点对应的靶基因均能富集到相关的通路，比如肠道细胞中检测到的热点靶基因富集结果与先天免疫相关；
7）秀丽隐杆线虫神经细胞中鉴定了163 个 sn-eQTLs （single neuronal subtypes cis-eQTLs ）影响 132 个基因；
8）sn-eQTLs 位点在细胞水平具有特异性，在 RIC 神经元中，nlp-21 表达水平与 CB4856 基因型正相关，在 RIM 神经元中，nlp-21 表达水平与 N2 基因型负相关；
文章链接：
https://pubmed.ncbi.nlm.nih.gov/33734084/
doi: 10.7554/eLife.65857
公开的代码：
HMM and eQTL mapping：
https://github.com/joshsbloom/single_cell_eQTL
二 （基于基因集-表型关联的工具）
文献题目： A powerful subset-based method identifies gene set associations and improves interpretation in UK Biobank
不想看英文题目： 基于子集的方法识别基因集关联并提高UK Biobank表型结果的解释
杂志和影响因子： Am J Hum Genet（10.502 1区）
研究意义：
基因集-表型之间的关联结果可提高对复杂表型遗传结构的认识，目前大多数方法对基因集-表型关联的检测能力有限。为此，作者开发了基于稀疏信号的基因集-表型关联分析方法（GAUSS）。该方法仅需要提供GWAS摘要统计结果即可。
结论：
1）比起其他三个方法（SKAT-pathway、MAGMA、和aSPUpath），GAUSS的I型错误率较低、power较高；
2）GAUSS检测到的基因集对表型的遗传解释度更高；
3）GAUSS鉴定活性基因（a gene within a gene set as “active” if at least one variant annotated to the gene has non-zero effect size）的敏感性和特异性均较高；
4）使用UK Biobank的 1,403 个二分类表型GWAS摘要统计结果，检测到13,466 对显著的基因集-表型关联结果，每个基因集的平均基因数量为17.2个；
5）以大肠杆菌感染的结果为例，GAUSS鉴定了两个基因集与大肠杆菌感染相关：脂肪酸分解代谢过程、脂肪酸β氧化过程。之前很多文献报道过脂肪酸的抗菌作用，说明GAUSS可有效的检测表型相关的基因集；
文章链接：
https://pubmed.ncbi.nlm.nih.gov/33730541/
doi: 10.1016/j.ajhg.2021.02.016
工具地址：
GAUSS： https://github.com/diptavo/GAUSS
三 （基于遗传模型检测的R包）
文献题目： pgainsim: an R-package to assess the mode of inheritance for quantitative trait loci in GWAS
不想看英文题目： pgainsim: 评估GWAS中数量性状基因座遗传模式的R包
杂志和影响因子： Bioinformatics（5.61 2区 ）
简要介绍： 传统的GWAS采用加性模型计算SNP与表型之间的相关性，但隐性模型和显性模型也是遗传学中重要的研究内容。
关于遗传学模型介绍：https://www.cnblogs.com/chenwenyan/p/5443079.html
基于此，作者开发了R包，用于检测GWAS中的隐性模型和显性模型结果；
文章链接：
https://pubmed.ncbi.nlm.nih.gov/33738486/
doi: 10.1093/bioinformatics/btab150
R包地址：
https://github.com/genepi-freiburg/pgainsim
