Lecture 3: Introduction to Association Analysis 02-715 Advanced - - PowerPoint PPT Presentation

Lecture 3: Introduction to Association Analysis

02-­‑715 ¡Advanced ¡Topics ¡in ¡Computa8onal ¡Genomics ¡

Genome Polymorphisms

Type of Polymorphisms

• Each variant is called an “allele”
• Almost always bi-allelic
• Account for most of the genetic diversi

ty among different (normal) individual, e.g. drug response, disease susceptib ility

TCGAGGTATTAAC

The ¡ancestral ¡chromosome ¡

A Human Genealogy ¡

TCGAGGTATTAAC TCTAGGTATTAAC TCGAGGCATTAAC TCTAGGTGTTAAC TCGAGGTATTAGC TCTAGGTATCAAC * ** * *

From SNPS … ¡

… To Haplotypes ¡

A ¡disease ¡muta8on ¡

Population-Based Association Study

• Case/control ¡data ¡are ¡collected ¡from ¡unrelated ¡individuals ¡

– All ¡individuals ¡are ¡related ¡if ¡we ¡go ¡back ¡far ¡enough ¡in ¡the ¡ancestry ¡

Balding, ¡Nature ¡Reviews ¡Gene8cs, ¡2006 ¡

Advantages of SNPs in Genetic Analysis of Complex Traits

• Abundance: ¡high ¡frequency ¡on ¡the ¡genome ¡
• Posi8on: ¡throughout ¡the ¡genome ¡ ¡

– coding ¡region, ¡intron ¡region, ¡promoter ¡site ¡

• Ease ¡of ¡genotyping ¡
• Less ¡mutable ¡than ¡other ¡forms ¡of ¡polymorphisms ¡
• SNPs ¡account ¡for ¡around ¡90% ¡of ¡human ¡genomic ¡varia8on ¡
• About ¡10 ¡million ¡SNPs ¡exist ¡in ¡human ¡popula8ons ¡
• Most ¡SNPs ¡are ¡outside ¡of ¡the ¡protein ¡coding ¡regions ¡
• 1 ¡SNP ¡every ¡600 ¡base ¡pairs ¡
• More ¡than ¡5 ¡million ¡common ¡SNPs ¡each ¡with ¡frequency ¡10-­‑50% ¡account ¡

for ¡the ¡bulk ¡of ¡human ¡DNA ¡sequence ¡difference ¡

• It ¡is ¡es8mated ¡that ¡~60,000 ¡SNPs ¡occur ¡within ¡exons; ¡85% ¡of ¡exons ¡are ¡

within ¡5 ¡kb ¡of ¡the ¡nearest ¡SNP ¡

Causal Mutations and Genetic Markers

X ¡ X ¡ X ¡ SNP ¡Marker ¡ Causal ¡ Muta8on ¡ Linkage ¡ Disequilibrium ¡

• ¡Fine ¡mapping ¡required ¡

Linkage Analysis vs. Association Analysis

Strachan ¡& ¡Read, ¡Human ¡Molecular ¡Gene8cs, ¡2001 ¡

Overview

• Single ¡SNP ¡associa8on ¡test ¡
• Discrete-­‑valued ¡phenotype: ¡case/control ¡study ¡
• Con8nuous-­‑valued ¡phenotype: ¡quan8ta8ve ¡traits ¡
• Correc8ng ¡for ¡mul8ple ¡tes8ng ¡
• Leveraging ¡linkage ¡disequilibrium ¡
• Mul8marker ¡associa8on ¡test ¡
• Genotype ¡imputa8on ¡method ¡

Single SNP Association Analysis: Case/Control Study

• For ¡each ¡marker ¡locus, ¡find ¡the ¡

3x2 ¡con8ngency ¡table ¡containing ¡ the ¡counts ¡of ¡three ¡genotypes ¡

• ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡test ¡with ¡2 ¡df, ¡or ¡Fisher’s ¡

exact ¡test ¡under ¡the ¡null ¡ hypothesis ¡of ¡no ¡associa8on ¡ ¡

Genotype Case Control AA Ncase,AA Ncontrol,AA Aa Ncase,Aa Ncontrol,Aa aa Ncase,aa Ncontrol,aa Total Ncase Ncontrol

Genotype ¡score ¡= ¡the ¡number ¡of ¡minor ¡alleles ¡ ¡

2

χ

Single SNP Association Analysis: Case/Control Study

• Alterna8vely, ¡assume ¡an ¡addi8ve ¡model, ¡where ¡the ¡

heterozygote ¡risk ¡is ¡approximately ¡between ¡the ¡two ¡ homozygotes ¡

• Form ¡a ¡2x2 ¡con8ngency ¡table. ¡Each ¡individual ¡contributes ¡

twice ¡from ¡each ¡of ¡the ¡two ¡chromosomes. ¡

• ¡ ¡ ¡ ¡ ¡ ¡test ¡with ¡1df ¡

Genotype Case Control A Gcase,A Gcontrol,A a Gcase,a Gcontrol,a Total 2xNcase 2xNcontrol

2

χ

Single SNP Association Analysis: Continuous-valued Traits

• Con8nuous-­‑valued ¡traits ¡

– Also ¡called ¡quan8ta8ve ¡traits ¡ – Cholesterol ¡level, ¡blood ¡ pressure ¡etc. ¡

• For ¡each ¡locus, ¡fit ¡a ¡linear ¡

regression ¡using ¡the ¡number ¡

• f ¡minor ¡alleles ¡at ¡the ¡given ¡

locus ¡of ¡the ¡individual ¡as ¡ covariate ¡

Genetic Model for Association

• Addi8ve ¡effect ¡

– Major ¡allele ¡homozygote: ¡0 ¡ – Heterozygote: ¡a ¡+ ¡a ¡x ¡k ¡ – Minor ¡allele ¡homozygote: ¡2a ¡

• k=1: ¡dominant ¡effect ¡of ¡the ¡minor ¡allele ¡
• k=0: ¡no ¡dominance ¡
• k=-­‑1: ¡dominant ¡effect ¡of ¡the ¡minor ¡allele ¡

Penetrance

• Propor8ons ¡of ¡individuals ¡carrying ¡a ¡par8cular ¡allele ¡that ¡

possess ¡an ¡associated ¡trait ¡

• Alleles ¡with ¡high ¡penetrance ¡are ¡easier ¡to ¡detect ¡in ¡

associa8on ¡analysis ¡

Correcting for Multiple Testing

• What ¡happens ¡when ¡we ¡scan ¡the ¡genome ¡of ¡1 ¡million ¡markers ¡

for ¡associa8on ¡with ¡α ¡= ¡0.05? ¡

– 50,000 ¡(=1 ¡millionx0.05) ¡SNPs ¡are ¡expected ¡to ¡be ¡found ¡significant ¡just ¡ by ¡chance ¡ – We ¡need ¡to ¡be ¡more ¡conserva8ve ¡when ¡we ¡decide ¡a ¡given ¡marker ¡is ¡ significantly ¡associated ¡with ¡the ¡trait. ¡

• Correc8on ¡methods ¡

– Bonferroni ¡correc8on ¡ – Permuta8on ¡test ¡

Bonferroni Correction

• If ¡N ¡markers ¡are ¡tested, ¡we ¡correct ¡the ¡significance ¡level ¡as ¡

α’= ¡α/N ¡

– Assumes ¡the ¡N ¡tests ¡are ¡independent, ¡although ¡this ¡is ¡not ¡true ¡ because ¡of ¡the ¡linkage ¡disequilibrium. ¡ ¡ – Overly ¡conserva8ve ¡for ¡8ghtly ¡linked ¡markers ¡

Permutation Procedure

• Step ¡1: ¡Compute ¡the ¡test ¡sta8s8c ¡T ¡using ¡the ¡original ¡dataset ¡
• Step ¡2: ¡Set ¡Nsig ¡= ¡0 ¡
• Step ¡3: ¡Repeat ¡1:Nperm ¡ ¡

– Step ¡3a: ¡Randomly ¡permute ¡the ¡individuals ¡in ¡the ¡phenotype ¡data ¡to ¡ generate ¡datasets ¡with ¡no ¡associa8on ¡(retain ¡the ¡original ¡genotype) ¡ – Step ¡3b: ¡Find ¡the ¡test ¡sta8s8cs ¡Tperm ¡of ¡SNPs ¡using ¡the ¡permuted ¡ dataset ¡ – Step ¡3c: ¡if ¡T> ¡Tperm, ¡Nsig ¡= ¡Nsig+1 ¡ ¡

• Step ¡4: ¡Compute ¡p-­‑value ¡as ¡(1-­‑Nsig/Nperm) ¡

This ¡approach ¡is ¡computa8onally ¡demanding ¡because ¡

• len ¡a ¡large ¡Nperm ¡is ¡required. ¡

Multi-marker Association Test

• Idea: ¡a ¡haplotype ¡of ¡mul8ple ¡SNPs ¡is ¡a ¡bemer ¡proxy ¡for ¡a ¡true ¡

causal ¡SNP ¡than ¡a ¡single ¡SNP ¡

– Exploit ¡the ¡linkage ¡disequilibrium ¡structure ¡in ¡genome ¡

• Form ¡a ¡new ¡allele ¡by ¡combining ¡mul8ple ¡SNPs ¡for ¡a ¡haplotype ¡
• Test ¡the ¡haplotype ¡allele ¡for ¡associa8on ¡

SNP ¡A ¡ ¡ ¡ ¡SNP ¡B ¡ ¡ ¡ ¡ ¡0 ¡ ¡0 ¡ ¡ ¡ ¡ ¡0 ¡ ¡1 ¡ ¡ ¡ ¡ ¡1 ¡ ¡0 ¡ ¡ ¡ ¡ ¡1 ¡ ¡1 ¡ Auxiliary ¡Markers ¡for ¡Haplotypes ¡ ¡1 ¡0 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 ¡ ¡ ¡ ¡0 ¡ ¡0 ¡1 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 ¡ ¡ ¡ ¡0 ¡ ¡0 ¡0 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡1 ¡ ¡ ¡ ¡0 ¡ ¡0 ¡0 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡0 ¡ ¡ ¡ ¡1 ¡

Multi-marker Association Test

• Mul8-­‑marker ¡approach ¡can ¡capture ¡dependencies ¡across ¡

mul8ple ¡markers ¡

– SNPs ¡in ¡LD ¡form ¡a ¡haplotype ¡that ¡can ¡be ¡tested ¡as ¡a ¡single ¡allele ¡ – Can ¡achieve ¡the ¡same ¡power ¡with ¡data ¡collected ¡for ¡fewer ¡samples ¡

• Challenge ¡as ¡the ¡size ¡of ¡haplotype ¡increases ¡

– Haplotype ¡of ¡K ¡SNPs ¡results ¡in ¡2K ¡different ¡haplotypes, ¡but ¡the ¡number ¡

• f ¡samples ¡corresponding ¡to ¡each ¡haplotype ¡decreases ¡quickly ¡as ¡we ¡

increase ¡K ¡ – Large ¡K ¡requires ¡a ¡large ¡sample ¡size ¡

Imputation-Based Methods

(Servin & Stephens, 2007) Tag ¡SNP ¡ Non-­‑tag ¡SNP ¡

Yeast Genomic Datasets

• Yeast ¡genomic ¡datasets ¡
• ­‑ Genotypes ¡from ¡112 ¡segregants ¡from ¡a ¡yeast ¡cross ¡

between ¡BY ¡and ¡RM ¡strains ¡

• ­‑ Microarray ¡gene-­‑expression ¡data ¡
• ­‑ Transcrip8on ¡factor ¡binding ¡site ¡data ¡
• ­‑ Protein-­‑protein ¡interac8on ¡data ¡

Analysis Procedure (Zhu et al.)

• Gene ¡expression ¡data ¡analysis ¡to ¡infer ¡gene ¡coexpression ¡

network ¡

• eQTL ¡analysis ¡
• Learning ¡a ¡predic8ve ¡model ¡for ¡yeast ¡gene ¡network ¡

– Integrate ¡mul8ple ¡genomic ¡data ¡to ¡infer ¡gene ¡network ¡

• gene ¡expression/eQTL/TFBS/PPI ¡data ¡

Gene Coexpression Network

• Hierarchical ¡clustering ¡
• f ¡genes ¡
• Iden8fied ¡gene ¡modules ¡
• How ¡to ¡validate ¡the ¡

gene ¡modules? ¡

– GO ¡enrichment ¡analysis ¡ as ¡a ¡proxy ¡ ¡

Gene Set Enrichment Analysis

• Given ¡a ¡set ¡of ¡K ¡genes, ¡we ¡would ¡like ¡to ¡test ¡whether ¡these ¡

genes ¡share ¡a ¡common ¡func8on. ¡

– KEGG ¡pathway, ¡GO ¡can ¡serve ¡as ¡a ¡proxy ¡for ¡a ¡common ¡func8on ¡ – Is ¡a ¡par8cular ¡KEGG ¡pathway ¡or ¡GO ¡term ¡enriched ¡in ¡our ¡set ¡of ¡K ¡genes ¡

• f ¡interest? ¡
• Analogy ¡to ¡urn ¡model ¡

– Given ¡an ¡urn ¡of ¡N ¡balls ¡with ¡ ¡M ¡black ¡balls ¡and ¡(N-­‑M) ¡white ¡balls, ¡we ¡ are ¡drawing ¡n ¡balls ¡without ¡replacement. ¡What ¡is ¡the ¡probability ¡of ¡ drawing ¡k ¡black ¡balls? ¡ ¡

Gene Set Enrichment Test

• The ¡universe ¡of ¡genes: ¡N ¡genes ¡
• In ¡this ¡universe, ¡genes ¡labled ¡as ¡GO ¡term ¡A: ¡M ¡genes ¡
• Suppose ¡we ¡have ¡a ¡set ¡of ¡n ¡genes ¡for ¡which ¡we ¡would ¡like ¡to ¡

test ¡enrichment ¡for ¡GO ¡term ¡A ¡

– The ¡probability ¡of ¡at ¡most ¡k ¡genes ¡to ¡be ¡labeled ¡as ¡GO ¡term ¡A: ¡ ¡

Network Modules, GO Enrichment, eQTL Hotspots

eQTL Hotspots

• eQTL ¡hotspots: ¡pleiotropic ¡control ¡of ¡mul8ple ¡genes ¡by ¡a ¡

common ¡genomic ¡locus ¡

• cis ¡eQTL: ¡affected ¡genes ¡are ¡physically ¡located ¡in ¡cis ¡to ¡the ¡

genomic ¡locus ¡

• trans ¡eQTL: ¡affected ¡genes ¡are ¡located ¡distantly ¡from ¡the ¡eQTL ¡

Network Modules, GO Enrichment, eQTL Hotspots

eQTL Hotspots

• No ¡ground ¡truth ¡for ¡eQTLs. ¡How ¡to ¡validate ¡the ¡results? ¡

– Use ¡results ¡from ¡knockout ¡experiments, ¡TFBS ¡experiments ¡as ¡a ¡proxy ¡ – Again, ¡gene ¡set ¡enrichment ¡analysis ¡

TFBS Target Enrichment, Knock-Out Signature Enrichment

Learning Bayesian Networks: Integrating Different Genomic Data

• Incorpora8ng ¡more ¡genomic ¡data ¡into ¡network ¡learning ¡can ¡

increase ¡the ¡predic8ve ¡power ¡for ¡regulators ¡

– Bayesian ¡network ¡I ¡(BNraw) ¡

• Derived ¡from ¡gene ¡expression ¡data ¡

– Bayesian ¡network ¡II ¡(BNqtl) ¡

• Derived ¡from ¡gene ¡expression, ¡eQTL ¡data ¡

– Bayesian ¡network ¡III ¡(BNfull) ¡

• Derived ¡from ¡gene ¡expression, ¡eQTL, ¡TFBS ¡(ChIP-­‑chip ¡

experiments), ¡PPI ¡data ¡

Incorporating eQTLs in Network Learning

• A ¡two ¡step ¡analysis: ¡

– First ¡perform ¡eQTL ¡analysis ¡ – Incorporate ¡the ¡iden8fied ¡eQTLs ¡in ¡the ¡network ¡learning ¡process ¡

• For ¡a ¡given ¡eQTL, ¡genes ¡with ¡cis ¡eQTLs ¡can ¡be ¡parents ¡of ¡

genes ¡with ¡trans ¡eQTLs ¡

• For ¡a ¡given ¡eQTL, ¡genes ¡with ¡trans ¡eQTLs ¡are ¡not ¡allowed ¡to ¡

be ¡parents ¡of ¡genes ¡with ¡cis ¡eQTLs. ¡

Computationally Identified Causal Regulators