Modeling pathway overlap increases accuracy of GWAS gene set enrichment

Wissenschaftler versuchen schon lange zu verstehen, was die biologischen Wurzeln komplexer menschlicher Merkmale sind, vom Risiko für Herzkrankheiten bis hin zu den Nuancen der Persönlichkeit. Um dies zu erreichen, verlassen sie sich auf genomweite Assoziationsstudien – massive Erhebungen, die die DNA von Hunderttausenden von Menschen scannen, um winzige genetische Variationen zu finden, die mit spezifischen Erkrankungen verknüpft sind. Diese Studien haben erfolgreich Tausende dieser genetischen Marker identifiziert, doch das Finden eines Markers ist erst der Anfang. Die wahre Herausforderung besteht darin, eine Liste von genetischen Koordinaten in eine Geschichte darüber zu übersetzen, wie der Körper funktioniert. Um diese Lücke zu schließen, gruppieren Forscher Gene in „Signalwege“ (Pathways), die wie funktionale Teams oder Schaltkreise funktionieren, die zusammenarbeiten, um bestimmte biologische Aufgaben zu erfüllen. Indem sie prüfen, ob die in einer Studie gefundenen genetischen Marker häufiger in bestimmten Signalwegen gehäuft auftreten, als es der Zufall zulassen würde, können Wissenschaftler ableiten, welche biologischen Prozesse eine Krankheit antreiben. Dieser Ansatz ist zu einem Standardwerkzeug geworden, um rohe genetische Daten in biologische Erkenntnisse zu verwandeln.

Ein neuer Bericht deutet jedoch darauf hin, dass dieses Standardwerkzeug die Daten durch eine leicht verzerrte Linse betrachtet hat. Die Forscher unter der Leitung von Alanna Cote und Kollegen entdeckten, dass die Art und Weise, wie diese genetischen Signalwege in wissenschaftlichen Datenbanken organisiert sind, eine versteckte Verzerrung erzeugt. In der realen Welt gehören viele Gene zu mehr als einem Signalweg, ähnlich wie eine Person, die gleichzeitig Mitglied in einem Buchclub und einer Laufgruppe ist. Da die Datenbanken dieser Signalwege größer und detaillierter geworden sind, ist diese Überschneidung massiv geworden. Die Studie ergab, dass aktuelle Methoden zur Analyse dieser Signalwege oft versäumen, dieses Teilen zu berücksichtigen. Wenn ein Gen in vielen Signalwegen erscheint, wird sein genetisches Signal wiederholt gezählt, was eine statistische Illusion erzeugt. Dies kann den Anschein erwecken, als sei ein Signalweg stark mit einer Krankheit verknüpft, nur weil er populäre, vielseitig einsetzbare Gene enthält, und nicht etwa, weil er den spezifischen Schlüssel zur Krankheit besitzt.

Um dies zu beheben, entwickelte das Team eine neue Methode namens „Gene Swap Randomization“ (Gen-Austausch-Randomisierung). Stellen Sie sich eine riesige Tabelle vor, in der Zeilen Gene und Spalten Signalwege repräsentieren, wobei Markierungen anzeigen, welches Gen zu welchem Signalweg gehört. Die Forscher erstellten eine Computersimulation, die diese Markierungen Millionen von Malen in dieser Tabelle vertauschte. Entscheidend war, dass sie dieses Vertauschen so durchführten, dass die Gesamtzahl der Gene in jedem Signalweg exakt gleich blieb und sichergestellt wurde, dass jedes Gen in der gleichen Anzahl von Signalwegen erschien, wie es in der ursprünglichen Datenbank der Fall war. Dieser Prozess erzeugte ein „Nullmodell“ – eine Baseline dessen, was die Ergebnisse aussehen würden, wenn die Signalwege nur zufällige Sammlungen von Genen mit derselben überlappenden Struktur wären, aber ohne einen echten Zusammenhang zur Krankheit. Durch den Vergleich der tatsächlichen Studienergebnisse mit dieser sorgfältig konstruierten Baseline konnten die Forscher sehen, welche Signale echt waren und welche lediglich Artefakte der Datenbankstruktur waren.

Als sie diese neue Methode auf Daten von zwölf verschiedenen komplexen Merkmalen anwandten, darunter koronare Herzkrankheit, Brustkrebs und Typ-2-Diabetes, waren die Ergebnisse beeindruckend. Das Team stellte fest, dass die Analyse ohne diese Anpassung häufig große Signalwege als signifikant markierte, selbst wenn diese biologisch nicht relevant waren. Das statistische Rauschen, das durch überlappende Gene entstand, war stark genug, um Fehlalarme auszulösen. Tatsächlich war die Rate dieser Fehlalarme bei einigen der populärsten Analysetools viel höher als erwartet, insbesondere bei Merkmalen, bei denen die assoziierten Gene bereits bekannt dafür sind, in vielen verschiedenen biologischen Prozessen involviert zu sein. Die Studie zeigte, dass die Größe eines Signalwegs eine Rolle spielte; größere Signalwege neigten eher dazu, fälschlicherweise als wichtig identifiziert zu werden, einfach weil sie mehr dieser geteilten, vielseitig einsetzbaren Gene enthielten.

Die Forscher testeten dann, ob ihre neue Methode die Genauigkeit der Ergebnisse verbesserte. Sie verglichen die Rankings der Signalwege vor und nach der Anwendung der Gene-Swap-Randomization-Anpassung mit mehreren unabhängigen Quellen biologischer Wahrheit. Zu diesen externen Quellen gehörten Datenbanken, die Gene basierend auf klinischer Evidenz mit Krankheiten verknüpfen, Aufzeichnungen darüber, wie Gene miteinander interagieren, und Daten darüber, wo spezifische Gene in verschiedenen Geweben aktiv sind. Die Ergebnisse zeigten eine klare Verbesserung. Nach der Anpassung an die Signalweg-Überschneidungen stimmten die am höchsten bewerteten Signalwege viel besser mit diesen externen Benchmarks überein. Beispielsweise wanderten Signalwege, die zuvor mitten in der Liste begraben waren, aber eine starke Unterstützung durch unabhängige Krankheitsbelege aufwiesen, an die Spitze. Umgekehrt sanken jene Signalwege im Ranking ab, die zuvor nur deshalb hoch bewertet worden waren, weil sie groß und voll mit geteilten Genen waren. Die neue Methode konnte erfolgreich zwischen den Signalwegen unterscheiden, die tatsächlich eine Krankheit vorantreiben, und jenen, die nur auf den Coattails (den Sporen) populärer Gene reiten.

Diese Arbeit verwirft die bestehenden Werkzeuge, die Genetiker verwenden, nicht; vielmehr verfeinert sie sie. Die Forscher stellten ein benutzerfreundliches Softwaretool zur Verfügung, das es anderen Wissenschaftlern ermöglicht, diese Korrektur auf ihre eigenen Daten anzuwenden, indem sie lediglich die standardmäßigen Summenstatistiken nutzen, die sie bereits besitzen. Die Studie kommt zu dem Schluss, dass die strukturellen Eigenschaften von Signalweg-Datenbanken eine große Quelle der Verzerrung in der Genforschung sind. Indem Wissenschaftler explizit modellieren, wie Gene über verschiedene biologische Teams hinweg geteilt werden, können sie nun das echte Signal vom Rauschen trennen. Dies stellt sicher, dass, wenn Forscher einen biologischen Signalweg als Schlüsselfaktor einer Krankheit identifizieren, sie einen realen Mechanismus sehen und nicht nur ein statistisches Artefakt, das durch die Art und Weise der Informationsorganisation verursacht wurde. Da die genetischen Datenbanken immer weiter expandieren und immer stärker vernetzt werden, wird eine solche sorgfältige Anpassung essenziell sein, um genetische Entdeckungen in zuverlässige medizinische Erkenntnisse zu verwandeln.