🧬 genetics

Identifying genetic regulations on immune cell type proportions and their impacts on autoimmune diseases

यह अध्ययन एक एकीकृत विश्लेषणात्मक ढांचे को प्रस्तुत करता है जो प्रतिरक्षा कोशिका अनुपातों को नियंत्रित करने वाले आनुवंशिक लोकी (loci) की पहचान करने और ऑटोइम्यून रोगों पर उनके कारण प्रभावों को स्पष्ट करने के लिए एक डेप्थ-वेटेड क्वासी-बाइनोमियल GWAS और cWAS को संयोजित करता है, जिससे गैर-कोडिंग आनुवंशिक वेरिएंट को रोग जोखिम के अंतर्निहित विशिष्ट सेलुलर तंत्रों से जोड़ा जा सके।

मूल लेखक: Lin, C., Shen, J., Sun, J., Xie, Y., Xu, L., Lin, Y., Hu, J., Zhao, H.

प्रकाशित 2026-03-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lin, C., Shen, J., Sun, J., Xie, Y., Xu, L., Lin, Y., Hu, J., Zhao, H.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: बीमारी के "कौन" और "क्यों" का पता लगाना

कल्पना कीजिए कि आपका शरीर एक विशाल, हलचल भरा शहर है। आपकी इम्यून सिस्टम (रोग प्रतिरोधक क्षमता) उस शहर की पुलिस फोर्स, फायर डिपार्टमेंट और इमरजेंसी सर्विसेज का मिश्रण है। शहर को स्वस्थ रखने के लिए, इन विभिन्न टीमों की संख्या सही होनी चाहिए। यदि आपके पास अग्निशमन कर्मियों की संख्या बहुत अधिक है और पुलिस की कम, या यदि पुलिस का प्रकार गलत है, तो शहर मुसीबत में पड़ सकता है।

यह शोध पत्र इस बारे में है कि यह पता लगाने के लिए कि क्यों कुछ लोगों के पास दूसरों की तुलना में अलग "पुलिस बल" संरचना होती है, और कैसे ये अंतर टाइप 1 डायबिटीज या क्रोहन रोग (Crohn's disease) जैसी बीमारियों का कारण बन सकते हैं।

समस्या: पुराना नक्शा गलत था

वैज्ञानिक वर्षों से GWAS (जीनोम-वाइड एसोसिएशन स्टडीज) नामक टूल का उपयोग कर रहे हैं। GWAS को एक विशाल मानचित्र के रूप में सोचें जो दिखाता है कि हमारे डीएनए में "निर्देश पुस्तिकाएं" (जीन्स) कहाँ स्थित हैं। ये मैनुअल हमारे शरीर को चीजें बनाने के निर्देश देते हैं।

हालाँकि, इनमें से अधिकांश निर्देश एक गुप्त कोड (नॉन-कोडिंग क्षेत्र) में लिखे गए हैं जिसे हम अभी तक पूरी तरह से नहीं समझते हैं। हम जानते हैं कि निर्देश कहाँ हैं, लेकिन हम यह नहीं जानते कि वे वास्तव में क्या बना रहे हैं या वे शहर के किस हिस्से को प्रभावित कर रहे हैं।

इसके अलावा, जब वैज्ञानिकों ने अतीत में इम्यून सेल्स (प्रतिरक्षा कोशिकाओं) को गिनने की कोशिश की, तो उन्होंने एक "धुंधले कैमरे" का उपयोग किया था। उन्होंने रक्त के एक पूरे बैग (बल्क डेटा) को देखा और अनुमान लगाया कि उसमें प्रत्येक कोशिका प्रकार की कितनी संख्या है। यह एक फ्रूट सलाद में सेब और संतरे के अनुपात का अनुमान लगाने जैसा है, सिर्फ पूरे कटोरे को चखकर। यह अव्यवस्थित है और अक्सर गलत होता है।

नया टूल: एक हाई-डेफिनिशन कैमरा और एक बेहतर कैलकुलेटर

शोधकर्ताओं ने इन समस्याओं को ठीक करने के लिए दो मुख्य काम किए:

1. हाई-डेफिनिशन कैमरा (सिंगल-सेल डेटा)
रक्त के एक धुंधले बैग को देखने के बजाय, उन्होंने एक सुपर-पावरफुल माइक्रोस्कोप (सिंगल-सेल आरएनए सीक्वेंसिंग) का उपयोग किया ताकि लगभग 1,000 स्वस्थ लोगों के 1.27 मिलियन व्यक्तिगत सेल्स को देखा जा सके। इसने उन्हें यह गिनने में मदद की कि प्रत्येक व्यक्ति के पास कितने "पुलिस अधिकारी," "दमकल कर्मी," और "मेडिक्स" थे।

2. बेहतर कैलकुलेटर (क्वासी-बाइनोमियल मॉडल)
यहाँ पेचीदा हिस्सा है: आपके पास मौजूद सेल्स की संख्या एक प्रतिशत है। आप किसी कोशिका प्रकार का 110% नहीं रख सकते, और संख्याएँ अक्सर "तिरछी" (जैसे एक टेढ़ा ढलान वाला पहाड़) होती हैं।

पुराना तरीका: वैज्ञानिकों ने एक मानक रूलर (लीनियर मॉडल) का उपयोग किया जो मानता है कि डेटा बिल्कुल संतुलित है। लेकिन क्योंकि सेल काउंट तिरछा होता है, इसलिए यह रूलर बहुत ही कुंद (blunt) था। इसने कई महत्वपूर्ण सुरागों को मिस कर दिया।
नया तरीका: लेखकों ने एक कस्टम, लचीला रूलर (क्वासी-बाइनोमियल मॉडल) बनाया। यह रूलर विशेष रूप से "ऊबड़-खाबड़" डेटा के लिए डिज़ाइन किया गया है। यह इस तथ्य को ध्यान में रखता है कि कुछ लोगों के पास उनके सेल्स के बहुत गहरे "स्नैपशॉट्स" (अधिक डेटा) होते हैं और दूसरों के पास कम।
परिणाम: इस नए रूलर ने 47 महत्वपूर्ण जेनेटिक लोकेशन्स (डीएनए में स्थान) खोजे जो सेल संख्या को नियंत्रित करते हैं। पुराने रूलर ने केवल 35 खोजे थे। यह 12 अतिरिक्त छिपे हुए खजाने के नक्शे खोजने जैसा है जिन्हें पुराने तरीके ने मिस कर दिया था!

खोज: जीन्स को बीमारी से जोड़ना

एक बार जब उन्होंने इन जेनेटिक "स्विचों" को खोज लिया जो सेल संख्या को नियंत्रित करते हैं, तो उन्होंने पूछा: "क्या ये स्विच बीमारी का कारण बनते हैं?"

उन्होंने cWAS (सेल-टाइप-वाइड एसोसिएशन स्टडी) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास एक केक (बीमारी) की रेसिपी है और आप जानना चाहते हैं कि कौन सी सामग्री (सेल प्रकार) समस्या है।

उन्होंने उन जेनेटिक "स्विचों" का उपयोग किया जो उन्होंने खोजे थे।
उन्होंने इनका उपयोग यह भविष्यवाणी करने के लिए किया कि केवल उनके डीएनए के आधार पर (आहार, तनाव या वर्तमान बीमारी को नजरअंदाज करते हुए) किसी व्यक्ति का इम्यून सेल मिक्स कैसा होना चाहिए।
उन्होंने इन "जेनेटिक भविष्यवाणियों" की वास्तविक बीमारी के डेटा से तुलना की।

उन्होंने क्या पाया?
उन्होंने पाया कि कुछ बीमारियों के लिए, विशिष्ट इम्यून सेल्स की कम संख्या होना वास्तव में एक जोखिम कारक है।

क्रोहन रोग (Crohn's Disease): जिन लोगों में CD16+ मोनोसाइट्स (एक प्रकार की इन्फ्लेमेटरी कोशिका) और NK CD56bright सेल्स (एक प्रकार के इम्यून रेगुलेटर) के निचले स्तर होने की जेनेटिक प्रवृत्ति थी, उनमें क्रोहन रोग होने की संभावना अधिक थी।
उपमा (Analogy): यह एक ऐसी फायर ब्रिगेड की तरह है जिसे जेनेटिक रूप से कम स्टाफ वाला होने के लिए प्रोग्राम किया गया है। जब पेट (आंत) में आग (सूजन/inflammation) लगती है, तो उसे बुझाने के लिए पर्याप्त रेगुलेटर्स नहीं होते, जिससे आग बेकाबू हो जाती है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र एक सेतु (bridge) है।

पहले: हम जानते थे कि एक जीन बीमारी से जुड़ा है, लेकिन हमें नहीं पता था कि कैसे।
अब: हम जानते हैं कि विशिष्ट जीन आपके रक्त में इम्यून सेल्स के मिश्रण को बदलते हैं, और वह विशिष्ट मिश्रण आपके बीमार होने के जोखिम को बदल देता है।

यह कहने से कि, "कार खराब हो गई क्योंकि एक बुरा हिस्सा था," से बदलकर यह कहने जैसा है कि, "कार खराब हो गई क्योंकि एक विशिष्ट बोल्ट (जीन) के कारण इंजन में बहुत कम स्पार्क प्लग (सेल्स) थे, जिससे वह ओवरहीट हो गया।"

मुख्य निष्कर्ष (Takeaway)

शोधकर्ताओं ने सेल्स को गिनने का एक बेहतर तरीका बनाया और पाया कि हमारे इम्यून सिस्टम अलग तरह से क्यों बने होते हैं। यह समझने में मदद करता है कि क्रोहन और डायबिटीज जैसी बीमारियाँ केवल रैंडम नहीं हैं; वे अक्सर हमारे डीएनए द्वारा हमारे शरीर की रक्षा टीमों के संतुलन को सूक्ष्म रूप से बदलने के कारण होती हैं। यह वैज्ञानिकों को भविष्य के उपचार विकसित करने के लिए नए लक्ष्य प्रदान करता है।

यहाँ शोध पत्र "Identifying genetic regulations on immune cell type proportions and their impacts on autoimmune diseases" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जीनोम-वाइड एसोसिएशन स्टडीज (GWAS) ने जटिल रोगों से जुड़े हजारों आनुवंशिक वेरिएंट्स की पहचान की है, लेकिन इनमें से अधिकांश नॉन-कोडिंग क्षेत्रों में स्थित हैं, जिससे उनके जैविक तंत्र (biological mechanisms) की व्याख्या करना कठिन हो जाता है। उन विशिष्ट कोशिका प्रकारों (cell types) को जोड़ने में एक महत्वपूर्ण अंतर मौजूद है जो रोग के पैथोलॉजी को संचालित करते हैं।

मौजूदा विधियों की सीमाएँ: पिछले दृष्टिकोण अक्सर बल्क आरएनए-अनुक्रम (bulk RNA-seq) डिकनवोल्यूशन से प्राप्त देखे गए जीन अभिव्यक्ति या सेल-टाइप अनुपातों पर निर्भर करते हैं। ये मेट्रिक्स पर्यावरणीय भ्रम (environmental confounding), रोग की स्थिति (रिवर्स कॉजेशन/विपरीत कारणता), और तकनीकी शोर (technical noise) के प्रति संवेदनशील होते हैं।
सांख्यिकीय चुनौतियाँ: सिंगल-सेल आरएनए सीक्वेंसिंग (scRNA-seq) से प्राप्त सेल-टाइप अनुपात सीमित (0 से 1) होते हैं, जो अक्सर विषम (skewed) और ओवरडिस्पर्सड (overdispersed) होते हैं। पारंपरिक रैखिक GWAS मॉडल गाऊसी वितरण (Gaussian distributions) मानकर चलते हैं, जो इन डेटा विशेषताओं का उल्लंघन करता है, जिससे सांख्यिकीय शक्ति (statistical power) में कमी आती है और संभावित 'फॉल्स नेगेटिव' की स्थिति उत्पन्न होती है।
लक्ष्य: लेखकों का लक्ष्य scRNA-seq डेटा का उपयोग करके प्रतिरक्षा कोशिका संरचना के आनुवंशिक नियमन को व्यवस्थित रूप से लक्षणबद्ध करने के लिए एक एकीकृत ढांचा विकसित करना और यह निर्धारित करना है कि ये आनुवंशिक रूप से विनियमित अनुपात (GRPs) ऑटोइम्यून रोग के जोखिम को कैसे प्रभावित करते हैं।

2. कार्यप्रणाली (Methodology)

अध्ययन एक दो-चरणीय विश्लेषणात्मक ढांचे का प्रस्ताव करता है जो scRNA-seq GWAS को सेल-टाइप-वाइड एसोसिएशन स्टडीज (cWAS) के साथ एकीकृत करता है।

A. डेप्थ-वेटेड क्वासी-बाइनोमियल GWAS मॉडल (Depth-Weighted Quasi-Binomial GWAS Model)

सेल अनुपातों के विश्लेषण में सांख्यिकीय सीमाओं को दूर करने के लिए, लेखकों ने एक नया प्रतिगमन मॉडल (regression model) विकसित किया है:

मॉडल संरचना: एक मानक रैखिक मॉडल के बजाय, वे सेल-टाइप अनुपातों को सीमित और ओवरडिस्पर्सड लक्षणों के रूप में मानते हैं। वे एक क्वासी-बाइनोमियल प्रतिगमन मॉडल का उपयोग करते हैं:
- $Y_i \sim \text{Binomial}(n_i, p_i)$
- $\text{logit}(p_i) = \beta_{0j} + X_{ij}\beta_j$
- $\text{Var}(Y_i) = \phi n_i p_i (1 - p_i)$
- जहाँ $Y_i$ सेल काउंट है, $n_i$ कुल नमूना लिया गया सेल है, और $\phi$ एक डिस्पर्शन पैरामीटर है जो बाइनोमियल धारणा से अधिक विचरण (variance) की अनुमति देता है।
डेप्थ वेटिंग (Depth Weighting): यह पहचानते हुए कि सीक्वेंसिंग डेप्थ सेल अनुपात के अनुमान की सटीकता को प्रभावित करती है, मॉडल एक डेप्थ-वेटिंग योजना को शामिल करता है। भार (weights) को प्रति व्यक्ति प्रति सेल औसत सीक्वेंसिंग डेप्थ के आधार पर रैखिक रूप से स्केल किया जाता है ताकि अत्यधिक उच्च या निम्न डेप्थ वाले नमूनों से होने वाले पूर्वाग्रह को कम किया जा सके।
कोवेरिएट्स (Covariates): मॉडल को आयु, लिंग और पहले छह जीनोटाइप प्रिंसिपल कंपोनेंट्स के लिए समायोजित किया गया है।

B. पॉलीजेनिक रिस्क स्कोर (PRS) इम्यूटेशन और cWAS

इम्यूटेशन (Imputation): सेल-टाइप अनुपात विश्लेषण से प्राप्त GWAS समरी स्टैटिस्टिक्स का उपयोग करके, लेखकों ने जेनेटिकली रेगुलेटेड प्रोप्रशंस (GRPs) का अनुमान लगाने के लिए पॉलीजेनिक रिस्क स्कोर (PRS) की गणना की।
cWAS ढांचा: उन्होंने एक समरी-स्टैटिस्टिक-आधारित cWAS दृष्टिकोण लागू किया। इसमें बाहरी रोग GWAS समरी स्टैटिस्टिक्स में GRPs को इम्यूट करना शामिल है ताकि जेनेटिकली रेगुलेटेड सेल प्रोप्रशंस और रोग फेनोटाइप के बीच संबंधों का परीक्षण किया जा सके, जिससे बल्क डिकनवोल्यूशन की आवश्यकता समाप्त हो जाती है।
LD हैंडलिंग: कम्प्यूटेशनल लागत को प्रबंधित करने के लिए, जीनोम को स्वतंत्र LD ब्लॉक्स में विभाजित किया गया, जिससे GRP के वेरिएंस का अनुमान लगाया जा सका।

C. डेटा स्रोत (Data Source)

कोहॉर्ट: OneK1K डेटासेट, जिसमें 981 स्वस्थ यूरोपीय डोनर्स (1.27 मिलियन PBMC) का scRNA-seq डेटा शामिल है।
सेल टाइप्स: विश्लेषण 19 फाइन-लेबल वाले सबटाइप्स (जैसे, CD16+ मोनोसाइट्स, NK CD56bright) और 6 ब्रॉड श्रेणियों (जैसे, B सेल्स, मोनोसाइट्स) पर केंद्रित था।
क्वालिटी कंट्रोल: 17 डोनर्स को, जिनके सेल अनुपात आउटलायर थे (फिटेड बीटा वितरण के 99.9999वें पर्सेंटाइल से अधिक), उन्हें हटा दिया गया।

3. मुख्य योगदान (Key Contributions)

पद्धतिगत नवाचार: scRNA-seq से प्राप्त सेल प्रोप्रशंस के लिए विशेष रूप से तैयार किया गया एक डेप्थ-वेटेड क्वासी-बाइनोमियल GWAS मॉडल का विकास। यह दृष्टिकोण ओवरडिस्पर्शन और डेटा की सीमित प्रकृति को संबोधित करता है, जो मानक रैखिक मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है।
एकीकृत ढांचा: एक ऐसा पाइपलाइन जो बल्क टिश्यू डिकनवोल्यूशन पर निर्भर हुए बिना जीनोटाइप $\to$ सेल-टाइप प्रोप्रशन $\to$ रोग जोखिम को जोड़ता है, जिससे रोग की स्थिति से होने वाला कन्फाउंडिंग कम हो जाता है।
नवीन लोकी (Loci) की खोज: उन विशिष्ट प्रतिरक्षा सेल सबटाइप्स को नियंत्रित करने वाले आनुवंशिक लोकी की पहचान, जो पारंपरिक रैखिक मॉडलों द्वारा छूट गए थे।

4. मुख्य परिणाम (Key Results)

A. सेल-टाइप प्रोप्रशंस का GWAS

खोज: क्वासी-बाइनोमियल मॉडल ने 8 फाइन-लेबल वाले सेल सबटाइप्स (B इंटरमीडिएट, CD14+/CD16+ मोनोसाइट्स, CD4CTL, CD4TEM, NK CD56bright, प्लास्माब्लास्ट और MAIT सहित) से जुड़े 47 जीनोम-वाइड सिग्निफिकेंट लोकी ( $p < 5 \times 10^{-8}$ ) की पहचान की।
तुलना: मानक रैखिक मॉडल ने केवल 35 सिग्निफिकेंट सिग्नल (8 स्वतंत्र लीड SNPs) की पहचान की। क्वासी-बाइनोमियल मॉडल ने 12 अतिरिक्त स्वतंत्र लीड SNPs का पता लगाया, जो बेहतर शक्ति (power) प्रदर्शित करता है।
ग्रैनुलैरिटी (Granularity): महत्वपूर्ण जुड़ाव केवल फाइन-लेबल वाले सबटाइप्स में पाए गए; मोटे सेल श्रेणियों में कोई महत्वपूर्ण सिग्नल नहीं मिला, जो कोशिकीय रिज़ॉल्यूशन के महत्व को उजागर करता है।
वैलिडेशन: QQ प्लॉट्स ने पुष्टि की कि टाइप I एरर का इन्फ्लेशन नहीं हुआ है। कुछ गुणों के लिए मॉडलों के बीच उच्च सहमति ( $r=0.998$ ) देखी गई, लेकिन क्वासी-बाइनोमियल मॉडल ने अन्य के लिए (जैसे, CD16+ मोनोसाइट्स के लिए rs4962627) काफी अधिक महत्व दिखाया।

B. लीड SNPs की जैविक व्याख्या

rs56226558 (NK CD56bright): BCL2L11 (अपोप्टोसिस रेगुलेटर) के पास स्थित, जो सेल सर्वाइवल मैकेनिज्म को NK सेल होमियोस्टेसिस से जोड़ता है।
rs4962627 (CD16+ Monocytes): LHPP (हिस्टिडाइन फॉस्फेटेज) के पास स्थित। यह वेरिएंट केवल क्वासी-बाइनोमियल मॉडल में जीनोम-वाइड महत्व तक पहुँचा। यह EEF1AKMT2 के लिए एक eQTL है और फॉस्फेट मेटाबॉलिज्म एवं माइक्रोबायोम इंटरैक्शन से जुड़ा है, जो एक मेटाबॉलिक-इम्यून रेगुलेटरी एक्सिस का सुझाव देता है।

C. ऑटोइम्यून रोगों के साथ जुड़ाव (cWAS)

PRS-इम्यूटेड GRPs का उपयोग करते हुए, अध्ययन ने 8 ऑटोइम्यून रोगों का परीक्षण किया। पाँच महत्वपूर्ण जुड़ाव पाए गए (FDR < 0.1):

क्रोहन्स डिजीज (Crohn's Disease): CD16+ मोनोसाइट्स और NK CD56bright कोशिकाओं के जेनेटिकली रेगुलेटेड स्तरों के साथ नकारात्मक जुड़ाव (negative associations) दिखाया।
- व्याख्या: सर्कुलेशन में इन कोशिकाओं के आनुवंशिक रूप से अनुमानित निम्न स्तर क्रोहन्स रोग के उच्च जोखिम से जुड़े हैं। यह सुझाव देता है कि ये कोशिकाएं सूजन वाले गट (gut) ऊतक में भर्ती हो सकती हैं (रक्त के स्तर को कम करना) या उनकी इम्यूनोरेगुलेटरी क्षमता की कमी रोग के पैथोजेनेसिस में योगदान देती है।
अन्य रोग: टाइप 1 डायबिटीज (2 सिग्नल) और अल्सरेटिव कोलाइटिस (1 सिग्नल) के लिए भी जुड़ाव की पहचान की गई थी, हालांकि विशिष्ट सेल प्रकारों का विवरण यहाँ प्रमुखता से नहीं दिया गया है।

5. महत्व (Significance)

मैकेनिस्टिक अंतर्दृष्टि: अध्ययन आनुवंशिक वेरिएंट्स, विशिष्ट प्रतिरक्षा कोशिका संरचना और ऑटोइम्यून रोग संवेदनशीलता के बीच सीधा संबंध प्रदान करता है, जो साधारण लोकस-डिजीज कैटलॉग से आगे बढ़कर रोग-प्रासंगिक सेल प्रकारों को नामित करता है।
पद्धतिगत श्रेष्ठता: क्वासी-बाइनोमियल दृष्टिकोण सीमित और ओवरडिस्पर्सड scRNA-seq गुणों के विश्लेषण के लिए एक नया मानक स्थापित करता है, जो उन आनुवंशिक संकेतों को पुनः प्राप्त करता है जिन्हें रैखिक मॉडल छोड़ देते हैं।
नैदानिक प्रासंगिकता: यह पहचानकर कि जेनेटिक रूप से निर्धारित कम सर्कुलेटिंग CD16+ मोनोसाइट्स और NK CD56bright कोशिकाएं, क्रोहन्स जोखिम के साथ सह-संबंधित हैं, यह अध्ययन मोनोसाइट ट्रैफ़िकिंग या NK सेल इम्यूनोरेगुलेशन से संबंधित संभावित चिकित्सीय लक्ष्यों को रेखांकित करता है।
स्केलेबिलिटी: यह ढांचा अन्य ऊतकों और कोशिकीय संरचनाओं के लिए लागू करने हेतु डिज़ाइन किया गया है जैसे-जैसे scRNA-seq डेटासेट का विस्तार होता है, जो जटिल लक्षणों के विच्छेदन के लिए एक सामान्य उपकरण प्रदान करता है।

6. सीमाएँ (Limitations)

जनसंख्या: यूरोपीय वंश तक सीमित, जो सामान्यीकरण (generalizability) को सीमित करता है।
तकनीकी शोर: सेल प्रोप्रशंस के अनुमान अभी भी तकनीकी पूर्वाग्रहों (सेल कैप्चर, एनोटेशन अनिश्चितता) से प्रभावित हो सकते हैं।
कारणता (Causality): जबकि यह ढांचा GRPs को रोग से जोड़ता है, यह निर्णायक रूप से कारणता (जैसे, मेंडेलियन रैंडमाइजेशन के माध्यम से) को सिद्ध नहीं करता है या यह पुष्टि नहीं करता कि वही कारणकारी वेरिएंट दोनों (संरचना और रोग सिग्नल) को संचालित करते हैं, जब तक कि आगे का कोलोकलाइजेशन विश्लेषण न किया जाए।