PolyGenie: a reproducible Nextflow pipeline for phenome-wide association studies using polygenic risk scores

PolyGenie is een open-source Nextflow-pijplijn die herhaalbare en schaalbare fenoom-brede associatiestudies (PheWAS) met polygenische risicoscores mogelijk maakt door regressie- en prevalentiegegevens te genereren en te visualiseren via een interactieve webapplicatie.

De kern

PolyGenie: De "Google Translate" voor je Genen en Gezondheid

Stel je voor dat je DNA een enorme, ingewikkelde bibliotheek is vol met duizenden kleine instructieboekjes. Soms zeggen deze boekjes: "Je hebt een grotere kans om ziek te worden," maar ze zeggen het niet in één duidelijke zin. Ze zijn verspreid over duizenden pagina's.

Vroeger moesten wetenschappers deze pagina's één voor één doorzoeken, wat veel tijd kostte en vaak leidde tot fouten. PolyGenie is de nieuwe tool die dit probleem oplost. Het is als een slimme, automatische vertaler die al die losse gen-instructies samenvoegt tot één duidelijk verhaal over jouw gezondheidsrisico's.

Hier is hoe het werkt, in simpele taal:

1. Het Probleem: De "Losse Puzzelstukjes"

Wetenschappers weten nu dat veel ziekten (zoals diabetes, depressie of hartproblemen) niet door één enkel gen worden veroorzaakt, maar door duizenden kleine genen die samenwerken. Dit noemen ze een Polygenetisch Risicocijfer (PRS).

• Vroeger: Als je een nieuwe groep mensen wilde onderzoeken, moest je een computerprogrammeur inhuren om een heel nieuw, complex programma te schrijven. Dat was duur, duurde lang en was moeilijk te herhalen.
• Nu: Met PolyGenie heb je geen programmeur nodig. Het is als een kant-en-klaar recept.

2. De Oplossing: Een "Meebreng-keuken"

PolyGenie is een reproductiebaar recept (een software-pipeline) dat werkt in een systeem genaamd Nextflow.

• De Ingrediënten: Je hoeft niet zelf te koken (de genen niet zelf te berekenen). Je brengt alleen de "voorgemaakte maaltijd" mee: de al berekende risicocijfers van de mensen in je onderzoek.
• De Keuken: PolyGenie neemt die cijfers, voegt ze samen met de gezondheidsgegevens van de mensen (zoals: "Heeft deze persoon diabetes?" of "Wat is zijn bloeddruk?"), en begint te "koken".
• Het Resultaat: Het maakt automatisch duizenden vergelijkingen. Bijvoorbeeld: "Hebben mensen met een hoog risico op diabetes ook vaker last van hoge bloeddruk?"

3. De Visualisatie: Een Interactieve Kaart

Na het "koken" slaat PolyGenie alle resultaten op in een digitale database. Maar het echte toverwerk gebeurt op het scherm.

• Stel je voor dat je een interactieve landkaart bekijkt. In plaats van saaie lijsten met cijfers, zie je een kleurrijke grafiek.
• Je klikt op één knop (bijvoorbeeld "Risico op Frailty/Verzwakking") en de kaart toont direct welke andere ziekten hiermee samenhangen.
• Je kunt zelfs zien of dit anders werkt voor mannen en vrouwen (zoals in het voorbeeld van de paper: vrouwen met een hoog risico op verzwakking hadden vaker last van depressie dan mannen).

4. Een Echte Test: De "GCAT" Groep

Om te bewijzen dat het werkt, hebben de makers PolyGenie getest op de GCAT-cohort (een grote groep mensen uit Catalonië, Spanje).

• Ze namen de gezondheidsdata van bijna 5.000 mensen.
• Ze toetsten 135 verschillende risicocijfers (voor ziektes, stofwisseling, levensstijl) tegen duizenden gezondheidsvragen.
• Het resultaat: Het systeem vond snel en makkelijk verbindingen die eerder onopgemerkt waren gebleven, zoals de link tussen genetisch risico op verzwakking en obesitas of depressie.

Waarom is dit zo belangrijk?

Vroeger was het vinden van deze verbanden als het zoeken naar een naald in een hooiberg met een vergrootglas. Met PolyGenie is het alsof je een metaalzoeker hebt die piept zodra hij iets vindt.

• Voor onderzoekers: Het bespaart jaren aan programmeerwerk. Je kunt je focussen op de vragen, niet op de techniek.
• Voor de maatschappij: Het helpt ons sneller te begrijpen waarom bepaalde ziektes samen voorkomen. Dit kan leiden tot betere behandelingen en preventie in de toekomst.

Kortom: PolyGenie is de brug tussen de complexe wereld van genetica en de praktische wereld van de gezondheidszorg. Het maakt het mogelijk om voor elke nieuwe groep mensen snel te zien wat hun genetische toekomstpotentieel is, zonder dat je een doctoraat in informatica nodig hebt.

Technische samenvatting

Probleemstelling

Hoewel genomische associatiestudies (GWAS) duizenden genetische loci hebben geïdentificeerd die bijdragen aan complexe ziekten, is het moeilijk om individuele varianten te gebruiken voor nauwkeurige risicovoorhersage vanwege de polygenische aard van deze traits. Polygenische risicoscores (PRS) bieden een oplossing door de effecten van vele varianten te aggregeren.

Echter, er ontbreekt een gestandaardiseerde, portable pijplijn (pipeline) om Phenome-wide Association Studies (PheWAS) systematisch uit te voeren en te visualiseren in willekeurige populatiecohorten. Bestaande tools hebben beperkingen:

• Statische bronnen (zoals PRS Atlas of PheWAS Catalog) zijn gebonden aan specifieke cohorten en kunnen niet worden hergebruikt voor nieuwe datasets.
• Analyse-tools (zoals R PheWAS of pyPheWAS) vereisen commando-lijn expertise, ontberen geïntegreerde visualisatie en zijn lastig te schalen naar honderden PRS-phenotype-combinaties.
• Visualisatieplatforms zijn vaak slechts post-hoc lagen die voorafgaande statistische analyses vereisen.

Er is dus behoefte aan een reproduceerbare, end-to-end oplossing die de generatie van PRS scheidt van de downstream analyse en visualisatie, en die eenvoudig aanpasbaar is aan nieuwe cohorten.

Methodologie: PolyGenie Pijplijn

PolyGenie is een open-source, Nextflow (DSL2)-gebaseerde pijplijn die is ontworpen voor schaalbaarheid en reproduceerbaarheid. De architectuur is als volgt opgebouwd:

1. Configuratie en Invoer:

   • De pijplijn gebruikt een hiërarchische configuratie (YAML-bestand) en metadata (CSV-bestanden) voor PRS en phenotypes.
   • Invoer: Vooraf berekende PRS-bestanden (per trait), phenotype-data (georganiseerd per categorie, bijv. ICD-10 codes, metabolieten) en covariaten.
   • Flexibiliteit: De pijplijn accepteert PRS gegenereerd door elke methode (bijv. MegaPRS, PRSice-2, PRScs), waardoor de generatie van scores gescheiden blijft van de analyse.

2. Workflow:

   • Preprocessing: Validatie van bestanden en filtering van phenotypes (bijv. verwijderen van binaire traits met te weinig gevallen).
   • Analyse:
     • Berekening van percentiel-bij-precendieel prevalentie (standaard 100 percentielen).
     • Uitvoering van regressieanalyses (lineair of logistisch) voor elke PRS-phenotype-pair. Dit wordt parallel uitgevoerd via Nextflow op HPC-clusters of in de cloud.
     • Modellen worden uitgevoerd in Python met statsmodels en joblib voor parallelisatie. Covariaten (leeftijd, geslacht, PCA-componenten) zijn aanpasbaar.
   • Database: Resultaten worden geladen in een SQLite-database.

3. Visualisatie en Interface:

   • Een interactieve Dash-webapplicatie (Plotly) queryt de database.
   • Functies:
     • PheWAS-spreidingsdiagram: Signatuur van log₁₀(p-waarde) over fenotypische domeinen.
     • Prevalentie-plots: Prevalentie van een aandoening over PRS-percentielen, gesplitst per geslacht.
     • Exporteerbare tabellen en zoekbare metadata.

Kernbijdragen

• Reproduceerbaarheid en Portabiliteit: Dankzij Nextflow kan de pijplijn draaien op laptops, HPC-clusters en in de cloud zonder code-aanpassingen.
• Modulair Ontwerp: Door de scheiding tussen PRS-generatie en analyse, blijft de tool toekomstbestendig voor nieuwe PRS-methodologieën.
• Geïntegreerde Workflow: Het combineert statistische analyse, database-opslag en interactieve visualisatie in één systeem, wat de operationele last voor onderzoekers vermindert.
• Open Source: De code is beschikbaar onder de MIT-licentie, inclusief documentatie en een werkend voorbeeld.

Resultaten: Implementatie in de GCAT-cohort

Om de bruikbaarheid te demonstreren, werd PolyGenie toegepast op de GCAT-cohort (een populatiebaserend cohort in Catalonië, Spanje, ~5.000 deelnemers).

• Data: 135 PRS (voor verschillende traits) werden gekoppeld aan 1.483 phenotypes (ziekten, metabolieten, levensstijl).
• Schaal: Er werden meer dan 200.000 PRS-phenotype-associaties getest.
• Voorbeeldanalyse: De auteurs toonden aan hoe de tool geslachtsverschillen in genetisch risico kan onthullen.
  • Bij frailty (kwetsbaarheid) werd een dosis-responsrelatie gevonden met overgewicht/obesiteit en depressie.
  • De visualisatie toonde duidelijk aan dat de prevalentie van depressie bij vrouwen over alle percentielen heen hoger was dan bij mannen, wat overeenkomt met epidemiologische literatuur.
• Output: De tool genereerde snel hypothesen over pleiotropie (één gen dat meerdere effecten heeft) zonder dat er aangepaste analysecode nodig was.

Betekenis en Toekomstperspectief

PolyGenie vult een cruciale lacune in het landschap van PheWAS-tools. Het biedt een gestandaardiseerd kader dat onderzoekers in staat stelt om systematisch de gedeelde genetische architectuur van complexe traits te verkennen, zelfs zonder uitgebreide programmeerkennis.

• Translatie: Het ondersteunt precisiegeneeskunde door complexe genetische informatie toegankelijk te maken via gebruiksvriendelijke visualisaties.
• Duurzaamheid: Ontwikkeld volgens FAIR-principes (Findable, Accessible, Interoperable, Reusable) en ELIXIR-standaarden.
• Beperkingen: De huidige versie gebruikt frequentistische regressie en integreert nog geen Mendeliaanse randomisatie of colocalisatiemethoden. Ook is federatie over meerdere cohorten nog niet ingebouwd.

Kortom, PolyGenie is een krachtig, schaalbaar en reproduceerbaar instrument dat de barrière verlaagt voor het uitvoeren van grootschalige PheWAS-analyses in diverse populatiecohorten.