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

O artigo apresenta o PolyGenie, um pipeline Nextflow de código aberto e reprodutível que realiza estudos de associação fenoma-wide (PheWAS) utilizando escores de risco poligênico (PRS) em diversas coortes, gerando resultados estatísticos armazenados em banco de dados e visualizações interativas através de uma aplicação web.

O essencial

Imagine que o nosso DNA é como um livro de receitas gigante que cada pessoa carrega consigo. Algumas receitas (genes) são para coisas boas, como ter olhos azuis, e outras podem ser "receitas" que aumentam o risco de desenvolver certas doenças no futuro.

O problema é que esse livro tem milhões de páginas e é muito difícil ler uma única receita para prever o que vai acontecer. É aí que entra a PolyGenie.

Aqui está uma explicação simples do que os cientistas criaram, usando analogias do dia a dia:

1. O Problema: A Cozinha Caótica

Antes, se um cientista quisesse estudar como a "receita genética" de uma pessoa se relacionava com várias doenças (como diabetes, depressão ou obesidade), ele tinha que:

• Cozinhar cada prato separadamente (fazer cálculos complexos).
• Usar panelas diferentes para cada tipo de ingrediente.
• Escrever os resultados em cadernos de papel que ninguém mais conseguia ler.

Era um trabalho lento, difícil de repetir e muito confuso. Não existia uma "ferramenta mágica" que pudesse fazer tudo isso de uma vez só para qualquer grupo de pessoas.

2. A Solução: A PolyGenie (O Robô Chef)

Os autores criaram a PolyGenie, que é como um robô chef superinteligente e automático para a cozinha da genética.

• O que ela faz: Ela pega os ingredientes já preparados (os "escores de risco genético", que são como uma nota final que diz o quão propensa uma pessoa é a ter uma doença) e os dados das pessoas (seus hábitos, doenças, exames de sangue).
• A Mágica: Em vez de o cientista ter que fazer as contas manualmente, o robô PolyGenie:
  1. Verifica se os ingredientes estão bons.
  2. Mistura tudo e faz milhões de comparações de uma vez (ex: "Se a pessoa tem alta nota para risco de obesidade, ela também tem risco de depressão?").
  3. Guarda todos os resultados em uma gaveta organizada (um banco de dados).

3. O Painel de Controle (O Menu Interativo)

O melhor de tudo é que a PolyGenie não deixa os resultados trancados em uma gaveta. Ela cria um painel de controle na internet (como um site interativo).

• Visualização: Imagine um mapa de estrelas. Cada estrela é uma doença. Se você clicar em uma "estrela de risco genético", o mapa brilha e mostra quais doenças estão conectadas a ela.
• Gráficos: Você pode ver gráficos que mostram: "Quanto maior o risco genético, maior a chance de ter a doença". É como ver uma linha subindo: quanto mais você sobe na escada do risco genético, mais provável é o problema.
• Diferença entre Homens e Mulheres: O robô também separa os resultados. Ele pode mostrar, por exemplo, que a mesma "receita genética" afeta homens e mulheres de formas diferentes, ajudando a entender por que algumas doenças são mais comuns em um sexo do que no outro.

4. Por que isso é importante?

Antes, cada cientista tinha que construir sua própria cozinha do zero. Com a PolyGenie:

• É Reprodutível: Qualquer um pode usar a mesma "receita" do robô em qualquer grupo de pessoas (seja em Barcelona, no Brasil ou em Nova York) sem precisar ser um programador expert.
• É Rápido: O que levava meses para ser feito manualmente, o robô faz em horas.
• É Acessível: Transforma dados genéticos complexos em imagens e gráficos que qualquer pessoa pode entender, ajudando a descobrir novas conexões entre doenças.

Resumo da Ópera

A PolyGenie é como um tradutor universal e um organizador de festas para a genética. Ela pega a bagunça de dados genéticos e de saúde, organiza tudo em uma festa onde as conexões entre as coisas ficam claras, e convida qualquer cientista (ou até o público interessado) a entrar, olhar os gráficos e descobrir novas histórias sobre como nossos genes moldam nossa saúde.

Ela não cria os genes, nem cura as doenças, mas dá a ferramenta perfeita para que possamos entender melhor o mapa do nosso próprio corpo.

Resumo técnico

Título: PolyGenie: um pipeline Nextflow reprodutível para estudos de associação de fenótipo amplo (PheWAS) utilizando escores de risco poligênico

1. O Problema

Os estudos de associação de fenótipo amplo (PheWAS) que utilizam escores de risco poligênico (PRS) são ferramentas poderosas para explorar a arquitetura genética compartilhada entre traços complexos e doenças. No entanto, a execução sistemática e a visualização desses estudos em coortes populacionais arbitrárias enfrentam barreiras significativas:

• Falta de Padronização: Não existe um pipeline portátil e padronizado que facilite a execução de PheWAS em diferentes coortes.
• Dependência de Expertise: Ferramentas existentes (como pacotes R PheWAS ou pyPheWAS) exigem conhecimento avançado de linha de comando e programação, além de carecerem de pipelines integrados ou visualizações interativas.
• Ferramentas Estáticas: Plataformas como o PRS Atlas ou o PheWAS Catalog são recursos estáticos ligados a coortes específicas, impossibilitando a reimplantação em novos conjuntos de dados ou com novos escores PRS.
• Fragmentação: Ferramentas de visualização (ex: PheWAS-ME) geralmente atuam como camadas pós-hoc, exigindo que as análises estatísticas sejam realizadas separadamente em outras ferramentas.

2. Metodologia

O PolyGenie foi desenvolvido como uma solução de ponta a ponta para preencher essa lacuna.

• Arquitetura e Tecnologia:

  • Implementado em Nextflow (DSL2), garantindo portabilidade entre ambientes de computação (laptops, clusters HPC e nuvem) e escalabilidade paralela.
  • Utiliza Python (com statsmodels e joblib) para a execução dos modelos de regressão.
  • Os resultados são armazenados em um banco de dados SQLite.
  • A interface de visualização é uma aplicação web interativa construída com Plotly Dash.

• Fluxo de Trabalho (Pipeline):

  1. Configuração Baseada em Metadados: O pipeline utiliza um arquivo YAML de configuração e arquivos CSV de metadados (para PRS e fenótipos). Isso permite adaptar o pipeline a novas coortes apenas editando os arquivos de configuração, sem alterar o código-fonte.
  2. Entradas: Aceita como entrada PRS pré-calculados (de qualquer método, como MegaPRS, PRSice-2, PRScs) e dados de fenótipos da coorte (doenças, metabolitos, variáveis de estilo de vida).
  3. Pré-processamento: Valida a integridade dos arquivos de PRS e fenótipos, filtrando traços binários com número insuficiente de casos.
  4. Análise Estatística:
     • Calcula percentis de prevalência ou média de fenótipos através de faixas de percentis do PRS.
     • Executa regressões lineares ou logísticas para cada par PRS-fenótipo, ajustando para covariáveis (idade, sexo, componentes principais, etc.).
     • Suporta múltiplas configurações de regressão simultâneas (ex: comparar o quartil superior vs. inferior).
  5. Visualização: Gera três visualizações principais:
     • Gráfico de dispersão estilo PheWAS (log10(p-valor) assinado vs. domínio fenotípico).
     • Gráfico de prevalência por percentil do PRS (estratificado por sexo).
     • Tabela de "top hits" exportável.

• Estudo de Caso (GCAT):

  • O pipeline foi aplicado à coorte GCAT (Catalunha, Espanha), utilizando dados de ~5.000 indivíduos.
  • Foram testados 135 PRS (calculados externamente via GenoPred/MegaPRS) contra 1.483 fenótipos (doenças ICD-10/Phecodes, metabolômica, questionários).
  • Total de associações testadas: >200.000.

3. Contribuições Chave

• Pipeline Open-Source e Portátil: Disponibilizado gratuitamente no GitHub, permitindo que qualquer coorte com dados de PRS e fenótipos execute análises padronizadas.
• Separação de PRS e Análise: O pipeline é agnóstico à metodologia de geração do PRS, aceitando escores pré-calculados de qualquer fonte, o que o torna futuro-proof frente a novas técnicas de PRS.
• Integração Análise-Visualização: Unifica a execução estatística e a visualização interativa em um único fluxo de trabalho, eliminando a necessidade de múltiplas ferramentas desconexas.
• Reprodutibilidade: Fornece um exemplo completo e documentado baseado na coorte GCAT, servindo como recurso de referência para reprodutibilidade.
• Interface Interativa: Permite a exploração de hipóteses sem necessidade de codificação por parte do usuário final, com suporte a exportação de dados e visualização de estratificação por sexo.

4. Resultados

• Validação Técnica: O pipeline demonstrou capacidade de processar centenas de milhares de associações de forma escalável e reprodutível.
• Exemplo de Aplicação (Fragilidade): Ao aplicar o PolyGenie ao PRS de fragilidade, os autores identificaram:
  • Uma relação dose-resposta clara entre maior risco poligênico de fragilidade e maior prevalência de sobrepeso/obesidade e transtorno depressivo maior.
  • Diferenças sexuais significativas: A prevalência de depressão foi substancialmente maior em mulheres em todos os percentis de PRS, alinhando-se com a literatura epidemiológica, enquanto a obesidade mostrou tendências comparáveis entre sexos.
• Descobertas Biológicas: Os resultados confirmaram correlações genéticas conhecidas entre fragilidade, adiposidade e traços neuropsiquiátricos, validando a utilidade da ferramenta para gerar hipóteses sobre pleiotropia.

5. Significância

O PolyGenie representa um avanço significativo na genética de populações ao democratizar o acesso a análises PheWAS complexas.

• Para Pesquisadores: Elimina a barreira técnica de programação, permitindo que biólogos e clínicos realizem análises genômicas sistemáticas focadas na geração de hipóteses.
• Para Medicina de Precisão: Facilita a tradução de descobertas genéticas em conhecimento acionável, mapeando como o risco genético influencia múltiplos domínios de saúde (doenças, metabólitos, estilo de vida).
• Sustentabilidade e FAIR: Projetado sob princípios de dados FAIR (Findable, Accessible, Interoperable, Reusable) e alinhado com padrões de interoperabilidade ELIXIR, garantindo sua longevidade como recurso para a comunidade científica europeia e global.
• Limitações e Futuro: Atualmente baseado em regressão frequentista (sem MR ou colocalização) e focado em coortes únicas. O desenvolvimento futuro visa expandir para análises federadas e métodos causais.

Em suma, o PolyGenie oferece um framework padronizado, reprodutível e amigável para explorar a arquitetura genética compartilhada de traços complexos, preenchendo uma lacuna crítica entre a geração de escores de risco e a sua aplicação prática em estudos de fenótipos amplos.