Avanzando la ricerca sulla ereditarietà con TetraHer
Il nuovo metodo TetraHer migliora le stime di ereditabilità per tratti genetici e malattie.
― 5 leggere min
Indice
L’ereditarietà è un concetto importante in genetica. Si riferisce a quanto delle differenze che vediamo nei tratti tra le persone può essere spiegato dai loro geni. Questo è utile quando i ricercatori vogliono capire quanto sia probabile che una condizione o un tratto si trasmetta nelle famiglie. Studiando l’ereditarietà, gli scienziati possono pianificare meglio gli studi e migliorare l’accuratezza delle previsioni sui tratti genetici.
Guardando ai Diversi Tratti
Quando si studiano i tratti, ci sono due tipi principali: tratti quantitativi e tratti binari. I tratti quantitativi sono cose che possiamo misurare, come l’altezza o il peso. I tratti binari sono condizioni semplici sì/no, come se qualcuno abbia o meno una certa malattia. Per i tratti quantitativi, l’ereditarietà misura quanto delle differenze in quei tratti può essere attribuito a Fattori genetici. Per i tratti binari, si usa una misura simile, ma si concentra sulla "responsabilità" per una malattia, cioè quanto rischio ha una persona di svilupparla.
Stimare l’Ereditarietà
I ricercatori spesso usano metodi speciali per stimare l’ereditarietà. Molti di questi metodi sono stati inizialmente creati per tratti quantitativi, ma alcuni possono essere applicati anche a tratti binari. Per i tratti binari, i ricercatori seguono di solito un processo in due fasi. Prima stimano l’ereditarietà per i casi osservati e poi aggiustano per la responsabilità.
Concentrandosi sulle Malattie
Quando si studiano le malattie, i ricercatori preferiscono usare la misura di responsabilità dell’ereditarietà. Questo perché non cambia in base a quanto sia comune una malattia. Permette confronti migliori tra diversi studi e condizioni.
Metodi per Stimare l’Ereditarietà di Responsabilità
I ricercatori usano spesso simulazioni per testare metodi per stimare l’ereditarietà di responsabilità. Alcuni metodi comuni includono la correlazione di Pearson e REML. Tuttavia, questi metodi a volte possono dare numeri troppo alti, specialmente per malattie rare ma con una forte influenza genetica. Questo è noto come bias, e può portare i ricercatori a sovrastimare quanto della malattia sia genetico.
Un altro metodo, chiamato PCGC, stima direttamente l’ereditarietà di responsabilità ma può ancora mostrare bias simili ai metodi in due fasi. La correlazione tetraorica è un altro metodo che può produrre stime accurate senza tali bias.
Introducendo TetraHer
In risposta ai limiti dei metodi esistenti, i ricercatori hanno sviluppato un nuovo metodo chiamato TetraHer. Questo metodo ha cinque vantaggi chiave:
- Funziona con strutture familiari complesse, inclusi diversi tipi di relazioni.
- Può aggiustare per come le persone sono selezionate per gli studi, portando a stime più accurate.
- Può includere altri fattori, o covariate, che potrebbero influenzare i risultati.
- Può tenere conto delle influenze ambientali comuni sui tratti.
- Fornisce una misura che può essere usata per testare se l’ereditarietà stimata è significativa.
Usando TetraHer con Dati Reali
I ricercatori hanno usato TetraHer per analizzare dati da un grande studio sulla salute noto come UK Biobank. Si sono concentrati su 229 condizioni mediche e hanno scoperto che 118 di queste condizioni avevano un componente genetico significativo. Questo dimostra che molte malattie sono influenzate da fattori genetici.
Comprendere i Dati
Per analizzare i dati in modo efficace, i ricercatori guardano a un gruppo di persone, notando chi ha una condizione e chi no. Considerano anche fattori di background come età e sesso che potrebbero influenzare i risultati. I ricercatori creano anche modelli per capire come questi fattori di background e le relazioni genetiche influenzano il rischio di malattia.
Guardando le Relazioni Genetiche
Per capire come le persone siano collegate e come questo impatti i loro tratti, i ricercatori esaminano la somiglianza genetica. Questo viene spesso misurato usando dati genetici per vedere quanto del genoma è condiviso tra gli individui. Tradizionalmente, i ricercatori si affidavano agli alberi genealogici per determinare queste relazioni, ma ora possono usare anche evidenze genetiche più dirette.
Stimare la Variazione
Quando stimano l’ereditarietà, i ricercatori considerano le variazioni causate da diversi fattori come genetica, ambiente comune e altre influenze. Calcolano quanto della variazione complessiva in un tratto può essere attribuito a questi diversi fattori.
Confrontare Diversi Metodi
I ricercatori hanno confrontato TetraHer con metodi esistenti per mostrare i suoi vantaggi. Hanno condotto simulazioni per vedere quanto bene ogni metodo performa nella stima dell’ereditarietà. Hanno scoperto che TetraHer forniva costantemente stime più accurate. Al contrario, i metodi più vecchi spesso portavano a stime gonfiate, specialmente per malattie rare.
L’Importanza di Stime Accurate
Stime accurate dell’ereditarietà aiutano i ricercatori a capire meglio le influenze genetiche su malattie e tratti. Queste informazioni possono guidare la ricerca futura e migliorare la nostra comprensione delle condizioni di salute.
Applicazioni delle Stime di Ereditarietà
Identificare malattie con un componente genetico significativo apre porte per ricerche future. Con le informazioni ottenute dagli studi sull’ereditarietà, i ricercatori possono indagare su come diversi fattori genetici interagiscono, trovare nuovi modi per trattare o prevenire malattie e possibilmente identificare individui a rischio attraverso lo screening genetico.
Indagando Altri Tratti
Oltre alle malattie, le stime di ereditarietà possono essere utili nello studio di una vasta gamma di tratti. Ad esempio, i ricercatori hanno esaminato caratteristiche come altezza, colore degli occhi e persino tratti della personalità. Comprendere come diversi geni contribuiscono a questi tratti può fornire intuizioni su come si sviluppano e il potenziale per l'influenza genetica.
Direzioni Future
I progressi in metodi come TetraHer stanno aprendo la strada a studi migliori in genetica. Man mano che più dati diventano disponibili e le tecniche di analisi migliorano, i ricercatori possono aspettarsi di scoprire ancora di più su come i nostri geni plasmano chi siamo. La ricerca in corso porterà probabilmente a una comprensione ancora più profonda dell'interazione complessa tra genetica e malattia, aprendo nuove opportunità per il trattamento e la prevenzione.
Pensieri Finali
Gli studi sull’ereditarietà sono essenziali per capire il ruolo della genetica nella salute e nelle malattie. Con lo sviluppo di nuovi metodi come TetraHer, i ricercatori possono stimare meglio quanto i geni contribuiscono a diverse condizioni. Questo è fondamentale per la futura ricerca sulla salute, strategie di prevenzione e opzioni di trattamento, offrendo benefici per gli individui e la società nel suo complesso.
Titolo: Estimating disease heritability from complex pedigrees allowing for ascertainment and covariates
Estratto: We propose TetraHer, a method for estimating the liability heritability of binary phenotypes. TetraHer has five key features. Firstly, it can be applied to data from complex pedigrees, that contain multiple types of relationships. Secondly, it can correct for ascertainment of cases or controls. Thirdly, it can accommodate covariates. Fourthly, it can model the contribution of common environment. Fifthly, it produces a likelihood, that can be used for significance testing. We first demonstrate the validity of TetraHer on simulated data. We then use TetraHer to estimate liability heritability for 229 codes from the tenth International Classification of Diseases (ICD-10). We identify 118 codes with significant heritability (P
Autori: Doug Speed, D. M. Evans
Ultimo aggiornamento: 2023-07-13 00:00:00
Lingua: English
URL di origine: https://www.medrxiv.org/content/10.1101/2023.07.13.23292588
Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.07.13.23292588.full.pdf
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia medrxiv per l'utilizzo della sua interoperabilità ad accesso aperto.