БИОИНФОРМАТИЧЕСКИЕ ИНСТРУМЕНТЫ И ИНТЕРНЕТ-РЕСУРСЫ ДЛЯ ОЦЕНКИ РЕГУЛЯТОРНОГО ПОТЕНЦИАЛА ПОЛИМОРФНЫХ ЛОКУСОВ, УСТАНОВЛЕННЫХ ПОЛНОГЕНОМНЫМИ АССОЦИАТИВНЫМИ ИССЛЕДОВАНИЯМИ МУЛЬТИФАКТОРИАЛЬНЫХ ЗАБОЛЕВАНИЙ (ОБЗОР)

Полоников Алексей Валерьевич; Клёсова Елена Юрьевна; Азарова Юлия Эдуардовна

(°0

DOI: 10.18413/2658-6533-2020-7-1-0-2 УДК 616-056.7:575

Биоинформатические инструменты и интернет-ресурсы для оценки регулятор-

ного потенциала полиморфных локусов, установленных полногеномными ассоциативными исследованиями мультифактори-альных заболеваний (обзор)

А.В. Полоников , Е.Ю. Клёсова , Ю.Э. Азарова

Федеральное государственное бюджетное образовательное учреждение высшего образования «Курский государственный медицинский университет», ул. Карла Маркса, д. 3, г. Курск, 305041, Российская Федерация Автор для переписки: Е.Ю. Клёсова (ecless@yandex.ru)

Резюме

Актуальность: Полногеномные ассоциативные исследования (genome-wide association studies, GWAS) представляют собой разновидность генетических исследований, целью которых является анализ ассоциаций между геномными вариантами и фенотипическими признаками в популяции. За последние 12 лет было установлено более 60 тысяч ассоциаций между тремя миллионами одно-нуклеотидных полиморфных вариантов (SNPs) и 829 заболеваниями. Тем не менее, несмотря на достигнутые успехи, большую проблему представляет вопрос патогенетической интерпретации полученных данных, поскольку абсолютное большинство локусов находятся в межгенных областях и некодирую-щих последовательностях генома. Цель исследования: Изучить возможности существующих биоинформатических инструментов, позволяющих оценить возможные фенотипические эффекты SNPs на определенные молекулярные функции и биологические процессы, а также имеющие патогенетическое значение для развития мультифакториальных заболеваний. Материалы и методы: Проведен анализ российской и зарубежной научной литературы по биоин-форматическим методам анализа и интернет-ресурсам, необходимым для оценки регуляторного потенциала полиморфных локусов, установленных в полногеномных ассоциативных исследованиях мультифакториальных заболеваний. Результаты: В обзоре представлены основные итоги изучения спектра применения баз данных и интернет ресурсов для оценки влияния вариантов ДНК на экспрессию генов в различных тканях, метилирование ДНК, характеристики метаболомного профиля, рассмотрены алгоритмические подходы, систематизированы качественные и количественные online-инструменты, а также вычислительные методы. Заключение: Полногеномные ассоциативные исследова-

ния открыли новую эру в истории генетических исследований мультифактори-альных заболеваний. Биоинформатический анализ in silico позволяет дать всестороннюю оценку эффектам SNPs и их роли в развитии того или иного фено-типического признака болезни.

Ключевые слова: ДНК-полиморфизмы; полногеномные ассоциативные исследования; мультифакториальные заболевания; биоинформатические инструменты

Для цитирования: Полоников АВ, Клёсова ЕЮ, Азарова ЮЭ. Биоинформати-ческие инструменты и интернет-ресурсы для оценки регуляторного потенциала полиморфных локусов, установленных полногеномными ассоциативными исследованиями мультифакториальных заболеваний (обзор). Научные результаты биомедицинских исследований. 2021;7(1):15-31. DOI: 10.18413/2658-6533-20207-1-0-2

Bioinformatic tools and internet resources for functional annotation of polymorphic loci detected by genome wide association studies of multifactorial diseases (review)

Alexey V. Polonikov , Elena Yu. Klyosova , Iuliia E. Azarova

Kursk State Medical University, 3 Karl Marx St., Kursk, 305041, Russia Corresponding author: Elena Yu. Klyosova (ecless@yandex.ru)

Abstract

Background: Genome-wide association studies (GWAS) are a type of genetic research whose purpose is to analyze the associations between genomic variants and phenotypic traits in a population. Over the past 12 years, more than 60000 associations have been established between three million single nucleotide variants (SNPs) and 829 diseases, however, despite the progress achieved, the pathogenetic interpretation of the data is a huge problem, since the vast majority of the loci are located in intergenic regions and non-coding sequences of the genome, or in genes that are not related to metabolic pathways involved in the development of a particular pathology. In this regard, the integrated usage of bioinformatic tools gives an opportunity to evaluate the possible effects of SNPs on certain molecular functions and biological processes related to disease pathogenesis. The aim of the study: To examine the capabilities of existing bioinformatics tools to evaluate possible phenotypic effects of SNPs on certain molecular functions and biological processes, as well as having pathogenetic significance for the development of multifactorial diseases. Materials and methods: The authors carried out an analysis of the Russian and foreign scientific literature on bioinformatic methods of analysis and Internet resources necessary for the assessment of the regulatory potential of polymorphic loci established in genome-wide associative studies of multifactorial diseases. Results: The review presents the main results of studying the spectrum of application of databases and Inter-

net resources for assessing the effect of DNA variants on gene expression in various tissues, DNA methylation, and characteristics of the metabolomic profile. Conclusion: Genome-wide associative research has opened a new era in the history of genetic research on multifactorial diseases. In silico bioinformatics analysis provides a comprehensive assessment of the effects of SNPs and their role in the development of a phenotypic trait of disease.

Keywords: DNA polymorphisms; genome-wide association studies; multifactorial diseases; bioinformatics tools

For citation: Polonikov AV, Klyosova EYu, Azarova IE. Bioinformatic tools and internet resources for functional annotation of polymorphic loci detected by genome wide association studies of multifactorial diseases (review). Research Results in Bi-omedicine. 2021;7(1):15-31. Russian. DOI: 10.18413/2658-6533-2020-7-1-0-2

Введение. Полногеномные ассоциативные исследования (genome-wide association studies, GWAS) представляют собой разновидность генетических исследований, целью которых является анализ ассоциаций между геномными вариантами и фенотипическими признаками в популяции [1, 2]. На сегодняшний день GWAS стали флагманом медицинской геномики открытии новых генов, которые вносят вклад в развитие полигенных мультифак-ториальных заболеваний. Главная цель этих исследований - формирование более глубокого понимания фундаментальных биологических основ болезни, что априори должно способствовать разработке и внедрению более эффективных способов профилактики и лечения заболеваний. Фактически при GWAS сравнивают геномы группы больных людей с геномами контрольной группы, включающей в себя аналогичных по возрасту, полу и другим признакам здоровых людей [1]. GWAS выявляют ассоциации конкретных локусов генома с признаками или заболеваниями с использованием набора однонуклеотидных полиморфизмов или SNP, максимально покрывающих геном и маркирующих блоки взаимосвязанных частых SNPs (tagSNP). Современные чипы для GWAS содержат 300000-5000000 tagSNPs с максимально возможным покрытием генома. Обнаружение ассоциации tagSNP с фенотипом означает, что один или несколько маркированных им коррелирующихся SNP должны контролировать биологические

функции, которые лежат в основе выявленной ассоциации [3]. Однако трансляция накопленных в результате GWAS гено-фенотипических ассоциаций с позиции патогенеза существенно осложняется тем, что факт статистической ассоциации полиморфного варианта в геноме с каким-либо признаком не всегда является прямым свидетельством влияния гена и отражает механизмы формирования патологического процесса.

Для понимания патофизиологической взаимосвязи генетического варианта с фенотипом болезни ключевым моментом является структурно-функциональная характеристика и классификация полиморфных молекулы ДНК. Выделяют 4 основных класса полиморфных вариантов ДНК: 1) однонуклеотидные варианты или

SNPs): их число колеблется по разным данным от 3750000 до 4500000 [4]; 2) короткие (<50 нуклеотидов) инсерции и де-леции (1пОек): их насчитывается от 700000 до 1000000 [4]; 3) варианты числа копий (С^^) - в основном представлены тандемными дупликациями и составляют 5-10% генома [5]; 4) структурные варианты (SVs) - составляют в среднем 13% генома [6]. Каждый вариант ДНК характеризуется собственным фенотипическим эффектом. Одни из таких вариантов хорошо изучены, другие - нет. SNPs, локализованные в области дистального промотора или 5" -нетранслируемого региона (5" -ИТЯ), способны влиять на экспрессию гена, в котором они находятся (цис-эффекты), а также и близлежащих генов (транс-

эффекты) [7]. SNPs, находящиеся в кон-сенсусных последовательностях и регуля-торных элементах (энхансерах, сайленсе-рах) могут влиять на сборку сплайсосомы и процесс сплайсинга [8, 9]. Варианты в 3'-нетранслируемой области (3,-UTR) и по-лиА-сигнальной последовательности

(ААТААА) способны снижать стабильность мРНК и уменьшать ее количество, и, следовательно, и количество синтезируемого белкового продукта. Варианты, расположенные в старт- и стоп-кодонах могут существенно изменять качество трансляции, приводя к образованию более длинного или более короткого полипептида с более низкой термодинамической стабильностью по сравнению с нормальным белком [10]. Описаны необычные эффекты вариантов в межгенных элементах, способных включать или выключать экспрессию удаленных генов путем изменения статуса их метилирования.

В таблице 1 суммированы основные достижения в медицинской генетике, полученные в результате полногеномных ас-

социативных исследований [1]. С помощью GWAS установлено более 10,000 надежных ассоциаций SNPs с фенотипами и болезнями. В частности, была установлена выраженная вариация показателя неравновесия по сцеплению (LD) в геноме. Выявлено, что большая доля генетической изменчивости, детерминирующей полигенные признаки и болезни, связана с влиянием частых SNPs. Был подтвержден феномен плейотропии: многие SNPs одновременно влияют на множество признаков. GWAS позволили подтвердить причинно-следственные связи и доказать ложнопо-ложительных взаимосвязи генотипов и фенотипов. С помощью GWAS было показано, что генетическая структура может имитировать географическую структуру и представлены доказательства действия естественного отбора. Сочетание GWAS с омиксными технологиями позволило установить, что 2/3 GWAS-ассоциированных SNPs расположены в гене, который не является ближайшим геном к наиболее ассоциированному SNP.

Таблица 1

Достижения GWAS в медицинской генетике

Table 1

G jWAS achievements in medical genetics

Анализ Цель Открытия

Полногеномный анализ ассоциации (GWAS) Обнаружение ассоциаций с фенотипами/болезнями Установлено более 10,000 надежных ассоциаций SNPs с фенотипами и болезнями

Полногеномная оценка неравновесия по сцеплению (linkage disequilibrium, LD) Количественная оценка архитектуры генома Выраженная вариация показателя LD в геноме, в том числе и межпопуляционная

Оценка наследуемости SNP Генетическая архитектура Большая доля генетической изменчивости связана с частыми SNPs

Оценка генетической корреляции Обнаружение и количественная оценка плейотропии Плейотропия вездесуща (многие SNPs влияют на множество признаков)

Полигенные оценки риска (Polygenic risk scores) Обнаружение плейотропии; валидация результатов GWAS Обнаружение ассоциаций с новыми признаками. Подтверждение прогнозирования на независимых выборках.

Менделевская рандомизация (Mendelian randomization) Тестирование причинно-следственных связей Подтверждение известных причинно-следственных связей; эмпирическое доказательство ложноположительных взаимосвязей.

Популяционные различия в частотах аллелей Реконструкция истории народонаселения; обнаружение естественного отбора Генетическая структура может имитировать географическую структуру; доказательство действия естественного отбора

Сочетание GWAS с omics-технологиями Точное картирование; обнаружение генов-мишеней; функции генов Две трети GWAS-ассоциированных SNPs расположены в гене, который не является ближайшим геном к наиболее ассоциированному SNP

На май 2018 года каталог полногеномных ассоциативных исследований (GWAS catalog,

https://www.ebi.ac.uk/gwas/home) включал более 69 млн. ассоциаций SNP с фенотипами/болезнями, обнаруженными более чем в 5000 работ и опубликованными в 3378 научных статьях. На март 2019 года база GWAS central

(https://www.gwascentral.org) включала 69 986 326 ассоциаций между 2974967 уникальными SNP и 829 уникальными болезнями/фенотипами.

Несмотря на достигнутые успехи, GWAS столкнулись с очень серьезной проблемой - сложностью патофизиологической интерпретации выявленных гено-фенотипических ассоциаций. Как правило, связь между генетическим вариантом и признаком не дает непосредственной информации о гене-мишени или механизме, посредством которого данный вариант связан с фенотипом [11]. Проблема заключается в том, что наборы tagSNP, анализируемые GWAS, несмотря на максимально возможное покрытие генома, зачастую не являются причинами изучаемого заболевания. Причинный SNP может находиться где угодно в пределах гаплотипиче-ского блока, который может охватывать более 100 kb и часто содержат более 1000 отдельных SNPs [11].

Некоторые значимые ассоциации в системе полиморфизм - фенотип - метаболический путь могут быть обнаружены при рассмотрении дистантных по отношению к данному SNP генов. Так, в GWAS Catalog было зарегистрировано 12 одно-нуклеотидных полиморфизмов, ассоциированных с множественной миеломой [11]. Картирование этих SNP в генах, удаленных менее чем на 10 000 килобаз, не выявило генов, которые могли бы быть отнесены к какому-либо метаболическому пути. Увеличение расстояния до 400 килобаз также не дало положительных результатов. Однако, анализ SNP в связи с генами, удаленными от них более чем на 500 килобаз, привел к формированию кластеров, вовлеченных в 2 пути - «Миелома» и «Метабо-

лизм при раке», оба имеющих близкое отношение к фенотипу. Так же, многие SNPs показали ассоциации с цветом глаз, однако, анализ связей между ними и близкорасположенными генами не дал результатов [12]. Отношение этого фенотипа к пути «меланогенез» открылось только при картировании SNPs в генах, расположенных на расстоянии 100 килобаз [13]. Парадигма «один SNP - много генов» может быть весьма полезной в обнаружении молекулярных основ фенотипического признака. Интересно, что геном существует в трехмерном измерении, и это является главным фактором, объясняющим дистанционный эффект SNPs на удаленные гены [14-16]. Накапливающиеся данные о 3Б-упаковке генома позволят в ближайшем будущем определить положение SNPs в их трехмерном пространственном окружении. К сожалению, сделать это сейчас не представляется возможным в виду нехватки знаний о структурной и пространственной организации хроматина. Еще одно объяснение дистанционных эффектов SNP заключается в том, что однонуклеотидных полиморфизмы являются маркерами больших структурных вариантов, затрагивающих крупные сегменты хромосом [17].

Подавляющее большинство SNP (около 90%), ассоциированных с болезнями в результате GWAS, располагаются в некодирующих областях генома [18]. В расшифровке регуляторного потенциала некодирующих SNPs важную роль могут играть in silico инструменты, оперирующие доступными базами данных с достаточными характеристиками генной экспрессии, эпигенетических маркеров, 3D-контактов хроматина и других геномных параметров, включая гены-мишени фармакотерапии.

Использование уже разработанных биоинформатических инструментов будет способствовать пониманию функциональной значимости ассоциированных с фенотипом SNPs, что уже успешно продемонстрировано рядом работ [18-23]. Например, Watanabe K. и др. [24], опираясь на данные полногеномного исследования ас-

социаций однонуклеотидных вариантов с индексом массы тела, обрабатывают результаты, используя биоинформатическую онлайн-платформу FUMA

(http://fuma.ctglab.nl) для функционального аннотирования приоритетных SNPs и интерактивной визуализации взаимодействующих генов. Chen и соавторы [12] также использовали биоинформатические инструменты и ресурсы VEP, Requlome DB, ANNOVAR HaploReg для предсказания функционального и регуляторного потенциала 9 184 некодирующих вариантов базы NHGRI, и описали регулируемые механизмы 96% изученных вариантов. Более того, 3 случайно выбранных варианта из этого списка были подвержены функциональному тестированию и проявили энхан-серную или сайленсерную активность. Однако фактически с начала 2015 года менее 40% GWAS использовали биоинформати-ческие инструменты для приоритезации и предсказания функции некодирующих SNPs [25].

Биоинформатические методы и подходы к оценке регуляторного потенциала полиморфных локусов.

В обзорном исследовании Nishizaki и Boyle [26] представлена детальная характеристика современных онлайн-инструментов для оценки функциональной роли SNPs в геноме.

Функциональный анализ и интерпретация локусов, ассоциированных с болезнью в результате GWAS представляет собой сложную и многоэтапную задачу, начиная с точного картирования причин-ностых SNPs до исследовании функции гена-мишени. При этом на ключевых этапах данного процесса используются различные биоинформатические инструменты. На рисунке 1 представлены наиболее популярные подходы к выявлению функциональных полиморфизмов, ассоциированных с развитием патологии [3]. Данная схема анализа выявленных ассоциаций GWAS-локусов направлена на выделение приоритетных SNPs из общей массы ассоциированных с фенотипом генетических

вариантов. Этот подход подразумевает интеграцию генетических данных, биоин-форматического анализа и вычислительных процедур. Однако функциональная оценка некодирующих регуляторных вариантов требует пошагового применения значительного арсенала программных вычислений, в том числе обращение к большим массивам биологических данных, in silico инструментам и результатам экспериментальных молекулярных этиологий.

Первый этап - точное картирование, которое направлено на обнаружение т.н. причинностных SNP, влияющих на молекулярные и клеточные процессы, связанные с фенотипом болезнью. Достигается посредством, например, более "плотного" генотипирования участка генома или процедурой импутации недостающих данных генотипирования, а также статистическими процедурами (логистическая регрессия, тест отношения правдоподобия, анализ гаплотипов и др.) для выявления SNP, наиболее значимо ассоциированного с фенотипом - с наибольшим размером эффекта (effect size) и наиболее значимым уровнем значимости (P-value) влияния на фенотип [14, 27, 28].

Следующий этап - in silico аннотирование SNPs, направлен на выяснение механизма, посредством которого данный генетический вариант может влиять на экспрессию гена или активность его продукта. Сложность данной задачи заключается в интерпретации некодирующих SNP, что требует применения множества вычислительных процедур, включая анализ специальных баз данных, содержащих экспериментально подтвержденную информацию о регуляторном потенциале SNP (например, Regulome, TRANFAC, ChiA) и применение специальных биоинформати-ческих инструментов. Сканируя мотивы в базах данных TRANSFAC, JASPAR и UniPRODE, можно легко оценить аффинность транскрипционных факторов в отношении связывания с заданными участками ДНК [19-21].

Точное картирование

In silico

Функции SNP

Идентификация генов мишеней

Функции генов мишеней

Генотипирование и импутация Межэтническое картирование Условная логистическая регрессия для определения числа независимых ассоциаций Тест отношения шансон для исключения наименее вероятных кандидатных SNP

Интегративные инструменты; RegulomeDB, HaploReg, Gwas3D, FurtciSNP

LD сцепление, HaploVeiw, SNAP, LocusZoom Предсказания связываниеTF, TRAMSFAC, JASPED, MAPPER2

Взаимодействия хроматинов; ChiA-PET, 5С

Пек оди руюш и е регул яторн ые в а ри а нты

> Экспрессия генов: gQIL аллельная нестабильность

> Хроматин: ;шшшяша основанная на изучении конформации хроматинов

> Связывание белков Варианты некрдирующих РНК

> miRNAs, TargetScan, iniRanda, CLIP, PicTar

> IncRNAs; RMA-Capture-jgg, REMSAS, RIPs Некодирующие эпигенетические варианты

> Метилирование ДНК

> Структура хроматина

Культивирование клеточных линий и тканей человека Изогенные модели - ТАЬЕИЗ, СР^РР/Саг 1 Эксперименты на мышах -таргентное выключение генов

1 Другие модели животных - рыбы, Дрозофила

Рис.1. Способы функционального анализа и интерпретации локусов GWAS Fig. 1. Workflow for functional analysis and interpretation of GWAS loci

Следующий этап - оценка функциональности SNP и идентификация гена-мишени. Для некодирующих регулятор-ных вариантов используются: методы анализа экспрессии генов, включая выявление eQTL (локусов в геноме, ассоциированных с количественными изменениями экспрессии генов) в различных тканях с полногеномным уровнем значимости; анализ влияния 3-мерной структуры хроматина на регион ДНК с SNP, люциферазный тест, in vitro тест связывания белка с ДНК [29, 30].

Для некодирующих вариантов РНК, используются инструменты для поиска их генов-мишеней и таким образом оценивают потенциал связывания микроРНК с областью SNP (TagretScan, MiRanda) [31]. Для некодирующих эпигенетических вариантов оценивают уровень метилирования ДНК, проводят иммунопреципитацию

хроматина в сочетании с высокоэффективным секвенированием [32-34].

Формулировка гипотезы о биоин-форматически предсказанном эффекте БКР на фенотип затем используется для тестирования этого эффекта в эксперименте. На заключительном этапе исследуют функции гена-мишени с использованием культивированных клеточных линий человеческих тканей, нокаут-моделей животных, технологии геномного редактирования (CRISPR) и других методологий [35].

Таким образом, именно некодирую-щие SNP являются главным и наиболее сложным объектом для анализа и биологической интерпретации связи с фенотипом болезни. Рассмотрим основные особенности регуляторного потенциала некодиру-ющих SNP. Многие некодирующие SNPs находятся в регуляторных последовательностях генома и способны влиять на экс-

прессию генов на транскрипционном, посттранскрипционном и посттрансляционном уровнях [36,37]. Некодирующие варианты в энхансерах - одни из главных кандидатов для функциональной интерпретации GWAS-локусов. Регуляторные сигналы могут действовать на больших расстояниях по всему геному и вступать в контакт с промоторами-мишенями посредством трехмерной упаковки ДНК. Доступность транскрипционных факторов зависит от структурных изменений хроматина, обусловленных посттрансляционными модификациями гистонов, такими как метилирование и ацетилирование [38]. В отличие от закрытого хроматина, т.н. пермиссив-ный хроматин достаточно динамичен для факторов транскрипции, инициируя ремо-делирование доступности специфической последовательности ДНК и обеспечивая открытую конформацию хроматина [39].

На сегодняшний день существует внушительный арсенал in silico инструментов и интернет-ресурсов для анализа регуляторного потенциала локусов, ассоциированных с болезнями [39]. Биоинфор-матические подходы к определению потенциальных регуляторных эффектов некодирующих SNPs были значительно усилены экспериментальными исследованиями полногеномного формата. Данные проектов ENCODE и проект Национального Института здоровья «Дорожная карта эпигенома» могут быть использованы для оценки регуляторного потенциала некоди-рующих вариантов и их проявления различных тканях [40, 41]. Регуляторная функция полиморфизма может быть проявлением эпигенетической модификации генома, включая модификацию гистонов, регуляцию открытости хроматина, связывающую способность транскрипционных факторов. При этом можно оценить потенциальное влияние варианта посредством оценки различных геномных характеристик, таких как количественная оценка экспрессии гена в различных тканях (картирование eQTL), секвенирование хроматина (CHIP-seq технологии), секвенирова-ние гиперчувствительных участков для

ДНК-азы I, анализ взаимодействия хроматина, идентификация ДНК-мотивов, специфически связывающих транскрипционные факторы.

Активно использующиеся на сегодняшний день онлайн биоинформатиче-ские ресурсы направлены на оценку влияния открытого хроматина (ресурсы ENCODE, RegulomeDB, данные проекта «Дорожная карта эпигенома человека»); предсказание связывания участка транскрипционных факторов с ДНК (TRANSFAC, JASPAR); оценку ДНК-белковых взаимодействий (ENCODE, RegulomeDB, Hap-loReg), оценку метилирования ДНК (ENCODE, MethDB, проект «Дорожная карта эпигенома человека»); анализ экспрессии РНК, модификации гистонов и взаимодействия хроматина. В таблице 2 представлены онлайн-ресурсы для доступа к наиболее популярным биоинформатическим инструментам оценки регуляторного потенциала полиморфизмов. Данные инструменты позволяют аннотировать и предсказывать регуляторные эффекты SNPs с использованием трех основных методологических подходов: функционального аннотирования, оценки консервативности и технологии машинного обучения.

Экспериментальные подтверждения функциональности SNPs реализуется посредством современных биотехнологий. Исследования репортного гена являются дополнением к вышеописанным поисковым системам и предлагают прямое измерение функционального эффекта варианта на уровень экспрессии гена. Для этого ре-гуляторный элемент помещают выше промотора и вводят плазмиду, содержащую интересующий ген [23]. Также, трансгенные линии животных, включая мышей и рыб, представляют собой ценный способ оценки фенотипического эффекта мутации in vivo [54]. С открытием редактирования регуляторных коротких палиндромных повторов (технология геномного редактирования CRISPR), некодирующие варианты и структурные изменения могут быть легче изучены на таких более сложных модельных системах [55].

Таблица 2

Online-ресурсы для доступа к in silico инструментам аннотирования полиморфизмов

Table 2

Online resources for access to in silico polymorphism annotation tools

Ресурс Описание, URL Ссылка

VEP Включает аннотации из базы Ensembl, предсказывает эффекты SNPs на полногеномном уровне, а также прогнозирует тканеспецифическую активность для 13 клеточных линий человека. http://www.ensembl.org/info/docs/tools/vep/script/index.html McLaren et al., 2010 [42]

RegulomeDB Использует бальную систему оценки функциональности полиморфизма с использованием данных более чем 100 типов клеток. http://regulomedb.org Boyle et al., 2012 [43]

FunciSNP Использует в качестве вводных пользовательские аннотации для приори-тезации SNPs, позволяя пользователям настраивать свои аннотации для запроса интересуемого клеточного типа. http://www.bioconductor.org/packages/release/bioc/html/FunciSNP.html Coetzee et al., 2012 [44]

ANNOVAR Инструмент командной строки, который использует аннотации в привязке регионам для аннотирования некодирующих вариантов (включая indels) в дополнение к сравнению их с известными базами данных. http://annovar.openbioinformatics.org Wang et al., 2010 [45]

HaploReg Поисковый репозиторий для SNPs и indels Проекта 1000 геномов, представляет сводные данные известных аннотаций для SNPs внутри LD блока. http://www.broadinstitute.org/mammals/haploreg/haploreg.php Ward and Kellis, 2012 [46]

GWAS3D Оценивает SNPs и indels посредством анализа их трехмерных хромосомных взаимодействий и нарушений связывания транскрипционных факторов. http://jjwanglab.org/gwas3d Li et al., 2013 [25]

fitCons Использует метод INSIGHT для предсказания возможности того, что SNP будет влиять на конформацию посредством скрининга сигнатур положительного и отрицательного отбора с на основе трех типов клеток. http://compgen.bscb.cornell.edu/fitCons/ Gulko et al., 2015 [47]

GWAVA GWAVA основан на алгоритме random forest, использует базы данных HGMD и контрольные варианты проекта 1000 геномов для предсказания функциональности SNP. ftp://ftp.sanger.ac.uk/pub/resources/software/gwava/ Ritchie et al., 2014 [48]

CADD CADD основан на методе опорных векторов (SVM), используя симулированные варианты как патологические и аллели, сходные у человека и шимпанзе в качестве контрольных. http://cadd.gs.washington.edu Kircher et al., 2014 [49]

DANN DANN основан на алгоритме нелинейного обучения нейронных сетей (фиксированные аллели сравнивают со стимулированными вариантами) подобно CADD. https://cbcl.ics.uci.edu/public_data/DANN/ Quang et al., 2015 [51]

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

FATHMM-MKL Реализует Kernel-классификатор для оценки сложных нелинейных моделей с использованием патогенных вариантов (HGMD) и обучающих вариантов Проекта 1000 геномов. http://fathmm.biocompute.org.uk Shihab et al., 2015 [10]

deltaSVM Использует алгоритм gkm-SVM машинного обучения для оценки эффекта варианта в специфических типах клеток. http://www.beerlab.org/deltasvm/ Lee et al., 2015 [52]

DeepSEA Использует многослойную иерархическую структурированную модель последовательности глубокого обучения для прогнозирования функциональных SNP с чувствительностью к одному нуклеотиду с использованием данных ENCODE и Roadmap Epigenomics. http://deepsea.princeton.edu/job/analysis/create/ Zhou and Troyanskaya, 2015 [53]

Метилирование ДНК - это фундаментальная эпигенетическая характеристика, контролирующая включение/выключение генной экспрессии. Тем

не менее, взаимосвязь между характером последовательности ДНК и степенью метилирования до конца не ясна [56]. Исследования позволили выявить корреляции

между профилем метилирования ДНК и индивидуальными генотипами для идентификации локусов, способных повлиять на статус метилирования генов. Было открыто множество генных локусов, объясняющих различную степень метилирования т.н. CpG-островков в зависимости от популяции или типа клеточной линии. Однако далеко не все варианты метилирования могут быть интерпретированы только лишь с учетом одних генетических факторов [56, 58]. Поэтому изучение роли SNP в формировании того или иного профиля метилирования становится одним из главных объектов для биоинформатического анализа.

Секвенирование генома нового поколения (NGS) позволяет измерить в полногеномном масштабе экспрессию генов, привязку транскрипционных факторов, доступность/открытость хроматина, модификации гистонов и метилирование ДНК. Огромные усилия были приложены для характеристики вариаций генома на тран-скриптомом уровне в различных клеточных линиях и тканях. Проект GENCODE (www.gencodegenes.org) содержит огромный пласт экспериментальных данных о функциональных элементах генома и представляет собой высококачественный каталог транскриптов [57]. Количественные данные о функциональной значимости вариантов могут отличаться в разных базах данных. Так, McCarthy et al [58] показали, что конкордантность Loss of Function (LoF) вариантов между ANNOVAR и VEP составляет 65%, хотя обе поисковые системы используют один и тот же набор транскриптов. Что требует стандартизации представления данных, The Sequence Ontology Progect - это первый ресурс, направленный на стандартизацию описательных характеристик генома, опирающийся на базы VEP и ANNOVAR [59].

Таким образом, вся выше представленная информация в полном объеме депонирована в сети баз данных, доступных в Internet, однако, понимание биологического смысла этой информации представляет не меньшую трудность, чем сам про-

цесс их получения. Интерпретация выявленных ассоциаций с позиций формальной логики системы ген-мРНК-белок-метаболит в большинстве случаев крайне проблематична, поскольку абсолютное число локусов, обнаруживших ассоциации с различными фенотипами находятся в некодирующих областях генома, межгенных пространствах или в генах, не имеющих прямого отношения к изучаемому заболеванию. Путь от генотипа к фенотипу в таком случае удается проложить с помощью бионформатического инструментария, позволяющего предсказать эффект варианта ДНК на различные аспекты молекулярной жизни в микромире, включая транскрипцию, связывание транскрипционных факторов, созревание пре-мРНк, сплайсинг, трансляцию, эпигенетические модификации (метилирование ДНК, открытость хроматина). Онлайн ресурсы позволяют дать всестороннюю оценку эффектам SNPs и их роли в развитии того или иного фенотипического признака болезни.

В перспективе, увеличение объема выборок до 100000 и более человек позволит в будущих GWAS открыть новые варианты ассоциаций с известными заболеваниями, что поможет конкретизировать диагноз вплоть до его молекулярных основ и выбрать персонализированное лечение болезней. Безусловно, с течением времени, GWAS на основе SNP-панелей будут замещены GWAS на основе полногеномного секвенирования, что, вероятно, прольет свет на неизвестные по сей день аспекты взаимосвязей в системе генотип-фенотип-среда. Если 10-15 лет назад технология ге-нотипирования была лимитирующим фактором в сфере генетических исследований, то сейчас этим фактором является полнота фенотипической характеристики обследуемых лиц. Современный биоинформатиче-ский анализ подразумевает стратификацию по фенотипическим признакам с целью выявления причинно-следственных отношений между ними и понимания того, как той или иной фактор среды опосредует воздействие генотипа на формирование

признака. В конечном счете, результаты полногеномных ассоциативных исследований должны быть всесторонне проанализированы и имплементированы в практическое здравоохранение в виде более точных (по чувствительности и специфичности) диагностических предсказательных тестов и алгоритмов персонализированного лечения и профилактики социально значимой мультифакториальной патологии.

Заключение. Полногеномные ассоциативные исследования открыли новую эру в истории генетических исследований мультифакториальных заболеваний. В данном обзоре мы представили способ поэтапного функционального анализа и интерпретации локусов GWAS, описали инструменты и online-ресурсы, позволяющие аннотировать и предсказывать регулятор-ные эффекты SNPs, основываясь на трех основных методиках. Выяснили, что био-информатический анализ in silico позволяет дать всестороннюю оценку эффектам SNPs и их роли в развитии того или иного фенотипического признака болезни. Полученные результаты были успешно дополнены результатами изучения экспрессии генов в различных тканях, метилировании ДНК и характеристиками метаболомного профиля.

Информация о финансировании

Работа выполнена при финансовой поддержке Российского научного фонда (проект № 20-15-00227). Financial support

The study was supported by the Russian Science Foundation (№20-15-00227).

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов. Conflict of interests

The authors have no conflict of interest to declare.

Список литературы

1. Visscher PM, Wray EM, Zhang Q, et al. 10 years of GWAS discovery: biology, function, and translation. The American Journal of Human

Genetics. 2017;101(1):5-22. DOI:

10.1016/j.ajhg.2017.06.005

2. Ermann J, Glimcher LH. After GWAS: mice to the rescue? Current opinion in immunology. 2012;24(5):564-570. DOI: 10.1016/j.coi.2012.09.005

3. Edwards SL, Beesley J, French JD, et al. Beyond GWASs: illuminating the dark road from association to function. The American Journal of Human Genetics. 2013;93(5):779-797. DOI: https://doi.org/10.1016/j.ajhg.2013.10.012

4. Wu J, Yu Z, Chen G. PD-1/PD-Ls: A New Target for Regulating Immunopathogenesis in Central Nervous System Disorders. Current drug delivery. 2017;14(6):791-796. DOI: https://doi.org/10.2174/156720181466616112315 2311

5. Zarrei M, MacDonald J, Merico D, et al. A copy number variation map of the human genome. Nature reviews genetics. 2015;16(3): 172183. DOI: https://doi.org/10.1038/nrg3871

6. Grimm JB, English BP, Chen J, et al. A general method to improve fluorophores for live-cell and single-molecule microscopy. Nature methods. 2015;12(3):244-250. DOI: https://doi.org/10.1038/nmeth.3256

7. Butkiewicz M, Bush WS. In silico functional annotation of genomic variation. Current protocols in human genetics. 2016;88(1):6.15.1-6.15.17. DOI: https://doi.org/10.1002/0471142905.hg0615s88

8. Lower KM, Hughes JR, De Gobbi M, et al. Adventitious changes in long-range gene expression caused by polymorphic structural variation and promoter competition. Proceedings of the National Academy of Sciences. 2009;106(51):21771-21776. DOI: https://doi.org/10.1073/pnas.0909331106

9. Sanger F, Nicklen S, Coulson AR. DNA sequencing with chain-terminating inhibitors. Proceedings of the national academy of sciences. 1977;74(12):5463-5467. DOI: 10.1073/pnas.74.12.5463

10. Shihab HA, Rogers MF, Gough J, et al. An integrative approach to predicting the functional effects of non-coding and coding sequence variation. Bioinformatics. 2015;31(10):1536-1543. DOI: https://doi.org/10.1093/bioinformatics/btv009

11. Brodie A, Azaria JR, Ofran Y. How far from the SNP may the causative genes be? Nucleic acids research. 2016;44(13):6046-6054. DOI: https://doi.org/10.1093/nar/gkw500

12. Chen G, Yu D, Chen J, et al. Reannotation of presumed noncoding disease/trait-associated genetic variants by integrative analyses. Scientific reports. 2015;5:9453. DOI: https://doi.org/ 10.1038/srep09453

13. Law MH, Bishop DT, Lee JE, et al. Genome-wide meta-analysis identifies five new susceptibility loci for cutaneous malignant melanoma. Nature Genetics. 2015;47(9):987-995. DOI: https://doi.org/10.1038/ng.3373

14. Sidore C, Busonero F, Maschio A, et al. Genome sequencing elucidates Sardinian genetic architecture and augments association analyses for lipid and blood inflammatory markers. Nature genetics. 2015;47(11):1272-1281. DOI: https://doi.org/10.1038/ng.3368

15.Lander ES, Linton LM, Birren B, et al. Initial sequencing and analysis of the human genome. Nature. 2001;409(6822):860-921. DOI: 10.1038/35057062

16.Hagege H, Klous P, Braem, C, et al. Quantitative analysis of chromosome conformation capture assays (3C-qPCR). Nature protocols. 2007;2(7): 1722-1733. DOI: https://doi.org/10.1038/nprot.2007.243

17. Bulik-Sullivan B, Loh P, Finucane H, et al. LD Score regression distinguishes confounding from polygenicity in genome-wide association studies. Nature genetics. 2015;47(3):291-295. DOI: https://doi.org/10.1038/ng.3211

18. Zhang F, Lupski JR. Non-coding genetic variants in human disease. Human molecular genetics. 2015;24(R1):R102-R110. DOI: https://doi.org/10.1093/hmg/ddv259

19.Matys V, Fricke E, Geffers R, et al. TRANSFAC®: transcriptional regulation, from patterns to profiles. Nucleic acids research. 2003;31(1):374-378. DOI: https://doi.org/10.1093/nar/gkg108

20. Sandelin A, Alkema W, Engstrom P, et al. JASPAR: an open-access database for eukary-otic transcription factor binding profiles. Nucleic acids research. 2004;32(1):D91-D94. DOI: http://dx.doi.org/ 10.1093/nar/gkh012

21.Newburger DE, Bulyk ML. UniPROBE: an online database of protein binding microarray data on protein-DNA interactions. Nucleic acids research. 2008;37(1):D77-D82. DOI: https://doi.org/ 10.1093/nar/gkn660

22. Bailey TL, Boden M, Buske FA, et al. MEME SUITE: tools for motif discovery and searching. Nucleic acids research. 2009;37(2):W202-W208. DOI: https://doi.org/ 10.1093/nar/gkp335

23.Bryzgalov LO, Antontseva EV, Mat-veeva MYu, et al. Detection of regulatory SNPs in human genome using ChIP-seq ENCODE data. PLoS one. 2013;8(10):e78833. DOI: https://doi.org/10.1371/journal.pone.0078833

24.Watanabe K, Taskesen E, van Bochoven A, et al. FUMA: Functional mapping and annotation of genetic associations. European Neuropsy-chopharmacology. 2019;29(3):S789-S790. DOI: https://doi.org/10.1016/j .euroneuro.2017.08.018

25.Li MJ, Yan B, Sham PCh, et al. Exploring the function of genetic variants in the non-coding genomic regions: approaches for identifying human regulatory variants affecting gene expression. Briefings in bioinformatics. 2014;16(3):393-412. DOI: https://doi.org/10.1093/bib/bbu018

26.Nishizaki SS, Boyle AP. Mining the unknown: assigning function to noncoding single nucleotide polymorphisms. Trends in Genetics. 2017;33(1):34-45. DOI: https://doi.org/10.10167i.tig.2016.10.008

27.Ameur A, Rada-Iglesias A, Komorowski J, et al. Identification of candidate regulatory SNPs by combination of transcription-factor-binding site prediction, SNP genotyping and hap-loChIP. Nucleic acids research. 2009;37(12):e85-e85. DOI: https://doi.org/10.1093/nar/gkp381

28.Pabinger S, Dander A, Fischer M, et al. A survey of tools for variant analysis of next-generation genome sequencing data. Briefings in bioinformatics. 2014;15(2):256-278. DOI: https://doi.org/10.1093/bib/bbs086

29.Duggal G, Wang H., Kingsford C. Higher-order chromatin domains link eQTLs with the expression of far-away genes. Nucleic acids research. 2013;42(1):87-96. DOI: https://doi.org/10.1093/nar/gkt857

30.Pruitt KD, Tatusova T, Maglott DR. NCBI reference sequences (RefSeq): a curated non-redundant sequence database of genomes, transcripts and proteins. Nucleic acids research. 2007;35(1):D61-D65. DOI: https://doi.org/10.1093/nar/gkl842

31.Nishizaki SS, Boyle A. Mining the unknown: assigning function to noncoding single nucleotide polymorphisms. Trends in Genetics. 2017;33(1):34-45. DOI: https://doi.org/10.1016/j.tig.2016.10.008

32.Gibbs JR, van der Brug MP, Hernandez DG, et al. Abundant quantitative trait loci exist for DNA methylation and gene expression in human brain. PLoS genetics. 2010;6(5):e1000952. DOI: https://doi.org/10.1371/journal.pgen.1000952

33.Gutierrez-Arcelus M, Lappalainen T, Montgomery SB, et al. Passive and active DNA

methylation and the interplay with genetic variation in gene regulation. Nelife. 2013;2:e00523. DOI: 10.7554/eLife.00523

34.Kato N, Loh M, Takeuchi F, et al. Trans-ancestry genome-wide association study identifies 12 genetic loci influencing blood pressure and implicates a role for DNA methylation. Nature genetics. 2015;47(11): 1282-1293. DOI: https://doi.org/10.1038/ng.3405

35.Fisher S, Grice E, Vinton R, et al. Evaluating the biological relevance of putative enhancers using Tol2 transposon-mediated transgenesis in zebrafish. Nature protocols. 2006;1(3): 1297-1305. DOI: https://doi.org/10.1038/nprot.2006.230

36.Kheradpour P, Ernst J, Melnikov A, et al. Systematic dissection of regulatory motifs in 2000 predicted human enhancers using a massively parallel reporter assay. Genome research. 2013;23(5):800-811. DOI: 10.1101/gr.144899.112

37. Arnold CD, Gerlach D, Stelzer Ch, et al. Genome-wide quantitative enhancer activity maps identified by STARR-seq. Science. 2013;339(6123): 1074-1077. DOI: 10.1126/science.1232542

38. Strahl BD, Allis CD. The language of covalent histone modifications. Nature. 2000;403(6765):41. DOI: https://doi.org/10.1038/47412

39.Klemm SL, Shipony Z, Greenleaf WJ. Chromatin accessibility and the regulatory epigenome. Nature Reviews Genetics. 2019;20:207-220. DOI: https://doi.org/10.1038/s41576-018-0089-8

40. Harrow J, Frankish A, Gonzalez JM, et al. GENCODE: the reference human genome annotation for The ENCODE Project. Genome research. 2012;22(99): 1760-1774. DOI: 10.1101/gr.135350.111

41.Mungall CJ, Batchelor C, Eilbeck K. Evolution of the Sequence Ontology terms and relationships. Journal of biomedical informatics. 2011;44(1):87-93. DOI: https://doi.org/10.1016/jjbi.2010.03.002

42.McLaren W, Pritchard B, Rios D, et al. Deriving the consequences of genomic variants with the Ensembl API and SNP Effect Predictor. Bioinformatics. 2010;26(16):2069-2070. DOI: https: //doi .org/ 10.1093/bioinformatics/btq330

43. Boyle A, Hong EL, Hariharan M, et al. Annotation of functional variation in personal genomes using RegulomeDB. Genome research. 2012;22(9): 1790-1797. DOI: 10.1101/gr.137323.112

44. Coetzee SG, Rhie SK, Berman BP, et al. FunciSNP: an R/bioconductor tool integrating functional non-coding data sets with genetic association studies to identify candidate regulatory SNPs. Nucleic acids research. 2012;40(18):e139-e139. DOI: https://doi.org/10.1093/nar/gks542

45. Zhang Z, Wang Y, Wang L, et al. The combined effects of amino acid substitutions and indels on the evolution of structure within protein families. PLoS One. 2010;5(12):e14316. DOI: https://doi.org/10.1371/journal.pone.0014316

46. Ward LD, Kellis M. Interpreting noncoding genetic variation in complex traits and human disease. Nature biotechnology. 2012;30(11): 1095-1106. DOI: https://doi.org/10.1038/nbt.2422

47.Gulko B, Hubisz M, Gronau I, et al. A method for calculating probabilities of fitness consequences for point mutations across the human genome. Nature genetics. 2015;47(3):276-283. DOI: https://doi.org/10.1038/ng.3196

48. Ritchie GRS, Dunham I, Zeggini E, et al. Functional annotation of noncoding sequence variants. Nature methods. 2014;11(3):294-296. DOI: https://doi.org/10.1038/nmeth.2832

49.Kircher M, Witten D, Jain P, et al. A general framework for estimating the relative pathogenicity of human genetic variants. Nature genetics. 2014;46(3):310-315. DOI: https://doi.org/10.1038/ng.2892

50. Quang D, Chen Y, Xie X. DANN: a deep learning approach for annotating the pathogenicity of genetic variants. Bioinformatics. 2014;31(5):761-763. DOI: https://doi.org/10.1093/bioinformatics/btu703

51.Rizvi NA, Hellmann MD, Snyder A, et al. Mutational landscape determines sensitivity to PD-1 blockade in non-small cell lung cancer. Science. 2015;348(6230): 124-128. DOI: 10.1126/science.aaa1348

52.Zhou J. Troyanskaya OG, Predicting effects of noncoding variants with deep learning-based sequence model. Nature methods. 2015;12(10):931-934. DOI: https://doi.org/10.1038/nmeth.3547

53.Maher B. ENCODE: The human encyclopaedia. Nature News. 2012;489(7414):46-48. DOI: https://doi.org/10.1038/489046a

54.Li MJ, Sham PC, Wang J. FastPval: a fast and memory efficient program to calculate very low P-values from empirical distribution. Bioinformatics. 2010;26(22):2897-2899. DOI: https://doi.org/10.1093/bioinformatics/btq540

55.Jones PA. Functions of DNA methyla-tion: islands, start sites, gene bodies and beyond. Nature Reviews Genetics. 2012;13(7):484-492. DOI: https://doi.org/10.1038/nrg3230

56. Schübeler D. Epigenetic islands in a genetic ocean. Science. 2012;338(6108):756-757. DOI: 10.1126/science.1227243

57.Flicek P, Ahmed I, Amode MR, et al. Ensembl 2013. Nucleic acids research. 2013;41(D1):D48-D55 DOI: 10.1093/nar/gks1236

58. McCarthy DJ, Humburg P, Kanapin A, et al. Choice of transcripts and software has a large effect on variant annotation. Genome medicine. 2014;6(3):26. DOI: https://doi.org/10.1186/gm543

59.Morin RD, Mendez-Lago M, Mungall A, et al. Frequent mutation of histone-modifying genes in non-Hodgkin lymphoma. Nature. 2011;476(7360):298-303. DOI: https://doi.org/10.1038/nature10351

References

1. Visscher PM, Wray EM, Zhang Q, et al. 10 years of GWAS discovery: biology, function, and translation. The American Journal of Human Genetics. 2017;101(1):5-22. DOI: 10.1016/j.ajhg.2017.06.005

2. Ermann J, Glimcher LH. After GWAS: mice to the rescue? Current opinion in immunology. 2012;24(5):564-570. DOI: 10.1016/j.coi.2012.09.005

3. Edwards SL, Beesley J, French JD, et al. Beyond GWASs: illuminating the dark road from association to function. The American Journal of Human Genetics. 2013;93(5):779-797. DOI: https://doi.org/10.1016/j.ajhg.2013.10.012

4. Wu J, Yu Z, Chen G. PD-1/PD-Ls: A New Target for Regulating Immunopathogenesis in Central Nervous System Disorders. Current drug delivery. 2017;14(6):791-796. DOI: https://doi.org/10.2174/156720181466616112315 2311

5. Zarrei M, MacDonald J, Merico D, et al. A copy number variation map of the human genome. Nature reviews genetics. 2015;16(3): 172183. DOI: https://doi.org/10.1038/nrg3871

6. Grimm JB, English BP, Chen J, et al. A general method to improve fluorophores for live-cell and single-molecule microscopy. Nature methods. 2015;12(3):244-250. DOI: https://doi.org/10.1038/nmeth.3256

7. Butkiewicz M, Bush WS. In silico functional annotation of genomic variation. Current protocols in human genetics. 2016;88(1):6.15.1-

6.15.17. DOI:

https://doi.org/10.1002/0471142905.hg0615s88

8. Lower KM, Hughes JR, De Gobbi M, et al. Adventitious changes in long-range gene expression caused by polymorphic structural variation and promoter competition. Proceedings of the National Academy of Sciences. 2009;106(51):21771-21776. DOI: https://doi.org/10.1073/pnas.0909331106

9. Sanger F, Nicklen S, Coulson AR. DNA sequencing with chain-terminating inhibitors. Proceedings of the national academy of sciences. 1977;74(12):5463-5467. DOI: 10.1073/pnas.74.12.5463

10. Shihab HA, Rogers MF, Gough J, et al. An integrative approach to predicting the functional effects of non-coding and coding sequence variation. Bioinformatics. 2015;31(10):1536-1543. DOI: https://doi.org/10.1093/bioinformatics/btv009

11.Brodie A, Azaria JR, Ofran Y. How far from the SNP may the causative genes be? Nucleic acids research. 2016;44(13):6046-6054. DOI: https://doi.org/10.1093/nar/gkw500

12. Chen G, Yu D, Chen J, et al. Reannotation of presumed noncoding disease/trait-associated genetic variants by integrative analyses. Scientific reports. 2015;5:9453. DOI: https://doi.org/10.1038/srep09453

13.Law MH, Bishop DT, Lee JE, et al. Genome-wide meta-analysis identifies five new susceptibility loci for cutaneous malignant melanoma. Nature Genetics. 2015;47(9):987-995. DOI: https://doi.org/ 10.1038/ng.3373

14. Sidore C, Busonero F, Maschio A, et al. Genome sequencing elucidates Sardinian genetic architecture and augments association analyses for lipid and blood inflammatory markers. Nature genetics. 2015;47(11): 1272-1281. DOI: https://doi.org/ 10.1038/ng.3368

15.Lander ES, Linton LM, Birren B, et al. Initial sequencing and analysis of the human genome. Nature. 2001;409(6822):860-921. DOI: 10.1038/35057062

16.Hagège H, Klous P, Braem, C, et al. Quantitative analysis of chromosome conformation capture assays (3C-qPCR). Nature protocols. 2007;2(7): 1722-1733. DOI: https://doi.org/10.1038/nprot.2007.243

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

17. Bulik-Sullivan B, Loh P, Finucane H, et al. LD Score regression distinguishes confounding from polygenicity in genome-wide association studies. Nature genetics. 2015;47(3):291-295. DOI: https://doi.org/10.1038/ng.3211

18. Zhang F, Lupski JR. Non-coding genetic variants in human disease. Human molecular genetics. 2015;24(R1):R102-R110. DOI: https://doi.org/ 10.1093/hmg/ddv259

19.Matys V, Fricke E, Geffers R, et al. TRANSFAC®: transcriptional regulation, from patterns to profiles. Nucleic acids research. 2003;31(1):374-378. DOI: https://doi.org/10.1093/nar/gkg 108

20. Sandelin A, Alkema W, Engstrom P, et al. JASPAR: an open-access database for eukary-otic transcription factor binding profiles. Nucleic acids research. 2004;32(1):D91-D94. DOI: http://dx.doi.org/ 10.1093/nar/gkh012

21.Newburger DE, Bulyk ML. UniPROBE: an online database of protein binding microarray data on protein-DNA interactions. Nucleic acids research. 2008;37(1):D77-D82. DOI: https://doi.org/ 10.1093/nar/gkn660

22. Bailey TL, Boden M, Buske FA, et al. MEME SUITE: tools for motif discovery and searching. Nucleic acids research. 2009;37(2):W202-W208. DOI: https://doi.org/ 10.1093/nar/gkp335

23.Bryzgalov LO, Antontseva EV, Mat-veeva MYu, et al. Detection of regulatory SNPs in human genome using ChIP-seq ENCODE data. PLoS one. 2013;8(10):e78833. DOI: https://doi.org/10.1371/journal.pone.0078833

24.Watanabe K, Taskesen E, van Bochoven A, et al. FUMA: Functional mapping and annotation of genetic associations. European Neuropsy-chopharmacology. 2019;29(3):S789-S790. DOI: https://doi.org/10.1016/j.euroneuro.2017.08.018

25.Li MJ, Yan B, Sham PCh, et al. Exploring the function of genetic variants in the non-coding genomic regions: approaches for identifying human regulatory variants affecting gene expression. Briefings in bioinformatics. 2014;16(3):393-412. DOI: https: //doi .org/ 10.1093/bib/bbu018

26.Nishizaki SS, Boyle AP. Mining the unknown: assigning function to noncoding single nucleotide polymorphisms. Trends in Genetics. 2017;33(1):34-45. DOI: https://doi.org/10.1016/j.tig.2016.10.008

27.Ameur A, Rada-Iglesias A, Komorowski J, et al. Identification of candidate regulatory SNPs by combination of transcription-factor-binding site prediction, SNP genotyping and hap-loChIP. Nucleic acids research. 2009;37(12):e85-e85. DOI: https://doi.org/10.1093/nar/gkp381

28.Pabinger S, Dander A, Fischer M, et al. A survey of tools for variant analysis of next-

generation genome sequencing data. Briefings in bioinformatics. 2014;15(2):256-278. DOI: https://doi.org/10.1093/bib/bbs086

29.Duggal G, Wang H., Kingsford C. Higher-order chromatin domains link eQTLs with the expression of far-away genes. Nucleic acids research. 2013;42(1):87-96. DOI: https://doi.org/10.1093/nar/gkt857

30.Pruitt KD, Tatusova T, Maglott DR. NCBI reference sequences (RefSeq): a curated non-redundant sequence database of genomes, transcripts and proteins. Nucleic acids research. 2007;35(1):D61-D65. DOI: https://doi.org/10.1093/nar/gkl842

31.Nishizaki SS, Boyle A. Mining the unknown: assigning function to noncoding single nucleotide polymorphisms. Trends in Genetics. 2017;33(1):34-45. DOI: https://doi.org/10.1016/j.tig.2016.10.008

32.Gibbs JR van der Brug MP, Hernandez DG, et al. Abundant quantitative trait loci exist for DNA methylation and gene expression in human brain. PLoS genetics. 2010;6(5):e1000952. DOI: https://doi.org/10.1371/] ournal.pgen.1000952

33.Gutierrez-Arcelus M, Lappalainen T, Montgomery SB, et al. Passive and active DNA methylation and the interplay with genetic variation in gene regulation. Nelife. 2013;2:e00523. DOI: 10.7554/eLife.00523

34.Kato N, Loh M, Takeuchi F, et al. Trans-ancestry genome-wide association study identifies 12 genetic loci influencing blood pressure and implicates a role for DNA methylation. Nature genetics. 2015;47(11): 1282-1293. DOI: https://doi.org/10.1038/ng.3405

35. Fisher S, Grice E, Vinton R et al. Evaluating the biological relevance of putative enhancers using Tol2 transposon-mediated transgenesis in zebrafish. Nature protocols. 2006;1(3): 1297-1305. DOI: https://doi.org/10.1038/nprot.2006.230

36. Kheradpour P, Ernst J, Melnikov A, et al. Systematic dissection of regulatory motifs in 2000 predicted human enhancers using a massively parallel reporter assay. Genome research. 2013;23(5):800-811. DOI: 10.1101/gr.144899.112

37. Arnold CD, Gerlach D, Stelzer Ch, et al. Genome-wide quantitative enhancer activity maps identified by STARR-seq. Science. 2013;339(6123): 1074-1077. DOI: 10.1126/science.1232542

38. Strahl BD, Allis CD. The language of covalent histone modifications. Nature.

2000;403(6765):41. DOI:

https://doi.org/10.1038/47412