IF31.7｜血液基因表达与剪接遗传调控图谱及多组学整合

4,732人血液RNA-seq揭示17,233个基因表达QTL和29,514个剪接QTL，整合蛋白与代谢组数据，解析疾病机制。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

全基因组关联研究（GWAS）发现的大多数疾病相关遗传变异位于非编码区，其分子机制尚不清楚。分子数量性状基因座（QTL）定位研究通过识别转录本、蛋白质或代谢物丰度的遗传决定因素，可以填补这一知识空白，为功能验证实验提供具体假设。此前已有许多研究在单一分子层面（如基因表达或蛋白表达）进行QTL定位，但多组学QTL数据对于理解从遗传变异到复杂性状表型的完整因果分子链至关重要。在单一人群样本中同时获得多模态数据，可增强因果推断分析的解释力和有效性。

科学问题

卡在哪里： 此前缺乏在同一个体队列中同时整合基因表达、剪接、蛋白质和代谢物QTL数据的大规模研究，导致对遗传变异如何通过转录事件影响下游分子表型和疾病风险的机制理解不足，尤其是剪接QTL对复杂性状的贡献尚未被充分探索。

本文要回答： 在INTERVAL队列中系统绘制血液基因表达和剪接QTL图谱，并整合蛋白质组和代谢组数据，通过共定位和中介分析揭示遗传变异影响分子表型和疾病结局的调控机制。

技术路线

作者主要用了：bulk RNA-seq、eQTL/sQTL定位、共定位分析、中介分析、多组学整合。

作者利用INTERVAL研究中4,732名献血者的外周血RNA-seq数据，定量了19,173个常染色体基因的表达水平和111,937个剪接事件（来自差异内含子使用率），分别进行顺式eQTL和sQTL定位。随后，将QTL结果与同一队列中的血浆蛋白（Olink和SomaScan平台）和血清代谢物（Metabolon和Nightingale平台）QTL数据进行共定位分析，识别共享遗传信号的分子表型。进一步通过中介分析评估基因表达或剪接对下游分子表型的因果效应，并利用FinnGen和COVID-19 HGI的GWAS数据解析疾病相关位点的调控机制。

图 1　Fig. 1。图1展示了研究设计的整体框架：从INTERVAL队列收集血液样本，进行RNA-seq获得基因表达和剪接数据，同时整合同一批个体的蛋白质组（Olink、SomaScan）和代谢组（Metabolon、Nightingale）数据，通过QTL定位、共定位和中介分析，最终关联到疾病表型（如COVID-19）。该图概括了多组学整合的策略和主要数据来源。

核心亮点

亮点 1｜大规模eQTL与sQTL图谱

在4,732名个体中，鉴定出17,233个基因（89.9%）具有至少一个显著的顺式eQTL（FDR<0.05），共56,959个独立信号（53,457个独特lead变异），每个基因中位3个独立信号。同时，发现29,514个剪接事件具有顺式sQTL，涉及6,853个基因，其中543个基因未检测到eQTL。条件分析揭示47,050个独立sQTL信号。与eQTLGen和GTEx数据比较显示高度一致性，并新发现4,470个sGenes，证明了大样本量和从头剪接事件定量的价值。

图 2　Fig. 2。图2a显示顺式sQTL lead变异在基因体上的分布呈双峰，主要富集在转录起始位点和转录结束位点附近；图2b总结了反式QTL定位的策略和结果，包括2,058个反式eGenes和644个反式剪接事件；图2c的Circos图展示了QKI的cis-eQTL与18个反式sGenes的关联，突出反式剪接调控的广泛性。

亮点 2｜反式调控网络与转录因子富集

针对53,457个条件独立的顺式eSNP进行反式分析，发现2,058个反式eGenes和644个反式剪接事件（209个反式sGenes）。反式eQTL的cis-eGenes显著富集于转录调控和免疫反应相关GO术语，其中序列特异性转录因子占14.3%，C2H2锌指结构域显著富集。例如，PLAG1的cis-eQTL与284个反式eGenes相关。此外，RNA结合剪接因子QKI的cis-eQTL调控18个反式sGenes，为反式剪接调控提供了新证据。

图 3　Fig. 3。图3a柱状图显示各分子表型中与cis-eQTL或cis-sQTL共定位的比例，如Olink蛋白65.9%、SomaScan蛋白63.7%、Nightingale代谢物99.1%、Metabolon代谢物81.5%；图3b网络图展示了共定位结果的互作关系，右侧突出OAS1、IL6R和WARS1等例子，说明剪接事件与蛋白水平的关联。

亮点 3｜剪接QTL驱动蛋白水平变化

共定位分析显示，41.0%的与pQTL共定位的剪接事件切除编码蛋白结构域的外显子，其中69个蛋白的pQTL与切除跨膜结构域的sQTL共定位，且60.2%的独立sQTL信号不与eQTL共定位。例如，IL6R和IL7R的跨膜结构域剪接事件与血浆蛋白水平共定位，但无eQTL共定位，表明剪接是独立于总转录本丰度的调控机制。中介分析进一步显示，IL17RA的跨膜结构域剪接介导了90.41%的sSNP对血浆蛋白水平的影响。

图 4　Fig. 4。图4a为中介分析模型示意图，展示遗传变异通过基因表达或剪接影响分子表型；图4b显示sQTL和eQTL介导的分子表型数量；图4c展示IL6R和IL17RA跨膜结构域剪接与血浆蛋白水平的中介分析结果，其中IL17RA剪接介导了90.41%的效应，而IL6R仅介导4.67%，体现不同基因的差异。

亮点 4｜疾病相关位点的剪接机制

与FinnGen疾病表型共定位分析发现，649个cis-eGenes和365个cis-sGenes与疾病信号共定位。例如，IL7R跨膜结构域剪接的sQTL与皮炎和湿疹风险共定位，WARS1外显子10剪接的sQTL与高血压风险共定位。在COVID-19中，OAS1和IFNAR2位点的eQTL和sQTL与疾病易感性/严重性共定位，其中IFNAR2的跨膜结构域剪接事件可能通过产生可溶性受体影响疾病严重性。

图 5　Fig. 5。图5a展示IL7R和WARS1的sQTL信号对血浆蛋白水平及疾病（皮炎、湿疹、高血压）的效应方向和通路；图5b为cis-eQTL和cis-sQTL与COVID-19 HGI GWAS信号的共定位基因水平总结，红色虚线为全基因组显著性阈值；图5c展示OAS1位点的多性状共定位，包括eQTL、sQTL、pQTL和COVID-19信号，表明该位点存在多个独立转录机制。

亮点 5｜中介分析揭示因果链

中介分析发现，143个cis-eGenes的表达显著介导了413个cis-eSNPs对202个下游分子表型的效应（525个模型），106个剪接事件介导了152个cis-sSNPs对50个分子表型的效应（241个模型）。例如，IL6R跨膜结构域剪接介导了lead SNP对血浆IL-6R蛋白水平4.67%的效应，而IL17RA剪接介导了90.41%的效应，表明剪接在不同基因中贡献差异显著。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： bulk RNA-seq、eQTL/sQTL定位、共定位分析、中介分析、多组学整合
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事QTL定位、多组学整合或复杂疾病遗传机制研究的生信人员与遗传学家。

带走一句

剪接QTL是独立于表达QTL的重要调控层，整合多组学QTL并关注非primary信号能大幅提升疾病机制解析能力。