Nya beräkningsmetoder ger bättre genetiska tester

Så kallade genomtäckande associationsstudier har blivit vanliga inom medicin. Målet är att ta reda på vilka gener som har betydelse för olika sorters sjukdomstillstånd. Carl Nettelblad vid Uppsala universitet visar i sin nya avhandling hur nya beräkningsmetoder kan göra analyserna mer exakta utan att kräva mer datorkraft.

Genomtäckande associationsstudier (genome-wide association studies, GWAS) bygger på att man samlar in genetiskt material från ett stort antal personer och jämför generna i olika positioner med olika egenskaper, som till exempel om man har drabbats av diabetes eller har förhöjda blodsockervärden. På så sätt hoppas man hitta vilka gener som har betydelse för dessa tillstånd. Tidigare byggde de vanligaste metoderna på att man jämförde drabbade personer med deras närmaste släktingar, vilket var mycket mer tidsödande.

Även om genetiska tester har blivit billigare är det dyrt och komplicerat att använda de allra mest avancerade metoderna på varje prov. Därför testar man ofta ett begränsat antal genpositioner (så kallade markörer) i genomet med snabba och enkla metoder, fast forskarna vet att det finns många fler positioner som kan spela roll. Sedan några år känner man till att man kan fylla i de markörer man inte testade, om man har ett bibliotek med referensgenom från personer där man har använt de dyrare metoderna. Korta stumpar av DNA har bevarats oförändrade, så om de markörer man har testat i en kort stump har en match i biblioteket kan man fylla i resten därifrån.

Carl Nettelblad, doktorand i beräkningsvetenskap med inriktning på genetik, har i sin forskning bland annat utvecklat bättre beräkningsmetoder för att fylla i gener från bibliotek, eller imputation som det också kallas.

- De nya metoder jag föreslår på olika sätt kan leda till att GWAS-analyser och andra genetiska analyser kan bli mer exakta, utan att kräva mycket mer datorkraft. I vissa fall kan mina metoder också hantera många fler gener och individer samtidigt än de modeller som hittills har varit vanliga, förklarar Carl Nettelblad.

Han menar att vissa tidigare metoder för imputationer ger fel om det finns med närbesläktade individer i studien. Det som fylls i från biblioteken blir i praktiken nästan slumpmässigt. Det här skulle kunna innebära att en del studier som har genomförts felaktigt har kopplat gener till vissa egenskaper, men mer troligt är att man har missat kandidatgener som man hade kunnat hitta med hans förbättrade metodik.

- Jag hoppas förstås att metoderna jag har utvecklat kommer till användning. GWAS är ett oerhört kraftfullt verktyg som på bara några år har gett oss en bättre förståelse av många folksjukdomar, allt från diabetes till schizofreni, säger Carl Nettelblad.

Läs mer om och ladda ner avhandlingen Two Optimization Problems in Genetics: Multi-dimensional QTL Analysis and Haplotype Inference. Avhandlingen försvaras den 26 oktober.

För mer information kontakta Carl Nettelblad, tel: 070 359 12 42, e-post: carl.nettelblad@it.uu.se