他們比較了全基因組關聯研究（GWAS）、數量性狀位點（QTL）分析、外顯子組測序以及網絡擴散分析等方法，看看哪種方法能更好地確定30種疾病性狀的藥物靶點。他們于6月15日將結果發表在《Cell Genomics》雜志上。

盡管GWAS被認為是尋找藥物靶點的最有用方法，但據作者介紹，大規模分子數量性狀位點（mQTL）和全外顯子組測序等方法也促進了疾病機制的發現和潛在藥物靶點的鑒定。他們指出，GWAS和QTL-GWAS方法主要關注常見的基因變異，而外顯子組方法只考慮次要等位基因頻率低于1%的罕見變異。

研究人員希望比較每種方法在藥物靶點優先級排序中的作用，為此他們使用了多個公開數據集并計算了基因評分。之前，這些方法評定為優先考慮的基因更有可能成為美國FDA批準的藥物靶點。

總的來說，他們發現藥物靶點集中在這些方法優先考慮的基因中。具體來說，對于GWAS、eQTL-GWAS、外顯子組和pQTL-GWAS方法，藥物靶點的富集幾率分別為2.17、2.04、1.81和1.31。

在考慮了每種方法的樣本量和可測試基因數量的差異后，作者得出結論，GWAS在鑒定藥物靶點方面優于eQTL-GWAS和pQTL-GWAS方法，但不包括外顯子組方法。他們指出，外顯子組分析優先考慮的基因與GWAS或QTL-GWAS方法所強調的基因不同。

他們還利用網絡連接（network connectivity）來鑒定那些與致病基因相互作用的鄰近基因，以此來尋找潛在的藥物靶點。網絡分析的加入進一步改善了各種方法的藥物靶點優先級排序。

不過，研究人員也指出了他們研究中的局限性。例如，他們在連接分析中使用的STRING網絡出現非隨機的網絡邊緣缺失，表明這可能是一個有偏倚的網絡結構。

作者還指出，他們還沒有考慮治療的方向性，以及藥物是激動劑還是拮抗劑。“盡管在性能上不及GWAS，但QTL-GWAS方法的優點是指定了方向，而GWAS方法的基因評分則忽略了SNP效應的方向，”他們補充說。

研究人員還指出，他們的分析是以過去的藥物發現數據作為基礎來比較各種方法，但這些數據可能是存在偏倚的。例如，G蛋白偶聯受體大約是三分之一的FDA批準藥物的靶點，盡管其他基因也可能是有效的靶點，但它們未在臨床試驗中得到測試。

“因此，我們的結果可能沒有反映出所測試的各種方法在多大程度上發現了真正的致病基因，而是反映出它們在多大程度上鑒定出以往藥物開發過程中優先考慮的基因，”他們提醒說。

原文檢索

Multi-layered genetic approaches to identify approved drug targets

DOI: https://doi.org/10.1016/j.xgen.2023.100341


（文章來源:www.ebiotrade.com/newsf/2023-6/2023619112704453.htm）