近年来，表达数量性状位点（eQTL）研究蓬勃发展，为我们深入理解真核细胞的转录调控机制以及全基因组关联研究（GWAS）中遗传变异影响的生物学过程提供了重要线索。当前，大多数eQTL研究都采用严格校正的P值，以确保鉴定高度可信的eQTL位点。然而，严格控制错误发现率也限制了识别真实eQTL的效力。因此，厦门大学医学院统计支持办公室近期上线了一种表观基因组增强的eQTL分析框架，E-SpotFinder-XMBD[1]，基于泛组织eQTL热点建模，预测组织特异性的eQTL热点，此项工作大大了提高识别真实eQTL位点的能力。

一、E-SpotFinder-XMBD框架原理和优势

我们首先提出了一种基于非齐次泊松过程的方法，在59种人类组织或细胞类型中识别出了125,489个eQTL高频出现的区域（eQTL热点）。

我们根据不同的序列特征将eQTL热点分为两类：C1和C2。这两类eQTL热点均在活跃的表观遗传学标志物（例如H3K27ac、H3K4me1和H3K4me3）中呈现高活性，在抑制性表观遗传学标志物（例如H3K9me3）中呈现低活性。eQTL热点C1主要参与非活性启动子相关的活动，eQTL热点C2主要参与转录起始和增强子相关的活动。其次，我们基于这两类eQTL热点及其表观基因组学和基因组学特征，建立了名为“E-SpotFinder-XMBD”的机器学习模型，用于增强发现组织或细胞类型特异性eQTL热点。

二、性能对比

我们将此模型应用于36种组织或细胞类型中，发现组织或细胞类型特异的eQTL热点与泛组织热点具有相同的调控特性，且展现出与增强子相似的高水平eQTL 活性。最后，我们在36种组织或细胞类型的eQTL热点内重新定义了eQTL显著性阈值。与其他阈值方法相比，由此得到的eQTL在精准定位的eQTL和疾病的风险位点中呈现出更高的富集倍数。 

综上所述，我们建立了一个表观遗传学增强的eQTL分析框架，可预测各组织或细胞类型中的eQTL热点即DNA顺式调控热点，这有助于更好地理解基因的转录调控。

运行E-SpotFinder

1. python E-SpotFinder.py <input_feature_matrix>   

例子

1.  git clone git@github.com:Lhhuan/E-SpotFinder.git  

2.    

3.  cd E-SpotFinder  

4.    

5.  python E-SpotFinder.py Example_input.txt.gz 

依赖模块

1.  Python: 3.9.12  

2.    

3.     pandas: 1.2.5  

4.    

5.     numpy: 1.20.3  

6.    

7.     pickle: 4.0  

8.    

9.     xgboost: 1.5.0  

E-SpotFinder的引用信息请参考：

LIU H, CHEN Q, GUO J, et al. Epigenome-augmented eQTL-hotspots reveal genome-wide transcriptional programs in 36 human tissues[J]. Brief Bioinform, 2024, 25(3):bbae109.

三、厦门大学医学院统计支持办公室新实验方法咨询

厦门大学医学院统计支持办公室提供基于E-SpotFinder-XMBD框架的定制化组织特异性的DNA顺式调控热点分析流程，主要服务内容包括：

（1）数据分析：包含实验数据整理、统计分析、高通量测序分析、图表设计及绘制和相关解释。

（2）咨询服务：提供统计方法、图表设计、样本量计算咨询。

（3）分析报告：包括数据分析结果总结和科研论文方法部分的撰写。

我们十分乐意为老师和同学们解答E-SpotFinder分析过程中的各种问题。无论是在数据处理、分析方法选择还是科研论文撰写阶段，我们都愿意为同学们提供专业的建议和支持！

地点：医学院健康医疗大数据国家研究院爱礼楼201室

联系电话：18030257072 

邮箱：trans_medxmu@126.com

参考文献：

[1]    LIU H, CHEN Q, GUO J, et al. Epigenome-augmented eQTL-hotspots reveal genome-wide transcriptional programs in 36 human tissues[J]. Brief Bioinform, 2024, 25(3): bbae109