背景：既存のSNPデータで構造変異を調べる

ロングリードゲノムから作成した参照パネルを用い、既存の一塩基多型（SNP）データから構造変異（SV）を推定して、ヒトの複合形質との関連を調べた研究がNature Geneticsに掲載された。研究チームはImputeSVを開発し、英国バイオバンク（UKB）の欧州系参加者456,643人に適用した。大規模集団では直接測定が難しいSVを、既存データで解析する基盤を整えた成果だ。

SVは一般に、50塩基対（bp）以上の挿入、欠失、逆位などを指す。SNPアレイで検出できるSVは、一部の大きな変異に限られる。ショートリード全ゲノム解析ではより多くのSVを見つけられるものの、反復配列のような複雑な領域では依然として検出が難しい。高精度なロングリード解析も、大規模コホート全体に適用するには費用がかさむ。今回の研究は、比較的小規模な集団の高精度ゲノムを参照として、大規模SNPデータの活用範囲を広げる方法を採った。

主な発見：241人の高精度ゲノムを45万人の解析につなぐ

研究チームは、多様な祖先集団に属する241人のPacBio HiFiロングリードデータから作成された482個のアセンブリを利用した。各人が両親から受け継いだ2つのゲノムを区別したデータから、高品質なSVを171,233個取得し、SNPとSVが共に現れるパターンに基づいて未測定SVの遺伝子型を推定するインピュテーション参照パネルを構築した。

性能は入力データと評価指標によって異なった。アレイで測定したSNPを先にインピュテーションして入力した条件では、Genome in a Bottle（GIAB）参照データに対するF1スコアは0.92、遺伝子型一致率は最大0.97だった。F1は検出の適合率と再現率を合わせて評価する指標だ。集団レベルで、頻度の高いSVの推定遺伝子型と観測遺伝子型を比較した相関係数の二乗（r²）の中央値は0.78だった。このr²評価では、標本数が不十分なアメリカ大陸の混合祖先集団と南アジア集団を除外した。

UKBへの適用では、マイナーアレル頻度が1%以上の頻度の高いSVを54,578個推定した。2,624形質を対象とする全ゲノム関連解析（GWAS）では、4,397個のSVと656形質の間に17,335件の関連が確認された。リード変異かどうか、小さな変異を考慮した条件付き解析、ファインマッピングのうち、少なくとも1つの基準を満たした958座位では、小さな遺伝変異だけで関連シグナルを説明できる可能性は低かった。

別途、636の定量形質について頻度の高いSVと小さな変異を同時に解析したところ、それぞれが説明する表現型分散は平均1.0%と20.2%だった。研究チームは、両成分を合わせた頻度の高い変異による遺伝分散のうち、SVが占める割合を少なくとも4.7%と推定した。この数値は、疾患発生率や遺伝率全体に占める割合とは区別する必要がある。

意義と展望：原因候補を絞る公開研究資源

形質と関連するSVは、他のSVと比べ、遺伝子発現の調節領域やRNA結合タンパク質の結合部位などに多く見られた。喘息と関連する60 bpの欠失は、脛骨動脈組織におけるNRROS発現と結びついていた。2型糖尿病と関連するJAZF1内部の364 bpの欠失も、複数の組織で同遺伝子の発現と関連し、最も強い発現関連シグナルは膵臓で観察された。これらは後続実験で検討する機序候補を示すが、当該欠失が疾患を引き起こすという機能的因果関係を証明するものではない。

近接する変異が一緒に遺伝する連鎖不平衡のため、SVと小さな変異の影響を区別しにくい座位も多い。主解析が欧州系に集中し、非欧州系の推定値は標本数が少ないため、より不安定だったという限界も残る。公開されたパネルとツールは既存データの再解析に役立つが、臨床診断や遺伝的リスク予測の性能向上は別途検証が必要だ。

研究設計と結果は、Nature Genetics論文の、提供されたEurope PMC全文で確認できる。