Syllabus del corso
Obiettivi formativi
l corso si propone di fornire agli studenti gli strumenti statistici per analizzare e interpretare i dati genetici, con particolare riferimento agli studi di associazione su scala genomica (GWAS). Al termine del corso lo studente sarà in grado di leggere criticamente un GWAS pubblicato, riconoscendone il controllo di qualità, il modello statistico e la strategia di replicazione; di eseguire in autonomia, in ambiente R, una pipeline completa che va dal controllo di qualità dei genotipi al test di associazione, fino alla correzione per la struttura di popolazione, all'imputazione e alla meta-analisi; di scegliere modelli e codifiche del genotipo appropriati alla domanda biologica; di diagnosticare e correggere le insidie più comuni di questi studi, in primo luogo la stratificazione di popolazione e la molteplicità dei test; e infine di tradurre un segnale statistico in un'ipotesi biologica preliminare, producendo un report riproducibile che documenti l'intera analisi.
Contenuti sintetici
Il corso copre l'intero percorso analitico di uno studio di associazione genetica, organizzato attorno a un unico caso di studio — un GWAS caso-controllo per il diabete di tipo 2 in popolazione europea. I temi trattati comprendono il vocabolario di base della variazione genetica e i formati dei dati, le frequenze alleliche, l'equilibrio di Hardy–Weinberg e il linkage disequilibrium; la natura del dato di sequenziamento e la lettura critica della sua qualità; il controllo di qualità a livello di campione e di variante; la correzione della struttura di popolazione mediante analisi delle componenti principali e modelli misti; il test di associazione single-SNP con i relativi problemi di interpretazione dell'effetto e di molteplicità dei test; l'imputazione genotipica; la meta-analisi e la replicazione; e infine l'annotazione funzionale che porta dal locus statistico all'ipotesi biologica.
Programma esteso
Il corso si apre con un'introduzione alla variazione genetica, in cui si fissano i concetti e il vocabolario fondamentali (locus, allele, genotipo, polimorfismo, SNP, aplotipo) e si discute la natura osservazionale della genetica umana, che rende indispensabile il ragionamento statistico.
Si passa quindi ai dati genetici veri e propri: i formati con cui si rappresentano i genotipi, il calcolo delle frequenze alleliche e genotipiche, l'equilibrio di Hardy–Weinberg come modello di riferimento e il suo test, e il linkage disequilibrium con le sue implicazioni per il disegno e l'interpretazione di un GWAS.
Un modulo integrativo è dedicato a come nasce il dato di sequenziamento, seguendo la catena che porta dalla molecola di DNA al file di sequenze. L'obiettivo non è bioinformatico ma statistico: comprendere che il dato è una stima rumorosa e imparare a leggere criticamente un report di qualità, riconoscendo le sorgenti di rumore strutturato che si propagano ai modelli a valle.
Il controllo di qualità viene poi affrontato come parte integrante di ogni GWAS, distinguendo i filtri a livello di campione da quelli a livello di variante e discutendo il razionale statistico di ciascuna soglia, fino alla documentazione del processo.
Il corso entra quindi nel tema della struttura di popolazione, mostrando come la stratificazione non corretta gonfi i falsi positivi e come la si possa diagnosticare e correggere, attraverso l'analisi delle componenti principali e i modelli lineari misti, che affrontano in un solo passo sia la stratificazione sia le parentele criptiche.
Il nucleo del corso è il test di associazione single-SNP: il quadro della regressione lineare e logistica, le diverse codifiche del genotipo, l'interpretazione dell'effetto in termini di effect size e odds ratio, il problema della molteplicità dei test e l'origine della soglia genome-wide, e la diagnostica complessiva dell'analisi (Manhattan plot, QQ plot, fattore di inflazione genomica).
Seguono l'imputazione genotipica, che estende la copertura dai marcatori del chip all'intero genoma sfruttando il linkage disequilibrium, e il lavoro con i dosaggi nei test di associazione; e la meta-analisi con la replicazione, che permette di combinare più coorti per guadagnare potenza, valutarne l'eterogeneità e consolidare i risultati.
Il corso si chiude con la fase post-GWAS, in cui il segnale statistico viene collegato alla biologia tramite annotazione funzionale e risorse pubbliche, e con un progetto guidato su un secondo dataset, in cui gli studenti replicano l'intera pipeline e producono un report in stile clinico.
Prerequisiti
Si richiede una solida preparazione in biostatistica classica: inferenza statistica, test d'ipotesi, intervalli di confidenza e familiarità con i modelli di regressione lineare e logistica. È necessaria una conoscenza di base del linguaggio R e dell'ambiente RStudio, sufficiente a manipolare dati e produrre grafici. Non è richiesta alcuna competenza pregressa di genetica o di bioinformatica: i concetti biologici necessari vengono introdotti nel corso nella misura utile all'analisi statistica.
Metodi didattici
Il corso alterna lezioni frontali e laboratori pratici in R, condotti sui portatili degli studenti in ambiente RStudio, senza necessità di infrastrutture di calcolo dedicate. L'impianto didattico è guidato da un unico caso di studio percorso dall'inizio alla fine: ogni nuovo metodo viene introdotto a partire dalla domanda clinica o epidemiologica che lo motiva, sviluppato come modello statistico e infine tradotto in codice. I laboratori non sono esercitazioni isolate ma costruiscono progressivamente i diversi segmenti di una pipeline unica, che confluisce nell'elaborato finale. La lettura guidata di articoli scientifici accompagna le lezioni, per abituare lo studente a interpretare criticamente metodi, statistica e figure di un GWAS pubblicato.
Modalità di verifica dell'apprendimento
La verifica si basa su un elaborato finale costituito da un report riproducibile in R Markdown, costruito su un secondo dataset caso-controllo diverso da quello usato a lezione e fornito dal docente. L'esame si articola in tre componenti tra loro collegate: un progetto guidato, svolto in laboratorio supervisionato, in cui lo studente replica l'intera pipeline e dà forma all'elaborato; la consegna del report, vincolata al requisito che esso sia rieseguibile integralmente sul portatile del docente, dal dato grezzo alle tabelle e alle figure, senza interventi manuali; e una discussione orale di circa quindici minuti, individuale o di piccolo gruppo, in cui si presentano e si difendono criticamente le scelte metodologiche e i risultati.
L'elaborato e la sua discussione sono valutati rispetto a quattro criteri di pari peso, ciascuno pari al venticinque per cento del giudizio complessivo. Il primo è la correttezza metodologica, cioè l'appropriatezza di ogni passo della pipeline rispetto alla domanda e ai dati, con giustificazione esplicita delle scelte di codifica, covariate e soglie. Il secondo è l'interpretazione statistica, ossia la capacità di leggere i risultati in termini di effect size, confidenza e incertezza, e non soltanto di p-value. Il terzo è l'interpretazione clinico-biologica, vale a dire la collocazione dei loci principali nel loro contesto biologico mediante risorse pubbliche, con la dovuta cautela sulla distinzione tra locus e gene. Il quarto è la riproducibilità, intesa come capacità del report di essere rieseguito end-to-end senza interventi manuali.
Il voto è espresso in trentesimi. La sufficienza, fissata a diciotto trentesimi, richiede una pipeline corretta nei passaggi essenziali e un report che si riesegua senza errori; il punteggio pieno richiede inoltre un'interpretazione statistica e clinica accurata e scelte metodologiche pienamente giustificate. La lode è riservata agli elaborati che mostrano autonomia critica, ad esempio attraverso analisi di sensibilità non richieste, la discussione delle assunzioni violate o un uso particolarmente lucido delle risorse di annotazione. La riproducibilità costituisce un requisito di ammissione alla valutazione: un report che non viene eseguito è restituito per la correzione prima di essere valutato nel merito. Il lavoro in piccolo gruppo è ammesso per il progetto, ma la discussione orale verifica il contributo e la comprensione individuali. La frequenza dei laboratori, pur non valutata di per sé, è fortemente raccomandata, poiché ciascuno di essi costruisce una parte della pipeline che confluisce nell'elaborato.
Testi di riferimento
Per una panoramica concisa dell'intera pipeline GWAS si rimanda a Bush e Moore, Genome-Wide Association Studies (PLOS Computational Biology, 2012), e al tutorial applicativo di Marees e colleghi, A tutorial on conducting genome-wide association studies (Int J Methods Psychiatr Res, 2018). Per gli approfondimenti tematici si consigliano Price e colleghi, New approaches to population stratification in genome-wide association studies (Nature Reviews Genetics, 2010); Marchini e Howie, Genotype imputation for genome-wide association studies (Nature Reviews Genetics, 2010); ed Evangelou e Ioannidis, Meta-analysis methods for genome-wide association studies and beyond (Nature Reviews Genetics, 2013). Come sintesi conclusiva è particolarmente utile Visscher e colleghi, 10 years of GWAS discovery: biology, function, and translation (American Journal of Human Genetics, 2017). Per il modulo sul dato di sequenziamento si rimanda a Goodwin, McPherson e McCombie, Coming of age: ten years of next-generation sequencing technologies (Nature Reviews Genetics, 2016), e, sull'origine del punteggio di qualità, a Ewing e Green, Base-calling of automated sequencer traces using phred. II (Genome Research, 1998).
Periodo di erogazione dell'insegnamento
secondo semestre
Lingua di insegnamento
italiano
Sustainable Development Goals
Learning objectives
The course aims to equip students with the statistical tools needed to analyse and interpret genetic data, with particular reference to genome-wide association studies (GWAS). By the end of the course, students will be able to critically read a published GWAS, recognising its quality control, statistical model and replication strategy; to independently run, in the R environment, a complete pipeline that proceeds from genotype quality control to association testing, and on to population-structure correction, imputation and meta-analysis; to choose statistical models and genotype encodings appropriate to the biological question; to diagnose and correct the most common pitfalls of these studies, foremost population stratification and multiple testing; and finally to translate a statistical signal into a preliminary biological hypothesis, producing a reproducible report that documents the entire analysis.
Contents
The course covers the full analytical path of a genetic association study, organised around a single case study — a case-control GWAS for type-2 diabetes in a European population. The topics addressed include the basic vocabulary of genetic variation and data formats, allele frequencies, Hardy–Weinberg equilibrium and linkage disequilibrium; the nature of sequencing data and the critical reading of their quality; quality control at the sample and variant level; correction of population structure through principal component analysis and mixed models; single-SNP association testing with its attendant problems of effect interpretation and multiple testing; genotype imputation; meta-analysis and replication; and finally the functional annotation that leads from the statistical locus to a biological hypothesis.
Detailed program
The course opens with an introduction to genetic variation, establishing the fundamental concepts and vocabulary (locus, allele, genotype, polymorphism, SNP, haplotype) and discussing the observational nature of human genetics, which makes statistical reasoning indispensable.
It then turns to the genetic data themselves: the formats used to represent genotypes, the calculation of allele and genotype frequencies, Hardy–Weinberg equilibrium as a reference model and its test, and linkage disequilibrium with its implications for the design and interpretation of a GWAS.
A supplementary module is devoted to how sequencing data come into being, following the chain that leads from the DNA molecule to the sequence file. The aim is not bioinformatic but statistical: to understand that the data are a noisy estimate and to learn to read a quality report critically, recognising the sources of structured noise that propagate to downstream models.
Quality control is then addressed as an integral part of every GWAS, distinguishing sample-level from variant-level filters and discussing the statistical rationale of each threshold, through to the documentation of the process.
The course then enters the theme of population structure, showing how uncorrected stratification inflates false positives and how it can be diagnosed and corrected, through principal component analysis and linear mixed models, which address stratification and cryptic relatedness in a single step.
The core of the course is single-SNP association testing: the linear and logistic regression framework, the various genotype encodings, the interpretation of effects in terms of effect size and odds ratio, the multiple-testing problem and the origin of the genome-wide threshold, and the overall diagnostics of the analysis (Manhattan plot, QQ plot, genomic inflation factor).
There follow genotype imputation, which extends coverage from the chip markers to the whole genome by exploiting linkage disequilibrium, and the use of dosages in association testing; and meta-analysis with replication, which allows multiple cohorts to be combined to gain power, their heterogeneity to be assessed, and the results to be consolidated.
The course closes with the post-GWAS phase, in which the statistical signal is connected to biology through functional annotation and public resources, and with a guided project on a second dataset, in which students replicate the entire pipeline and produce a clinical-style report.
Prerequisites
A solid grounding in classical biostatistics is required: statistical inference, hypothesis testing, confidence intervals, and familiarity with linear and logistic regression models. A basic knowledge of the R language and the RStudio environment is necessary, sufficient to manipulate data and produce plots. No prior background in genetics or bioinformatics is required: the necessary biological concepts are introduced during the course to the extent useful for the statistical analysis.
Teaching methods
The course alternates lectures with hands-on R laboratories, run on students' own laptops in the RStudio environment, with no need for dedicated computing infrastructure. The teaching design is driven by a single case study followed from beginning to end: each new method is introduced starting from the clinical or epidemiological question that motivates it, developed as a statistical model, and finally translated into code. The laboratories are not isolated exercises but progressively build the successive segments of a single pipeline, which converges into the final deliverable. Guided reading of scientific papers accompanies the lectures, training students to critically interpret the methods, statistics and figures of a published GWAS.
Assessment methods
Assessment is based on a final deliverable consisting of a reproducible R Markdown report, built on a second case-control dataset different from the one used in class and provided by the instructor. The examination is structured in three interconnected components: a guided project, carried out in a supervised laboratory, in which the student replicates the entire pipeline and gives shape to the deliverable; submission of the report, subject to the requirement that it can be re-run in full on the instructor's laptop, from raw data to tables and figures, without manual intervention; and an oral discussion of about fifteen minutes, individual or in small groups, in which the methodological choices and results are presented and critically defended.
The deliverable and its discussion are assessed against four criteria of equal weight, each accounting for twenty-five per cent of the overall judgement. The first is methodological correctness, that is, the appropriateness of each step of the pipeline relative to the question and the data, with explicit justification of the choices of encoding, covariates and thresholds. The second is statistical interpretation, namely the ability to read results in terms of effect size, confidence and uncertainty, and not merely of p-values. The third is clinical and biological interpretation, that is, placing the top loci in their biological context using public resources, with due caution about the locus/gene distinction. The fourth is reproducibility, understood as the report's ability to be re-run end-to-end without manual intervention.
The grade is expressed on the Italian thirty-point scale. A pass, set at eighteen out of thirty, requires a pipeline that is correct in its essential steps and a report that re-runs without errors; a full mark additionally requires accurate statistical and clinical interpretation and fully justified methodological choices. The distinction "cum laude" is reserved for deliverables that demonstrate critical independence, for example through sensitivity analyses that were not requested, discussion of violated assumptions, or a particularly insightful use of annotation resources. Reproducibility constitutes a requirement for admission to assessment: a report that does not run is returned for correction before being assessed on its merits. Small-group work is permitted for the project, but the oral discussion verifies individual contribution and understanding. Attendance at the laboratories, while not graded in itself, is strongly recommended, since each of them builds a part of the pipeline that converges into the deliverable.
Textbooks and Reading Materials
For a concise overview of the entire GWAS pipeline, see Bush and Moore, Genome-Wide Association Studies (PLOS Computational Biology, 2012), and the applied tutorial by Marees and colleagues, A tutorial on conducting genome-wide association studies (Int J Methods Psychiatr Res, 2018). For thematic depth, the following are recommended: Price and colleagues, New approaches to population stratification in genome-wide association studies (Nature Reviews Genetics, 2010); Marchini and Howie, Genotype imputation for genome-wide association studies (Nature Reviews Genetics, 2010); and Evangelou and Ioannidis, Meta-analysis methods for genome-wide association studies and beyond (Nature Reviews Genetics, 2013). As a concluding synthesis, Visscher and colleagues, 10 years of GWAS discovery: biology, function, and translation (American Journal of Human Genetics, 2017), is particularly useful. For the module on sequencing data, see Goodwin, McPherson and McCombie, Coming of age: ten years of next-generation sequencing technologies (Nature Reviews Genetics, 2016), and, on the origin of the quality score, Ewing and Green, Base-calling of automated sequencer traces using phred. II (Genome Research, 1998).
Semester
Second semester
Teaching language
italian
Sustainable Development Goals
Staff
-
Anna Sandionigi
