文献阅读：me

GWAS发现的与复杂疾病或性状关联的遗传变异大多数位于非编码区域，而大部分SNP的作用机制尚且未知，所以post-GWAS时代中一个主要的挑战是理解和注释遗传变异与复杂性状/疾病关联的内在机制，而QTL研究是解构这种机制的一种重要研究方法，常见的QTL包括eqtl,pqtl,meqtl,sqtl等，其中最具代表性也是目前应用最广泛的QTL研究范式是表达数量性状座位分析（expression quantitative trait loci, eQTL）。 QTL研究本身具有重要的研究意义，能够阐明DNA序列变异与可定量化的中间分子表型的量化调控关系，同时，这些研究产生的数据资源也同样重要，并被广泛地应用在数量遗传学的方法和应用当中，以解释SNP与各层级分子之间的调控关联以及这种关联对表型的影响机制，例如TWAS，COLCO，MAGMA等方法框架都基于eqtl或pqtl数据开发，并结合疾病GWAS数据来映射疾病相关联的基因，蛋白等，从而揭示疾病发病机制及筛选药物靶点。 目前，关于eqtl的研究相对较多，但关于其他QTL的研究仍然较少或者样本量不足，最近几月，Science和Nature Genetics期刊分别发表了针对大人群样本的pQTL和meQTL的研究，为解释基因组变异到疾病的调控机制和生物过程提供数据支持。 Science:Mapping the proteo-genomic convergence of human diseases Nature Genetics:Large-scale integration of the plasma proteome with genetics and disease Nature Genetics:Genetic variation influencing DNA methylation provides insights into molecular mechanisms regulating genomic function

1.一些基于基因的方法学框架完全可以应用在pQTL或meQTL上，例如将基于基因开发的方法框架TWAS应用在蛋白质数据上形成PWAS模型是2021年的一个研究热点，已经或即将发表了数篇关于PWAS的文章。 2.从应用的角度，最容易做的就是整合疾病GWAS与QTL数据进行数据挖掘，可选择的方法学框架主要有MR，PWAS，COLOC等,目前关于疾病GWAS与PQTL数据整合是相对比较热的点，这两篇文章就是模板：文章1,文章2,当然进行这样的运算需要较大的计算资源，如果针对所有蛋白质的GWAS进行MR分析，只下载数据就得6个T。

Science （IF=47.73） Nature Genetics (IF=38.33)

血浆蛋白质组与遗传学和疾病的大规模整合