La régression poly-génique révèle des contextes cellulaires pertinents pour les traits grâce à la transformation de l'activation des voies à partir de données de séquençage d'ARN unicellulaire.

Les avancées dans les techniques de séquençage d'ARN unicellulaire (scRNA-seq) ont accéléré l'interprétation fonctionnelle des variants associés aux maladies découverts à partir d'études d'association à l'échelle du génome (GWAS). Cependant, l'identification des populations cellulaires pertinentes pour les traits est souvent entravée par un bruit technique inhérent et une forte rareté dans les données de scRNA-seq. Ici, nous avons développé scPagwas, une approche computationnelle qui révèle le contexte cellulaire pertinent pour les traits en intégrant la transformation de l'activation des voies des données de scRNA-seq et des statistiques résumées de GWAS. scPagwas priorise efficacement les gènes pertinents pour les traits, ce qui facilite l'identification avec grande précision des types/populations cellulaires pertinents pour les traits dans des ensembles de données simulées et réelles étendues. Les résultats des associations au niveau cellulaire ont identifié une nouvelle sous-population de cellules T CD8+ naïves liées à la gravité de la COVID-19 et aux sous-types de cellules progénitrices oligodendrocytaires et de microglies avec des voies critiques par lesquelles les variants génétiques influencent la maladie d'Alzheimer. Dans l'ensemble, notre approche fournit de nouveaux aperçus pour la découverte de types cellulaires pertinents pour les traits et améliore la compréhension mécaniste des variants de maladies d'un point de vue de voie.