Erstellen Sie einen Manhattan-Plot aus GWAS-Daten (CSV oder Excel) ohne Programmieraufwand. Chromosomen, Positionen und p-Werte zuordnen, Loci annotieren, Schwellenwerte prüfen und in SciVis anpassen.
Ein Manhattan-Plot kann die Ergebnisse von Millionen von Assoziationstests übersichtlich zusammenfassen – eine fehlerhafte genomweite Assoziationsstudie (GWAS) kann er jedoch nicht heilen. Systematische Fehlerquellen wie Populationsstruktur, Phänotypdefinition, Imputationsqualität, Verwandtschaftsgrade, Filter für die Minor-Allel-Frequenz (MAF) und die Kontrolle für multiples Testen müssen bereits in der statistischen Analyse gelöst werden, nicht erst bei der grafischen Darstellung. Erstellen Sie die Abbildung daher ausschließlich auf Basis einer sorgfältig geprüften Ergebnistabelle.
Der Manhattan Plot Generator von SciDraw ordnet die genomische Position auf den Chromosomen dem transformierten Wert -log10(p) zu und öffnet die Grafik zur weiteren Bearbeitung direkt in SciVis. Die sechs verfügbaren Vorlagen decken grundlegende, genomweite, annotierte, hervorgehobene, suggestive sowie im Miami-Stil gehaltene Layouts ab.
Erstellen Sie Ihre wissenschaftlichen Abbildungen mit KI
Tausende Forschende nutzen SciDraw AI, um in Minuten publikationsreife Abbildungen für Paper, Anträge und Journaleinreichungen zu erstellen – ganz ohne Designkenntnisse.
Darstellung ungeprüfter p-Werte: Nicht-numerische Werte, Nullen, negative Werte oder Werte größer als eins führen zu Fehlern bei der Logarithmierung oder weisen auf Probleme in der vorgelagerten Pipeline hin.
Alphabetische Sortierung der Chromosomen: Dies führt oft dazu, dass Chromosom 10 vor Chromosom 2 einsortiert wird oder die Geschlechtschromosomen an falscher Stelle stehen.
Blinde Anwendung eines universellen Schwellenwerts: Der Wert 5 × 10⁻⁸ ist zwar ein etablierter Standard-Schwellenwert für humane GWAS, aber keine universelle Regel für jeden Organismus, jeden Markersatz, jeden Phänotyp oder jedes Analysemodell.
Beschriftung jeder einzelnen signifikanten Variante: Stark korrelierte Varianten innerhalb eines Locus können bei vollständiger Beschriftung zu einer unlesbaren Überlagerung von Texten führen.
Interpretation eines Peaks als kausales Gen: Eine statistische Assoziation identifiziert lediglich eine genomische Region für nachfolgende funktionelle Analysen; sie beweist für sich genommen noch keine Kausalität für eine bestimmte Variante, ein Gen oder einen biologischen Mechanismus.
Führen Sie die Qualitätskontrolle und die Assoziationsanalyse vollständig in Ihrer etablierten Genetik-Pipeline durch. Die für die Visualisierung exportierte Tabelle sollte nur die Varianten enthalten, die tatsächlich dargestellt werden sollen – mit einheitlichem Genom-Assembly (Genome Build), konsistenten Chromosomenbezeichnungen und korrekten Basenpaar-Koordinaten. Dokumentieren Sie das verwendete Genom-Assembly stets in der Abbildungslegende oder im Methodenteil.
Öffnen Sie den Manhattan Plot Generator, wählen Sie eine der Vorlagen oder laden Sie Ihre eigene Datei im Format CSV, TSV, TXT, XLSX oder XLS hoch. Bei Excel-Dateien wird automatisch das erste Tabellenblatt importiert. Stellen Sie sicher, dass Chromosom und Position jede genomische Koordinate eindeutig definieren und alle p-Werte im Bereich 0 < p ≤ 1 liegen.
Die y-Achse stellt den Wert -log10(p) dar, sodass kleinere p-Werte (stärkere Assoziationen) weiter oben abgebildet werden. Ein p-Wert von p = 10⁻⁸ entspricht beispielsweise dem Wert 8 auf der y-Achse. Prüfen Sie stichprobenartig einige Werte manuell und vergewissern Sie sich, dass die Chromosomen in der korrekten genomischen Reihenfolge angeordnet sind. Alternierende Farben sollten ausschließlich dazu dienen, benachbarte Chromosomen visuell voneinander abzugrenzen.
Die in der Humangenetik häufig genutzte genomweite Signifikanzschwelle von 5 × 10⁻⁸ entspricht einem Wert von ungefähr 7.30 auf der -log10(p)-Skala. Je nach Anzahl und Abhängigkeit der durchgeführten Tests, dem spezifischen Studienprotokoll oder den Konventionen Ihres Fachbereichs kann für Ihre Analyse jedoch ein anderer Schwellenwert wissenschaftlich angemessen sein.
Beschriften Sie nur ausgewählte Sentinel-Varianten oder unabhängig definierte Loci und legen Sie die zugrundeliegenden Auswahlkriterien transparent dar. Aufgrund von Kopplungsungleichgewichten (Linkage Disequilibrium, LD) bilden eng benachbarte Varianten meist einen gemeinsamen Peak; diese sollten in der Grafik nicht als voneinander unabhängige Signale dargestellt werden.
Falls die Darstellung einer weniger strengen, suggestiven Schwelle (suggestive threshold) für explorative Zwecke sinnvoll ist, sollte diese visuell klar von der primären Signifikanzschwelle abgegrenzt und in der Legende entsprechend erläutert werden.
Nutzen Sie anschließend SciVis, um Schwellenwertlinien, Chromosomenbeschriftungen, Annotationslinien, Farben und das Gesamtlayout präzise anzupassen. Verschieben Sie niemals Datenpunkte oder verändern Sie deren Werte aus rein ästhetischen Gründen.
Jeder Punkt repräsentiert eine getestete Variante. Die horizontale Position spiegelt die Lage im Genom wider, während die vertikale Position die statistische Signifikanz als -log10(p) anzeigt. Ein steil aufragender Cluster (Peak) deutet auf eine genomische Region hin, in der mehrere assoziierte und meist korrelierte Varianten liegen.
Bevor Sie einen Locus als biologisch relevant einstufen, sollten Sie stets den vordefinierten Signifikanzschwellenwert, die Effektstärke samt Konfidenzintervall, die Allelfrequenz, die Imputations- oder Genotypisierungsqualität, den genomischen Inflationsfaktor (Lambda), das regionale Assoziationsmuster sowie Replikationsdaten aus unabhängigen Kohorten prüfen. Die grafische Darstellung allein kann diese methodischen Absicherungen nicht ersetzen.
Verwenden Sie einen Manhattan-Plot für den genomweiten Überblick über eine einzelne Assoziationsanalyse.
Verwenden Sie einen Miami-Plot, um zwei genomweite Analysen direkt miteinander zu vergleichen, indem eine über und eine unter einer gemeinsamen Chromosomenachse gespiegelt dargestellt wird.
Verwenden Sie einen regionalen Assoziationsplot (LocusZoom-Stil), um einen einzelnen Locus unter Berücksichtigung des lokalen Kopplungsungleichgewichts und der dort liegenden Gene detailliert zu analysieren.
Verwenden Sie einen Volcano Plot Generator für die Darstellung von Effektstärke gegen Signifikanz bei differentieller Genexpression oder ähnlichen Analysen auf Feature-Ebene; dieser behält die genomische Position nicht bei.
Nein. Das Tool dient ausschließlich der Visualisierung einer bereits fertig berechneten Assoziationstabelle. Qualitätskontrolle, statistische Modellierung, Korrekturen für Populationsstrukturen oder Verwandtschaftsgrade sowie alle inferenzstatistischen Entscheidungen verbleiben vollständig in Ihrer eigenen Analyse-Pipeline.
Nein. Dies ist zwar der etablierte Standard für viele humane genomweite Assoziationsstudien, der wissenschaftlich korrekte Schwellenwert hängt jedoch stark vom Studiendesign, dem Modellorganismus, der Dichte des Markersatzes, der Kopplungsstruktur und dem statistischen Analyseplan ab.
Prüfen Sie die Rohdaten Ihrer Analyse-Software und exportieren Sie die Werte mit einer höheren numerischen Präzision (beispielsweise direkt als Log-p-Werte, falls unterstützt). Das Ersetzen von Nullen durch willkürliche Kleinstwerte kann die tatsächliche statistische Evidenz verzerren.
Sie können nahegelegene oder plausible Kandidatengene annotieren, sofern Sie die zugrundeliegende Mapping-Methode im Text transparent angeben. Da räumliche Nähe jedoch keine Kausalität beweist, sollten die exakte Sentinel-Variante oder die Definition des Locus in der Abbildungslegende oder im Supplement stets abrufbar bleiben.
Davie Chen is a researcher at the Faculty of Animation and Intermedia, University of Arts in Poznan, studying generative AI for scientific figure creation, patent illustration, and manuscript drafting. SciDraw AI is one of the research-to-product tools built from this work.
