Crea un grafico Manhattan a partire da dati GWAS in formato CSV o Excel senza programmare. Mappa cromosomi, posizioni e p-value, annota i loci, verifica le soglie e modifica il layout in SciVis.
Un grafico Manhattan (Manhattan plot) è in grado di sintetizzare visivamente milioni di test di associazione, ma non può rimediare ai difetti strutturali di uno studio di associazione genome-wide (GWAS). Aspetti cruciali quali la struttura della popolazione, la definizione del fenotipo, la qualità dell'imputazione, la parentela tra i soggetti, i filtri sulle frequenze alleliche e il controllo per test multipli devono essere risolti a monte, nella fase di analisi statistica, e non durante la rappresentazione grafica. Costruisci la figura solo partendo da una tabella di risultati già validata e definitiva.
Il Manhattan Plot Generator di SciDraw mappa la posizione cromosomica rispetto al valore di -log10(p) e apre direttamente il grafico in SciVis per le successive rifiniture estetiche. I sei modelli preimpostati includono layout di base, genome-wide, con annotazioni, con evidenziazioni, con soglia indicativa (suggestive threshold) e in stile Miami plot.
Migliaia di ricercatori usano SciDraw AI per creare in pochi minuti figure pronte per la pubblicazione per articoli, domande di finanziamento e sottomissioni, senza competenze di design.
Tracciare p-value non validati: la presenza di valori non numerici, pari a zero, negativi o superiori a uno interrompe la trasformazione logaritmica o segnala un problema nei passaggi di analisi precedenti.
Ordinare i cromosomi in ordine alfabetico: questo errore può posizionare il cromosoma 10 prima del cromosoma 2 e alterare la corretta sequenza dei cromosomi sessuali.
Applicare ciecamente una soglia universale: il valore di 5 × 10⁻⁸ è una soglia convenzionale molto comune nei GWAS sull'uomo, ma non costituisce una regola fissa per qualsiasi organismo, set di marcatori, fenotipo o modello di analisi.
Inserire un'etichetta per ogni singola variante significativa: le varianti correlate all'interno dello stesso locus (in linkage disequilibrium) possono generare un ammasso illeggibile di etichette sovrapposte.
Interpretare un picco di associazione direttamente come gene causale: l'associazione statistica identifica semplicemente una regione genomica meritevole di approfondimento; non stabilisce di per sé quale sia la variante, il gene o il meccanismo biologico causale.
Il file di input deve contenere una riga per ogni variante analizzata:
Colonna
Funzione
Esempio
snp
Identificativo della variante
rs100102
chromosome
Cromosoma o contig
3
position_bp
Posizione in coppie di basi
18420351
p_value
P-value di associazione non trasformato
2.4e-9
trait
Fenotipo o etichetta della serie (opzionale)
Trait_A
annotated_locus
Etichetta del locus (opzionale)
Locus 3q
Esamina la struttura del CSV Manhattan di base o del CSV con picchi annotati. Assicurati che i p-value siano strettamente numerici e che conservino una precisione sufficiente a distinguere i segnali più forti.
Concludi tutte le procedure di controllo qualità (QC) e i modelli di associazione all'interno della tua pipeline di genetica quantitativa. La tabella destinata alla visualizzazione deve contenere esclusivamente le varianti finali che intendi mostrare, con coordinate genomiche (assembly di riferimento) e identificativi dei cromosomi coerenti. Specifica sempre la versione del genoma di riferimento (genome build) nella didascalia della figura o nella sezione metodi.
Apri il Manhattan Plot Generator, seleziona uno dei modelli di esempio o carica direttamente un file in formato CSV, TSV, TXT, XLSX o XLS. In caso di file Excel, verrà importato automaticamente il primo foglio di lavoro. Verifica che le colonne relative al cromosoma e alla posizione identifichino correttamente ciascun punto del genoma e che ogni p-value rispetti la condizione 0 < p ≤ 1.
L'asse delle ordinate (y) deve rappresentare il valore di -log10(p), in modo che i p-value più piccoli (e quindi più significativi) si trovino nella parte più alta del grafico. Ad esempio, un valore di p = 10⁻⁸ corrisponde a 8 sull'asse y. Verifica manualmente la correttezza di alcuni punti e accertati che i cromosomi siano disposti nel corretto ordine genomico, utilizzando colori alternati al solo scopo di distinguere visivamente i cromosomi adiacenti.
La linea di significatività genome-wide comunemente fissata a 5 × 10⁻⁸ corrisponde a circa 7.30 sull'asse -log10(p). Ricorda che il tuo studio potrebbe richiedere una soglia diversa, calcolata in base al numero e alla dipendenza dei test effettuati, a protocolli specifici o alle convenzioni del tuo settore di ricerca.
Inserisci annotazioni mirate solo per le varianti sentinella (sentinel variants) o per i loci definiti in modo indipendente, esplicitando chiaramente il criterio di selezione adottato. Le varianti strettamente associate a causa del linkage disequilibrium tendono a formare un picco verticale; non devono pertanto essere presentate come scoperte indipendenti l'una dall'altra.
Se decidi di inserire una soglia indicativa (suggestive threshold) per scopi esplorativi, differenziala graficamente dalla soglia di significatività principale e descrivi entrambe chiaramente nella legenda o nella didascalia.
Utilizza l'ambiente SciVis per perfezionare lo stile delle linee di soglia, le etichette dei cromosomi, le linee di puntamento delle annotazioni, la palette di colori e l'impaginazione generale. Evita assolutamente di spostare i punti o di alterarne i valori numerici per pura comodità estetica.
Ogni punto sul grafico rappresenta una variante genetica sottoposta a test. La sua posizione sull'asse orizzontale corrisponde alla collocazione fisica nel genoma, mentre la posizione sull'asse verticale indica la forza dell'evidenza statistica espressa come -log10(p). Un picco denso e verticale indica una regione genomica che ospita varianti associate al tratto, spesso correlate tra loro.
Prima di considerare rilevante un determinato locus, verifica sempre la soglia di significatività prestabilita, la dimensione dell'effetto (effect size) con il relativo intervallo di confidenza, la frequenza dell'allele minore (MAF), la qualità dell'imputazione o del genotipo, il fattore di inflazione genomica (lambda), il pattern di associazione regionale, le evidenze di replicazione in coorti indipendenti e l'intero protocollo di analisi. Il grafico da solo non può garantire la validità di questi parametri di controllo.
Usa un Manhattan plot per ottenere una panoramica genome-wide completa di una singola analisi di associazione.
Usa un Miami plot per confrontare due diverse analisi genome-wide, disponendole specularmente sopra e sotto un asse cromosomico condiviso.
Usa un plot di associazione regionale (regional association plot) per esaminare in dettaglio un singolo locus, visualizzando la struttura locale del linkage disequilibrium e il contesto dei geni circostanti.
Usa il Volcano Plot Generator per mettere in relazione la dimensione dell'effetto e la significatività statistica in studi di espressione genica differenziale o analisi simili; questo tipo di grafico non conserva la posizione genomica dei marcatori.
No. Lo strumento si occupa esclusivamente della visualizzazione grafica di una tabella di risultati di associazione già elaborata. Il controllo qualità, la definizione dei modelli statistici, la correzione per la struttura della popolazione o la parentela e le decisioni inferenziali rimangono interamente a carico della tua pipeline di analisi.
No. Si tratta di una soglia convenzionale ampiamente accettata per i GWAS condotti sulla specie umana, ma la soglia scientificamente corretta dipende dal disegno sperimentale, dall'organismo modello, dal set di marcatori utilizzato, dalla struttura di dipendenza dei test e dal piano di analisi statistica prestabilito.
È necessario verificare l'output del software di analisi ed esportare i valori con una precisione numerica adeguata (ad esempio, ricorrendo ai valori di log-p se supportati). Sostituire lo zero con un valore arbitrario rischia di sovrastimare o travisare l'effettiva forza dell'evidenza statistica.
Sì, è possibile annotare un gene candidato o adiacente, purché venga esplicitato chiaramente il criterio di mappatura fisica o funzionale utilizzato. Ricorda però che la semplice vicinanza fisica non dimostra una relazione causale. Mantieni sempre l'identificativo della variante sentinella o la definizione del locus all'interno della didascalia o del materiale supplementare.
Inizia subito caricando i tuoi dati nel Manhattan Plot Generator, verifica la correttezza dei dati di input e delle soglie rispetto ai risultati della tua analisi, e consulta la nostra guida alla visualizzazione dei dati scientifici per scoprire altri tipi di grafici utili per la tua ricerca.
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.
