Il GWAS Catalog spiegato: che cos'è e come diventa il report sulla salute del Suo DNA

Il GWAS Catalog è l'elenco pubblico e curato dei risultati degli studi di associazione sull'intero genoma, gestito da NHGRI ed EMBL-EBI, e ogni riga di un report sulla salute di Full Human proviene da lì. Ecco che cos'è il Catalog, quali studi accetta, come riduciamo 1,2 milioni di associazioni a 12.110 righe, a che cosa corrisponde una riga del Suo PDF e perché due strumenti leggono lo stesso file in modo diverso.

Che cos'è uno studio GWAS, in un paragrafo#

Uno studio di associazione sull'intero genoma (GWAS) genotipizza un ampio gruppo di persone in centinaia di migliaia o milioni di posizioni e verifica, posizione per posizione, se un allele è più comune nelle persone con un tratto (una malattia, un valore ematico, un'abitudine) che in quelle senza. Per ogni variante riporta un valore p, che indica quanto la differenza sia sorprendente, e una dimensione dell'effetto: un odds ratio per le patologie del tipo sì/no, un beta per le grandezze misurate. Poiché uno studio GWAS verifica circa un milione di ipotesi alla volta, la disciplina ha adottato una soglia rigorosa per un risultato «significativo a livello dell'intero genoma», p < 5 × 10⁻⁸, proposta nel 2008 da Pe'er e colleghi [6]. Uno studio GWAS trova segnali statistici vicino a un tratto; non dice quale variante agisca, né perché.

Che cos'è il GWAS Catalog#

Il GWAS Catalog di NHGRI-EBI è il luogo in cui questi risultati vengono raccolti. Lo ha fondato nel 2008 il National Human Genome Research Institute statunitense; dal 2010 è un progetto comune con EMBL-EBI, che lo ospita dal 2015 (pagina «About» e notizia EMBL del 7 aprile 2015, entrambe consultate il 14 ottobre 2026). I curatori leggono ogni articolo idoneo ed estraggono, per ciascuna associazione, la variante (rsID), l'allele di rischio, il valore p, l'odds ratio o il beta con il relativo intervallo di confidenza, le dimensioni dei campioni e le origini, e il tratto, ricondotto all'Experimental Factor Ontology (EFO) in modo che «T2D», «type 2 diabetes» e «NIDDM» di tre articoli diversi confluiscano in un unico termine.

Le sue dimensioni alla versione del 3 ottobre 2026 (verificate il 14 ottobre 2026 tramite l'endpoint delle statistiche e i metadati REST del Catalog):

• 1.198.394 associazioni curate tratte da 7.845 pubblicazioni, più 203.002 set completi di statistiche riassuntive; la soglia del milione è stata superata alla fine del 2025 (nota di versione del 10 novembre 2025).
• Varianti sulla build del genoma GRCh38.p14 e su dbSNP build 156; tratti su EFO v3.94.0.
• Nuovi dati curati circa ogni due settimane (FAQ, A7).

L'articolo del 2025 che descrive la banca dati [5] contava 625.113 associazioni a luglio 2024; da allora il Catalog è quasi raddoppiato.

Che cosa vi entra e che cosa significa per Lei#

I criteri di idoneità del Catalog (consultati il 14 ottobre 2026) richiedono che uno studio:

• sia pubblicato su una rivista con revisione paritaria, in inglese, su esseri umani (le statistiche riassuntive tratte da preprint sono accettate, ma contrassegnate come non revisionate dai curatori finché l'articolo non viene pubblicato);
• analizzi almeno 100.000 varianti prima del controllo di qualità, con un chip o tramite sequenziamento, con una copertura dell'intero genoma;
• non sia uno studio sui geni candidati. Un articolo che esamina solo MTHFR, COMT o una manciata di geni prediletti è escluso, per quanto spesso venga citato online.

All'interno di uno studio idoneo vengono estratte solo le «associazioni principali»: la variante più forte per locus (all'interno di un gene o di una finestra di 100 kb, a meno che gli autori non dimostrino segnali indipendenti), e solo se p < 1 × 10⁻⁵. Gli articoli vengono individuati con una ricerca settimanale su PubMed, smistata con lo strumento di apprendimento automatico LitSuggest.

Due conseguenze per chi legge un report sulla salute basato su un test genetico commerciale. La soglia del Catalog, 1 × 10⁻⁵, è meno severa della significatività a livello dell'intero genoma, quindi uno strumento costruito su di esso deve applicare una propria soglia. E le popolari varianti della «metilazione» e della «disintossicazione» si basano su studi sui geni candidati, che il Catalog esclude: nessuna riga di malattia per MTHFR rs1801133 o rs1801131, COMT rs4680 o CYP1A2 rs762551 supera i nostri filtri, quindi nessuna di esse viene conteggiata in un report di Full Human (il report nutrizionale tiene rs1801133 fuori dalle sue tabelle e mostra C677T solo in una scheda gene, con il contesto di folato e omocisteina). È una caratteristica delle evidenze, non una dimenticanza.

Da 1,2 milioni di righe a 12.110: come Full Human filtra il Catalog#

Full Human legge il download «all associations, ontology-annotated» del Catalog e ne ricostruisce due cataloghi con un piccolo programma in Rust. Il catalogo della salute mantiene una riga solo quando valgono tutte e cinque le regole:

1. Significatività a livello dell'intero genoma. Il valore p riportato è inferiore a 5 × 10⁻⁸.
2. Una dimensione dell'effetto riportata. Il campo «OR or BETA» è compilato e l'intervallo non è contrassegnato come «NR», non è indicato come punteggio z né espresso in unità di misura. Per il catalogo della salute l'effetto deve essere un odds ratio con un intervallo; i beta con unità di misura vengono scartati da questa regola.
3. Un intervallo di confidenza plausibile. Due numeri nell'ordine giusto, con il limite superiore minore del triplo di quello inferiore. Questo elimina gli studi piccoli con margini di errore molto ampi.
4. Un allele di rischio di una sola base. La lettera dopo il trattino è A, C, G o T, oppure un'inserzione o una delezione indicata con I o D. Le righe il cui allele di rischio è «?» o più lungo di una base vengono scartate quando si costruisce il catalogo, perché nessun genotipo di un test commerciale può essere confrontato con esse.
5. Un tratto ricondotto a una malattia. Il termine EFO deve essere un termine di malattia MONDO, o corrispondere a uno tramite il file di corrispondenza EFO-MONDO dell'Ontology Lookup Service di EBI. MONDO è l'ontologia delle malattie della Monarch Initiative, che «mira ad armonizzare le definizioni delle malattie in tutto il mondo» (mondo.monarchinitiative.org, consultato il 14 ottobre 2026). «Statura» non supera questa regola; «diabete mellito di tipo 2» la supera.

Poi, all'interno di ogni tratto, viene mantenuta una sola variante principale per regione: una variante situata entro 250.000 basi da una variante mantenuta e più fortemente associata viene scartata in quanto stesso segnale. Il catalogo generato conserva inoltre, per ogni riga, la posizione, la forza dell'associazione, la frequenza dell'allele di rischio e gli alleli che l'intero catalogo indica per la variante.

Dalla versione 2026-06-01 si ottengono così 12.110 associazioni principali, 409 tratti del catalogo, 1.020 studi e 8.291 varianti distinte. I blocchi più grandi per tratto ricondotto sono il carcinoma della prostata (846 righe), il diabete di tipo 2 (639), la schizofrenia (507), la fibrillazione atriale (468) e la gotta (461). Le patologie sono raggruppate in 17 categorie tramite l'ontologia; il report completo sulla salute ha una sezione per ogni categoria con almeno una patologia per il sesso del file (da 14 a 16 sezioni; Genetiche e metaboliche al momento non ne ha nessuna), e le categorie non sono vendute come report separati.

Il catalogo nutrizionale è costruito in modo diverso, perché la regola 5 respingerebbe ogni misurazione di vitamine e minerali. Il suo filtro mantiene invece le righe di un elenco fisso di voci nutrizionali (livelli di vitamine e minerali, acidi grassi, omocisteina e abitudini alimentari e di consumo di bevande dichiarate), individuate tramite gli identificativi dei tratti del Catalog, con le stesse regole sul valore p e sull'allele. Poi scarta le varianti rare nelle persone di origine europea o ambigue rispetto al filamento (A/T, C/G) e le varianti note soprattutto per malattie ereditarie, e mantiene fino a 20 varianti principali indipendenti per voce. Il report nutrizionale copre 27 di queste voci in quattro sezioni, più 24 schede gene lette secondo regole fisse a partire dai propri studi (tra cui la persistenza della lattasi, i tipi HLA associati alla celiachia e il gusto); le vitamine B1, B2, B3, B5, B7 e K, sodio, potassio, cloruro, iodio, manganese e zolfo non hanno alcuno studio genetico utilizzabile e sono descritti in un'appendice senza risultato.

La pipeline è documentata nella pagina sulla metodologia, che indica la versione in uso. Il generatore usa attualmente la versione 2026-06-01; la più recente di EBI è la 2026-10-03, e un workflow pianificato integra ogni nuova versione dopo una revisione.

A che cosa corrisponde una riga del Suo PDF#

Apra il report di esempio a una patologia che ha una tabella, per esempio la pneumopatia interstiziale, e vedrà sette colonne, ciascuna corrispondente a un campo del Catalog o derivata da uno di essi:

Prendiamo rs429358, una delle due varianti che definiscono gli alleli APOE ε2/ε3/ε4; compare in 41 righe del catalogo della salute, 22 delle quali sotto la malattia di Alzheimer. Una di queste, dallo studio PubMed 34122051, riporta: allele di rischio C, odds ratio 3,245, intervallo [2,941–3,579], frequenza dell'allele di rischio 0,226, tratto ricondotto «Alzheimer disease» (MONDO:0004975); tra gli studi sull'Alzheimer che indicano una frequenza, l'intervallo più stretto è quello di PubMed 39129223 (odds ratio 1,80 [1,78–1,81], frequenza 0,16). Al momento il report non ha una sezione sulla malattia di Alzheimer, perché non ha un testo per questa patologia, quindi questa riga resta nel catalogo e non arriva mai in un PDF. rs429358 compare invece sotto l'aneurisma dell'aorta addominale, l'infarto miocardico e la malattia epatica steatosica associata a disfunzione metabolica, e il meccanismo è lo stesso per ciascuna. Qualunque cosa dica il Suo file in rs429358, la variante conta: con CC ha due copie di C, con CT una, con TT nessuna, e il report confronta le Sue copie con il doppio della frequenza dello studio che sceglie tra gli studi di quella patologia sulla variante che indicano una frequenza, quello con l'intervallo più stretto (per l'infarto miocardico, PubMed 33532862, odds ratio 1,11, frequenza 0,14, quindi la persona media porta circa 0,28 copie di C). Le copie sopra o sotto la media, moltiplicate per il logaritmo dell'odds ratio di ciascuna variante, si sommano sulle varianti della patologia misurate dal Suo file (per i livelli misurati e le abitudini nel report nutrizionale, ogni copia conta invece più o meno uno secondo la direzione del suo effetto, e il totale netto dà una tendenza quando si discosta dalla media di almeno una deviazione standard); la somma, riconvertita in odds ratio, è il Suo odds rispetto alla persona media, e un valore pari o superiore a 1,20 viene indicato come odds più alto, uno pari o inferiore a 0,83 come odds più basso, quelli intermedi come nessuna differenza rilevante. Quando è misurato meno di un terzo delle varianti note della patologia, la patologia è non valutabile, e quando meno di un terzo delle sue varianti note può essere confrontato con la persona media, è non confrontabile. La guida per leggere il report sulla salute illustra tutto questo su una pagina reale.

Tre dettagli derivano dalle convenzioni del Catalog. Dal 2021 il Catalog non inverte più gli odds ratio inferiori a 1 (intestazioni dei file, consultate il 14 ottobre 2026), quindi 2.082 delle nostre righe descrivono un allele che abbassa l'odds. Quando l'articolo non ha indicato l'allele di rischio, il Catalog registra «?»; il generatore confronta quella lettera con il Suo genotipo, quindi queste righe vengono scartate quando si costruisce il catalogo. Infine, una patologia può essere valutata solo se il Suo file contiene i suoi rsID: un chip dei test commerciali legge qualche centinaio di migliaia di posizioni, quindi un file tipico contiene circa un quarto delle varianti principali del catalogo, e la maggior parte delle patologie con molte varianti risulta non valutabile.

Perché due strumenti leggono lo stesso file in modo diverso#

Dia lo stesso file di 23andMe a due servizi e otterrà due elenchi diversi. I motivi sono scelte, non errori.

• Fonte. Promethease legge SNPedia, un wiki che riassume articoli di ogni tipo di disegno, compresi gli studi sui geni candidati, e che secondo recensioni di terzi non viene più mantenuto attivamente da diversi anni. Un report basato sul Catalog eredita invece le regole di idoneità del Catalog; ciascuna fonte ha voci che all'altra mancano. La nostra recensione di Promethease approfondisce questo compromesso.
• Soglie. Uno strumento mantiene ogni riga del Catalog fino a 1 × 10⁻⁵, un altro taglia a 5 × 10⁻⁸, un terzo richiede un intervallo di confidenza.
• Copertura del chip. 23andMe, AncestryDNA e MyHeritage usano chip diversi e versioni diverse dei chip; una variante nota al Catalog potrebbe non essere affatto presente sul Suo chip.
• Filamento e build. Il Catalog riporta gli alleli di rischio «esattamente come riportati nella pubblicazione originale» e «non può correggere sistematicamente» le inversioni di filamento tra build del genoma (FAQ, E7, consultate il 14 ottobre 2026). I file dei test commerciali riportano in genere il filamento diretto (forward), quindi per una variante A/T o C/G un articolo sull'altro filamento può far sembrare «allele di rischio A» il Suo «T». Qualsiasi strumento che confronta lettere, compreso il nostro, può leggere male una riga del genere.
• Aggregazione. Un prodotto di odds ratio, una somma di log-odds ponderata per il numero di alleli, un punteggio poligenico con correzione per il LD: tre metodi difendibili, tre totali diversi a partire dalle stesse righe.

Limiti#

• Origini. A metà del 2021 l'86,3% dei campioni GWAS del Catalog proveniva da persone di origine europea [8]. Gli effetti si trasferiscono in modo imperfetto ad altre popolazioni; un report per una persona originaria dell'Asia orientale, dell'Africa o dell'Asia meridionale si basa su evidenze più scarse.
• Le associazioni non sono cause. Una variante principale segnala una regione. La variante causale è spesso una vicina in linkage disequilibrium (LD) con essa, e né il Catalog né un report commerciale dicono quale gene conti o perché.
• LD e doppi conteggi. Studi diversi scelgono SNP principali diversi per lo stesso segnale, e contarli tutti significa contare più volte un unico segnale. Manteniamo una sola variante principale per regione di 250.000 basi per ogni tratto, ma non modelliamo il linkage più fine tra le varianti.
• Maledizione del vincitore. Il primo studio che riporta una variante tende a sovrastimarne l'effetto, soprattutto quando ha una potenza statistica insufficiente [7]. Per ogni variante prendiamo lo studio di quella patologia con la stima più precisa, tra quelli che indicano la frequenza dell'allele, anziché una media, e non correggiamo questa distorsione.
• Nessun rischio di base. Un odds ratio di 1,3 non dice nulla su quanto sia comune una patologia. «Odds più alto» è relativo alla persona media della popolazione dello studio, non una probabilità assoluta.

Un'associazione è un segnale statistico in una popolazione di studio, non una causa, e non Le dice se ha o svilupperà la patologia. Se una riga La preoccupa, porti il link PubMed a un medico o a un consulente genetico.

Bibliografia#

1. GWAS Catalog, «About». EMBL-EBI. ebi.ac.uk/gwas/docs/about.
2. GWAS Catalog, «Eligibility criteria». ebi.ac.uk/gwas/docs/methods/criteria.
3. GWAS Catalog, «File headers». ebi.ac.uk/gwas/docs/fileheaders.
4. GWAS Catalog, metadati dell'API REST, versione 2026-10-03. ebi.ac.uk/gwas/rest/api/v2/metadata.
5. Cerezo M. et al. «The NHGRI-EBI GWAS Catalog: standards for reusability, sustainability and diversity.» Nucleic Acids Research 53(D1): D998–D1005, 2025. doi:10.1093/nar/gkae1070.
6. Pe'er I., Yelensky R., Altshuler D., Daly M. J. «Estimation of the multiple testing burden for genomewide association studies of nearly all common variants.» Genetic Epidemiology 32(4): 381–385, 2008. doi:10.1002/gepi.20303.
7. Xiao R., Boehnke M. «Quantifying and correcting for the winner's curse in genetic association studies.» Genetic Epidemiology 33(5): 453–462, 2009. doi:10.1002/gepi.20398.
8. Fatumo S. et al. «A roadmap to increase diversity in genomic studies.» Nature Medicine 28: 243–250, 2022. doi:10.1038/s41591-021-01672-4.

Le pagine di EBI sono state consultate il 14 ottobre 2026.

FAQ#

Il GWAS Catalog è gratuito?

Sì. È una risorsa pubblica finanziata da NHGRI ed EMBL-EBI, consultabile su ebi.ac.uk/gwas, con download completi sul sito FTP di EBI. Lì può cercare personalmente qualsiasi rsID del Suo file grezzo, ed è anche il modo per verificare una riga del Suo report; ciò che un report aggiunge è l'abbinamento, il filtraggio e l'aggregazione.

Perché MTHFR non viene conteggiato nel mio report?

Le affermazioni sulla metilazione legate a MTHFR rs1801133 provengono da studi sui geni candidati, che il Catalog esclude. Nessuna riga di malattia per rs1801133, rs1801131, COMT rs4680 o CYP1A2 rs762551 supera i nostri filtri, quindi nessuna di esse viene conteggiata in un report sulla salute di Full Human. Il report nutrizionale tiene rs1801133 fuori dalle sue tabelle su folato e omocisteina e mostra invece C677T in una scheda gene: il Suo genotipo, che cosa hanno trovato i grandi studi per folato e omocisteina e la posizione della genetica medica sul test MTHFR, senza un punteggio. La pagina della metodologia elenca queste esclusioni e i loro motivi.

Full Human usa la versione più recente del Catalog?

Non sempre l'ultimissima. La pagina della metodologia indica la versione attualmente in uso. Nel momento in cui scriviamo, il generatore usa la versione 2026-06-01, mentre la più recente di EBI è la 2026-10-03; un workflow pianificato ricostruisce i nostri cataloghi a partire da ogni versione e la integra dopo una revisione, quindi il ritardo è normalmente di qualche settimana.

Qual è la differenza tra p < 1 × 10⁻⁵ e p < 5 × 10⁻⁸?

Entrambe sono soglie per quanto sia improbabile che un risultato sia dovuto al solo caso. Il Catalog registra le associazioni fino a 1 × 10⁻⁵ perché i risultati suggestivi restino a disposizione dei ricercatori. La significatività a livello dell'intero genoma, 5 × 10⁻⁸, corregge per il milione circa di test indipendenti di uno studio GWAS. Full Human mantiene solo le righe al di sotto del valore più rigoroso.