在GWAS分析结果中，大部分显著的SNP位点都位于非编码区，很难直接挖掘这些位点的调控机制。通常假设与疾病关联的SNP位点通过调控基因表达来发挥作用，而eQTL可以识别SNP与基因间的调控关系，将eQTL和GWAS结果相结合，可以进一步筛选候选基因。
科学家们发明了许多的工具来完成这一任务，根据时间先后顺序，部分软件列表如下
- RTC
- Sherlock
- coloc
- eCaviar
- enloc
不同软件运用的模型和算法不尽相同,本文先来看一下Sherlock这个软件。
仅根据GWAS的结果来筛选基因时，只能筛选出显著关联的SNP位点所在的基因，这种做法类似cis-eQTL，收到了距离的限制，无法全面挖掘后续基因。Sherlock软件同时利用了cis和trans-eQTL的信息来识别候选基因，利用trans-eQTL突破距离限制，可以识别到更多的候选基因，对应的文章如下
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3644637/
筛选候选基因的基本模型如下
SNP位点在GWAS和eQTL分析中同时显著，这样的SNP位点对应的靶标基因就是潜在的候选基因。以基因为单位，比对gwas和eQTL结果，示意如下
分为了3种情况，绿色部分表示在两个结果中同时显著，红色表示只在eQTL中显著，黑色表示只在gwas中显著。根据SNP位点在两种分析中的一致性，计算一个称之为LBF的值来表征其一致性，绿色位点加分，红色位点减分。
该软件官网如下
http://sherlock.ucsf.edu/index.html
提供了在线服务，eQTL结果利用的是公共数据，只需上传自己的gwas结果即可，内容示意如下
用法也很简单，第一步，上传gwas结果，指定case和control样本的个数，以及疾病在人群中的发病率（估算值），第二步，选择对应的eQTL数据，提交即可
输出结果示意如下
更多用法和详细请查看官方文档。
