Zbrowse: an interactive GWAS results browser


 

A peer-reviewed version of this preprint was published in PeerJ on 27
May 2015.

View the peer-reviewed version (peerj.com/articles/cs-3), which is the
preferred citable publication unless you specifically need to cite this preprint.

Ziegler GR, Hartsock RH, Baxter I. 2015. Zbrowse: an interactive GWAS
results browser. PeerJ Computer Science 1:e3
https://doi.org/10.7717/peerj-cs.3

https://doi.org/10.7717/peerj-cs.3
https://doi.org/10.7717/peerj-cs.3


Zbrowse: an interactive GWAS results browser

Greg R Ziegler, Ryan H Hartsock, Ivan Baxter

The growing number of genotyped populations, the advent of high-throughput

phenotyping techniques and the development of GWAS analysis software has rapidly

accelerated the number of GWAS experimental results. Candidate gene discovery from

these results files is often tedious, involving many manual steps searching for genes in

windows around a significant SNP. This problem rapidly becomes more complex when an

analyst wishes to compare multiple GWAS studies for pleiotropic or environment specific

effects. To this end, we have developed a fast and intuitive interactive browser for the

viewing of GWAS results with a focus on an ability to compare results across multiple traits

or experiments. The software can easily be run on a desktop computer with software that

bioinformaticians are likely already familiar with. Additionally, the software can be hosted

or embedded on a server for easy access by anyone with a modern web browser.

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



Greg R Ziegler 
greg.ziegler@ars.usda.gov 
United States Department of Agriculture Agricultural Research Service 
St. Louis, 
Missouri, 
United States 
 
Ryan H Hartsock 
rhartsock423@gmail.com 
Donald Danforth Plant Science Center, 
St. Louis, 
Missouri, 
United States 
 
Ivan Baxter 
ivan.baxter@ars.usda.gov 
United States Department of Agriculture Agricultural Research Service 
St. Louis, 
Missouri, 
United States 
 
 
CORRESPONDING AUTHOR 
Ivan Baxter 
975 N Warson Rd, St. Louis, MO 63132 
(314) 587­1438 
ivan.baxter@ars.usda.gov 
 
 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts

mailto:ivan.baxter@ars.usda.gov
mailto:ivan.baxter@ars.usda.gov


Introduction 
 
The recent development of high­throughput plant phenotyping techniques coupled 
with the ability to genotype large populations of diverse individuals has revolution­ 
ized the way that forward genetics research is performed. Tools have rapidly become 
available to perform genome­wide association studies (GWAS) in a variety of 
species (Kang et al., 2010; Segura et al., 2012; Lipka et al., 2012) that can map traits to the 
genome with high enough resolution to quickly provide a tractable list of potential causal 
genes. 
 
One of the first steps an analyst will take is determining what gene or genes fall 
under the SNP peaks that can be seen on the Manhattan plot. Unfortunately, these 
plots are not interactive and identifying the peaks of interest usually involves sifting through 
the results table for the coordinates of the peak of interest and then filtering a large 
gene annotation file for a range around the coordinates of the peak. The extra steps 
involved in exploring the data in this way makes it more likely that interesting asso­ 
citations may be missed either due to 1) mistakes made in attempting to mine the large 
results files or 2) the dataset not being mined deeply enough due to the difficulty of look­ 
ing for genes under less significant peaks. Additionally, this method quickly 
becomes tedious when analyzing multiple phenotypes or relatively complex traits. 
Some web applications provide tools for viewing Manhattan plots interactively, but 
they are all either specific to a single species (Childs, Lisec & Walther, 2012; Li, Sham & 
Wang, 2012; Seren et al., 2012) or are part of larger software suites that make fast and 
straightforward viewing of GWAS results difficult (Stein et al., 2002). These resources 
also do not allow for easy viewing and comparison of GWAS results across phenotypes 
and studies, a situation that frequently arises with structured populations. 
 
Goals 
 
We approached the construction of a new GWAS browser with the goal of giving the users the 
following tools, all of which were focused on versatility and adaptability: 
 

1. Ability to plot multiple traits in the same panel.​  We wanted to enable users to find 
genotype­environment (GxE) interactions (e.g., those instances where an 
environmental condition causes a phenotypic effect, but only for individuals with a 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



given allele) and loci with pleiotropic effects (the same loci affecting multiple 
phenotypes).. 

2. Ability to rapidly move between scales (thousands of bps to billions).   
3. Ability to to find overlaps or commonalities among sets. 
4. Ability to interact directly with the plots​. We wanted the ability to look at the 

annotations of genes inline easily and link to additional information. 
5. Ability to download plots and gene lists. 
6. Finally, we wanted all of this information and functionality to be available in one 

browser window using tools that are common and freely available to the community. 
 
 
Here, we present an interactive GWAS results viewer that is an extension of the classic 
GWAS Manhattan plot. It allows for the rapid comparison of GWAS results from multiple 
phenotyping experiments and the rapid viewing and analysis of genes under peak SNPs. 
Arabidopsis thaliana​, maize, soybean, and sorghum are bundled with the software but we 
provide instructions and tools to easily add support for other organisms. 
 
User Interface 
 
The ZBrowse GWAS results viewer is an interactive application that runs on a local machine 
using R and is rendered in any modern web browser. Because the browser runs on the users 
local machine, the data will remain private. The focus of the first version is a local installation, 
the browser display allows for easy sharing of the application. The browser is designed to be 
a streamlined environment that provides fast access to visualization tools to allow the quick 
analysis of GWAS results. ZBrowse utilizes a tab­based navigation format to make accessing 
different aspects of the browser fast, efficient, and intuitive. There is also a sidebar panel on 
the left of the page that updates with a set of options specific to the tab being displayed. 
 
The first tab in the list, and the landing page when the application is first loaded, 
is the Manage tab (Figure 1). This tab allows a new GWAS dataset to be uploaded 
into the application or a pre­loaded dataset from a dropdown menu can be selected. 
Before uploading, the user selects the appropriate organism from a dropdown menu. Data 
can be uploaded in a flat file delimited with either commas or tabs or an RData object. 
 
Once uploaded, a preview of the first ten rows of the dataset will appear in the 
main panel. Below this table is a series of selection boxes that allow the user to specify 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



which columns in the file to use for plotting. The user needs to select a chromosome 
and base pair for determining the location of each SNP in the genome. If the uploaded 
dataset is data from only one GWAS trait, there is a checkbox to include all data as 
one trait. Otherwise, the user can select one or more trait columns to group the data 
by when plotting. For example, a researcher might be interested in comparing 
GWAS results from multiple experiments, or in comparing results from 
multiple traits measured in the same experiment, or both. The user simply needs to select the 
column or columns with the label for the trait that the SNP corresponds to. Finally, the user 
needs to select the y­axis column with the significance value against which to plot each SNP. 
Usually, this is the negative logarithm of the P­value, but can also be the number of bootstrap 
models that include this SNP (RMIP, Valdar et al., 2009) or any other measure of 
trait significance, such as effect size. The final parameter allows for user selectable 
values for the Y­axis scale. By default, the software will automatically scale the y­axis 
based on the range of the selected data. 
 
After the user has selected the appropriate parameters, clicking the submit but­ 
ton will trigger a tab change to the Whole Genome View visualization tab (Figure 
2). Conveniently, once submitted, the software will remember the selected settings 
for this dataset on future visits and automatically populate the fields with the previ­ 
ously selected parameters. The plot on this tab is formatted as a standard genome­wide 
Manhattan plot. The x­axis is ordered by chromosome and base pair within each 
chromosome. The background of the plot has alternating blue/white shading for the 
even and odd chromosomes to highlight chromosome breaks. The panel 
on the left contains a box for each trait column selected in the Manage tab. Each of 
these boxes is populated with the values found in that column and any combination 
of one to many traits can be selected for viewing on the plot on the right. There is also 
an option for showing only overlapping SNPs with the ability to adjust both the overlap size 
around each point and the minimum number of overlaps. 
 
When the user scrolls over points in the plot, a tooltip will display that shows 
information about the trait that SNP is associated with, the Y­axis value, and the 
exact chromosome and base pair for the SNP (Figure 3). If the tooltip gets in the 
way of the viewing or selecting of points, clicking the plot will temporarily hide the 
tooltip box. Clicking any point in the Whole Genome View will change tabs to the 
Chromosome View tab (Figure 4). This tab contains two plots: one is a chromosome­wide 
view displaying the data from the chromosome clicked in the genome­wide view, the other 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



plot is an annotation plot of the region around the clicked base pair. A blue band 
in the chromosome­wide plot highlights the region being displayed in the annotation 
plot.  The plot contains a variety of interactive features. In addition to selecting traits 
to view in the sidebar panel, traits can be quickly hidden by clicking their entry 
in the legend. When many points are plotted on the same graph, overplotting can 
make it difficult to discern points clustered around the same peak. To alleviate this, 
the plot can be easily zoomed by clicking and dragging a zoom box anywhere in 
the plot. This makes it much easier to see the relationship between tightly grouped 
points. The displayed chromosome can be changed without returning to the Whole 
Genome View tab using the drop­down menu in the sidebar panel. Points can be clicked to 
redraw the annotation plot around new points of interest. 
 
The annotation plot is a variable width plot that defaults to showing the region 
250,000 base pairs on either side of the point of interest. The width of this region 
can be adjusted between 1,000 and 500,000 base pairs using the slider on the sidebar 
panel. The bottom of this plot has a track that shows the position of coding sequences 
around the SNP of interest. The tooltip for genes in this track displays information 
about the gene location, strand, and function, if known. For maize, arabidopsis and 
soybean, clicking on the gene will open a new browser tab that links to the gene description 
page specific to the organism being viewed. Arabidopsis links to The Arabidopsis Information 
Resource(TAIR) (Lamesch et al., 2011), soybean links to Soybase (Grant et al., 2010), and 
maize links to the Maize Genetics and Genomics Database (MaizeGDB) (Lawrence et al., 
2004). In addition, clicking genes in organisms added from Phytozome (Goodstein et al., 
2012) via the add organism application described below opens the Phytozome description 
page for that gene. ZBrowse can be easily modified to link out to other species­specific 
databases that can accept a query string in the URL. 
 
In addition to the visual browser, annotation data can be explored in tabular form 
in the Annotation Table tab (Figure 5). This table provides an interactive table 
of the genes found in the window around the selected point. The table is sortable 
and searchable and can also be exported as a comma­separated file. A similar table 
viewer is available in the Data Table tab for analysis of the selected GWAS dataset. 
 
Adding Organisms 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



Currently, maize, soybean, arabidopsis and sorghum are downloaded with the browser 
source package. We have developed an application to quickly add organisms to the browser 
from annotations downloaded from the Plant Genomics Portal (Phytozome) to the local 
installation of ZBrowse. Additionally, we will be formatting requested and popular organisms 
and releasing the files on GitHub. These will be easy to download and incorporate into your 
existing browser installation. 
 
Technical Foundation 
 
The GWAS browser is written in the R programming language using packages 
that provide wrappers around popular javascript web applications including shiny (RStudio 
Inc., 2013) and rCharts (Vaidyanathan, 2013). Because of this, the browser can be run locally 
with only R and any modern web browser. Internal data processing makes 
use of the plyr package (Wickham, 2011). The javascript plots are drawn using 
Highcharts (highcharts.com) and are available for use under the Creative Commons 
Attribution­NonCommercial 3.0 License. Tables are generated using the javascript 
library Datatables (datatables.net) and xtable (Dahl, 2013). All of the tools and software used 
are either free or open source. The use of R to build the web application makes it more easily 
accessible to bioinformaticians to extend than if it was written in pure javascript. Many GWAS 
programs are written in R (Kang et al., 2008; Segura et al., 2012; Lipka et al., 2012). So, 
many scientists performing GWAS will already have some familiarity with R constructs, even if 
they are not computational biologists. This familiarity will hopefully make it easier for the 
community who is using the browser to extend it and modify it for their purposes. 
 
Limitations 
 
The browser takes a fundamentally different approach from current state of the art 
browsers. It is focused on the ability to quickly plot a variety of GWAS experiments 
on a single Manhattan plot. A caveat to this ability, however, is that it cannot plot 
every SNP in a genotype dataset. Due to memory, time, and plotting constraints 
the current browser is limited to approximately 5000 data points per trait, which 
is significantly less than most genotype datasets. Of course, only the most strongly 
associated SNPs are typically of interest, so this problem can be easily mitigated 
by trimming the input file to contain only significant associations (e.g., p<0.05). 
Future improvements to the browser could support the plotting of more information 
by binning points when zoomed out to a point where over plotting is an issue and 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



only loading individual data points asynchronously when the zoom level is sufficient 
to see individual points. 
 
The generality of the browser allows for it to be used with any SNP dataset. 
Only chromosome number and base pair information needs to be provided for each 
SNP. However, this means that specific information about the genotype dataset being 
used, such as minor allele frequency or linkage disequilibrium information, cannot be 
displayed on the plot. Of course, the flexibility of the browser would make it easy 
to build personalized solutions that could display additional information for specific 
SNP datasets and additional tracks could be added to display linkage disequilibrium 
decay around the selected SNP. 
 
One obvious extension of the browser that would address many of the limitations listed above 
would be to connect it to a database designed to quickly and efficiently handle all of the data 
that goes into a GWAS experiment. Database support would allow custom subsetting of entire 
GWAS datasets and if the GWAS genotype files are available, then summary data about each 
particular SNP could also be displayed. This would allow the browser to be incorporated into a 
much larger ecosystem that could take a GWAS experiment from phenotypic dataset, through 
running a GWAS experiment, to final analysis and visualization. 
 
While the limitations identified above may constrain the use of the browser for certain 
applications, there are a number of use cases that are enabled by its current functionality. 
Using open source tools  and GitHub for the code distribution, the browser functionalities can 
be enhanced by the authors or by other members of the user community. 
 
 
Available resources: 
Download at: 

http://www.baxterlab.org/#!/cqi0 

Code is also available on github at 
https://github.com/baxterlabZbrowse/ZBrowse 

manual can be found here: 
http://media.wix.com/ugd/52737a_2a65d0deb3bd4da2b5c0190c0de343ca.pdf 

For support email: 
baxterlabZbrowse@danforthcenter.org 

 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



References 
 
Childs LH, Lisec J, Walther D. 2012. Matapax: An Online High­Throughput Genome­Wide 

Association Study Pipeline.​ Plant Physiology​ 158:1534–1541. 

Dahl DB. 2013.​ xtable: Export tables to LaTeX or HTML​. 

Goodstein DM, Shu S, Howson R, Neupane R, Hayes RD, Fazo J, Mitros T, Dirks W, Hellsten 

U, Putnam N, Rokhsar DS. 2012. Phytozome: a comparative platform for green plant 

genomics.​ Nucleic Acids Research​ 40:D1178–D1186. 

Grant D, Nelson RT, Cannon SB, Shoemaker RC. 2010. SoyBase, the USDA­ARS soybean 

genetics and genomics database.​ Nucleic Acids Research​ 38:D843–D846. 

Kang HM, Zaitlen NA, Wade CM, Kirby A, Heckerman D, Daly MJ, Eskin E. 2008. Efficient 

Control of Population Structure in Model Organism Association Mapping.​ Genetics 

178:1709–1723. 

Kang HM, Sul JH, Service SK, Zaitlen NA, Kong S, Freimer NB, Sabatti C, Eskin E. 2010. 

Variance component model to account for sample structure in genome­wide 

association studies.​ Nature Genetics​ 42:348–354. 

Lamesch P, Berardini TZ, Li D, Swarbreck D, Wilks C, Sasidharan R, Muller R, Dreher K, 

Alexander DL, Garcia­Hernandez M, Karthikeyan AS, Lee CH, Nelson WD, Ploetz L, 

Singh S, Wensel A, Huala E. 2011. The Arabidopsis Information Resource (TAIR): 

improved gene annotation and new tools.​ Nucleic Acids Research​ 40:D1202–D1210. 

Lawrence CJ, Dong Q, Polacco ML, Seigfried TE, Brendel V. 2004. MaizeGDB, the 

community database for maize genetics and genomics.​ Nucleic Acids Research 

32:D393–D397. 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



Lipka AE, Tian F, Wang Q, Peiffer J, Li M, Bradbury PJ, Gore MA, Buckler ES, Zhang Z. 

2012. GAPIT: genome association and prediction integrated tool.​ Bioinformatics 

28:2397–2399. 

Li MJ, Sham PC, Wang J. 2012. Genetic variant representation, annotation and prioritization 

in the post­GWAS era.​ Cell Research​ 22:1505–1508. 

RStudio Inc. 2013.​ shiny: Web Application Framework for R​. 

Segura V, Vilhjálmsson BJ, Platt A, Korte A, Seren Ü, Long Q, Nordborg M. 2012. An efficient 

multi­locus mixed­model approach for genome­wide association studies in structured 

populations.​ Nature Genetics​ 44:825–830. 

Seren Ü, Vilhjálmsson BJ, Horton MW, Meng D, Forai P, Huang YS, Long Q, Segura V, 

Nordborg M. 2012. GWAPP: A Web Application for Genome­Wide Association 

Mapping in Arabidopsis.​ The Plant Cell Online​:tpc.112.108068. 

Stein LD, Mungall C, Shu S, Caudy M, Mangone M, Day A, Nickerson E, Stajich JE, Harris 

TW, Arva A, Lewis S. 2002. The Generic Genome Browser: A Building Block for a 

Model Organism System Database.​ Genome Research​ 12:1599–1610. 

Vaidyanathan R. 2013.​ rCharts: Interactive Charts using Polycharts.js​. 

Valdar W, Holmes CC, Mott R, Flint J. 2009. Mapping in Structured Populations by Resample 

Model Averaging.​ Genetics​ 182:1263–1277. 

Wickham H. 2011. The Split­Apply­Combine Strategy for Data Analysis.​ Journal of Statistical 

Software​ 40:1–29. 

 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



 
 
 
 

Fig. 1. Landing page for Interactive GWAS Results Browser. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



 
 
 
Fig. 2. Genome wide view of Interactive GWAS Results Browser. The legend at the bottom of 
the figure displays the color of points that correspond to the combination of traits and 
locations selected in the sidebar on the left hand side of the figure. Clicking the points in the 
legend allows a user to easily show or hide points from that trait. modIncProb=Random Model 
Inclusion Probability, RMIP, the fraction of times each SNP displayed was returned out of 100 
GWAS analyses performed on a random subset of 80% of the data. The title of the plot is 
automatically generated from the filename of the dataset provided by the user. This makes it 
easy to determine which GWAS experiment is being plotted. Base Pairs = base position along 
the chromosome. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



 
Fig. 3. Example of tooltip displaying top SNP for Trait 1 in a Maize NAM GWAS experiment. 
The legend at the bottom of the figure displays the color of points that correspond to the 
combination of traits and locations selected in the sidebar on the left hand side of the figure. 
Clicking the points in the legend allows easily show or hide points from that trait. 
modIncProb=Random Model Inclusion Probability, RMIP, the fraction of times each SNP 
displayed was returned out of 100 GWAS analyses performed on a random subset of 80% of 
the data. The title of the plot is automatically generated from the filename of the file provided 
by the user. This makes it easy to determine which GWAS experiment is being plotted. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



 
 
Fig. 4. Chromosome View tab of the Interactive GWAS Results Browser displaying a peak 
above the ion transporter. The legend at the bottom of the figure displays the color of points 
that correspond to the combination of traits and locations selected in the sidebar on the left 
hand side of the figure. Clicking the points in the legend allows a user to easily show or hide 
points from that trait. modIncProb=Random Model Inclusion Probability, RMIP, the fraction of 
times each SNP displayed was returned out of 100 GWAS analyses performed on a random 
subset of 80% of the data. The title of the plot is automatically generated from the filename of 
the dataset provided by the user. This makes it easy to determine which GWAS experiment is 
being plotted. Base Pairs = base position along the chromosome. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts



 
Fig. 5. Annotation tab of the Interactive GWAS Results Browser. 

 

PeerJ PrePrints | https://dx.doi.org/10.7287/peerj.preprints.902v1 | CC-BY 4.0 Open Access | rec: 17 Mar 2015, publ: 17 Mar 2015

P
re
P
ri
n
ts