Joint analysis of SNP and gene expression data in genetic association studies of complex diseases
遗传关联研究已成为评估常见单核苷酸多态性（SNP）与复杂疾病之间关联的流行方法。然而，在这些关联研究中，涉及从SNPs到疾病的机制的其他基因组数据，例如基因表达，通常被忽略。在本文中，我们建议利用基因表达信息，更有力地测试SNP和疾病之间的关联，通过联合建模SNP，基因表达和疾病之间的关系。我们提出了一个方差分量测试的总效应的SNP和基因表达的疾病风险。我们在因果中介分析框架内将基因表达作为潜在的中介体进行测试。对于eQTL SNP，基因表达信息的使用可以增强检验SNP集合的总效应的能力，SNP集合是通过基因表达介导的SNP对疾病风险的组合的直接和间接效应。我们发现，在原假设下的检验统计量遵循混合的$χ^2$分布，这可以通过分析或经验使用基于重采样的扰动方法进行评估。我们为三种疾病模型中的每一种构建测试，这些疾病模型仅由SNP决定，SNP和基因表达，或者还包括它们的相互作用。由于真实的疾病模型在实践中是未知的，我们进一步提出了一个综合测试，以适应不同的基础疾病模型。我们使用模拟研究评估所提出的方法的有限样本性能，并表明我们提出的测试表现良好，综合测试几乎可以达到最佳的功率，疾病模型是已知的，并正确指定。我们应用我们的方法重新分析SNP集和ORMDL3基因表达对哮喘风险的总体影响。
2014-04-25 stat.AP
A novel algorithm for simultaneous SNP selection in high-dimensional genome-wide association studies
背景：在大多数全基因组关联研究中，因果SNP的鉴定依赖于单独考虑每个SNP的方法。然而，在SNP之间存在需要考虑的强相关性结构。因此，越来越多的现代计算昂贵的回归方法被用于SNP选择，其同时考虑所有标记，从而并入SNP之间的依赖性。结果如下：我们开发了一种新的多变量算法，用于使用CAR评分回归进行大规模SNP选择，这是一种有前途的生物标志物优先排序的新方法。具体来说，我们提出了一个计算效率高的程序收缩估计的CAR分数从高维数据。随后，我们进行了一项全面的比较研究，包括五种高级回归方法（boosting，lasso，NEG，MCP和CAR评分）和一种单变量方法（边际相关），以确定寻找真正因果SNP的有效性。结论：同时SNP选择是一项具有挑战性的任务。我们证明，我们基于CAR评分的算法在正确恢复的因果SNP和SNP排名方面始终优于所有竞争方法，无论是单变量还是多变量。一个实现该方法的R包以及再现本文完整研究的R代码可从http://strimmerlab.org/software/care/获得。
2012-10-25 q-bio.GN stat.AP
Simultaneous Selection of Multiple Important Single Nucleotide Polymorphisms in Familial Genome Wide Association Studies Data
提出一种基于e-values框架和快速自助法的计算高效模型选择方法，在家族数据中同时利用多SNP信息进行单SNP检测，有效提升了与性状相关SNP的检测能力。
2023-05-21 stat.AP
Nonparametric Reduced-Rank Regression for Multi-SNP, Multi-Trait Association Mapping
全基因组关联研究已被证明对于理解疾病的遗传基础至关重要。然而，许多复杂的特征-人格特征，面部特征，疾病亚型-本质上是高维的，阻碍了简单的关联映射方法。我们开发了一个非参数贝叶斯降秩回归模型的多SNP，多性状关联映射，不需要指定的线性子空间的排名。我们在模拟和真实数据中表明，我们的模型在SNP和相关性状上具有优势，提高了统计功效，以识别与高维表型的可解释的SNP监督的低维线性投影的遗传关联。在HapMap第3阶段基因表达QTL研究数据上，我们鉴定了多效表达QTL，这些QTL是经典单变量检验发现的效力不足的，并且两步方法不能恢复。我们的Python软件BERRRI在GitHub上公开提供：https://github.com/ashlee1031/BERRRI。
2015-12-08 q-bio.GN stat.AP stat.ML
Statistical advances and challenges for analyzing correlated high dimensional SNP data in genomic study for complex diseases
近年来，信息技术在生物医学等应用领域的迅猛发展，产生了大量具有高维特征空间的大型数据集，为人类提供了大量的信息，为提高人类生活质量提供了新的机遇。与此同时，新数据的不断涌现也给研究者带来了巨大的挑战，需要将这些原始数据转化为科学知识，才能从中获益。近年来，利用SNP数据进行复杂疾病的关联研究成为生物医学研究的热点。在本文中，我们提出了最近的统计进展和复杂疾病的基因组关联研究中分析相关的高维SNP数据的挑战。该综述包括高维相关数据的一般特征约简方法和SNP数据的更具体方法，其中包括无监督单体型映射，标签SNP选择，以及使用统计测试/评分，统计建模和机器学习方法的监督SNP选择，重点是如何识别相互作用的基因座。
2008-03-28 stat.AP
Wavelet Screaming: a novel approach to analyzing GWAS data
我们提出了一种替代方法，全基因组关联研究（GWAS），是更强大的比常规GWAS方法的基因座检测。常规的GWAS方法由于同时测试数百万个单核苷酸多态性（SNP）而遭受大量的多重测试负担。此外，它没有考虑对响应变量的功能遗传效应;即，它忽略了区域内邻近SNP的更复杂的联合效应。我们提出的方法筛选整个基因组的协会使用顺序滑动窗口的方法基于小波。SNPs序列代表遗传信号，对于每个筛选区域，我们将遗传信号转换到小波空间。然后，我们估计在不同尺度下与表型相关的小波系数的比例。一个区域的重要性通过模拟评估，利用贝叶斯因子分布的最新结果。我们的新方法减少了要执行的独立测试的数量。此外，我们通过模拟表明，小波尖叫方法提供了一个显着的增益功率相比，经典的GWAS建模时，面对更复杂的信号，而不仅仅是单SNP的关联。为了证明可行性，我们重新分析了来自挪威大型HARVEST队列的数据。关键词：贝叶斯因子，GWAS，SNP，多重检验，多基因
2018-10-17 stat.AP
Subset Testing and Analysis of Multiple Phenotypes (STAMP)
多个全基因组关联研究（GWAS）的荟萃分析对于检测单个或多个标记与复杂性状的关联是有效的。我们开发了一个灵活的程序（“STAMP”）的基础上的混合模型，以执行基于区域的荟萃分析不同的表型使用来自不同的GWAS的数据，并确定相关的表型的子集。我们的模型框架有助于区分真正的关联研究之间的异质性。作为关联的度量，我们计算每个表型的后验概率，即研究中的遗传区域是真正关联的。广泛的模拟表明，当真正相关的结果的比例为$\leq$ 50\%时，STAMP比Meta分析的标准方法更强大。对于其他设置，STAMP的功能与现有方法类似。我们举例说明我们的方法上的两个例子，染色体9p21上的一个区域与14种癌症的风险的关联，以及来自两个遗传区域的数量性状基因座（eQTL）的表达与使用癌症基因组图谱（TCGA）的数据在17种组织类型中测量的顺式SNP的关联。
2017-12-28 stat.ME
A model selection approach to genome wide association studies
对于迄今为止发表的绝大多数全基因组关联研究（GWAS），通过单独测试标记进行统计分析。在这篇文章中，我们提出了一些基本的统计考虑，清楚地表明，在复杂的性状的情况下，基于多元回归或广义线性模型的方法是更可取的多重检验。我们介绍了一个模型选择方法GWAS的基础上修改的贝叶斯信息准则（BIC），并开发了一些简单的搜索策略来处理大量的潜在模型。基于真实SNP数据的综合模拟证实，模型选择比多重检验具有更大的功效来检测复杂模型中的因果SNP。另一方面，多重检验在因果SNP的正确排序方面存在实质性问题，并且倾向于检测一定数量的假阳性SNP，其与任何因果突变都不相关。我们发现，这种行为是典型的GWAS复杂的性状，可以解释为许多小的随机样本之间的相关性基因型的SNP调查和其他因果SNP的聚集影响。我们相信，我们的研究结果至少部分地解释了低功率和不可复制的结果在许多真实数据GWAS的问题。最后，我们讨论了我们的模型选择方法的优势，在真实的数据分析的背景下，我们认为公开的基因表达数据作为性状的个人从HapMap项目。
2010-10-01 stat.AP stat.CO
Differentially-Private Logistic Regression for Detecting Multiple-SNP Association in GWAS Databases
Carnegie Mellon University（卡内基梅隆大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）
在霍默等人发表了对全基因组关联研究（GWAS）数据的攻击之后，已经对开发用于以隐私保护方式发布GWAS数据的方法给予了相当大的关注。在这里，我们开发了一种端到端的差分私有方法，用于解决具有凸罚函数的回归问题，并通过交叉验证选择罚参数。特别是，我们专注于惩罚逻辑斯谛回归与弹性网络正则化，一种广泛用于GWAS分析，以确定致病基因的方法。我们展示了如何将弹性网络正则化惩罚逻辑斯谛回归的差分私有程序应用于GWAS数据的分析并评估我们的方法的性能。
2014-07-30 cs.LG stat.AP stat.ML
Measurement error as a missing data problem
这篇文章关注的是回归分析中协变量的测量误差，其目的是估计一个或多个协变量与结果之间的关联，调整混杂因素。如果忽略协变量测量中的误差，则会导致代表相关性的参数的有偏估计。对于部分或全部研究受试者，测量变量存在误差的研究可视为真实变量缺失的研究。我们建立了测量误差和缺失数据之间的联系，并描述了校正由于协变量测量误差引起的偏倚的方法，包括回归校准（条件均值插补），极大似然法和贝叶斯法，以及多重插补。使用第三次全国健康与营养检查调查（NHANES III）的数据来说明这些方法，以调查易出错的协变量收缩压与心血管疾病死亡风险之间的相关性，调整其他几个变量，包括那些受缺失数据的影响。我们使用多重插补和贝叶斯方法，可以同时解决测量误差和缺失数据。示例数据和R代码在补充材料中提供。
2019-10-14 stat.ME
Gaussian Copula Models for Nonignorable Missing Data Using Auxiliary Marginal Quantiles
提出基于高斯连接模型与辅助边际分位数的贝叶斯方法，解决不可忽略缺失数据的建模与插补，证明少量分位数可一致估计相关性，并在铅暴露与学业成绩关联分析中验证其优于传统方法。
2024-11-16 stat.AP stat.ME stat.ML
DOT: Gene-set analysis by combining decorrelated association statistics
从历史上看，大多数统计关联方法都是假设SNP水平信息的可用性而设计的。然而，现代基因和测序数据提出了新的挑战，访问和共享的基因型-表型数据集，包括成本管理，在整合记录跨研究组，等这些问题的SNP水平的汇总统计的基础上，在一组特别有吸引力的变异的联合分析的方法。最常见的组合统计形式是SNP水平的平方分数之和，可能是加权的，就像罕见变异的负担测试一样。在零假设下使用其分布评估所得统计量的总体显著性。在这里，我们证明，这种基本的方法可以大大提高去相关的分数之前，他们的加入，导致显着的权力增益的情况下，最常见的实践中遇到的，即，根据异质性的影响大小和成对LD之间的多样性。在这些情况下，随着变量数量的增加，基于增加的平方分数的传统测试的能力很快达到上限。因此，传统的方法并不受益于任何额外的SNP中潜在包含的信息，而我们的正交变换（DOT）方法的去相关产生稳定的功率增益。我们目前的理论和计算分析这两种方法，并揭示背后的原因，有时在各自的权力显着的差异。我们通过分析乳腺癌数据来展示DOT，其中我们的方法加强了先前报道的关联水平，并暗示了多个新等位基因共同赋予乳腺癌风险的可能性。
2019-06-10 q-bio.GN stat.AP
A functional data analysis approach for genetic association studies
我们提出了一种新的方法，基于功能数据分析（FDA）检测一个或多个标量协变量和纵向响应之间的关联，同时纠正其他变量。我们的方法利用时间结构的纵向数据的方式，否则难以与多元方法。从FDA的角度来看，我们的程序在两个关键方面偏离了更成熟的方法。首先，在分析之前将原始纵向表型组装成功能轨迹。其次，我们探索了一种不直接基于主成分的关联检验。相反，我们专注于量化$L^2$变异性的减少，作为检测相关性的一种手段。我们的程序是由纵向全基因组关联研究，特别是儿童哮喘管理计划（CAMP），探索日常哮喘治疗的长期影响的动机。我们进行了模拟研究，以更好地了解FDA方法与传统多变量方法相比的优势（和/或劣势）。然后，我们将我们的方法应用于来自CAMP的数据。我们发现了一个潜在的新的关联与SNP的负面影响肺功能。此外，该SNP似乎与其中一种治疗具有相互作用效应。
2014-04-29 stat.AP
Generalized genetic association study with samples of related individuals
遗传关联研究是发现与感兴趣的复杂性状相关的遗传因子的重要步骤。在本文中，我们提出了一种新的广义准似然得分（GQLS）测试，适用于研究的数量性状或二元性状。我们使用一个逻辑斯谛回归模型来连接性状的表型值的等位基因频率的分布。在我们的模型中，等位基因频率被视为反应，性状被视为协变量，允许我们不指定性状值的分布。仿真研究表明，我们的方法是一般更强大的基于家庭的关联测试（FBAT）相比，并控制在所需的水平的第一类错误。我们应用我们的方法来分析数据的荷斯坦牛的估计育种值表型，并分析数据的酒精依赖的酒精中毒遗传学的合作研究。结果显示了与文献中先前报道一致的显著SNP和区域的良好部分，并且还揭示了与感兴趣的复杂性状相关的新的显著SNP和区域。
2011-11-23 stat.AP
Pathways of Distinction Analysis: a new technique for multi-SNP analysis of GWAS data
由于技术的进步，全基因组关联研究已经变得越来越普遍，并且已经允许鉴定与疾病相关的单核苷酸多态性（SNP）等位基因的差异。然而，虽然典型的GWAS分析技术单独处理标记物，但复杂疾病不太可能具有单一致病基因。因此，迫切需要多SNP分析方法，可以揭示病例和对照的系统水平差异。在这里，我们提出了一种新的多SNP GWAS分析方法，称为区分分析途径（PoDA）。该方法使用GWAS数据和已知的通路基因和基因SNP关联来识别允许理想情况下区分病例和对照的通路。该技术是基于这样的假设，即如果一个途径与疾病风险有关，那么与该途径相关的SNP的对照相比，病例将与其他病例更相似。通过将该方法系统地应用于所有潜在感兴趣的途径，我们可以识别出假设成立的那些途径，即，含有SNP的途径，其中样品表现出比跨类更大的类内相似性。重要的是，PoDA改进了现有的单SNP和SNP集富集分析，因为它不需要途径中的SNP表现出独立的主效应。这允许PoDA揭示上位性相互作用驱动风险的途径。在本文中，我们详细的PoDA方法，并将其应用到两个GWA研究：乳腺癌，和其他肝癌。所获得的结果强烈表明，存在有助于疾病易感性的通路范围的基因组差异。因此，PoDA提供了一个分析工具，是对现有技术的补充，并有能力在系统水平上丰富我们对疾病基因组学的理解。
2011-03-17 q-bio.GN q-bio.MN q-bio.QM
Analyzing genome-wide association studies with an FDR controlling modification of the Bayesian information criterion
分析GWAS数据的流行方法仍然是单独测试每个标记，尽管从统计学的角度来看，很明显，在复杂性状的情况下，这种单一标记测试并不理想。最近已经提出了几种GWAS的模型选择方法，其中大多数基于LASSO类型的程序。在这里，我们将讨论一种替代的模型选择方法，它是基于修改的贝叶斯信息准则（MBIC 2），这是以前被证明具有一定的渐近最优性属性方面的最小化误分类误差。启发式搜索策略的引入，试图找到的模型，最大限度地减少mBIC 2，这是足够有效的，允许GWAS数据的分析。我们的方法是在一个名为MOSGWA的软件包中实现的。它在病例对照GWAS中的性能与两种算法HLASSO和GWASelect以及单标记测试进行了比较，在单标记测试中，我们基于来自POPRES样本的真实SNP数据进行了模拟研究。我们的研究结果表明，MOSGWA表现略好于HLASSO，而根据我们的模拟GWASelect不控制第一类错误时，用于自动确定重要的SNP的数量。我们还重新分析了来自Wellcome Trust病例对照联盟（WTCCC）的GWAS数据，并比较了不同程序的结果。
2014-03-26 stat.AP
A hierarchical Bayesian model to find brain-behaviour associations in incomplete data sets
University College London（伦敦大学学院）；Max Planck University College London Centre for Computational Psychiatry and Ageing Research（马克斯·普朗克伦敦大学学院计算精神病学与衰老研究中心）；Wellcome Centre for Human Neuroimaging（韦尔科姆人类神经影像中心）
典型相关分析（CCA）及其正则化版本已广泛用于神经成像领域，以揭示两种数据模态之间的多变量关联（例如，脑成像和行为）。然而，这些方法具有固有的局限性：（1）关于关联的统计推断通常不可靠;（2）每个数据模态内的关联未建模;（3）缺失值需要插补或删除。组因子分析（GFA）是一种分层模型，通过提供贝叶斯推断和建模特定于模态的关联来解决前两个限制。在这里，我们提出了一个扩展的GFA处理缺失数据，并强调GFA可以用作预测模型。我们将GFA应用于由人类连接组计划（HCP）的大脑连接和非成像测量组成的合成和真实数据。在合成数据中，GFA发现了潜在的共享和特定因素，并正确预测了完整和不完整数据集中的未观察到的数据模式。在HCP数据中，我们确定了四个相关的共享因素，捕获情绪，酒精和药物使用，认知，人口统计学和精神病理学指标与默认模式，额顶控制，背侧和腹侧网络和神经网络之间的关联，以及描述大脑连接内关联的两个因素。此外，GFA预测了一组来自大脑连接的非成像测量。这些发现在完整和不完整的数据集是一致的，并复制了文献中的先前发现。GFA是一个很有前途的工具，可用于揭示基准数据集（如HCP）中多个数据模态之间和内部的关联，并易于扩展到更复杂的模型，以解决更具挑战性的任务。
2021-03-11 cs.LG stat.ML
Statistical testing of shared genetic control for potentially related traits
整合来自不同性状的全基因组单核苷酸多态性（SNP）关联研究的数据，应使研究人员能够解开个体相关区域内潜在相关性状的遗传学。对各个区域进行正式的统计共定位测试，这需要选择一组总结区域关联的SNP。我们表明，SNP选择方法极大地影响了1型错误率，已发表的研究使用的方法预计会导致大幅膨胀的1型错误率。我们发现，要么避免变量选择，而不是测试信息最丰富的主成分或整合变量选择使用贝叶斯模型平均可以导致正确的控制类型1的错误率。应用于格雷夫斯病和桥本甲状腺炎的数据揭示了疾病之间共享的七个区域的共同基因签名，并表明在与格雷夫斯病而不是桥本甲状腺炎相关的六个区域中的五个区域中，这更可能反映了与后者真正缺乏关联，而不是缺乏力量。我们的考试，通过模拟，性能的共定位测试和相关的软件将促进更广泛地采用正式的共定位测试。鉴于来自疾病相关组织和纯化细胞群体的大量表达和遗传关联数据集的日益可用性，加上ENCODE等项目对调控序列的鉴定，共定位分析有可能揭示相关性状的共享遗传特征以及致病基因和组织。
2013-04-30 q-bio.GN stat.AP
Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data
Columbia University（哥伦比亚大学）；University of Toronto（多伦多大学）；Sinai Health（西奈山健康系统）
本文提出了一种在纵向数据和时间到事件数据联合建模中评估单核苷酸多态性总体效应的样本量和统计功效计算方法。
2026-02-16 stat.AP stat.ME
Revealing the missing heritability via cross-validated genome-wide association studies
本文介绍了一种交叉验证的全基因组关联研究（cvGWAS）的简单方法。该方法以表型预测为重点，通过适当选择少量具有隐性预测能力的位点，能够揭示大量缺失的遗传力。这些结果为缺失的遗传力问题和复杂性状的潜在遗传结构提供了新的见解。
2013-08-07 q-bio.GN q-bio.QM stat.AP
variable selection and missing data imputation in categorical genomic data analysis by integrated ridge regression and random forest
全基因组关联研究（GWAS）所获得的基因组数据往往是大规模的，而且是不完整的。其不完备性的一种特殊形式是具有不可解释的缺失机制的缺失值。基因组数据的内在复杂性提出了显着的挑战，在开发一个公正的和翔实的程序表型-基因型关联分析的统计变量选择方法。在本文中，我们开发了一个连贯的分类表型-基因型关联分析的程序，在GWAS数据中的缺失值与不可解释的缺失机制的存在下，通过整合最先进的方法，随机森林的变量选择，加权岭回归与期望最大化算法的缺失数据填补，和线性统计假设检验确定缺失机制。两个模拟的GWAS被用来验证所提出的程序的性能。该程序，然后应用于分析一个真实的数据集，从乳腺癌GWAS。
2021-11-10 stat.AP stat.ME
Fast Genome-Wide QTL Association Mapping on Pedigree and Population Data
由于大多数全基因组关联研究（GWAS）的分析软件目前只利用不相关的个体，因此需要能够处理一般系谱数据或群体和系谱数据的混合物的高效应用程序。即使是被认为仅由不相关的个体组成的数据集也可能包含神秘的关系，如果不被发现和控制，这些关系可能导致误报。此外，家族设计具有令人信服的优势。他们更有能力检测罕见变异，控制人群分层，并促进对起源父母效应的研究。选择极端性状值的家系往往分离出一个具有强效应的单基因。最后，许多谱系是连锁分析时代的重要遗产。不幸的是，谱系可能性是出了名的难以计算。在本文中，我们重新审视的计算瓶颈，并实现超快的系谱为基础的GWAS分析。亲属关系系数可以基于明确提供的谱系，也可以根据密集标记自动估计。我们的策略（a）适用于随机样本数据、系谱数据或两者的混合;（b）不损失功效;（c）允许任何数量的协变量调整，包括对群体分层的校正;（d）允许在加性、显性和隐性模型下测试SNP;（e）适应单变量和多变量数量性状。在一台典型的个人计算机（6个CPU内核，2.67 GHz）上，分析来自圣安东尼奥家庭心脏研究（124个家系中1357名个体的935，392个SNP）的单变量HDL（高密度脂蛋白）性状需要不到2分钟和1.5 GB的内存。对纵向HDL多变量性状的三个时间点进行完整的多变量QTL分析需要不到5分钟和1.5 GB的内存。
2014-12-20 q-bio.GN q-bio.PE stat.AP
Prediction-based Inference in Electronic Health Record (EHR)-linked Biobanks with Clinically Informative Outcomes
University of Michigan（密歇根大学）；Yale University（耶鲁大学）
本文探讨了在EHR关联生物库中利用预测方法处理缺失生物标志物数据的挑战，评估了九种方法在连续和二元结果下的性能，证明预测方法在正确指定缺失机制时能提升统计功效和效率。
2026-04-13 stat.AP
Multi-View Variational Autoencoder for Missing Value Imputation in Untargeted Metabolomics
Michigan Technological University（密歇根理工大学）；Tulane University（杜兰大学）；University of Texas MD Anderson（德克萨斯大学MD安德森癌症中心）
针对非靶向代谢组学数据缺失问题，提出基于多视图变分自编码器的方法，整合全基因组测序数据与参考代谢物信息实现缺失值插补，性能优于传统方法，为精准医学中的多组学整合研究提供支撑。
2024-03-12 cs.IR cs.LG q-bio.GN
Approaching allelic probabilities and Genome-Wide Association Studies from beta distributions
在本文中，我们提出了一个模型的等位基因概率的分布产生尽可能可靠的人口。我们的目标是开发这样一个模型，它将允许模拟不同的观察到的截断和程度的噪音等位基因的概率。此外，我们还介绍了一种全新的方法来分析全基因组关联研究（GWAS）数据集，从一个新的统计分布和每个基因型的两个效应量的关联检验开始。新方法被应用到一个真实的数据集与Monte Carlo实验，表明我们的新方法的功率性能。最后，利用一致性Kappa指数和主成分分析（PCA）对基于Beta分布的新方法和传统方法（基于卡方分布）进行了比较。两种分析均显示，在选择相关的单核苷酸多态性（SNP）时，两种方法之间存在差异。
2014-02-25 q-bio.GN q-bio.PE stat.AP
Graphical-model Based Multiple Testing under Dependence, with Applications to Genome-wide Association Studies
大规模的多重检验任务往往表现出相关性，利用单个检验之间的相关性仍然是统计学中一个具有挑战性和重要性的问题。随着图形模型的最新发展，使用图形模型进行依赖性下的多重检验是可行的。我们提出了一个多重检验过程，这是基于马尔可夫随机场耦合混合模型。假设的真实值由潜在的二进制马尔可夫随机场表示，观察到的检验统计量显示为耦合的混合变量。模型中的参数可以通过一种新的期望最大化算法自动学习。我们使用MCMC算法来推断每个假设为空的后验概率（称为局部显著性指数），并且可以相应地控制错误发现率。仿真结果表明，使用该方法可以大大提高多重检验的数值性能。我们将该程序应用于乳腺癌的真实世界全基因组关联研究，并确定了几个具有强关联证据的SNP。
2012-10-16 cs.CE stat.AP stat.ME
Fast and accurate imputation of summary statistics enhances evidence of functional enrichment
在GWAS和荟萃分析中，使用外部参考样本组进行插补是一种广泛使用的提高功效的方法。现有的基于HMM的插补方法需要个体水平的基因型。在这里，我们开发了一种新的方法，高斯插补从汇总关联统计，一种类型的数据，正变得越来越广泛。在使用1000个基因组（1000 G）数据的模拟中，该方法恢复了常见（>5%）和低频（1-5%）变体的84%（54%）有效样本量（当从目标样本中获得汇总LD信息时增加到87%（60%）），而基于HMM的插补为89%（67%），无法应用于汇总统计量。我们的方法考虑了参考面板的有限样本量，这是消除假阳性关联的关键步骤，并且计算速度非常快。作为一个实证研究，我们应用我们的方法，从WTCCC数据和身高在英国1958年出生队列（1958 BC）的研究7例对照表型。与WTCCC（1958 BC身高）数据中227（176）个已发表SNP的个体水平基因型基于HMM的插补相比，来自汇总统计量的高斯插补恢复了95%（105%）的有效样本量（通过$χ^2$关联统计量的比值量化）。此外，对于来自4种脂质性状的大型荟萃分析的公开汇总统计量，我们公开发布了1000 G SNP的插补汇总统计量，这是使用先前发表的方法无法获得的，并通过掩蔽数据子集来证明其准确性。我们表明，1000 G插补使用我们的方法增加了这些性状的基因与非基因位点富集的幅度和统计证据，与没有1000 G插补的分析相比。因此，在…
2013-09-12 q-bio.GN q-bio.PE q-bio.QM
Object-Attribute Biclustering for Elimination of Missing Genotypes in Ischemic Stroke Genome-Wide Data
National Research University Higher School of Economics（俄罗斯国立高等经济大学）；Institute of Molecular Genetics of National Research Centre “Kurchatov Institute”（俄罗斯国家研究中心“库尔恰托夫研究所”分子遗传学研究所）；Pirogov Russian National Research Medical University（俄罗斯国家研究型皮罗戈夫医科大学）
缺失的基因型可能会影响机器学习方法识别常见疾病和性状的风险遗传变异的功效。当用不同的DNA微阵列从不同的实验中收集基因型数据时，问题就出现了，每个实验的特征都是其未命名（缺失）的基因型模式。这可能会阻止机器学习分类器正确分配类别。为了解决这个问题，我们使用了良好的概念，对象属性biclusters和正式的概念，对应于密集的子关系的二元关系$\textit{patients} \times \textit{SNPs}$。本文包含的实验结果应用双聚类算法的一个大的真实世界的数据集收集研究缺血性中风的遗传基础。该算法可以识别基因型矩阵中的大的密集双聚类以进行进一步处理，这反过来显著提高了机器学习分类器的质量。该算法还能够生成双聚类的整个数据集的大小限制相比，在封闭4算法生成的正式概念。
2020-10-25 cs.LG q-bio.GN stat.AP
