数量性状网络关联分析的多元回归方法

许多复杂疾病综合征（如哮喘）由大量高度相关而非独立的临床表型组成，这为识别同时与相关性状关联的遗传变异提出了新的技术挑战。在本研究中，我们提出了一种新的统计框架——图引导融合lasso（graph-guided fused lasso, GFlasso），以有原则的方式解决这一问题。我们的方法将数量性状之间的依赖结构显式表示为网络，并利用该性状网络在基因型和性状的多元回归模型中编码结构化正则化，使得能够以高灵敏度和高特异度检测共同影响高度相关性状子群的遗传标记。大多数传统方法独立检验每个表型并在事后合并结果，而我们的方法在单一统计方法中联合分析所有性状，并跨相关性状借用信息，以发现共同扰动相关性状子集而非单一性状的遗传标记。使用基于HapMap联盟数据的模拟数据集和哮喘数据集，我们将我们的方法与单标记分析以及其他不利用性状中任何结构信息的稀疏回归方法（如岭回归和lasso）进行了性能比较。我们的结果表明，使用我们提出的方法将性状中的相关模式纳入考虑后，在检测真实因果SNP方面具有显著优势。