用于整合遗传、影像与临床数据的部分函数线性建模框架
统计方法学
2023-02-23 v2 应用统计
摘要
本文受阿尔茨海默病神经影像倡议(ADNI)研究中收集的遗传、影像与临床(GIC)数据联合分析所推动。我们提出一种基于部分函数线性回模型归的回归框架,以绘制阿尔茨海默病(AD)的高维GIC相关通路。我们通过将影像数据嵌入再生核Hilbert空间并对遗传变量系数施加L0惩罚,开发了联合模型选择与估计过程。我们将所提方法应用于ADNI数据集,从数万种遗传多态性(经预处理步骤由数百万种缩减而来)中识别重要特征,并研究一组特定信息性遗传变异与基线海马表面对衡量认知功能不同方面的十三个未来认知评分的影响。我们探究了这些认知评分的共享与不同遗传力模式。分析结果表明,海马与遗传数据对不同评分均具有异质效应,且趋势为两侧海马值与认知缺陷严重程度负相关。所有十三个认知评分均观测到多基因效应。知名的APOE4基因型仅解释认知功能的很小一部分。存在共享遗传病因,但在考虑基线诊断状态后,疾病分类内部存在更大的遗传异质性。这些分析有助于进一步探究AD演变的功能机制。
引用
@article{arxiv.2210.01084,
title = {A Partially Functional Linear Modeling Framework for Integrating Genetic, Imaging, and Clinical Data},
author = {Ting Li and Yang Yu and J. S. Marron and Hongtu Zhu},
journal= {arXiv preprint arXiv:2210.01084},
year = {2023}
}