成像遗传学中的统计方法综述
统计方法学
2018-03-07 v2
摘要
随着现代技术的快速发展，许多大规模生物医学研究已经/正在/将要开展，以从日益庞大的队列中收集包含大量多模态成像、遗传、神经认知和临床信息的海量数据集。从这些大数据中同时提取并整合神经影像和/或基因组学中丰富多样的异质信息，可能转变我们对遗传变异如何影响大脑结构与功能、认知功能以及整个生命周期中脑相关疾病风险的理解。这种理解对于诊断、预防和治疗众多复杂的脑相关疾病（如精神分裂症和阿尔茨海默病）至关重要。然而，开发用于联合分析高维成像表型和高维遗传数据（称为平方大数据，BD）的分析方法，给现有分析方法带来了巨大的计算和理论挑战。除了 BD 的高维特性外，各种神经影像测量通常表现出很强的空间平滑性和依赖性，而遗传标记可能因连锁不平衡而具有天然的依赖结构。我们回顾了用于 BD 联合分析的各种统计技术的最新进展，包括大规模单变量和体素级方法、降秩回归、混合模型以及组稀疏多任务回归。通过这篇综述，我们希望鼓励统计学界的其他研究者进入这个令人兴奋的新研究领域。
引用
@article{arxiv.1707.07332,
title = {A Review of Statistical Methods in Imaging Genetics},
author = {Farouk S. Nathoo and Linglong Kong and Hongtu Zhu},
journal= {arXiv preprint arXiv:1707.07332},
year = {2018}
}