一种用于遗传关联分析并校正混杂因素的稀疏图结构Lasso混合模型
机器学习
2023-02-15 v2 基因组学
机器学习
摘要
尽管线性混合模型（LMM）在校正由群体分层、家系结构和隐性亲缘关系引起的虚假关联方面已展现出具有竞争力的性能，但针对基因型和表型数据复杂结构所带来的更多挑战仍有待解决。例如，遗传学家已发现某些表型簇比其他簇表现出更高的共表达性。因此，能够在异质数据集中利用此类相关信息的联合分析对于遗传建模至关重要。我们提出了稀疏图结构线性混合模型（sGLMM），该模型可在校正混杂因素的同时纳入数据集中各性状间的相关信息。我们的方法能够在考虑大量表型间相关性的同时，共同揭示这些表型的遗传关联。通过大量模拟实验，我们表明所提模型优于其他现有方法，且能够对群体结构与共享信号带来的相关性进行建模。此外，我们在来自植物与人类的两种不同物种的真实基因组数据集上验证了sGLMM的有效性。在拟南芥（Arabidopsis thaliana）数据中，sGLMM对63.4%的性状表现优于所有其他基线模型。我们还讨论了由本模型发现的人类阿尔茨海默病的潜在因果遗传变异，并论证了其中若干最重要的基因位点。
引用
@article{arxiv.1711.04162,
title = {A Sparse Graph-Structured Lasso Mixed Model for Genetic Association with Confounding Correction},
author = {Wenting Ye and Xiang Liu and Tianwei Yue and Wenping Wang},
journal= {arXiv preprint arXiv:1711.04162},
year = {2023}
}
备注
Code available at https://github.com/YeWenting/sGLMM