利用纵向影像表型与稀疏回归识别阿尔茨海默病涉及的基因通路
应用统计
2012-04-10 v1 统计方法学
摘要
我们提出一种检测与多变量数量性状相关的基因通路的新方法，并将其用于识别与阿尔茨海默病（AD）患者大脑纵向结构变化的影像内表型特征相关的因果通路。我们的方法称为通路稀疏降秩回归（Pathways Sparse Reduced-Rank Regression, PsRRR），利用群组LASSO惩罚回归，基于基因-基因相互作用的先验知识将全基因组单核苷酸多态性（SNPs）分组到功能通路中，并联合建模其效应。通过利用有限样本变异性的重抽样策略，通路按重要性排序。我们的应用研究使用了来自阿尔茨海默病神经影像学倡议（ADNI）数据库的464名受试者的全基因组扫描和磁共振图像。66,182个SNPs被映射到来自KEGG通路数据库的185个基因通路。通过分析相对于基线在6、12和24个月时的三维结构变化模式，获得了AD特征性的体素级影像特征。在我们的研究中，与AD内表型高度相关的通路包括那些描述趋化因子、Jak-STAT和胰岛素信号通路以及紧密连接相互作用的通路。所有这些通路此前均已被认为与AD生物学相关。在一项二次分析中，我们探究了可能驱动通路选择的SNPs和基因，并识别出多个先前已验证的AD基因，包括CR1、APOE和TOMM40。
引用
@article{arxiv.1204.1937,
title = {Identification of gene pathways implicated in Alzheimer's disease using longitudinal imaging phenotypes with sparse regression},
author = {Matt Silver and Eva Janousova and Xue Hua and Paul M. Thompson and Giovanni Montana},
journal= {arXiv preprint arXiv:1204.1937},
year = {2012}
}