利用GWAS汇总数据推断非线性因果效应
统计方法学
2023-10-27 v3 应用统计
统计计算
摘要
大规模全基因组关联研究（GWAS）通过使用SNP作为工具变量（IVs），为发现与疾病相关的假定因果基因或风险因素提供了令人振奋的机会。然而，传统方法假设线性因果关系，部分出于简便，部分出于GWAS汇总数据的可得性。在这项工作中，我们提出了一种用于转录组范围关联研究（TWAS）的新模型，以纳入工具变量、暴露/基因与结局之间的非线性关系；该模型对有效IV假设的违背具有稳健性，允许使用GWAS汇总数据，并将两阶段最小二乘法作为特例涵盖。我们将边际因果效应与非线性变换的估计解耦：前者通过切片逆回归和稀疏工具变量回归估计，后者通过比率调整逆回归估计。在此基础上，我们提出了一种推断流程。将所提方法应用于ADNI基因表达数据和IGAP GWAS汇总数据，识别了18个与阿尔茨海默病相关的因果基因，包括APOE和TOMM40，此外还有7个仅考虑线性关系的两阶段最小二乘法遗漏的基因。我们的发现表明，需要非线性建模以释放IV回归在识别潜在非线性基因-性状关联方面的能力。本文附有实现所提方法的Python库\texttt{nl-causal}（\url{https://nonlinear-causal.readthedocs.io/}）。
引用
@article{arxiv.2209.08889,
title = {Inference of nonlinear causal effects with GWAS summary data},
author = {Ben Dai and Chunlin Li and Haoran Xue and Wei Pan and Xiaotong Shen},
journal= {arXiv preprint arXiv:2209.08889},
year = {2023}
}
备注
33 pages, 11 figures