利用多效性联合分析个体水平与汇总水平 GWAS 数据

近期大量针对复杂表型的全基因组关联研究（GWAS）证实了早期关于多基因性的猜想，表明存在大量仅具有微小或中等效应的变异。然而，由于单一 GWAS 的样本量有限，许多关联遗传变异过于微弱而达不到全基因组显著性。这些未被发现的变异进一步限制了 GWAS 的预测能力。个体水平数据获取受限以及已发表 GWAS 结果的日益可得，促使了整合个体水平与汇总水平数据的方法的发展。如何在个体水平与汇总水平数据间建立联系，决定了在个体水平数据有限时利用现有丰富汇总水平资源的效率，这一问题激发了该领域更多的研究努力。在本研究中，我们提出一种新颖的统计方法 LEP，它提供了一种建模个体水平数据与汇总水平数据之间联系的新方式。LEP 通过利用多效性（<underline>LE</underline>veraging <underline>P</underline\u003leiotropy）整合两类数据，以提高风险变异识别的统计功效和风险预测的准确性。我们开发了用于参数估计的算法以处理全基因组规模数据。通过全面的模拟研究，我们展示了 LEP 相对于现有方法的优势。我们进一步将 LEP 应用于对来自 WTCCC 的克罗恩病以及来自某些其他疾病（如 1 型糖尿病、溃疡性结肠炎和原发性胆汁性肝硬化）GWAS 的汇总统计量进行整合分析。LEP 能够显著提高识别风险变异的统计功效，并使用约 195,000 个变异将风险预测准确率从 63.39%（$\pm$ 0.58%）提升至 68.33%（$\pm$ 0.32%）。