马尔可夫逻辑网络在遗传数据分析中的应用

复杂的、非加性的基因相互作用很常见，并且在决定表型时可能至关重要。然而，全基因组关联研究（GWAS）及类似的连锁数据统计研究在寻找基因型-表型关联时，假设了基因相互作用的加性模型。这些统计方法将多个基因对表型的复合效应视为每个单独基因部分影响的加和，因而往往会遗漏相当一部分可遗传效应。此类方法没有利用任何关于潜在基因型-表型机制的生物学知识。人工智能领域中那些将确定性知识纳入模型以执行统计分析的建模方法，可以被应用于在遗传分析中引入先验知识。我们选择使用此类方法中最具一般性的马尔可夫逻辑网络（MLNs），作为将确定性知识与统计分析相结合的框架。使用简单的、逻辑回归型的MLNs，我们已经能够复现传统统计方法的结果。此外，我们表明，即使使用简单的模型，通过使用避免独立性假设的联合推断，我们也能够超越寻找与表型连锁的独立标记。该方法被应用于酵母孢子化的遗传数据，这是一种由非线性基因相互作用支配的表型。除了检测到所有先前已鉴定的与孢子化相关的基因座外，我们的方法还能够鉴定出四个具有微效的基因座。由于它们对孢子化的影响很小，如果不考虑由基因相互作用引起的标记间依赖性，这四个基因座就无法被检测到。我们展示了如何使用更复杂的模型来检测基因相互作用，这可以作为将系统生物学与遗传学相结合的一般框架。