用于多 SNP、多性状关联作图的非参数降秩回归
应用统计
2015-12-09 v1 基因组学
机器学习
摘要
全基因组关联研究已被证明对理解疾病的遗传基础至关重要。然而，许多复杂性状——如人格特质、面部特征、疾病亚型——本质上是高维的，阻碍了简单的关联作图方法。我们开发了一种非参数贝叶斯降秩回归模型，用于多 SNP、多性状关联作图，该模型无需指定线性子空间的秩。我们通过模拟与真实数据表明，我们的模型在 SNP 间及相关的性状间共享强度，提高了识别遗传关联的统计功效，并给出可解释、受 SNP 监督的高维表型低维线性投影。在 HapMap 第三阶段基因表达 QTL 研究数据上，我们识别出了经典单变量检验功效不足而无法发现的、且两步法无法恢复的多效性表达 QTL。我们的 Python 软件 BERRRI 已在 GitHub 公开可用：https://github.com/ashlee1031/BERRRI。
引用
@article{arxiv.1512.02306,
title = {Nonparametric Reduced-Rank Regression for Multi-SNP, Multi-Trait Association Mapping},
author = {Ashlee Valente and Geoffrey Ginsburg and Barbara E Engelhardt},
journal= {arXiv preprint arXiv:1512.02306},
year = {2015}
}