通路驱动的稀疏回归在两个亚洲队列中识别出与高密度脂蛋白胆固醇相关的通路和基因
统计方法学
2013-02-26 v1 应用统计
摘要
全基因组关联研究（GWAS）中分析数据的标准方法忽略了遗传标记之间任何潜在的功能关系。相比之下，基因通路分析利用基因组内功能结构的先验信息来识别与感兴趣性状相关的通路。在第二步中，可以在相关通路内识别出重要的单核苷酸多态性（SNP）或基因。大多数通路方法首先逐个测试 SNP，因此未能利用多 SNP 联合建模方法中固有的潜在优势。在此，我们描述了一个双层稀疏回归模型，用于同时识别与数量性状相关的通路、基因和 SNP。我们的方法考虑了将通路与全基因组数据进行联合建模时特有的各种因素，包括遗传预测变量之间的广泛相关性，以及变异可能重叠多个通路的事实。我们使用一种利用有限样本变异性的重采样策略，为通路、SNP 和基因提供稳健的排名。我们通过模拟测试了该方法，并将其用于通路驱动的 SNP 选择，以在两个独立的亚洲成年人 GWAS 队列中寻找与血清高密度脂蛋白胆固醇（HDLC）水平变异相关的通路、基因和 SNP。通过比较两个队列的结果，我们识别出若干候选通路，包括与心肌病、T 细胞受体和 PPAR 信号传导相关的通路。重点关注的基因包括与 L 型钙通道、腺苷酸环化酶、整合素、层粘连蛋白、MAPK 信号传导和免疫功能相关的基因。
引用
@article{arxiv.1302.5849,
title = {Pathways-driven Sparse Regression Identifies Pathways and Genes Associated with High-density Lipoprotein Cholesterol in Two Asian Cohorts},
author = {M. Silver and P. Chen and L. Ruoying and C. Y. Cheng and T. Y. Wong and E. Tai and Y. Y. Teo and G. Montana},
journal= {arXiv preprint arXiv:1302.5849},
year = {2013}
}