多组学复杂性状预测：OmicKriging
应用统计
2014-05-21 v2 基因组学
定量方法
统计方法学
摘要
对疾病风险或药物反应等复杂性状进行高置信度预测是个性化医疗的终极目标。尽管全基因组关联研究已发现数千个与广泛复杂性状相关且可重复的多态性，但这些关联对任何给定性状的综合预测能力通常过低，缺乏临床相关性。我们提出了一种用于复杂性状预测的新型系统方法，该方法利用并整合了遗传、转录组或其他组学水平数据的相似性。我们使用一种称为 Kriging 的方法（常用于地统计学和机器学习）将组学相似性转化为表型相似性。我们提出的 OmicKriging 方法强调利用各种系统水平数据（如基因组、转录组和表观基因组全面调查所日益提供的数据）进行复杂性状预测。此外，我们的 OmicKriging 框架允许轻松整合来自异质源的关于组学水平数据子集功能的先验信息，而无需承受贝叶斯方法有时带来的沉重计算负担。利用来自 Wellcome Trust Case Control Consortium (WTCCC) 的七个疾病数据集，我们表明 OmicKriging 能够简单整合稀疏且高度多基因的成分，其性能与最近发表的一种贝叶斯稀疏线性混合模型方法相当，但计算时间仅为后者的一小部分。利用细胞生长表型，我们表明整合 mRNA 和 microRNA 表达数据可显著提高性能，优于单独使用任一数据集。我们还整合了基因型和表达数据来预测他汀类药物治疗后 LDL 胆固醇水平的变化，并显示 OmicKriging 的表现优于多基因评分方法。我们提供了一个 R 包以实现 OmicKriging。
引用
@article{arxiv.1303.1788,
title = {Poly-Omic Prediction of Complex Traits: OmicKriging},
author = {Heather E. Wheeler and Keston Aquino-Michaels and Eric R. Gamazon and Vassily V. Trubetskoy and M. Eileen Dolan and R. Stephanie Huang and Nancy J. Cox and Hae Kyung Im},
journal= {arXiv preprint arXiv:1303.1788},
year = {2014}
}