基因组关联研究中的空间敲除贝叶斯变量选择

高维变量选择已成为大数据革命中的一项主导统计挑战。许多变量选择方法已被用于识别与表型变异相关的单核苷酸多态性（SNPs）。我们开发了一种贝叶斯变量选择回归模型，用于识别与表型变异相关的 SNPs。我们修改了贝叶斯变量选择回归模型，利用敲除变量方法控制 SNPs 的错误发现率。通过将感兴趣表型回归到一组考虑个体间亲缘关系的基函数上，我们减少了虚假关联。利用受限回归方法，我们在消除可由群体结构解释的表型变异的同时，同时估计 SNP 水平的效应。我们还通过将因果 SNPs 的包含概率与降秩高斯过程联合建模，容纳了因果 SNP 之间的空间结构。在模拟研究中，我们证明了我们的空间贝叶斯变量选择回归模型能够控制错误发现率，并在相关 SNP 聚集时提升统计功效。我们以拟南芥（Arabidopsis thaliana）开花时间——一种与群体结构混杂的多基因性状——的分析作为结尾，发现本方法的发现结果聚集在与已知开花时间基因邻近的区域。