用CLUB-PLS应对影像遗传学中的维度问题
基因组学
2023-09-21 v2 机器学习
图像与视频处理
定量方法
摘要
影像遗传学及类似领域的一个主要挑战是将一个域中的高维数据（如遗传数据）与第二个域中的高维数据（如脑成像数据）相联系。该领域的标准方法是跨遗传因子和影像表型的海量单变量分析，即为每个预定义影像度量执行一项全基因组关联研究（GWAS）。尽管该方法极为成功，其一个缺陷是表型必须预定义，因此未局限于预选感兴趣区域或反映更大全脑模式的效果易被遗漏。本工作中我们引入一种基于偏最小二乘（PLS）的框架，称之为聚类自助PLS（CLUB-PLS），可处理两域的大输入维度及大样本量。该框架的一个关键因素是使用聚类自助为两域中单个输入特征提供稳健统计。我们将CLUB-PLS应用于考察UK Biobank中33,000名被试的表面面积和皮层厚度的遗传基础，发现107个全基因组显著位点-表型对，关联386个不同基因。我们发现这些位点中的极大多数可高比例技术验证：使用经典GWAS或全基因组推断统计（GWIS），我们发现85个位点-表型对超过全基因组提示性（P<1e-05）阈值。
引用
@article{arxiv.2309.07352,
title = {Tackling the dimensions in imaging genetics with CLUB-PLS},
author = {Andre Altmann and Ana C Lawry Aguila and Neda Jahanshad and Paul M Thompson and Marco Lorenzi},
journal= {arXiv preprint arXiv:2309.07352},
year = {2023}
}
备注
12 pages, 4 Figures, 2 Tables