在全基因组研究中利用条件对称多维高斯混合检验大量复合零假设
统计方法学
2023-09-25 v1 应用统计
摘要
因果中介分析、多效性分析与重复分析是三种极为流行的遗传研究设计。尽管这些分析所解决的科学问题不同，其 underlying 推断问题均涉及大规模复合零假设的检验。目标在于判定一组个体检验中的所有（而非至少一个）零假设是否应被同时拒绝。针对上述情形已提出多种近期方法，其中颇具吸引力的经验贝叶斯策略是应用流行的两组模型，为每组假设计算局部错误发现率（lfdr）。然而，该策略因需进行多元密度估计而难以实施。此外，经验贝叶斯 lfdr 方法与常规频率派 z 统计量的多重检验规则可能不一致，这对于普遍使用汇总统计量的领域而言令人困扰。本文提出一个框架，以统一遗传关联复合零设定下的两组检验，即条件对称多维高斯混合模型（csmGmm）。研究表明 csmGmm 比近期提出的替代方法具有更稳健的运算特性。关键在于，csmGmm 还通过协调 lfdr 与 z 统计量检验规则提供了强可解释性保证。我们将基础 csmGmm 扩展至覆盖中介、多效性与重复各设定，并证明 lfdr 与 z 统计量的一致性在每种情形下均成立。我们将该模型应用于一组促成此项工作的转化肺癌遗传关联研究。
引用
@article{arxiv.2309.12584,
title = {Testing a Large Number of Composite Null Hypotheses Using Conditionally Symmetric Multidimensional Gaussian Mixtures in Genome-Wide Studies},
author = {Ryan Sun and Zachary McCaw and Xihong Lin},
journal= {arXiv preprint arXiv:2309.12584},
year = {2023}
}