检测低边际效应位点全基因组联合关联的树集成曼-惠特尼方法
定量方法
2025-08-18 v1 人工智能
机器学习
统计计算
机器学习
摘要
常见复杂疾病可能受数百甚至数千个遗传变异的相互作用影响。越来越多的证据表明，具有低边际效应（LME）的遗传变异在疾病发展中起重要作用。尽管它们具有潜在重要性，但在高维数据（例如全基因组关联研究）上发现 LME 遗传变异并评估其联合关联仍是一大挑战。为促进大量 LME 遗传变异间的联合关联分析，我们提出了一种计算高效且功效强大的方法，称为树集成曼-惠特尼（TAMW）。通过模拟研究和实证数据应用，我们发现当底层复杂疾病涉及多个 LME 位点及其相互作用时，TAMW 优于多因子降维（MDR）和基于似然比的曼-惠特尼方法（LRMW）。例如，在包含 20 个相互作用 LME 位点的模拟中，TAMW 取得了比 MDR（功效=0.599）和 LRMW（功效=0.704）更高的功效（功效=0.931）。在一项针对 29 个已知克罗恩病（CD）位点的实证研究中，TAMW 也识别出了比 MDR 和 LRMW 检测到的更强的 CD 联合关联。最后，我们将 TAMW 应用于 Wellcome Trust CD GWAS 进行全基因组分析。使用并行计算，对 459K 单核苷酸多态性的分析在 40 小时内完成，并揭示了易患 CD 的联合关联（p 值=2.763e-19）。对新发现关联的进一步分析表明，ATG16L1 和 LACC1 等 13 个基因可能在 CD 的病理生理和病因过程中起重要作用。
引用
@article{arxiv.1505.01206,
title = {Trees Assembling Mann Whitney Approach for Detecting Genome-wide Joint Association among Low Marginal Effect loci},
author = {Changshuai Wei and Daniel J. Schaid and Qing Lu},
journal= {arXiv preprint arXiv:1505.01206},
year = {2025}
}