Region-based association analysis of human quantitative traits in related individuals.
Region-based association analysis of human quantitative traits in related individuals.
复制标题
DOI：
10.1371/journal.pone.0065395
复制
发表时间：
2013
期刊：
影响因子：
3.7
通讯作者：
Axenovich TI
中科院分区：
文献类型：
--
作者：
Belonogova NM;Svishcheva GR;van Duijn CM;Aulchenko YS;Axenovich TI
在全基因组关联研究中引入了基于区域的关联分析，而不是每个SNP的个体测试，以增加基因定位的能力，特别是对于罕见的遗传变异。对于区域关联测试，最近提出了基于核机器的回归方法，作为基于核机器的方法的更强大的替代方案。然而，绝大多数现有的基于核机器的回归算法和软件仅适用于不相关的样本。本文提出了一种基于核机器的相关个体数量性状回归关联分析的新方法。该方法基于相关个体表型的GRAMMAR+转换，然后使用现有的基于内核机器的回归软件对无关样本进行回归。我们比较了基于核的关联分析的材料的遗传分析工作室17家庭样本和真实的人类数据的性能，通过使用我们的转换，原始的未转换的性状，和环境残差。我们证明，只有GRAMMAR+变换产生的I型误差接近标称值，这种方法具有最高的经验功率。新方法可以应用于相关样品的分析，通过使用现有的基于核的关联分析软件开发的无关样品。
Regional-based association analysis instead of individual testing of each SNP was introduced in genome-wide association studies to increase the power of gene mapping, especially for rare genetic variants. For regional association tests, the kernel machine-based regression approach was recently proposed as a more powerful alternative to collapsing-based methods. However, the vast majority of existing algorithms and software for the kernel machine-based regression are applicable only to unrelated samples. In this paper, we present a new method for the kernel machine-based regression association analysis of quantitative traits in samples of related individuals. The method is based on the GRAMMAR+ transformation of phenotypes of related individuals, followed by use of existing kernel machine-based regression software for unrelated samples. We compared the performance of kernel-based association analysis on the material of the Genetic Analysis Workshop 17 family sample and real human data by using our transformation, the original untransformed trait, and environmental residuals. We demonstrated that only the GRAMMAR+ transformation produced type I errors close to the nominal value and that this method had the highest empirical power. The new method can be applied to analysis of related samples by using existing software for kernel-based association analysis developed for unrelated samples.
登录
查看更多内容
影响因子：
2.1
作者：
So, Hon-Cheong;Gui, Allen H. S.;Sham, Pak C.
通讯作者：
Sham, Pak C.
影响因子：
9.8
作者：
Chen, Wei-Min;Abecasis, Goncalo R.
通讯作者：
Abecasis, Goncalo R.
DOI：
10.1016/j.beem.2010.10.013
发表时间：
2011-02-01
影响因子：
7.4
作者：
Perola, Markus
通讯作者：
Perola, Markus
影响因子：
9.8
作者：
Li, Bingshan;Leal, Suzanne M.
通讯作者：
Leal, Suzanne M.
影响因子：
3.3
作者：
Gianola, Daniel;van Kaam, Johannes B. C. H. M.
通讯作者：
van Kaam, Johannes B. C. H. M.