Detecting genomic clustering of risk variants from sequence data: cases versus controls.
Detecting genomic clustering of risk variants from sequence data: cases versus controls.
复制标题
DOI：
10.1007/s00439-013-1335-y
复制
发表时间：
2013-11
期刊：
影响因子：
5.3
通讯作者：
Thibodeau, Stephen N.
中科院分区：
文献类型：
--
作者：
Schaid, Daniel J.;Sinnwell, Jason P.;McDonnell, Shannon K.;Thibodeau, Stephen N.
随着测量密集遗传标记的能力接近 DNA 序列本身的极限，利用基因内部和周围可能的遗传变异聚类将有利于遗传关联分析，并可能提供生物学见解。当多个罕见变异聚集在一个功能区域时，可能会实现最大的好处。已经开发了几种统计测试，其中之一基于流行的疾病空间聚类的库尔多夫扫描统计。我们将另一种流行的空间聚类方法——Tango 统计——扩展到基因组序列数据。 Tango 方法的一个优点是计算速度快，并且当计算单个检验统计量时，其分布可以很好地近似为缩放卡方分布，从而使 p 值的计算非常快速。我们比较了几种聚类统计的 I 类错误率和功效，以及综合序列核关联测试 (SKAT)。尽管我们版本的 Tango 统计量（我们称之为“核距离”统计量）的计算时间大约是 Kulldorff 扫描统计量的一半，但它的功效略低于扫描统计量。我们的结果表明，Ionita-Laza 版本的 Kulldorff 扫描统计量在一系列聚类场景中具有最大的功效。
As the ability to measure dense genetic markers approaches the limit of the DNA sequence itself, taking advantage of possible clustering of genetic variants in, and around, a gene would benefit genetic association analyses, and likely provide biological insights. The greatest benefit might be realized when multiple rare variants cluster in a functional region. Several statistical tests have been developed, one of which is based on the popular Kulldorff scan statistic for spatial clustering of disease. We extended another popular spatial clustering method – Tango’s statistic – to genomic sequence data. An advantage of Tango’s method is that it is rapid to compute, and when single test statistic is computed, its distribution is well approximated by a scaled chi-square distribution, making computation of p-values very rapid. We compared the Type-I error rates and power of several clustering statistics, as well as the omnibus sequence kernel association test (SKAT). Although our version of Tango’s statistic, which we call “Kernel Distance” statistic, took approximately half the time to compute than the Kulldorff scan statistic, it had slightly less power than the scan statistic. Our results showed that the Ionita-Laza version of Kulldorff’s scan statistic had the greatest power over a range of clustering scenarios.
登录
查看更多内容
影响因子：
0.8
作者：
Kulldorff, M
通讯作者：
Kulldorff, M
DOI：
10.1093/bioinformatics/bts568
发表时间：
2012-12-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Fier H;Won S;Prokopenko D;AlChawa T;Ludwig KU;Fimmers R;Silverman EK;Pagano M;Mangold E;Lange C
通讯作者：
Lange C
DOI：
10.1038/nrg2867
发表时间：
2010-11
期刊：
Nature reviews. Genetics
影响因子：
--
作者：
通讯作者：
--
影响因子：
2.1
作者：
Basu, Saonli;Pan, Wei
通讯作者：
Pan, Wei
影响因子：
2.1
作者：
Lee, Seunggeun;Wu, Michael C.;Lin, Xihong
通讯作者：
Lin, Xihong