Identifying significant gene-environment interactions using a combination of screening testing and hierarchical false discovery rate control.
Identifying significant gene-environment interactions using a combination of screening testing and hierarchical false discovery rate control.
复制标题
使用筛选测试和分层错误发现率控制的组合来鉴定重要的基因环境相互作用。
DOI：
10.1002/gepi.21997
复制
发表时间：
2016-11
影响因子：
2.1
通讯作者：
Moore, Jason H.
中科院分区：
文献类型：
--
作者：
Frost, H. Robert;Shen, Li;Saykin, Andrew J.;Williams, Scott M.;Moore, Jason H.
尽管基因-环境（G×E）相互作用在许多生物系统中发挥着重要作用，但由于多重假设校正导致统计功效的损失，在全基因组数据中检测这些相互作用可能具有挑战性。为了解决功效较差的挑战和现有多阶段方法的局限性，我们最近开发了一种用于 G×E 相互作用检测的筛选测试方法，该方法将弹性净惩罚回归与联合估计相结合，以支持对 G×E 相互作用是否存在的单一综合测试。然而，在我们最初对这项技术的研究中，我们没有评估 I 型错误控制或功效，而是仅使用单个小型膀胱癌数据集来评估该方法。在本文中，我们在两个重要方向上扩展了原始方法，并提供了更严格的性能评估。首先，我们引入分层错误发现率方法来正式评估个体 G×E 相互作用的重要性。其次，为了支持对真正的全基因组数据集的分析，我们结合了基于分数统计的预筛选步骤，以在拟合第一阶段惩罚回归模型之前减少单核苷酸多态性的数量。为了评估我们方法的统计特性，我们使用简单的模拟设计以及基于真实疾病架构的设计，将我们的方法的 I 类错误率和统计功效与竞争技术进行比较。最后，我们证明了我们的方法能够使用来自阿尔茨海默病神经影像计划 (ADNI) 的全基因组关联研究数据来识别与阿尔茨海默病状态相关的生物学上合理的 SNP 教育相互作用。
Although gene‐environment (G× E) interactions play an important role in many biological systems, detecting these interactions within genome‐wide data can be challenging due to the loss in statistical power incurred by multiple hypothesis correction. To address the challenge of poor power and the limitations of existing multistage methods, we recently developed a screening‐testing approach for G× E interaction detection that combines elastic net penalized regression with joint estimation to support a single omnibus test for the presence of G× E interactions. In our original work on this technique, however, we did not assess type I error control or power and evaluated the method using just a single, small bladder cancer data set. In this paper, we extend the original method in two important directions and provide a more rigorous performance evaluation. First, we introduce a hierarchical false discovery rate approach to formally assess the significance of individual G× E interactions. Second, to support the analysis of truly genome‐wide data sets, we incorporate a score statistic‐based prescreening step to reduce the number of single nucleotide polymorphisms prior to fitting the first stage penalized regression model. To assess the statistical properties of our method, we compare the type I error rate and statistical power of our approach with competing techniques using both simple simulation designs as well as designs based on real disease architectures. Finally, we demonstrate the ability of our approach to identify biologically plausible SNP‐education interactions relative to Alzheimer's disease status using genome‐wide association study data from the Alzheimer's Disease Neuroimaging Initiative (ADNI).
登录
查看更多内容
影响因子：
2.7
作者：
Dai, James Y.;Kooperberg, Charles;Prentice, Ross L.
通讯作者：
Prentice, Ross L.
影响因子：
9.2
作者：
Chang CC;Chow CC;Tellier LC;Vattikuti S;Purcell SM;Lee JJ
通讯作者：
Lee JJ
影响因子：
3.5
作者：
Falsafi, Soheil Keihan;Rossner, Steffen;Lubec, Gert
通讯作者：
Lubec, Gert
影响因子：
3.3
作者：
Becker, J. A. J.;Befort, K.;Blad, C.;Filliol, D.;Ghate, A.;Dembele, D.;Thibalilv, C.;Koch, M.;Muller, J.;Lardenois, A.;Poch, O.;Kieffer, B. L.
通讯作者：
Kieffer, B. L.
影响因子：
2.1
作者：
Hutter, Carolyn M.;Mechanic, Leah E.;Chatterjee, Nilanjan;Kraft, Peter;Gillanders, Elizabeth M.
通讯作者：
Gillanders, Elizabeth M.