Biomarker Detection in Association Studies: Modeling SNPs Simultaneously via Logistic ANOVA.
Biomarker Detection in Association Studies: Modeling SNPs Simultaneously via Logistic ANOVA.
复制标题
结合研究中的生物标志物检测：通过逻辑方差分析同时对SNP进行建模。
DOI：
10.1080/01621459.2014.928217
复制
发表时间：
2014-12-01
影响因子：
3.7
通讯作者：
Hu J
中科院分区：
文献类型：
--
作者：
Jung Y;Huang JZ;Hu J
在全基因组关联研究中，主要任务是检测单核苷酸多态性（SNP）形式的生物标志物，这些生物标志物与疾病表型和其他一些重要的临床/环境因素具有重要的关联。然而，与样本量相比，非常大量的SNP抑制了经典方法如多元逻辑回归的应用。目前最常用的方法仍然是一次分析一个SNP。在本文中，我们建议考虑基因型的SNP同时通过方差分析（ANOVA）模型，表示的logit转换的SNP基因型的平均值的总和的SNP的影响，疾病表型和/或其他临床变量的影响，和相互作用的影响。我们使用降秩表示的相互作用-效应矩阵降维，并采用L1惩罚的惩罚似然框架，过滤出的SNP没有关联。我们开发了一个优化最小化算法的计算实现。此外，我们提出了一个修正的BIC准则来选择惩罚参数和确定秩数。所提出的方法应用于多发性硬化症数据集和模拟数据集，并显示出生物标志物检测的承诺。
In genome-wide association studies, the primary task is to detect biomarkers in the form of Single Nucleotide Polymorphisms (SNPs) that have nontrivial associations with a disease phenotype and some other important clinical/environmental factors. However, the extremely large number of SNPs comparing to the sample size inhibits application of classical methods such as the multiple logistic regression. Currently the most commonly used approach is still to analyze one SNP at a time. In this paper, we propose to consider the genotypes of the SNPs simultaneously via a logistic analysis of variance (ANOVA) model, which expresses the logit transformed mean of SNP genotypes as the summation of the SNP effects, effects of the disease phenotype and/or other clinical variables, and the interaction effects. We use a reduced-rank representation of the interaction-effect matrix for dimensionality reduction, and employ the L1-penalty in a penalized likelihood framework to filter out the SNPs that have no associations. We develop a Majorization-Minimization algorithm for computational implementation. In addition, we propose a modified BIC criterion to select the penalty parameters and determine the rank number. The proposed method is applied to a Multiple Sclerosis data set and simulated data sets and shows promise in biomarker detection.
登录
查看更多内容
影响因子：
30.8
作者：
Shete S;Hosking FJ;Robertson LB;Dobbins SE;Sanson M;Malmer B;Simon M;Marie Y;Boisselier B;Delattre JY;Hoang-Xuan K;El Hallani S;Idbaih A;Zelenika D;Andersson U;Henriksson R;Bergenheim AT;Feychting M;Lönn S;Ahlbom A;Schramm J;Linnebank M;Hemminki K;Kumar R;Hepworth SJ;Price A;Armstrong G;Liu Y;Gu X;Yu R;Lau C;Schoemaker M;Muir K;Swerdlow A;Lathrop M;Bondy M;Houlston RS
通讯作者：
Houlston RS
DOI：
10.1198/016214502753479356
发表时间：
2002-03-01
影响因子：
3.7
作者：
Shen, XT;Ye, JM
通讯作者：
Ye, JM
影响因子：
4.5
作者：
Festen EA;Goyette P;Green T;Boucher G;Beauchamp C;Trynka G;Dubois PC;Lagacé C;Stokkers PC;Hommes DW;Barisani D;Palmieri O;Annese V;van Heel DA;Weersma RK;Daly MJ;Wijmenga C;Rioux JD
通讯作者：
Rioux JD
DOI：
10.1111/j.1467-9868.2008.00671.x
发表时间：
2009-01-01
期刊：
Journal of the Royal Statistical Society. Series B, Statistical methodology
影响因子：
--
作者：
Maity A;Carroll RJ;Mammen E;Chatterjee N
通讯作者：
Chatterjee N
影响因子：
3.7
作者：
JOHNSON, DE;GRAYBILL, FA
通讯作者：
GRAYBILL, FA