Efficient Bayesian mixed-model analysis increases association power in large cohorts.
Efficient Bayesian mixed-model analysis increases association power in large cohorts.
复制标题
DOI：
10.1038/ng.3190
复制
发表时间：
2015-03
期刊：
影响因子：
30.8
通讯作者：
Price, Alkes L.
中科院分区：
文献类型：
--
作者：
Loh, Po-Ru;Tucker, George;Bulik-Sullivan, Brendan K.;Vilhjalmsson, Bjarni J.;Finucane, Hilary K.;Salem, Rany M.;Chasman, Daniel I.;Ridker, Paul M.;Neale, Benjamin M.;Berger, Bonnie;Patterson, Nick;Price, Alkes L.
线性混合模型是识别遗传关联和避免混淆的有力统计工具。然而，现有的方法在大的群组中是计算上难以处理的，并且可能不会优化功率。所有现有的方法都需要时间成本O（MN 2）（其中N = #样本和M = #SNP），并隐含地假设一个无穷小的遗传结构，其中效应大小是正态分布的，这可能会限制功率。在这里，我们提出了一种更有效的混合模型关联方法，BOLT-LMM，它只需要少量的O（MN）时间迭代，并通过对标记效应大小进行贝叶斯混合先验来建模更现实的非无穷小遗传结构，从而提高了功率。我们将BOLT-LMM应用于来自女性基因组健康研究（WGHS）的23，294个样本中的9个数量性状，并观察到功率显着增加，与模拟一致。理论和模拟表明，功率的提升随着队列规模的增加而增加，使得BOLT-LMM在大型队列中对GWAS有吸引力。
Linear mixed models are a powerful statistical tool for identifying genetic associations and avoiding confounding. However, existing methods are computationally intractable in large cohorts, and may not optimize power. All existing methods require time cost O(MN2) (where N = #samples and M = #SNPs) and implicitly assume an infinitesimal genetic architecture in which effect sizes are normally distributed, which can limit power. Here, we present a far more efficient mixed model association method, BOLT-LMM, which requires only a small number of O(MN)-time iterations and increases power by modeling more realistic, non-infinitesimal genetic architectures via a Bayesian mixture prior on marker effect sizes. We applied BOLT-LMM to nine quantitative traits in 23,294 samples from the Women’s Genome Health Study (WGHS) and observed significant increases in power, consistent with simulations. Theory and simulations show that the boost in power increases with cohort size, making BOLT-LMM appealing for GWAS in large cohorts.
登录
查看更多内容
影响因子：
5.8
作者：
Rakitsch, Barbara;Lippert, Christoph;Borgwardt, Karsten
通讯作者：
Borgwardt, Karsten
影响因子：
3
作者：
Logsdon BA;Hoffman GE;Mezey JG
通讯作者：
Mezey JG
影响因子：
4.5
作者：
Do CB;Tung JY;Dorfman E;Kiefer AK;Drabant EM;Francke U;Mountain JL;Goldman SM;Tanner CM;Langston JW;Wojcicki A;Eriksson N
通讯作者：
Eriksson N
影响因子：
30.8
作者：
Bulik-Sullivan, Brendan K.;Loh, Po-Ru;Finucane, Hilary K.;Ripke, Stephan;Yang, Jian;Patterson, Nick;Daly, Mark J.;Price, Alkes L.;Neale, Benjamin M.
通讯作者：
Neale, Benjamin M.
影响因子：
9.8
作者：
Chen, Wei-Min;Abecasis, Goncalo R.
通讯作者：
Abecasis, Goncalo R.