A Novel Bayesian Semi-parametric Model for Learning Heritable Imaging Traits.
A Novel Bayesian Semi-parametric Model for Learning Heritable Imaging Traits.
复制标题
一种学习可遗传成像特征的贝叶斯半参数模型。
DOI：
10.1007/978-3-030-87240-3_65
复制
发表时间：
2021-09
期刊：
影响因子：
--
通讯作者：
Shen L
中科院分区：
文献类型：
--
作者：
Zhao Y;Zhao X;Kim M;Bao J;Shen L
遗传度分析是脑影像遗传学的一个重要研究课题。其主要目的是识别高度遗传的成像数量性状（QT），用于随后的深入成像遗传分析。大多数现有的研究进行遗传性分析区域成像QT使用预定义的大脑parcellation计划，如AAL图谱。然而，在以这种无监督方式定义的QT下剖析遗传基础的能力在很大程度上随着内部分区噪声和信号稀释而恶化。为了弥补这一差距，我们提出了一个新的半参数贝叶斯遗传力估计模型来构建高度可遗传的成像QT。我们的方法利用遗传信号的聚集来成像QT构建，通过开发由体素水平遗传性驱动的新的脑包裹。为了确保所得到的脑遗传性包裹的生物可解释性和临床可解释性，将分层稀疏性和平滑性以及脑的结构连接性适当地施加于遗传效应以诱导可遗传成像QT的空间连续性。使用ADNI成像遗传数据，我们证明了我们提出的方法的强度，与标准的GCTA方法相比，在识别高度遗传和生物学意义的新的成像QT。
Heritability analysis is an important research topic in brain imaging genetics. Its primary motivation is to identify highly heritable imaging quantitative traits (QTs) for subsequent in-depth imaging genetic analyses. Most existing studies perform heritability analyses on regional imaging QTs using predefined brain parcellation schemes such as the AAL atlas. However, the power to dissect genetic underpinnings under QTs defined in such an unsupervised fashion is largely deteriorate with inner partition noise and signal dilution. To bridge the gap, we propose a new semi-parametric Bayesian heritability estimation model to construct highly heritable imaging QTs. Our method leverages the aggregate of genetic signals to imaging QT construction by developing a new brain parcellation driven by voxel-level heritability. To ensure biological plausibility and clinical interpretability of the resulting brain heritability parcellations, hierarchical sparsity and smoothness, coupled with structural connectivity of the brain, are properly imposed on genetic effects to induce spatial contiguity of heritable imaging QTs. Using the ADNI imaging genetic data, we demonstrate the strength of our proposed method, in comparison with the standard GCTA method, in identifying highly heritable and biologically meaningful new imaging QTs.
登录
查看更多内容
影响因子：
5.7
作者：
Stein, Jason L.;Hua, Xue;Lee, Suh;Ho, April J.;Leow, Alex D.;Toga, Arthur W.;Saykin, Andrew J.;Shen, Li;Foroud, Tatiana;Pankratz, Nathan;Huentelman, Matthew J.;Craig, David W.;Gerber, Jill D.;Allen, April N.;Corneveaux, Jason J.;DeChairo, Bryan M.;Potkin, Steven G.;Weiner, Michael W.;Thompson, Paul M.
通讯作者：
Thompson, Paul M.
影响因子：
4.7
作者：
Betzel, Richard F.;Griffa, Alessandra;Misic, Bratislav
通讯作者：
Misic, Bratislav
DOI：
10.1080/01621459.2017.1407773
发表时间：
2019-01-02
影响因子：
3.7
作者：
Luo, S.;Song, R.;Zhu, H.
通讯作者：
Zhu, H.
影响因子：
9.8
作者：
Yang, Jian;Lee, S. Hong;Visscher, Peter M.
通讯作者：
Visscher, Peter M.
DOI：
10.1523/jneurosci.5334-10.2011
发表时间：
2011-07-27
期刊：
The Journal of neuroscience : the official journal of the Society for Neuroscience
影响因子：
--
作者：
Blokland GA;McMahon KL;Thompson PM;Martin NG;de Zubicaray GI;Wright MJ
通讯作者：
Wright MJ