增加omics关联研究的时间灵敏度,使用全表观基因组分布式滞后模型

科学领域:

• 环境表观遗传学环境表观遗传学
• 高维数据分析的高维数据分析.
• 统计建模 统计建模

背景情况:

• 目前用于识别omics数据中暴露的时间效应的方法在高维度方面存在局限性,并且可能错过时间变化的关联.
• 现有的方法通常使用单独的模型进行查和时间窗口识别,可能会降低灵敏度.

研究的目的:

• 引入一种新的统计方法,即全表观基因组分布式滞后模型 (EWDLM),用于高维的奥米克数据中高效选定时特效.
• 将传统的错误发现率 (FDR) 方法与分布式滞后模型 (DLM) 结合起来,以确定暴露的敏感时间窗口.

主要方法:

• EWDLM将DLM效应估计与FDR控制相结合,通过随着时间的推移将DLM估计边缘化,并对多次比较进行校正.
• 通过对空气污染对DNA甲基化的时间特异性影响的模拟来评估该方法.
• 一个现实世界的分析评估了产前细颗粒物暴露与12岁时DNA甲基化之间的关联.

主要成果:

• 模拟表明,与传统的两阶段方法相比,EWDLM在检测局限于特定暴露时间段的关联方面获得了更高的灵敏度.
• 在现实世界分析中,确定了353个酸-酸 (CpG) 位点,其中12岁时的DNA甲基化与产前细颗粒物暴露显著相关.
• 在对表观基因组数据中的暴露特定时间效应的选中,EWDLM被证明是高效和敏感的.

结论:

• 全表观基因组分布式滞后模型 (EWDLM) 提供了一种改进的方法,用于识别高维奥米学研究中的时间效应窗口.
• EWDLM增强了检测环境暴露和局部化到特定发育时期的表观遗传修饰之间的关联的能力.
• 这种新的方法促进了对表观基因组数据集的更敏感和更有效的选,以检测时间变化的暴露效应.