结合META和MEGA分析方法用于多站点的扩散成像基因研究:来自ENIGMA-DTI工作组
Neda Jahanshad1,2, Peter Kochunov3, Thomas E Nichols4,5
1Imaging Genetics Center, Institute of Neuroimaging Informatics, USC Keck School of Medicine, Los Angeles, CA, USA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|September 18, 2025
概括
结合使用元分析和大分析的多站点神经成像数据,可以提高遗传性估计的统计能力. 这种方法提高了不同人群的大脑测量中的遗传发现的精度.
科学领域:
- 神经成像遗传学 神经成像遗传学
- 定量特征分析 定量特征分析
- 生物统计学 生物统计学
背景情况:
- 分析结合了多项研究的结果,而无需访问原始数据.
- 多站点元分析对于成像遗传学至关重要,因为有限的单站点样本大小.
- 大型分析,共享原始数据,为全球影响估计提供了更高的功率和精度.
研究的目的:
- 为了估计大脑测量的遗传性,使用分数异构 (FA) 地图.
- 为了比较元分析,大分析和综合方法的有效性.
- 为了利用多个站点的数据,在神经成像中进行强大的遗传关联研究.
主要方法:
- 利用了来自5项独立研究 (N=2,203名受试者) 的分数异构图 (FA).
- 进行了元分析,超级分析以及结合两种方法的混合方法.
- 研究了不同数据组合策略的统计能力和精度增长.
主要成果:
- 大型和元分析方法的结合表明了增加统计能力的潜力.
- 大型分析,当与原始数据共享可行时,提高了估计遗传效应的功率和精度.
- 该研究成功估计了大脑测量的遗传性,跨越了广泛的年龄范围 (9-85岁).
结论:
- 混合的元分析和超分析策略可以优化神经成像遗传学的统计能力.
- 数据共享和协作分析对于推进成像遗传学领域至关重要.
- 这些方法为大规模的神经成像研究中更强大,更精确的遗传性估计提供了框架.
