一个新的两个样本的门德尔随机化框架,整合常见和罕见的变异:应用程序来评估HDL-C对孕前风险的影响
Yu Zhang1, Ming Li1, David M Haas2
1Department of Epidemiology and Biostatistics, Indiana University School of Public Health-Bloomington, 1025 E. 7th Street, Bloomington, IN 47405, United States.
门德尔随机化 (MR) 方法得到了MR-CARV的增强,这是一个整合常见和罕见遗传变异的新型框架. 这种方法提高了复杂特征因果推理的统计能力和精度.
科学领域:
- 遗传学 是一个遗传学.
- 流行病学 流行病学
- 统计遗传学 统计遗传学
背景情况:
- 门德尔随机化 (MR) 对于确定风险因素和健康结果之间的因果关系至关重要.
- 目前的MR主要使用常见的遗传变异,忽略了具有潜在更大的效果大小的罕见变异.
- 统计和方法方面的挑战限制了MR罕见变异的使用.
研究的目的:
- 引入MR-CARV,这是一种针对两样MR的新框架,既结合了常见的,也结合了罕见的遗传变异.
- 为了利用高通量测序数据和财团进行全面的遗传分析.
- 解决MR研究中罕见变异的不足利用问题.
主要方法:
- MR-CARV将罕见变异集成到功能类别中,使用注释和生物影响权重.
- 它使用STAARpipeline估计了罕见的变异集效应.
- 使用现有的MR方法,将罕见变异集效应与常见变异效应结合起来.
主要成果:
- 模拟研究表明,MR-CARV保持了强大的I型错误,并且与常见的仅变异方法相比,增加了高达66.3%的统计能力.
- 适用于HDL-C和孕前的数据表明MR-CARV (IVW) 提供了比常见变异单独IVW (-0.020,P=0.0470) 更精确和统计学上显著的估计 (-0.023,P=0.0659).
结论:
- 通过整合常见和罕见的变异,MR-CARV提供了一个强大的因果推理框架.
- 该方法提高了统计能力和精度,从而在遗传流行病学中取得更可靠的发现.
- MR-CARV 促进了全面遗传数据的使用,以更深入地了解复杂的特征.
更多相关视频
08:22A Novel Strategy Combining Array-CGH, Whole-exome Sequencing and In Utero Electroporation in Rodents to Identify Causative Genes for Brain Malformations
Published on: December 1, 2017
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
相关概念视频
Randomized Experiments
Simple randomization
Simple...
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Punnett Squares
Strategies for Assessing and Addressing Confounding
Confounding can be addressed at both the design phase of a study and through analytical methods after data...
Regression Toward the Mean
Chi-square Analysis
The chi-square test was developed by Pearson in 1990.
The first step of performing a Chi-square analysis is to establish a null hypothesis, which assumes that there is no real...
