目的介绍处理时依性混杂的G方法,并对不同G方法进行探讨和比较。方法通过4个情境的模拟试验验证不同G方法在不同情境下对时依性混杂的处理效果,并应用英国生物样本库(UK Biobank)的数据集进行实例分析。结果模拟试验和实例分析结果均显示G方法能有效处理时依性混杂。模拟试验显示3种方法效果类似,G-computation易受G-null paradox的影响。随着时依性混杂因素数量增加,相比于G-computation和G-estimation,逆概率加权法(inverse probability of treatment weighting,IPTW)的效果波动较大。结论不同G方法都能适当地处理时依性混杂,降低统计分析过程中的偏倚大小。
目的探讨单效应汇总(sum of single effects,SuSiE)回归模型在多组学数据共定位分析中的应用。方法以多组学模拟数据为例,介绍单效应汇总回归模型的基本原理和R软件分析。结果SuSiE回归模型通过利用单核苷酸多态性(single nucleotide po...
详细信息
目的探讨单效应汇总(sum of single effects,SuSiE)回归模型在多组学数据共定位分析中的应用。方法以多组学模拟数据为例,介绍单效应汇总回归模型的基本原理和R软件分析。结果SuSiE回归模型通过利用单核苷酸多态性(single nucleotide polymorphism,SNPs)位点之间因连锁不平衡(linkage disequilibrium,LD)产生的相关性,允许在有多个因果变异的情况下,正确识别两个组学数据与表型相关的共定位点。结论相对于传统方法,SuSiE回归模型拓展了单一因果变异假设这一适用条件,且计算效率较高,从而有助于利用多组学数据检测多个潜在与疾病相关联位点。
暂无评论