SCEBE：混合効果モデルを用いた縦断的アウトカムのゲノムワイド関連研究のための効率的でスケーラブルなアルゴリズム

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Brief. Bioinformatics.2020 Jul;bbaa130. doi: 10.1093/bib/bbaa130.Epub 2020-07-07.

SCEBE：混合効果モデルを用いた縦断的アウトカムのゲノムワイド関連研究のための効率的でスケーラブルなアルゴリズム

SCEBE: an efficient and scalable algorithm for genome-wide association studies on longitudinal outcomes with mixed-effects modeling.

Min Yuan
Xu Steven Xu
Yaning Yang
Yinsheng Zhou
Yi Li
Jinfeng Xu
Jose Pinheiro

PMID: 32634825 DOI: 10.1093/bib/bbaa130.

抄録

長期的に収集された表現型を用いたゲノムワイド関連研究（GWAS）は、パワーの向上により魅力的である。しかし、縦断的なデータをモデル化するためのアルゴリズムが複雑であるため、計算負荷が課題となっていた。解析を迅速化するために、混合効果モデルからの経験的ベイズ推定値（EBE）に基づく近似法が開発されてきた。しかし、我々の分析では、既存のEBEに基づく手法では、関連性検定と推定の両方にバイアスがかかっていることが依然として問題となっていることが示された。我々は、ナイーブなEBEアプローチにおけるバイアスを補正し、偏りのないP値と効果量の推定値を提供する、信じられないほど高速で偏りのない手法（EBEの同時補正、SCEBE）を提案している。6414695個の一塩基多型を持つAlzheimer's Disease Neuroimaging Initiativeのデータへの適用により、SCEBEが縦断的な転帰を伴う大規模GWASを効率的に実行できることを実証し、計算効率を10000倍近く向上させ、計算時間を数ヶ月から数分に短縮することを示しました。SCEBEパッケージとサンプルデータセットは、https://github.com/Myuan2019/SCEBE。

Genome-wide association studies (GWAS) using longitudinal phenotypes collected over time is appealing due to the improvement of power. However, computation burden has been a challenge because of the complex algorithms for modeling the longitudinal data. Approximation methods based on empirical Bayesian estimates (EBEs) from mixed-effects modeling have been developed to expedite the analysis. However, our analysis demonstrated that bias in both association test and estimation for the existing EBE-based methods remains an issue. We propose an incredibly fast and unbiased method (simultaneous correction for EBE, SCEBE) that can correct the bias in the naive EBE approach and provide unbiased P-values and estimates of effect size. Through application to Alzheimer's Disease Neuroimaging Initiative data with 6 414 695 single nucleotide polymorphisms, we demonstrated that SCEBE can efficiently perform large-scale GWAS with longitudinal outcomes, providing nearly 10 000 times improvement of computational efficiency and shortening the computation time from months to minutes. The SCEBE package and the example datasets are available at https://github.com/Myuan2019/SCEBE.