《复杂疾病的遗传学研究--研究设计与统计分析方法》由会员分享，可在线阅读，更多相关《复杂疾病的遗传学研究--研究设计与统计分析方法（46页珍藏版）》请在金锄头文库上搜索。
1、复杂疾病的遗传学研究 研究设计与统计分析方法北京大学公共卫生学院 流行病学与卫生统计学系陈大方 教授 内 容 1概述 2研究设计方法 3统计分析方法 4分析实例 1概 述疾病的分类随着人类基因组计划的完成和后基因组 计划的开展，人们对于疾病的认识也越来越 深入。已有的研究结果发现人类疾病都与基 因受损有关，因此提出了基因病-人类疾病的 新概念。由此提出将人类疾病分为三种类型 。 第一类是单基因病。仅由单个基因DNA 序列某个碱基对的改变就造成疾病，并且可 以把这样的改变传递给后代。如血友病A、白 化病等。第二类是多基因病（复杂性疾病） 。这类疾病的发生涉及两个以上基因的 结构或表达调控的改变，
2、主要指慢性非 传染性疾病，如肿瘤、高血压、冠心病 、糖尿病、哮喘病、骨质疏松症、神经 性疾病、原发性癫痫等。第三类为获得性基因病。主要是传 染病由病原微生物通过感染将其基因入 侵到宿主基因引起。如HIV。复杂性疾病的特征Genetic Heterogeneity（遗传异质性） Gene-Gene and Gene-Environment Interaction（基因基因，基因环境的交互作用) Incomplete Penetrance（不完全外显性） Phenocopy（拟表型） Pleiotropy（多效性）2研究设计方法患病家系成员设计 优点: 具有明显的孟德尔遗传特点。 遗传方式确定（常
3、显、常隐或X连锁）。 缺点: 如果指定的遗传方式不正确，可能导致错误 的结论。 难以收集到家系全部人员。患病家系成员设计 患病同胞对设计患病同胞对表型不一 致同胞对 患病同胞对设计 优点: 可以进行非参数统计分析。 研究对象相对容易收集。 缺点: 检验效能相对较低 样本量要求较大患病先证者核心家系设计 优点: 可以进行非参数统计分析。 研究对象相对容易收集。 缺点: 统计分析时仅仅杂合子的双亲可以有效 利用。 对于迟发性疾病难以收集到双亲资料。患病先证者核心家系设计 双生子研究设计通过比较在相似或不同环境中成长起来的同卵 双生子及异卵双生子某一疾病或性状发生的一致性 ，来判断遗传与环境因素的作
4、用。 养子研究设计通过比较、分析养子与其同胞及生身父母某疾 病或性状的相似性和与其寄养同胞或养父母的相似 性，研究在某种疾病或性状发生中遗传因素与环境 因素相对作用的大小。家系研究中其它研究设计方法 半同胞研究设计是指同父异母或同母异父的兄弟姐妹。根 据半同胞中所研究疾病的患病情况，可分析疾 病或遗传性状来自父方或母方。病例对照研究设计 优点: 相对容易收集到资料。 投入少，产出高。 缺点: 由于存在连锁不平衡和种群分层，容易导致假阳性或假阴性。病例对照研究设计背 景1994年Piegorseh、Begs等提出 遗传与环境的关系 交互作用单纯病例研究应用前提条件在正常人群中基因型与环境暴露各自
5、独立发生， 所研究疾病为罕见病。衍生的研究设计方法 研究示意图单纯病例研究环境暴露基因型病人+-+ - + -3统计分析方法 表型与基因型常规统计分析 病例-父母三结构资料的TDT分析 同胞数据SDT分析 以家系为基础的关联分析 (FBAT) 交互作用分析 连锁分析 单体型分析 全基因组关联分析 统计分析方法分析基因型与表型的关系，也就是比较不同基因 型的研究对象的表型是否存在差异，如基因型不同， 表型也显著不同，则表示两者有关。 表型为连续型变量的基因型之间比较可用t-检验 、方差分析、 GEE等统计方法。 表型为分类型变量的基因型之间比较可用卡方检 验、GEE等统计方法。 表型与基因型常规
6、统计分析交互作用的统计方法包括参数法和非参数法。 参数法 线性回归和Logistic回归模型。 非参数法（主要是数据挖掘方法）。 (1)降维法；多因子降维法。 (2)基于树的方法；分类回归树和随机森林法。 (3)模式识别法；包括神经网络、支持向量机。 (4)贝叶斯法：贝叶斯上位效应关联图谱。参数法和非参数法分析交互作用时各有优缺点; 低 维数据的分析可采用参数法和非参数法, 高维数据的分 析则主要采用非参数法，以吸烟与饮酒两个两分类变量为例， 它们有四种可能的组合（如下表）:不饮酒饮酒不吸烟00+ a 吸烟0+s0+a+s+sa 我们可以形成一个四分类的变量，再用四 个二分类变量X00、X01
7、、X10、X11指示这 四组，形成回归方程： 方程I：f(Y)= 0+1X10+2X01+3X111是吸烟不饮酒组与不吸烟不饮酒组的差，2是不吸烟 但饮酒组与不吸烟不饮酒组的差，3是吸烟又饮酒组与 不吸烟不饮酒组的差。 方程II：f(Y)=0+aalcohol+ssmoke+sasmoke*alcohol回归系数的s不能简单地解释为吸烟的作用，而应确切 地说是对不饮酒者吸烟的作用（等于方程I的1）。a不 能简单地解释为饮酒的作用，而应确切地说是对不吸烟 者饮酒的作用（等于方程I的2），因为s、a、0 三者 间有相互依赖的关系。 方程I与方程II是等同的，方程I中的3 等于方程II中的 a+s+
8、sa 。方程I和II都有3个自变量(自由度)，都没 有假定sa等于零，又称为饱和（Saturated）模型。从 方程II中我们可以观察sa是否显著。如果我们假定吸 烟与饮酒无交互作用，sa等于零，则方程II变为： 方程III：f(Y)= 0+aalcohol+ssmoke 只用a、s来拟合这四组，如果得到的似然数与方程I （II）没有显著差别，表明sa是多余的，或者说sa与 零无显著性差异，吸烟与饮酒对f(Y)无交互作用。反 之，吸烟与饮酒对f(Y)有交互作用。 上面讲了交互作用的两种检验方法： 方法I：模型中乘积项回归系数的检验（又称WALD TEST）。如上例sa的检验，如显著表示有交互作
9、用； 方法II：似然比检验（Log likelihood ratio test），具体方法为： 计算卡方值：X2=2*（LL1-LL2）。如上例，LL1表示从方程I（或II）得出的似然对数；LL2表示从方程III得出的似然对数。 计算自由度差。如上例，方程I（或II）有3个自变量，方程III只有2个自变量，差为1。 按卡方检验，得出P值。 一般来说，似然比检验效率高于回归系数的检验。 优点: (1) 分析某个自变量的效应时, 可以同时控制多个 协变量的影响; (2) 可以处理自变量对因变量的非线性效 应; (3) 可以在模型中引入交互作用项; (4) 回归系数的可 解释性。 缺点: (1) 维
10、度困扰的问题。维度困扰是指样本量有限而 自变量较多(高维数据) 时, 分析交互作用时会使得观测 数相对于自变量数过少, 数据分布在高维稀疏的列联表 中, 此时维度困扰的问题会导致Logistic 回归模型中参数 估计的错误, 或使回归系数的标准误过大, 从而导致I类 错误或II类错误增加。(2)自变量之间的相关性会导致不 同的建模策略( 前进法或后退法) , 并得到不同的结果。 (3)Logistic 回归不能很好地解决遗传异质性的问题。多因子降维法（multifactor dimensionality reduction, MDR ）是2001年发展出的一种非参数、无需遗传模式的高阶交互 作
11、用分析方法，在2007年又提出了一种基于MDR基本原理 的扩展方法广义多因子降维法(generalized multifactor dimensionality reduction，GMDR)，又称基于计分的多因子降 维法(score-based MDR)。该法可以通过将广义线性模型的概 念引人到MDR中，使其不但能够分析连续变量，且能够纳 入协变量，从而控制协变量引起的干扰，提高预测的准确 度。其主要特点：分析的基因表型和校正因素不限于离 散型变量，也可以是连续型变量；可应用于多种数据结 构(病例对照资料、人群随机抽样样本或其他类型样本)； 结合GMDR software软件，可识别多个位点
12、或环境因素之间 的交互作用。 基本原理 GMDR是对原始MDR的扩展，其基本原理包括计分统 计量(score statistic)和交叉验证(cross validation）。 计分统计量：通过计算每个个体的计分统计量均值是否 超过某个设定标准(例如大于或等于1)，分别标记为“高 危”或“低危”，单元格因此被分为2类，形成一维两 水平的模型。 交叉验证（Cross validation）：随机方式产生十等份几 乎相同的数据子集，每次用十份中的九份作为训练样本 ，另一份称为留存数据（held-out data）作为测试样本， 当十次全部完成后再将十次所得的平均绝对误差求均值 ，即为研究的预测误
13、差。 GMDR软件：目前最新的GMDR软件(版本beta 07) 是基于Java程序编写的源代码开放的免费软件, http:/www.healthsystem.virginia.edu/intemet/addiction. genomics/Software/免费下载). 文件类型：GMDR能够识别的文件包括三种，分别 为标记文件(marker file)，协变量与表型文件 (covariate (2) 将研究中的多因子组合以疾病易感性的方式分为高危和低危, 把 高维结构降低到一维两水平, 降低了建模所需的自由度, 从而可以分析 多个位点间的高阶交互作用；(3)GMDR能有效识别无主效应但具有
14、交 互作用的功能性SNP 位点; 存在5% 以下的基因分型错误和5% 的缺失 数据时, 对降低GMDR的检验效能影响很小, 说明GMDR具有一定的稳 健性。 缺点: (1)如果使用穷尽搜索的方式检测最佳n因子组合, 由于该搜索方式 非常耗时, GMDR只能用于分析中小规模预测变量数的交互作用, 而不 能用于处理大规模数据(如全基因组关联研究的多个位点) 。(2)当数据 中存在遗传异质性和拟表型时, GMDR的检验效能大大降低 。 (3)GMDR将基因型组合简单地根据病例与对照的比值分为高风险组和 低风险组, 当某种组合中病例数和对照数的比值接近于全部观测数据中 的比值, 或者该组合中病例数和对
15、照数都很少时, GMDR很容易发生分 类错误, 导致假阳性率或假阴性率增高; 另外, 有些n因子组合的n维列联 表的观测数可能为零, 此时就很难准确地将该组合归类为高风险组或是 低风险组。 FBAT既适应于定性资料又适应于定量资料 ，并且可以先对表型变量经有关混杂因素进行 调整，将调整后的残差值或校正值放入FBAT程 序中进行分析，这样得到的结果就是经过混杂 因素调整后的关联分析的结果。FBAT适用于各 种类型的家系结构。有父母双亲、只有单亲、 双亲均无、一个同胞、多个同胞的家系都可混 合在一起应用，有效避免人群分层影响。 软件：http:/www.hsph.harvard.edu/fbat/default.htmlFBAT 分析(Family-Based Association Test)原理：FBAT以核心家系为单位计算每个核心家系数的基因型（ X）的分布概率与统计量“S”（统计量S是表型T与基因型 X的乘积），然后累加各核心家系的统计量S及S的方差与 协方差，进行卡方检验。#fmy：进入分析的核心家系数。 S：表示实际观察值，SX*G，X表示表型值，G表示基因型。即S等于表型值与基因型的乘 积。 E(s)：表示期望值，E(s)E(x)*G, E(x)表示期望的表型值，G表示基因型。即E(x)等于期望的 表型值与基因型的乘积。 Var(s): 表示S的变异 Z：表
