复杂疾病的遗传学研究研究设计与统计分析方法ppt演示课件

复杂疾病的遗传学研究 研究设计与统计分析方法 1 1 . . 内 容 1概述 2研究设计方法 3统计分析方法 4分析实例 2 2 . . 1概 述 3 3 . . 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。 4 4 . . 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，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。 5 5 . . 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） 6 6 . . 2研究设计方法 7 7 . . 患病家系成员设计 8 8 . . n优点: n具有明显的孟德尔遗传特点。 n遗传方式确定（常显、常隐或X连锁）。 n缺点: n如果指定的遗传方式不正确，可能导致错误 的结论。 n难以收集到家系全部人员。 患病家系成员设计 9 9 . . 患病同胞对设计 患病同胞对 表型不一 致同胞对 1010 . . 患病同胞对设计 n优点: n可以进行非参数统计分析。 n研究对象相对容易收集。 n缺点: n检验效能相对较低 n样本量要求较大 1111 . . 患病先证者核心家系设计 1212 . . n优点: n可以进行非参数统计分析。 n研究对象相对容易收集。 n缺点: n统计分析时仅仅杂合子的双亲可以有效 利用。 n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 1313 . . 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 1414 . . 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。 1515 . . 病例对照研究设计 1616 . . n优点: n相对容易收集到资料。 n投入少，产出高。 n缺点: n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 1717 . . 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独立发生， 所研究疾病为罕见病。 衍生的研究设计方法 1818 . . 研究示意图 单纯病例研究 环境暴露基因型 病人 + - + - + - 1919 . . 3统计分析方法 2020 . . 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 2121 . . 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。 n 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。 n 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。 表型与基因型常规统计分析 2222 . . 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， 2323 . . 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、X10、X11指示这 四组，形成回归方程： 2424 . . n方程I：f(Y)= 0+1X10+2X01+3X11 1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。 n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。 2525 . . n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+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： n方程III：f(Y)= 0+aalcohol+ssmoke n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。 2626 . . n上面讲了交互作用的两种检验方法： n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 交互作用； n方法II：似然比检验（Log likelihood ratio test），具 体方法为： n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。 n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。 n按卡方检验，得出P值。 n一般来说，似然比检验效率高于回归系数的检验。 2727 . . n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。 n缺点: (1) 维度困扰的问题。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。 2828 . . 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，可识别多个位点或环境因素之间 的交互作用。 2929 . . 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 ，即为研究的预测误差。 3030 . . 3131 . . 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, /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。 n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。 3333 . . n 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。 n软件：/fbat/default.html FBAT 分析 (Family-Based Association Test) 3434 . . 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：表示FBAT的统计值，ZS-E(S)/Var(s)2 , 由此来判断P值的大小。 P：表示统计概率，以P0.05的水平来判断是统计结果否具有显著性。 3535 . . 4分析实例 3636 . . Pharmacogenetics and Genomics 2009, 19:345352 Genegene interactions of CYP2A6 and MAOA polymorphisms on sm