S'abonner

Pleiotropic mapping for genome-wide association studies using group variable selection - 19/04/19

Doi : 10.1016/j.respe.2019.03.101 
B. Liquet
 UPPA, Laboratoire de mathématiques et de leurs applications de Pau - UMR CNRS 5142, Pau, France 

.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Introduction

Results from genome-wide association studies (GWAS) suggest that complex diseases are often affected by many variants with small effects, known as polygenicity. Bayesian methods provide attractive tools for identifying signal in data where the effects are small but clustered. For example, by incorporating biological pathway membership in the prior they are able to integrate the ideas of gene set enrichment to identify groups of biologically significant genetic variants. Accumulating evidence suggests that genetic variants may affect multiple different complex diseases, a phenomenon known as pleiotropy.

Method

In this work we propose frequenstist and Bayesian statistical method to leverage pleiotropic effects and incorporate prior pathway knowledge to increase statistical power and identify important risk variants. We offer novel feature selection methods for the group variable selection in multi-task regression problem. We develop methods using both penalised likelihood methods and Bayesian spike and slab priors to induce structured sparsity at a gene and SNP level. We implement Gibbs sampling algorithms for the Bayesian analysis and an alternating direction method of multipliers (ADMM) algorithm for the penalised regression methods. The performances of the proposed approaches are compared to state-of-the-art variable selection strategies on simulated data sets.

Results

The penalised likelihood approaches are computationally efficient using alternating direction method of multipliers algorithm. These approaches perform reasonably well in variable selection but the reconstructed signal is underestimated. The multivariate Bayesian sparse group selection with spike and slab prior performed the best in terms of signal recovery. The Bayesian method provides a natural method for quantifying the variability of the estimated coefficients. Simulation results suggest that when computationally possible the Bayesian estimators should be used.

Conclusion

The developed statistical approaches is applied for enriching our insights about the genetic mechanisms of thyroid and breast cancer types. The analysed data come from case-control studies including 6677 SNPs from 618 genes from 10 non-overlapping gene pathways. The thyroid cancer data set includes 482 cases and 463 controls. The breast cancer data set includes 1172 cases and 1125 controls.

Le texte complet de cet article est disponible en PDF.

Keywords : Pleiotropy, Pathway, Sparsity, Bayesian, Penalized regression


Plan


© 2019  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 67 - N° S3

P. S134-S135 - mai 2019 Retour au numéro
Article précédent Article précédent
  • Prise en compte des groupes de biomarqueurs ou des voies biologiques dans les modèles de Cox pénalisés de haute dimension
  • S. Belhechmi, R. De Bin, S. Michiels, F. Rotolo
| Article suivant Article suivant
  • Comparaison de différentes méthodes d’apprentissage non-supervisées dans le cas de données de grandes dimensions. Application dans le cancer du sein
  • J. Gal, C. Bailleux, D. Chardin, T. Pourcher, R. Schiappa, J. Gilhodes, O. Humbert, E. Chamorey

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.