从测序数据中检测疾病和罕见变异的Kullback–Leibler 距离法

下一代测序技术可以迅速地基因分型大多数遗传变异的基因组,引起广大科研人员对复杂疾病中罕见变异影响的兴趣。俄亥俄州立大学LinShili 教授与上海复旦大学的研究人员合作提出了四种Kullback–Leibler 距离法(KLTs)用于检测病例和对照组之间的基因型变异。研究人员通过明确地考虑和比较基因型的分布,反方向作用变异的存在不影响KLTs的作用。研究人员认为没有必要设置一个阈值为罕见变异作为KL的定义,使其合理考虑罕见和常见变异,而不用担心其中一种类型的作用掩盖了其他类型;KLTs是稳健的零变异得益于内置干扰作战机制;变异之间的相关性考虑隐式所以KLTs工作不管底层LD结构。通过大量的模拟实验,比较方得分检验(SSU)和最优序列核相关检验(SKAT-O),研究人员展示了KLTs的良好的性能。此外,KLTs适用于达拉斯心脏研究数据也说明了KLTs在现实环境的可行性和性能表现。该研究发表在2015年《Annals of human genetics》杂志上。

参考文献:

Kullback–Leibler Distance Methods for Detecting Disease Association with Rare Variants from Sequencing Data.Asuman S. Turkmen,et al.Annals of human genetics.2015

作者简介:

LinShili :俄亥俄州立大学教授

胡跃清:复旦大学生物统计学研究所教授。主要研究方向:利用和发展统计学方法和模型研究遗传流行病的病理机制,父源效应检测,复杂疾病基因定位,全基因组关联分析,基因拷贝数变异相关问题研究,DNA混合物的量化研究和相关统计软件编制。