<th id="ojdly"></th>
    <legend id="ojdly"><noscript id="ojdly"></noscript></legend>
    <nav id="ojdly"></nav>
      <em id="ojdly"><object id="ojdly"><u id="ojdly"></u></object></em><th id="ojdly"><pre id="ojdly"><rt id="ojdly"></rt></pre></th>

      A mixed-model approach for powerful testing of genetic associations with cancer risk incorporating tumor characteristics

      時間:2020-01-10         閱讀:

      光華講壇——社會名流與企業家論壇第 5685

      主題:A mixed-model approach for powerful testing of genetic associations with cancer risk incorporating tumor characteristics

      主講人:哈佛大學 張豪宇博士

      主持人:統計學院 劉耀午

      時間:2020年1月13日(星期一)15:00-16:00

      地點:西南財經大學光華校區光華樓1007會議室

      主辦單位:數據科學與商業智能聯合實驗室 統計學院 科研處

      主講人簡介:

      張豪宇博士現為哈佛大學公共衛生學院生物統計系博士后,導師是林希虹院士。他在浙江大學數學系完成本科學習后,在約翰霍普金斯大學生物統計系取得博士學位,導師是Nilanjan Chatterjee教授。他的主要研究興趣為統計遺傳學。

      內容摘要:

      Cancers are routinely classified into subtypes according to various features, including histo-pathological characteristics and molecular markers. Previous genome-wide association studies (GWAS) have reported heterogeneous association between loci and cancer subtypes. However, it is not evident what is the optimal modeling strategy for handling correlated tumor features, missing data, and increased degrees-of-freedom in the underlying tests of associations. We propose score tests for genetic associations using a mixed-effect two-stage polytomous model (MTOP). In the first stage, a standard polytomous model is used to specify all possible subtypes defined by the cross-classification of the tumor characteristics of interest. In the second stage, the subtype-specific case-control odds ratios are specified using a more parsimonious model based on the case-control odds ratio for a baseline subtype, and the case-case parameters associated with tumor markers. Further, to reduce the degrees-of-freedom, we specify case-case parameters for additional exploratory markers using a random-effect model. We use the Expectation-Maximization (EM) algorithm to account for missing data on tumor markers. Through simulations across a range of realistic scenarios and data from the Polish Breast Cancer Study (PBCS), we show MTOP outperforms alternative methods for identifying heterogeneous associations between risk loci and tumor subtypes. We also identified 32 novel breast cancer susceptibility loci using both standard methods and MTOP from a GWAS analysis including 133,384 breast cancer cases and 113,789 controls, plus 18,908 BRCA1 mutation carriers (9,414 with breast cancer) of European ancestry. .

      根據像組織病理學特征和分子標記這些特征,通常可以劃分癌癥的亞型。已有的全基因組關聯研究(GWAS)方法可以檢測基因和癌癥亞型之間的異質關聯。然而,在潛在的關聯測試中,在處理相關腫瘤特征、缺失數據和增加的自由度時并不清楚最優模型策略是什么。我們提出了一種使用混合效應的兩階段多分類模型(MTOP)。在第一階段,使用一個標準的多分類模型來識別腫瘤特征交叉分類所定義的所有可能的亞型。在第二階段,根據基線亞型的病例-控制比和與腫瘤標記物相關的病例-病例參數,使用更簡潔的模型來指定亞型-特異性病例-控制比。此外,為了減少自由度,我們使用隨機效應模型為其他探索性標記估計病例-病例參數。我們使用期望最大化(EM)算法來估計腫瘤標記物上缺失的數據。通過仿真模擬和對波蘭乳腺癌研究(PBCS)數據分析,我們發現MTOP在識別風險位點和腫瘤亞型之間的異質關聯方面優于其他方法。我們還用標準方法和MTOP對GWAS分析中涉及的133384例乳腺癌病例和113789例對照,以及18908例BRCA1突變攜帶者(9414例乳腺癌)數據進行分析,識別出了32個新的易患乳腺癌基因。

      福彩网 犍为县 | 五指山市 | 建宁县 | 泗阳县 | 延川县 | 蛟河市 | 信宜市 | 武定县 | 米林县 | 达拉特旗 | 历史 | 华安县 | 深州市 | 博乐市 | 台山市 | 千阳县 | 拜泉县 | 宣城市 | 什邡市 | 田阳县 | 商丘市 | 响水县 | 定州市 | 安义县 | 庆安县 | 克拉玛依市 | 达日县 | 闸北区 | 宁阳县 | 资讯 | 巨鹿县 | 军事 | 涟源市 | 梧州市 | 新蔡县 | 长治县 | 个旧市 | 广丰县 | 安吉县 | 湖南省 | 冀州市 | 绵阳市 | 西林县 | 明溪县 | 吴江市 | 罗山县 | 格尔木市 | 乌什县 | 南投市 | 锡林郭勒盟 | 大新县 |