Genome-wide association studies (GWAS) have identified thousands of genetic variants associated with complex traits. Many complex traits are found to have shared genetic etiology. Genetic covariance is defined as the underlying covariance of genetic values and can be used to measure the shared genetic architecture. The data of two outcomes may be collected from the same group or different groups of individuals and the outcomes can be of different types or collected based on different study designs. This paper proposes a unified approach to robust estimation and inference for genetic covariance of general outcomes that may be associated with genetic variants nonlinearly. We provide the asymptotic properties of the proposed estimator and show that our proposal is robust under certain model mis-specification. Our method under linear working models provides robust inference for the narrow-sense genetic covariance, even when both linear models are mis-specified. Various numerical experiments are performed to support the theoretical results. Our method is applied to an outbred mice GWAS data set to study the overlapping genetic effects between the behavioral and physiological phenotypes. The real data results demonstrate the robustness of the proposed method and reveal interesting genetic covariance among different mice developmental traits.


翻译:全基因组协会研究(GWAS)已查明了与复杂特性有关的数千种基因变异,发现许多复杂特性具有共同的遗传病理。遗传共变被定义为遗传价值的基本共变,可用于测量共有的基因结构。两种结果的数据可以从同一群体或不同的个人群体收集,结果可以分为不同类型或根据不同的研究设计收集。本文件建议采取统一办法,对可能与基因变异非线性相关的一般结果的遗传共变进行稳健估计和推断。我们提供了拟议估计器的无症状特性,并表明我们的提议在某些模型错误区分下是稳健的。我们线性工作模型下的方法为狭隘的遗传遗传变异提供了有力的推论,即使两个线性模型都有错误的描述。为了支持理论结果,进行了各种数字实验。我们的方法适用于一个外生小鼠GWAS数据集,用于研究行为和生理变种类型之间重叠的遗传影响。真实数据结果显示了拟议遗传变异的遗传方法的稳健性。

0
下载
关闭预览

相关内容

【Cell】神经算法推理,Neural algorithmic reasoning
专知会员服务
28+阅读 · 2021年7月16日
【干货书】计算机科学,647页pdf,Computer Science
专知会员服务
45+阅读 · 2021年5月10日
专知会员服务
42+阅读 · 2020年12月18日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
63+阅读 · 2020年12月11日
经济学中的数据科学,Data Science in Economics,附22页pdf
专知会员服务
35+阅读 · 2020年4月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
4+阅读 · 2018年1月15日
Arxiv
3+阅读 · 2014年10月9日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员