Fine mapping by linkage and association in nuclear family and case-control designs
Notice bibliographique
Résumé
This report summarizes the Genetic Analysis Workshop 14 contributions related to fine-mapping strategies, in which examining smaller regions by association with single-nucleotide polymorphisms (SNPs) can yield savings in genotyping and multiple-testing penalties. The aim of the analyses conducted in Group 7 contributions was to localize disease susceptibility loci from either the simulated or the Collaborative Study on the Genetics of Alcoholism (COGA) data within identified regions of linkage. Among the 10 contributions, most groups analyzed the simulated data, one group analyzed the COGA data only, and one group analyzed both data sets. The research questions included evaluation of new methods of analysis, as well as comparisons among alternative methods, analytic strategies, and study designs. Methods of interest included an algorithm for SNP marker ordering, a locally weighted transmission disequilibrium test statistic, a likelihood-ratio test statistic for family-based association in nuclear families, a robust test statistic for case-control association studies, and Bayesian spatial modeling methods for haplotype clustering and association. Evaluations included comparisons among confidence intervals for loci detected via linkage, effects of multiple testing adjustments and trade-offs between type I error and power, comparisons among haplotype-based (multilocus) and genotype-based (multilocus and single-locus) association analyses, and design of fine-mapping and replication studies. While several promising new approaches were identified, further development and evaluation of methods for multiple testing, regression modeling of association with multiple markers and haplotypes, and combined treatment of linkage and association data are necessary if we are to identify many of the genes that contribute to complex traits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».