A Robust Association Test Leveraging Unknown Genetic Interactions: Application to Cystic Fibrosis Lung Disease
Notice bibliographique
Résumé
For complex traits such as lung disease in Cystic Fibrosis (CF), Gene x Gene or Gene x Environment interactions can impact disease severity but these remain largely unknown. Unaccounted-for genetic interactions introduce a distributional shift in the quantitative trait across the genotypic groups. Joint location and scale tests, or full distributional differences across genotype groups can account for unknown genetic interactions and increase power for gene identification compared with the conventional association test. Here we propose a new joint location and scale test (JLS), a quantile regression-basd JLS (qJLS), that addresses previous limitations. Specifically, qJLS is free of distributional assumptions, thus applies to non-Gaussian traits; is as powerful as the existing JLS tests under Gaussian traits; and is computationally efficient for genome-wide association studies (GWAS). Our simulation studies, which model unknown genetic interactions, demonstrate that qJLS is robust to skewed and heavy-tailed error distributions and is as powerful as other JLS tests in the literature under normality. Without any unknown genetic interaction, qJLS shows a large increase in power with non-Gaussian traits over conventional association tests and is slightly less powerful under normality. We apply the qJLS method to the Canadian CF Gene Modifier Study (n = 1,997) and identified a genome-wide significant variant, rs9513900 on chromosome 13, that had not previously been reported to contribute to CF lung disease. qJLS provides a powerful alternative to conventional genetic association tests, where interactions may contribute to a quantitative trait.
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 | 0,001 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».