Полногеномный поиск ассоциаций с использованием матриц парных сравнений
Ключевые слова:
биоинформатика, регрессия, полногеномный поиск ассоциаций, парные сравнения, Лассо, аддитивные и мультипликативные шкалыАннотация
Предлагается простой метод определения значимости объектов популяции при установлении ассоциации между однонуклеотидными полиморфизмами и количественными признаками в полногеномном поиске ассоциаций. На первом этапе сравниваются пары объектов популяции с точки зрения расстояния между ними по фенотипу и генотипу. На втором этапе строятся матрицы парных сравнений объектов и вычисляются веса объектов в соответствии с аддитивной и мультипликативной шкалами. Показывается, как можно модифицировать метод Лассо с использованием весов. Числовые эксперименты с реальными данными иллюстрируют предлагаемый метод.Литература
1. Уткин Л.В., Жук Ю.А., Коолен Ф. Робастная модификация метода Лассо для полногеномного поиска ассоциаций с учетом целевых значений фенотипа // Научно-технический вестник информационных технологий, механики и оптики, 2016, т. 16, №1, с. 150-160.
2. Уткин Л.В., Уткина И.Л. Быстрый алгоритм полногеномного поиска ассоциаций по схеме случай–контроль // Известия Санкт-Петербургской лесотехнической академии, 2015, Вып. 213, с. 263-273.
3. Altidor W., Khoshgoftaar T.M., Van Hulse J., Napolitano A. Ensemble feature ranking methods for data intensive computing applications // Handbook of Data Intensive Computing, 2011, Springer, New York, pages 349-376.
4. Barzilai J., Golany B. Deriving weights from pairwise comparison matrices: The additive case // Operations Research Letters, 1990, V. 9, pp. 407-410.
5. Cistue L., Cuesta-Marcos A., Chao S., Echavarri B., Chutimanitsakun Y., Corey A., Filichkina T., Garcia-Marino N., Romagosa I., Hayes P.M. Comparative mapping of the Oregon Wolfe barley using doubled haploid lines derived from female and male gametes // Theoretical and applied genetics, 2011, V. 122(7) , pp. 1399-1410.
6. Goddard M.E., Wray N.R., Verbyla K., Visscher P.M. Estimating effects and making predictions from genome-wide marker data // Statistical Science, 2009, V. 24(4), pp.517-529.
7. Hayes B. Overview of statistical methods for genome-wide association studies (GWAS) // Methods in Molecular Biology, 2013, V. 1019, pp.149-169.
8. Hayes P., Chen F., Corey A., Pan A., Chen T.H.H., Baird E., Powell W., Thomas W., Waugh R., Bedo Z., Karsai I., Blake T., Oberthur L. The Dicktoo x Morex population // Plant Cold Hardiness, 1997, Springer US, pp. 77-87.
9. Kohavi R., John G.H. Wrappers for feature subset selection // Artificial Intelligence, 1997. 97(1-2), pp.273-324.
10. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using support vector machines // Machine Learning, 2002. V.46, pp.389-422.
11. Moore J.H., Asselbergs F.W., Williams S.M. Bioinformatics chal-lenges for genome-wide association studies // Bioinformatics, 2010, V. 26(4), pp. 445-455.
12. Saaty T.L. Multicriteria Decision Making: The Analytic Hierarchy Process. New York: McGraw Hill. 1980.
13. Szymczak S., Biernack J., Cordell H., Gonzalez-Recio O., Koenig I., Zhang H., Sun Y. Machine learning in genome-wide association studies // Genetic Epidemiology, 2009, V. 33, pp. 51-57.
14. Tibshirani R. Regression shrinkage and selection via the Lasso // Journal of the Royal Statistical Society. Series B (Methodological), 1996, V. 58(1), pp. 267-288.
15. Zhang X., Huang S., Zhang Z., Wang W. Chapter 10: Mining Genome-Wide Genetic Markers // PLoS Computational Biology, 2012, V. 8(12), p. e1002828.
16. Zou H., Hastie T. Regularization and variable selection via the elastic net // Journal of the Royal Statistical Society: Series B (Statistical Methodology), 2005, V. 67(2), pp.301-320.
2. Уткин Л.В., Уткина И.Л. Быстрый алгоритм полногеномного поиска ассоциаций по схеме случай–контроль // Известия Санкт-Петербургской лесотехнической академии, 2015, Вып. 213, с. 263-273.
3. Altidor W., Khoshgoftaar T.M., Van Hulse J., Napolitano A. Ensemble feature ranking methods for data intensive computing applications // Handbook of Data Intensive Computing, 2011, Springer, New York, pages 349-376.
4. Barzilai J., Golany B. Deriving weights from pairwise comparison matrices: The additive case // Operations Research Letters, 1990, V. 9, pp. 407-410.
5. Cistue L., Cuesta-Marcos A., Chao S., Echavarri B., Chutimanitsakun Y., Corey A., Filichkina T., Garcia-Marino N., Romagosa I., Hayes P.M. Comparative mapping of the Oregon Wolfe barley using doubled haploid lines derived from female and male gametes // Theoretical and applied genetics, 2011, V. 122(7) , pp. 1399-1410.
6. Goddard M.E., Wray N.R., Verbyla K., Visscher P.M. Estimating effects and making predictions from genome-wide marker data // Statistical Science, 2009, V. 24(4), pp.517-529.
7. Hayes B. Overview of statistical methods for genome-wide association studies (GWAS) // Methods in Molecular Biology, 2013, V. 1019, pp.149-169.
8. Hayes P., Chen F., Corey A., Pan A., Chen T.H.H., Baird E., Powell W., Thomas W., Waugh R., Bedo Z., Karsai I., Blake T., Oberthur L. The Dicktoo x Morex population // Plant Cold Hardiness, 1997, Springer US, pp. 77-87.
9. Kohavi R., John G.H. Wrappers for feature subset selection // Artificial Intelligence, 1997. 97(1-2), pp.273-324.
10. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using support vector machines // Machine Learning, 2002. V.46, pp.389-422.
11. Moore J.H., Asselbergs F.W., Williams S.M. Bioinformatics chal-lenges for genome-wide association studies // Bioinformatics, 2010, V. 26(4), pp. 445-455.
12. Saaty T.L. Multicriteria Decision Making: The Analytic Hierarchy Process. New York: McGraw Hill. 1980.
13. Szymczak S., Biernack J., Cordell H., Gonzalez-Recio O., Koenig I., Zhang H., Sun Y. Machine learning in genome-wide association studies // Genetic Epidemiology, 2009, V. 33, pp. 51-57.
14. Tibshirani R. Regression shrinkage and selection via the Lasso // Journal of the Royal Statistical Society. Series B (Methodological), 1996, V. 58(1), pp. 267-288.
15. Zhang X., Huang S., Zhang Z., Wang W. Chapter 10: Mining Genome-Wide Genetic Markers // PLoS Computational Biology, 2012, V. 8(12), p. e1002828.
16. Zou H., Hastie T. Regularization and variable selection via the elastic net // Journal of the Royal Statistical Society: Series B (Statistical Methodology), 2005, V. 67(2), pp.301-320.
A Genome-Wide Association Study using Pairwise Comparison Matrices
Abstract
In this paper, we propose a simple method for assigning importance weights to indi-viduals of a population to determine the association between single nucleotide polymorphisms and quantitative traits in the genome-wide association study. At the first step, pairs of individuals in population are compared in terms of distances between phenotypes and genotypes. At the second step, pairwise comparison matrices of individuals are constructed, and the weights of individuals are computed with respect to additive and multiplicative scales. It is shown how to modify the Lasso method using the weights. Numerical experiments with real data illustrate the proposed method.
Опубликован
2016-08-01
Как цитировать
Уткин, Л. В., & Жук, Ю. А. (2016). Полногеномный поиск ассоциаций с использованием матриц парных сравнений. Труды СПИИРАН, 4(47), 225-240. https://doi.org/10.15622/sp.47.12
Раздел
Алгоритмы и программные средства
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
