A mixed-model approach for genome-wide association studies of correlated traits in structured populations

摘要

GWAS是研究标记和性状关系的通用方法。其中一个比较重要的一点是GWAS需要考虑数据之间的关系，包括位点间和个体间的。

混合线性模型因其自身特点，能够灵活的定义GWAS研究中的群体结构和数据关系。这里我们考虑到GWAS中性状间的关系，扩展了混合线性模型的应用范围，提出了MTMM（多性状混合线性模型），它可以考虑性状间和性状内的变异，因此非常适合多性状的分析。

我们用人类的数据作为比较分析，结果表明，MTMM模型可以显著提高检验的效率和准确性，而且可以分析位点与环境之间的关系。

背景及前言模型

大部分GWAS的研究都是单性状和SNP的分析，但是很多性状都是多基因控制的，这导致如果不同群体结构，一些位点缺乏独立性（LD），从而影响结果。

当个体有多个测量性状时，性状之间可能是有关联的，就像处于同一环境或者LD状态，这些因素通常被忽视。但是这些因素是很重要的，如果我们在分析时考虑在内，会降低误差，从而提高检测的功效。比如田间试验中，对不同环境自交系表型值的测量，这些表型值在不同环境中不是独立的，它们与环境存在着互作。

在数量遗传学中，多性状分析的研究有很长的历史，但是很少在GWAS的研究应用。在这篇文章中，我们通过混合线性模型研究动物模型中多性状的关系。群体结构和亲缘关系kinship在GWAS中会被考虑到，这里我们又增加了多性状之间的关系，它可以考虑性状间和性状内的方差组分，用来进行GWAS的分析。我们的结果表明，它可以提高对位点的检测效率，同时保证较低的假阳性率。

模型

用三种模型进行比较：

• MTMM
• marginal
• single-trait analysis

测试模型用三种方法：

• full test，主要是比较：marker效应和交互效应 VS 无效应
• interaction effect test：交互效应 VS 无效应
• common effect test：主要是比较有一个基因型marker效应 VS无效应

References:

Korte A, Vilhjálmsson B J, Segura V, et al. A mixed-model for genome-wide association studies of correlated traits in structured populations[J]. Nature Genetics, 2012, 44(9):1066.

如果您有数据分析或购买软件的需求，欢迎联系我们010-62680244或发送邮件至China@vsni.co.uk