×
Nathoo，Farouk S。;孔玲珑;朱洪图
[阿尔茨海默病神经成像计划]

影像遗传学统计学方法综述。 （英语。法语摘要） Zbl 1466.62415号

可以。J.统计。 47，第1号，第108-131页（2019年）.
摘要：随着现代技术的快速发展，许多生物医学研究正在进行，以从越来越多的人群中收集大量的多模态成像、遗传、神经认知和临床信息。同时从这些大数据集中提取和整合神经成像和/或基因组学中丰富多样的异质信息，可以改变我们对基因变异如何影响大脑结构和功能、认知功能以及整个生命周期中与大脑相关的疾病风险的理解。这种理解对于诊断、预防和治疗许多复杂的脑相关疾病（例如精神分裂症和阿尔茨海默病）至关重要。然而，用于联合分析高维成像表型和高维遗传数据的分析方法的发展，这是一个大数据平方（（mathrm{BD}^2）问题，对现有分析方法提出了重大的计算和理论挑战。除了（mathrm{BD}^2）的高维性质外，各种神经影像学测量通常表现出很强的空间平滑性和依赖性，遗传标记可能具有由连锁不平衡引起的自然依赖结构。我们回顾了成像遗传学各种统计技术的一些最新发展，包括大规模单变量和体素方法、降秩回归、混合模型和组稀疏多任务回归。通过这样做，我们希望本次审查能够鼓励统计界的其他人进入这一令人兴奋的新研究领域。

引用于6文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

群稀疏回归;多元高维回归;神经影像表现型;单核苷酸多态性;降秩回归
PDF格式BibTeX公司 XML格式引用
\textit{F.S.Nathoo}等人，加拿大。J.Stat.47，No.1，108--131（2019；Zbl 1466.62415）
全文： 内政部 arXiv公司 链接

参考文献：

[1] Ashburner，J.、Good，C.和Friston，K.J.（2000）。基于张量的形态计量学。神经影像，11，S465。
[2] Argyriou，A.、Evgeniou，T.和Pontil，M.多任务特征学习。神经信息处理系统进展，41-48。麻省理工学院出版社：剑桥；2007
[3] Benjamini，Y.和Hochberg，Y.（1995）。控制错误发现率：一种实用且强大的多重测试方法。英国皇家统计学会杂志，B辑，57289-300·Zbl 0809.62014号
[4] Bhattacharya，A.和Dunson，D.B.（2011年）。稀疏贝叶斯无限因子模型。《生物统计学》，98，291-306·兹比尔1215.62025
[5] Cannon，T.D.&Keller，M.C.（2006年）。精神障碍遗传分析中的内表型。临床心理学年鉴，40，267-290。
[6] Chekouo，T.、Stingo，F.C.、Guindani，M.和Do，K.-A。（2016年）。成像遗传学的贝叶斯预测模型及其在精神分裂症中的应用。《应用统计年鉴》，第10期，1547-1571页·Zbl 1391.62205号
[7] Friston，K.（2009）。功能性神经影像学中的模式、模式和模型。科学，326399-403。
[8] Ge，T.、Feng，J.、Hibar，D.P.、Thompson，P.M.和Nichols，T.E.（2012）。增加体素全基因组关联研究的能力：随机场理论、最小二乘核机器和快速置换程序。神经影像，63，858-873。
[9] Ge，T.、Nichols，T.E.、Ghosh，D.、Mormino，E.C.、Smoller，J.W.、Sabuncu，M.R.和阿尔茨海默病神经成像倡议。(2015). 检测多维变量集之间相互作用效应的阿克内尔机器方法：成像遗传学应用。神经影像，109，505-514。
[10] Gelfand，A.E.&Vounatsou，P.（2003）。空间数据分析的适当多元条件自回归模型。生物统计学，4，11-15·Zbl 1142.62393号
[11] Gelman，A.、Hwang，J.和Vehtari，A.（2014）。了解贝叶斯模型的预测信息标准。统计与计算，24997-1016·Zbl 1332.62090号
[12] Gibbs，R.A.、Belmont，J.W.、Hardenbol，P.、Willis，T.D.、Yu，F.L.、Yang，H.M.、Chang，L.Y.和国际HapMap联盟。(2003). 国际HapMap项目。《自然》，426789-796。
[13] Greenlaw，K.、Szefer，E.、Graham，J.、Lesperance，M.、Nathoo，F.S.和阿尔茨海默病神经成像倡议。(2017). 成像遗传学的贝叶斯群稀疏多任务回归模型。生物信息学。https://doi.org/10.1093/bioinformatics/btx215。 ·doi:10.1093/bioinformatics/btx215
[14] Hibar，D.P.，Stein，J.L.，Renteria，M.E.，Arias‐Vasquez，A.，Desrivieères，S.，Jahanshad，N.，Toro，R.，Wittfeld，K.，Abramovic，L.，Andersson，M.，&Aribisala，B.S.（2015）。常见的遗传变异影响人类皮层下脑结构。《自然》，第520、224页。
[15] Hibar，D.P.、Stein，J.L.、Kohannim，O.、Jahanshad，N.、Saykin，A.J.、Shen，L.、Kim，S.、Pankratz，N.，Foroud，T.、Huentelman，M.J.、Potkin，S.G.、Jack，C.R.Jr.、Weiner，M.W.、Toga，A.W.、Thompson，P.M.和阿尔茨海默病神经成像计划。(2011). 体素全基因关联研究（vGeneWAS）：731名老年受试者的多变量基因关联测试。《神经影像》，第56期，1875-1891年。
[16] Hibar，P.、Stein，J.、Renteria，M.、Arias‐Vasquez，A.、Desrivieres，S.、Jahanshad，A.等人（2015）。常见的遗传变异影响人类皮层下脑结构。《自然》杂志，520224-229。
[17] Howie，B.N.、Donnelly，P.和Marchini，J.（2009）。为下一代全基因组关联研究提供灵活准确的基因型插补方法。《公共科学图书馆·遗传学》，5，e1000529。
[18] Huang，M.、Nichols，T.、Huang、C.、Yu，Y.、Lu，Z.、Knickmeyer，R.C.、Feng，Q.、Zu，H.和阿尔茨海默病神经成像倡议。(2015). FVGWAS：大规模成像遗传数据的快速体丝全基因组关联分析。神经影像，118613-627。
[19] Huang，C.、Thompso，P.、Wang，Y.、Yu，Y.，Zhang，J.、Kong，D.、Cole，R.、Knickmeyer，R.C.、Zhu，H.和Alzheimer's Disease Neuroimaging Initiative。(2017). FGWAS：全基因组功能关联分析。神经影像，159107-121。
[20] Kotz，S.、Kozubowski，T.和Podgorski，K.（2012年）。拉普拉斯分布与泛化：通信、经济、工程和金融应用的回顾。施普林格科技与商业媒体。
[21] Kyung，M.、Gill，J.、Ghosh，M.和Casella，G.（2010年）。惩罚回归、标准误差和贝叶斯套索。贝叶斯分析，5369-411·Zbl 1330.62289号
[22] Liu，D.、Lin，X.和Ghosh，D.（2007）。多维遗传途径数据的半参数回归：最小二乘核机器和线性混合模型。生物统计学，631079-1088·Zbl 1274.62825号
[23] Lu，Z.H.，Khondker，Z.，Ibrahim，J.G.，Wang，Y.，Zhu，H.和阿尔茨海默病神经成像倡议。(2017). 纵向研究遗传数据成像的贝叶斯纵向低秩回归模型。神经影像，149，305-322。
[24] Marenco，S.和Radulescu，E.（2010年）。大脑结构连通性和神经完整性标记的成像遗传学。神经影像，53，848-856。
[25] Miller，M.I.和Younes，L.（2001）。《群体行动、同胚和匹配：一般框架》，《国际计算机视觉杂志》，第41期，第61-84页·Zbl 1012.68714号
[26] Morris，J.S.、Brown，P.J.、Herrick，R.C.、Baggerly，K.A.和Coombes，K.R.（2008）。使用基于小波的函数混合模型对质谱蛋白质组数据进行贝叶斯分析。生物统计学，64，479-489·Zbl 1137.62399号
[27] Munafo，M.R.和Flint，J.（2011）。剖析人类性格的遗传结构。认知科学趋势，15395-400。
[28] Nathoo，F.S.、Greenlaw，K.和Lesperance，M.贝叶斯群稀疏多任务回归模型的正则化参数选择及其在成像基因组学中的应用。神经成像模式识别国际研讨会（PRNI）（IEEE，纽约；2016；1-4）。
[29] Nathoo，F.S.、Babul，A.、Moiseev，A.、Virji‐Babul、N.和Beg，M.F.（2014）。用于电磁脑成像的变分贝叶斯时空模型。生物统计学，70132-143·兹伯利1419.62415
[30] Park，T.&Casella，G.（2008）。贝叶斯套索。美国统计协会杂志，103，681-686·Zbl 1330.62292号
[31] Peper，J.、Brouwer，R.、Boomsma，D.、Kahn，R.和Pol，H.（2007年）。基因对人脑结构的影响：双胞胎大脑成像研究综述。人脑绘图，28，464-473。
[32] Purcell，S.、Neale，B.、Todd‐Brown，K.、Thomas，L.、Ferreira，M.A.、Bender，D.、Maller，J.、Sklar，P.、De Bakker，P.I.、Daly，M.J.和Sham，P.C.（2007年）。PLINK：一套用于全基因组关联和基于群体的连锁分析的工具。美国人类遗传学杂志，81，559-575。
[33] Stein，J.L.、Hua，X.、Lee，S.、Ho，A.J.、Leow，A.D.、Toga，A.W.、Saykin，A.J、Shen，L.、Foroud，T.、Pankratz，N.、Huentelman，M.J.、Craig，D.W.、Gerber，J.D.、Allen，A.N.、Corneveaux，J.、Dechairo，B.M.、Potkin，S.G.、Weiner，M.W.、Thompson，P.和阿尔茨海默病神经成像计划。(2010). 体素全基因组关联研究（vGWAS）。神经影像，531160-1174。
[34] Satterthwaite，T.D.，Elliott，M.A.，Ruparel，K.，Loughead，J.，Prabhakaran，K.、Calkins，M.E.，Hopson，R.，Jackson，C.，Keefe，J.、Riley，M.、Mentch，F.D.、Sleiman，P.、Verma，R.、Davatzikos，C.、Hakonson，H.、Gur，R.C.和Gur，R.E.（2014）。费城神经发育队列的神经影像学。神经影像，86，544-553。
[35] Stingo，F.C.、Guindani，M.、Vannucci，M.和Calhoun，V.D.（2013）。成像遗传学的综合贝叶斯建模方法。美国统计协会杂志，108876-891·Zbl 06224973号
[36] Szefer，E.、Lu，D.、Nathoo，F.、Beg，M.F.、Graham，J.和阿尔茨海默病神经成像倡议。(2017). Alzgene连锁区单核苷酸多态性与大脑结构变化之间的多变量关联：发现、改进和验证。遗传学和分子生物学中的统计应用，16349-365。
[37] Thompson，P.M.、Ge，T.、Glahn，D.C.、Jahanshad，N.和Nichols，T.E.（2013）。连接体遗传学。神经影像，80，475-488。
[38] Vounou，M.、Nichols，T.E.、Montana，G.和阿尔茨海默病神经成像倡议。(2010). 发现与高维神经成像表型的遗传关联：稀疏降秩回归方法。《神经影像》，第53期，第1147-1159页。
[39] Wang，H.、Nie，F.、Huang，H.、Kim，S.、Nho，K.、Risacher，S.L.、Saykin，A.J.、Shen，L.和阿尔茨海默病神经成像倡议。（2012年a）。通过群体稀疏多任务回归和特征选择识别数量性状位点：ADNI队列的成像遗传学研究。生物信息学，28，229-237。
[40] Wang，H.、Nie，F.、Huang，H.，Risacher，S.L.、Saykin，A.J.、Li，S.和阿尔茨海默病神经成像倡议。（2012年b）。通过稀疏多模式多任务学习，从多维异质成像遗传学数据中识别疾病敏感和定量特征相关生物标记。生物信息学，28，127-136。
[41] Watanabe，S.（2010年）。奇异学习理论中贝叶斯交叉验证的渐近等价性和广泛适用的信息准则。机器学习研究杂志，11，3571-3594·兹比尔1242.62024
[42] Worsley，K.（2002）。非平稳FWHM及其对fMRI数据统计推断的影响。神经影像，15779-790。
[43] Worsley，K.J.、Marrett，S.、Neelin，P.、Vandal，A.C.、Friston，K.J和Evans，A.C.（1996）。确定大脑激活图像中重要信号的辅助统计方法。人脑绘图，458-73。
[44] Xu，D.，Mori，S.，Shen，D.，van Zijl，P.，&Davatzikos，C.（2003）。扩散张量场的空间归一化。《医学中的磁共振》，50175-182。
[45] Yuan，M.和Lin，Y.（2006）。分组变量回归中的模型选择和估计。英国皇家统计学会杂志：B辑（统计方法），68，49-67·兹比尔1141.62030
[46] Zhang，H.，Huang，H.，Shen，D.和阿尔茨海默病神经成像倡议。(2014). 阿尔茨海默病多维度成像基因组数据的综合分析。衰老神经科学前沿，6，A260。
[47] Zhu，H.，Gu，M.，&Peterson，B.（2007）。通过随机近似期望最大化算法获得空间随机效应模型的最大似然。统计与计算，第15期，第163-177页。
[48] Zhu，H.，Khondker，Z.，Lu，Z.和Ibrahim，J.G.（2014）。神经影像表型和遗传标记的贝叶斯广义低秩回归模型。美国统计协会杂志，109977-990·Zbl 1368.62298号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。