计算GWAS结果中环境影响的新型统计方法

　　

生物通报道：最近，美国达特茅斯医学院的癌症研究人员开发并测试了一种先进的统计模型，来评估导致疾病的遗传和环境相互作用，相关研究结果发表在2014年8月26日的《Human Genetics》杂志。

这种方法将填补当前分析的一个空白。复杂的疾病（如癌症）通常是由遗传和环境因素之间复杂的相互作用引起。当对许多这样的组合进行研究之后，要确定相关的相互作用，以及那些反映受影响者之间机会组合的相互作用，就变得很困难。在这项研究中，研究人员开发了一种新方法，利用Bayesian层次混合框架，评估这些相互作用的相关性。该方法适用于研究基因之间的相互作用，或者遗传和环境因素之间的相互作用。

本文资深作者Chris Amos博士指出：“这些研究结果，可以用来开发某种模型，只包括那些与疾病起因相关的相互作用，使研究人员能够排除困扰现代研究的假阳性结果，有研究指出，许多因素和它们的相互作用，在导致复杂疾病过程中发挥作用。”

该模型通过研究特定的DNA序列变异，评估“基因与基因间”和“基因与环境间”影响因素。复杂疾病是由多种因素造成的。在某些情况下，遗传易感性或异常可能是一个因素。然而，一个人的健康生活方式和环境，可以帮助他或她克服遗传易损性并避免慢性疾病（如癌症）。在其他情况下，如果一个人的DNA没有异常，当暴露已知致癌因素（如吸烟或晒伤）时，也可能会患上疾病。

Norris Cotton 癌症研究中心副主任Amos称：“了解导致复杂疾病的遗传和环境因素组合，是非常重要的。因为了解复杂疾病背后的遗传结构，可能有助于我们确定特定的预防和治疗靶标，根据它们而制定的干预措施，可以适当地降低癌症发展或进展的风险。”

本研究利用先前确定的基因异常（称为单核苷酸多态性SNPs），将该模型应用于皮肤黑色素瘤和肺癌基因序列，将环境因素作为独立变量。研究人员将Bayesian混合模型与传统的逻辑回归模型进行比较。分层模型成功地控制了假阳性发现概率，并确定了重要的相互作用。在参数评估和变量选择方面，它也表现出良好的性能。该模型不能应用于一个完整的GWAS，因为它要依赖于其他的概率模型（MCMC）。当应用于一组SNPs时它是最有效的。

Amos表示：“这种方法可以有效的用于黑色素瘤和肺癌风险研究，因为这些癌症是从遗传和环境因素之间的复杂相互作用发展而来的，但是，如果没有这项研究所开发的复杂模型，要理解这些因素之间如何相互作用，通常很难办到。”

（生物通：王英）

延伸阅读：GWAS分析发现新的肺功能相关基因

生物通推荐原文摘要：
Bayesian variable selection for hierarchical gene-environment and gene-gene interactions
Abstract: We propose a Bayesian hierarchical mixture model framework that allows us to investigate the genetic and environmental effects, gene by gene interactions and gene by environment interactions in the same model. Our approach incorporates the natural hierarchical structure between the main effects and interaction effects into a mixture model, such that our methods tend to remove the irrelevant interaction effects more effectively, resulting in more robust and parsimonious models. We consider both strong and weak hierarchical models. For a strong hierarchical model, both the main effects between interacting factors must be present for the interactions to be considered in the model development, while for a weak hierarchical model, only one of the two main effects is required to be present for the interaction to be evaluated. Our simulation results show that the proposed strong and weak hierarchical mixture models work well in controlling false-positive rates and provide a powerful approach for identifying the predisposing effects and interactions in gene-environment interaction studies, in comparison with the naive model that does not impose this hierarchical constraint in most of the scenarios simulated. We illustrate our approach using data for lung cancer and cutaneous melanoma.