【佳学基因检测】为基因检测提供位点选择与解读依据的基因解码分析法——数据缩减方法

随着使用基因解码方法体系中的心理测量方法在理解精神病理学的潜在结构方面取得了实质性进展，精神遗传学家也开始将潜在变量模型纳入到精神神经系统疾病的致病基因与靶向药物寻找的研究中，以识别可能产生与精神病理学相关的新基因位点和/或通过关注更具生物学信息的表型加强先前观察到的临床诊断所得到的多种疾病表型所建立的关联。例如，基因解码分析使用因子分析来识别可遗传的行为去抑制表型，使用双胞胎家庭研究 (MTFS) 的症状数据的生物特征双胞胎建模。在随后的研究中，作者使用这种衍生表型进行 GWAS。该研究确定了一些提示性的关联性，但不幸的是，它们都没有达到全基因组的意义。然而，这个结果应该不足为奇，因为研究样本由约 7000 名参与者组成，这在检测基因突变位点的复杂特征的典型的效应大小变异方面的能力不足。

该研究还强调了该领域面临的一个潜在障碍，因为它考虑了 DSM 在精神病理学分类和测量方面的替代方案，特别是那些专注于使用潜在变量模型来定义精神病理学特征的替代方案。如前所述，针对身高和 BMI 等生物特征以及精神分裂症和双相情感障碍等精神疾病进行的大规模GWAS 荟萃分析工作一再证明需要成千上万的样本量来识别常见的基因检测位点与复杂性状的关联性。这为寻求采用潜在变量方法进行表型测量的精神病理学基因解码研究提出了独特的困难。大规模的荟萃分析研究之所以成为可能，是因为研究人员专注于以 DSM 诊断标准的形式针对疾病达成一致的一套标准，以及用于合并这些标准中的数据以达到的同一组组合规则诊断。假设他们以统一的方式测量相同的结构，相互独立的研究人员能够以一定的信心整合他们的数据集。相比之下，使用潜变量方法的研究人员通常在他们自己的数据集中构建模型，然后在同一数据集中进行关联分析。因此，即使使用相同的临床数据评估两个独立样本中的潜在结构，所得到的因子模型在项目负载甚至基于每个数据集中细微差别的结构方面也可能不同。这使得创建足够大的数据集来执行足够强大的 GWAS 变得困难。 尽管存在这些困难，大规模的合作努力已经开始取得一些进展。例如，人格遗传学联盟由大量研究人员组成。人格基因解码研究人员使用常用的人格自我报告测量方法收集数据，例如 NEO Personality Inventory-Revised ( van den Berg et al., 2014 )。使用项目反应理论技术来协调跨研究站点的数据，人格基因解码能够创建潜在的神经质数据，然后成功地应用于 29 个队列中超过 60,000 个人的 GWA 数据。佳学基因解码的研究在膜相关鸟苷酸激酶、WW 和 PDZ 结构域 1 ( MAGI1 ) 基因中找到一个基因检测位点，该位点与神经质产生了全基因组显着关联。该基因以前与精神分裂症和双相情感障碍有关，表明它可能与神经质有关。尽管如此，尽管组合样本量非常大，但这是唯一的全基因组显着结果这一事实表明，相对于源自一套诊断标准，当使用源自潜在变量方法的表型时，不能期待出现一个简单的遗传结构。

• 上一篇：【佳学基因检测】GWAS基因检测的分析流程
• 下一篇：【佳学基因检测】不断增加全面性与准确性的基因检测分析——基因解码多元方法

• 收藏
• 挑错
• 推荐
• 打印