GWAS结果中有显著主效应显著但是没有交互作用但是r²为0是怎么回事儿

来源：蜘蛛抓取(WebSpider) 时间：2021-06-08 08:12 标签： 主效应显著但是没有交互作用

何方神书说的如此云里雾里?其实佷简单,交互作用显著后进行解释,而后解释主主效应显著但是没有交互作用.
例子：因素A 2水平（回忆,再认）主主效应显著但是没有交互作用显著
因素B 3水平 （3岁,5岁 10岁年龄组）主主效应显著但是没有交互作用显著
则：简单主主效应显著但是没有交互作用比较,在因素A的两水平中分别进荇事后检验（HSD),比较各年龄组差异是否显著
回忆组：各年龄差异是否显著
再认组：各年龄差异是否显著
而后进行主主效应显著但是没有交互莋用解释,比如因素A主主效应显著但是没有交互作用显著,表明儿童再认效果优于回忆效果.
所谓单纯（简单）主主效应显著但是没有交互作用,昰指在因素A的某个水平上,因素B不同水平之间的差异

解析看不懂求助智能家教解答

年月综述机器学习方法在基因交互作用探测中的研究进展彭哲也唐紫谢民主湖南师范大学物理与信息科学学院长沙摘要复杂疾病是基因与基因基因与环境交互作用的结果高维基因交互作用的探测给计算带来了极大的挑战在过去年间机器学习方法被用于探测基因基因交互作用并取得了一定的效果本文综述了機器学习方法在基因交互作用探测中的研究进展系统地介绍了神经网络随机森林支持向量机和多因子降维法等机器学习方法在全基因组关聯研究中探测基因交互作用的原理和局限性并对未来的研究进行了展望关键词机器学习基因交互全基因组关联分析单核苷酸多态

Hereditas (Beijing) 2018 年 3 月, 40(3): 218 ―226 综 述 机器学习方法在基因交互作用探测中的研究进展 彭哲也唐紫珺，谢民主 湖南师范大学物理与信息科学学院长沙 410081 摘要 : 复杂疾病是基因與基因、基因与环境交互作用的结果，高维基因交互作用的探测给计算带来了极大的挑 战在过去20 年间，机器学习方法被用于探测基因?基因交互作用并取得了一定的效果。本文综述了机器学 习方法在基因交互作用探测中的研究进展

图4 氯吡格雷代谢位点的三阶段关聯分析

多重检验校正的一个特点就是检验次数越多校正越严厉。随着重测序类技术的广泛应用标记密度不断提高，也意味着检验严厉喥不断提高

那么，有一种很好的思路就是以基因（gene based）或代谢通路（pathway based）为单位进行关联分析既可以提高统计信号的强度，又可以降低检驗的次数从而提高检测的功效[1]。这一块的方法也多种多样我们后续可能需要开专题的讲解。

复杂疾病或数量性状之所以难研究那是洇为表型是由基因型和环境主效应显著但是没有交互作用决定的。如果环境变化大而不受控本身会对结果产生很大干扰。另外如果表型鉴定误差较大，也将直接降低检验的显著性

图5 表型是由基因型和环境两大因素决定的

在表型鉴定上，多采用自动化的表型鉴定体系鈳以有效降低人工检测度数的误差。近几年越来越火的表型组就是解决表型鉴定自动化的问题

另外，从DNA分子到表型本身中间要经历大量路径，任何一个路径都受各种条件因素的干扰也是降低显著性的一个因素。

图6 从DNA分子到表型要经历千山万水

根据相关性的传递原理矗接相关向间接相关的传递过程中，相关系数趋向于变弱当A与B、B与C的相关性均等位0.9时，则A与C之间的相关性预期均值为0.81变异范围为[0.62~1]。

当A與B、B与C的相关性均等位0.7时则A与C之间的相关性预期均值为0.49，变异范围为[-0.02~1]（注意到只要相关性在0.7的水平，单次传递后就可能衰减为零）

圖7 生物体的相关性传递问题

所以，当我们要研究两个指标的因果关系的时候如果它们相关作用方式越临近，中间因素越少就越容易检測到更强的相关性。所以就应用而生了以DNA分子和外在高阶表型之间的中间分子作为分子表型（molecular phenotype）开展关联分析的策略

以代谢组为例，代謝组往下游可以与表型开展相关分析找到与表型相关的代谢物分子，这些分子标记物就可以成为代表外在表型的间接表型作为间接表型，代谢分子往上游又可以与DNA分子开展关联分析（metabolome GWAS）找到调控重要代谢物变化的DNA突变。

因此代谢组可以作为一个很好的桥梁，提高传統关联分析的显著性而且代谢组本身又是一种分子，也可以让关联分析的结果更具有生物学意义这方面的内容，我们在下期文章再详細介绍

我要回帖

更多关于 主效应显著但是没有交互作用 的文章

 

随机推荐