高维遗传数据变量间交互作用的统计推断方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    11771072
  • 项目类别：
    面上项目
  • 资助金额：
    48.0万
  • 负责人：
    朱文圣
  • 依托单位：
    东北师范大学
  • 学科分类：
    A0402.统计推断与统计计算
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

The analysis of high-dimensional data, especially high-dimensional genetic data, has been one of hot topics in the research fields of statistics. Moreover, we still need to consider the interactions among variables in many practical problems. For example, most of human complex disorders can be caused by the interactions among genes as well as by the interactions between genes and environmental factors. The study of these interactions is becoming more and more important in the analysis of high-dimensional genetic data. But at the same time, the curse of dimensionality presents a challenge to the statistical modeling of the interactions. In this project, driven by high-dimensional genetic data and the research problems in the analysis of complex disease association studies, based on the existing statistical theories and approaches, for the purpose of application, we will propose some statistical methods for identifying interactions in the analysis of high-dimensional genetic data, study the interactions among genes as well as the interactions between genes and environmental factors, and discover some suspected genetic loci that have interaction effects on the disease of interest. The study of this project is not only of practical significance to the prevention and treatment of human complex disorders as well as to the development of gene drug, but also has the scientific research value to the approach development of statistics and its applications in the related areas.
对高维数据特别是高维遗传数据的分析是近年来统计学研究的热点问题之一。然而，许多实际问题还需要我们进一步考虑数据中变量间的交互作用。比如，人类的复杂疾病往往是由多个基因的交互作用以及基因与环境间的交互作用共同导致。因此，在高维遗传数据分析中研究基因-基因、基因-环境间的交互作用显得越来越重要。与此同时，超高的维数也给交互作用的统计建模提出了挑战。本项目以高维遗传数据及复杂疾病基因定位问题为驱动，以现有的高维统计推断方法与理论为基础，以实际应用为目的，发展适用于高维数据特别是高维遗传数据变量间交互作用的统计推断方法，研究基因-基因、基因-环境间的交互作用，寻找对复杂疾病有交互作用影响的疑似遗传位点。本项目的研究不仅对人类复杂疾病的治疗与预防、基因药物的研发有着非常重要的实际意义，还对统计学本身的发展以及其在相关领域的应用有更为重要的科学研究价值。

结项摘要

对高维数据特别是高维遗传数据的研究是近年来统计学研究的热点问题。人类的复杂疾病通常是由多个基因的交互作用以及基因与环境间的交互作用共同导致的，这就需要在高维遗传数据的统计分析中研究基因-基因、基因-环境间的交互作用。与此同时，遗传数据超高的维数也给交互作用的统计建模提出了新的挑战。本项目以高维遗传数据及复杂疾病基因定位问题为驱动，以现有的高维统计推断方法与理论为基础，以实际应用为目的，发展了适用于高维遗传数据变量间交互作用的统计推断方法，研究了基因-基因、基因-环境间的交互作用。我们具体研究了以下几部分内容：1）交互作用的贝叶斯模型选择方法研究及其在高维遗传数据分析中的应用；2）高维数据变量间交互作用的相依多重检验方法及其在关联分析中的应用；3）稀有变异关联分析中基因-基因、基因-环境交互作用的代数统计方法研究；4）探测处理变量与其他协变量交互作用的最优个体化治疗方案研究；5）基于像素间相互关系及单元稀疏性先验的图像去模糊研究。针对这些研究内容，我们提出了一些新的统计理论与方法：给出了几个不同相依结构下相依多重检验的FDR控制过程，提出了基于列联表的稀有变异关联分析检验的代数统计方法，建立了带有交互作用的高维统计模型的变量选择的贝叶斯理论与方法，构造了探测处理变量与其他协变量交互作用的最优个体化治疗方案的统计模型，发展了一系列图像去模糊中的优化算法。基于上述研究结果，我们撰写了一系列高质量的学术论文，大部分的论文已经正式发表，还有一部分已投稿或正在准备投稿之中。我们提出的新方法不仅在统计上有一定的理论研究价值，还可以被广泛应用到高维遗传数据的统计分析中。本项目的完成不仅对人类复杂疾病的治疗与预防、基因药物的研发有着非常重要的实际意义，还对统计学本身的发展以及其在相关交叉领域的应用有更为重要的科学研究价值。

项目成果

期刊论文数量（8）
专著数量（0）
科研奖励数量（1）
会议论文数量（0）
专利数量（0）
Covariate-adjusted multiple testing in genome-wide association studies via factorial hidden Markov models
通过阶乘隐马尔可夫模型在全基因组关联研究中进行协变量调整的多重测试
  • DOI：
    10.1007/s11749-020-00746-8
  • 发表时间：
    2021-01-02
  • 期刊：
    TEST
  • 影响因子：
    1.3
  • 作者：
    Cui，Tingting;Wang，Pengfei;Zhu，Wensheng
  • 通讯作者：
    Zhu，Wensheng
Proper Inference for Value Function in High-Dimensional Q-Learning for Dynamic Treatment Regimes
动态治疗方案高维 Q 学习中价值函数的正确推理
  • DOI：
    10.1080/01621459.2018.1506341
  • 发表时间：
    2018-10
  • 期刊：
    Journal of the American Statistical Association
  • 影响因子：
    3.7
  • 作者：
    Zhu Wensheng;Zeng Donglin;Song Rui
  • 通讯作者：
    Song Rui
A permutation method for detecting trend correlations in rare variant association studies
一种用于检测罕见变异关联研究中趋势相关性的排列方法
  • DOI：
    10.1017/s0016672319000120
  • 发表时间：
    2019-01-01
  • 期刊：
    GENETICS RESEARCH
  • 影响因子：
    1.5
  • 作者：
    Liu，Lifeng;Wang，Pengfei;Ma，Weijun
  • 通讯作者：
    Ma，Weijun
Poisson noisy image restoration via overlapping group sparse and nonconvex second-order total variation priors.
通过重叠组稀疏和非凸二阶全变分先验恢复泊松噪声图像
  • DOI：
    10.1371/journal.pone.0250260
  • 发表时间：
    2021
  • 期刊：
    PloS one
  • 影响因子：
    3.7
  • 作者：
    Jon K;Liu J;Lv X;Zhu W
  • 通讯作者：
    Zhu W
Replicability analysis in genome-wide association studies via Cartesian hidden Markov models
通过笛卡尔隐马尔可夫模型进行全基因组关联研究的可重复性分析
  • DOI：
    10.1186/s12859-019-2707-7
  • 发表时间：
    2019-03
  • 期刊：
    BMC Bioinformatics
  • 影响因子：
    3
  • 作者：
    Wang Pengfei;Zhu Wensheng
  • 通讯作者：
    Zhu Wensheng

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

对含未知基因型个体的家系进行单倍型推断的EM方法
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    应用概率统计
  • 影响因子：
    --
  • 作者：
    赵红;郭建华;朱文圣
  • 通讯作者：
    朱文圣
病例－对照研究中基因型不确定时
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    中国科学 A辑，2006, 36: 403-417
  • 影响因子：
    --
  • 作者：
    朱文圣;郭建华（通讯作者）
  • 通讯作者：
    郭建华（通讯作者）

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

朱文圣的其他基金

最优个体化治疗方案的统计理论与方法研究
  • 批准号：
    12171077
  • 批准年份：
    2021
  • 资助金额：
    51 万元
  • 项目类别：
    面上项目
复杂疾病关联分析中高维遗传数据的统计推断
  • 批准号：
    11371083
  • 批准年份：
    2013
  • 资助金额：
    56.0 万元
  • 项目类别：
    面上项目
多维表型变量遗传数据的统计分析方法
  • 批准号：
    11001044
  • 批准年份：
    2010
  • 资助金额：
    16.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码