Penalized generalized linear mixed models for longitudinal outcomes in genetic association studies
遗传关联研究中纵向结果的惩罚广义线性混合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要针对个体连续与二元纵向结果，采用随机效应模型处理重复观测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
遗传关联研究中纵向结果的惩罚广义线性混合模型
- 研究问题
- 如何在连续或二元纵向性状中筛选重要遗传预测变量，同时处理遗传相似性与其他个体随机效应，并降低相关矩阵带来的计算负担？
- 方法与思路
- 作者提出包含多个随机效应的 lasso 惩罚混合模型，通过模拟研究遗传相关矩阵稀疏化，并与标准 lasso 和单变量混合模型检验比较。
- 材料陈述的贡献
- 摘要称，稀疏化会使方差分量估计产生偏差，但计算收益较大、变量筛选影响较小；所提模型在所述比较中识别预测变量更精确。
- 阅读关注点
- 应核对随机效应与遗传相关矩阵的设定、稀疏化及惩罚选择规则，并区分模拟中的因果预测变量与实际数据中可支持的遗传关联。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未给出模拟范围和比较数值，变量筛选表现不能直接证明遗传因果关系。
原文摘要
This work is motivated by analyses of longitudinal data collected from participants in the Quebec Longitudinal Study of Child Development (QLSCD) and the Quebec Newborn Twin Study (QNTS) to identify important genetic predictors for emotional and behavioral difficulties in childhood and adolescence. We propose a lasso penalized mixed model for continuous and binary longitudinal traits that allows the inclusion of multiple random effects to account for random individual effects not attributable to the genetic similarity between individuals. Through simulation studies, we show that replacing the estimated genetic relatedness matrix (GRM) by a sparse matrix introduces bias in the variance components estimates, but that the obtained computational gain is major while the impact on the performance of the penalized model to retrieve important predictors is negligible. We compare the performance of the proposed penalized mixed model to a standard lasso and to a univariate mixed model association test and show that the proposed model always identifies causal predictors with greater precision. Finally, we show an application of the proposed methodology to predict three externalizing behavorial scores in the combined QLSCD and QNTS longitudinal cohorts.