Spatial Knockoff Bayesian Variable Selection in Genome-Wide Association Studies
全基因组关联研究中的空间 Knockoff 贝叶斯变量选择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：摘要聚焦基因组变量选择与空间结构，未提供所列经济网络或因果效应方法的直接依据。
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…
全基因组关联研究中的空间 Knockoff 贝叶斯变量选择
- 研究问题
- 在全基因组关联研究中，如何同时处理群体结构混杂和相关位点的空间聚集，并控制基因位点发现的错误发现率？
- 方法与思路
- 作者结合贝叶斯变量选择、Knockoff 变量和受限回归，以基函数处理个体亲缘结构，并用降秩高斯过程建模入选概率。
- 材料陈述的贡献
- 摘要称模拟中能够控制错误发现率，并在相关位点聚集时提高检验功效；拟南芥应用中的发现聚集于已描述基因附近。
- 阅读关注点
- 应核对 Knockoff 构造的有效条件、群体结构调整与受限回归的作用，以及空间先验对错误发现率和功效的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明错误发现率保证的具体条件，基因附近聚集不等于因果验证。
原文摘要
High-dimensional variable selection has emerged as one of the prevailing statistical challenges in the big data revolution. Many variable selection methods have been adapted for identifying single nucleotide polymorphisms (SNPs) linked to phenotypic variation in genome-wide association studies. We develop a Bayesian variable selection regression model for identifying SNPs linked to phenotypic variation. We modify our Bayesian variable selection regression models to control the false discovery rate of SNPs using a knockoff variable approach. We reduce spurious associations by regressing the phenotype of interest against a set of basis functions that account for the relatedness of individuals. Using a restricted regression approach, we simultaneously estimate the SNP-level effects while removing variation in the phenotype that can be explained by population structure. We also accommodate the spatial structure among causal SNPs by modeling their inclusion probabilities jointly with a reduced rank Gaussian process. In a simulation study, we demonstrate that our spatial Bayesian variable selection regression model controls the false discovery rate and increases power when the relevant SNPs are clustered. We conclude with an analysis of Arabidopsis thaliana flowering time, a polygenic trait that is confounded with population structure, and find the discoveries of our method cluster near described flowering time genes.