Estimation of the genetic Gaussian network using GWAS summary data
利用 GWAS 汇总数据估计遗传高斯网络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：摘要明确借用多变量孟德尔随机化并讨论因果贡献，因此对应因果推断；遗传网络本身不等同于社会网络干扰。
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…
利用 GWAS 汇总数据估计遗传高斯网络
- 研究问题
- 如何从 GWAS 汇总统计量估计多表型遗传网络，并处理估计误差与水平多效性对遗传相关及其解释造成的偏差？
- 方法与思路
- 作者提出 EGG 方法，借用多变量孟德尔随机化中的技术校正两类偏差，并用模拟和真实数据比较传统网络估计方法。
- 材料陈述的贡献
- 摘要称，EGG 可消除两类偏差，所得网络反映控制其他表型后的共同生物贡献，并可能具有因果解释；作者提供了 R 包。
- 阅读关注点
- 应核对偏差消除依赖的条件、遗传高斯网络的具体估计对象，以及从条件关联转向因果贡献所需的额外识别依据。
- 阅读边界
- 这是预印本，同行评审及期刊接收均未核实。摘要未说明工具有效性、模型限制和比较数值，网络边的因果含义不能自动成立。
原文摘要
Genetic Gaussian network of multiple phenotypes constructed through the genetic correlation matrix is informative for understanding their biological dependencies. However, its interpretation may be challenging because the estimated genetic correlations are biased due to estimation errors and horizontal pleiotropy inherent in GWAS summary statistics. Here we introduce a novel approach called Estimation of Genetic Graph (EGG), which eliminates the estimation error bias and horizontal pleiotropy bias with the same techniques used in multivariable Mendelian randomization. The genetic network estimated by EGG can be interpreted as representing shared common biological contributions between phenotypes, conditional on others, and even as indicating the causal contributions. We use both simulations and real data to demonstrate the superior efficacy of our novel method in comparison with the traditional network estimators. R package EGG is available on https://github.com/harryyiheyang/EGG.