Genome-wide association studies (GW

Genome-wide association studies (GWAS) have been remark-
ably successful at identifying the genomic locations of variants
involved in a variety of complex diseases [2–7]. In spite of this
success, some researchers have expressed disquiet at the issue of
the ‘missing heritability’ [8], namely the fact that the disease-
associated single nucleotide polymorphisms (SNPs) identified
through GWAS often account for only a small proportion of the
the observed correlations in phenotype between relatives. This
suggests that additional genetic factors remain to be found. Several
explanations for this phenomenon have been suggested. Firstly, the
SNPs identified through GWAS are likely to be surrogates in
(imperfect) linkage disequilibrium (LD) with the true causal
variants, and thus cannot be expected to fully account for their
effects, particularly if the true causal variants are rare. Secondly,
the low power of GWAS to detect loci of small effect means that
many specific true loci remain undiscovered, even though the fact
of their (combined) existence may be detectable from the observed
genetic data [9,10]. Finally (and the main focus of this
communication) is the fact that the single-locus (SNP by SNP)
testing strategy generally undertaken as the primary analysis tool
in a GWAS may be underpowered to detect loci that interact with
other genetic or enviromental factors, since effects at such loci
not be visible unless the contributing interacting factors are also
taken into account.
The relationship between
biological
and
statistical
interaction has
been hotly debated over many years [11–19]. It is now generally
accepted that the lack of direct correspondence between statistical
and biologial interaction makes it difficult to make strong
inferences concerning biological mechanism from the existence
of interaction terms in a statistical model. Nevertheless, the
existence of such terms does imply that the interacting factors
should at least both be ‘involved’ in disease in some way. Detection
of statistical interaction thus provides a good starting point for a
more focussed investigation of the joint involvement of the relevant
factors, which can perhaps be better addressed through other types
of experimental data. In addition, the increased detection power
provided by statistical models that include interaction terms, when
such terms do in fact operate [20], motivates the development of
improved methods for detecting and modelling statistical interac-
tion, particularly in the context of GWAS. The hope is that such
methods will be useful for detecting effects that may be missed in
standard single-locus analysis, thus providing a complementary
strategy to standard GWAS analysis approaches for detecting loci
involved in disease.
In case/control studies, statistical interaction is genera

ผลลัพธ์ (ไทย) 1:

การศึกษาจีโนมทั้งสมาคม (GWAS) หมายเหตุ-สามารถประสบความสำเร็จในการระบุตำแหน่งของตัวแปร genomicเกี่ยวข้องกับความหลากหลายของโรคซับซ้อน [2-7] แม้นี้ความสำเร็จ นักวิจัยบางส่วนได้แสดง disquiet ที่ออก'heritability ขาด' [8], คือความจริงที่โรค -นิวคลีโอไทด์เดี่ยว polymorphisms (SNPs) ระบุการเชื่อมโยงผ่าน GWAS มักบัญชีเฉพาะสัดส่วนเล็ก ๆ ของการความสัมพันธ์ที่พบของ phenotype ระหว่างญาติ นี้แนะนำว่า ปัจจัยทางพันธุกรรมเพิ่มเติมยังพบ หลายมีการแนะนำคำอธิบายสำหรับปรากฏการณ์นี้ ประการแรก การSNPs ที่ระบุผ่าน GWAS มีแนวโน้มจะ surrogates ในเชื่อมโยง (ไม่สมบูรณ์) disequilibrium (LD) ด้วยจริงสาเหตุตัวแปร และดังนั้นจึง ไม่คาดหวังให้เต็มของพวกเขาลักษณะพิเศษ โดยเฉพาะอย่างยิ่งถ้ามีตัวแปรสาเหตุที่แท้จริง ประการที่สองพลังงานต่ำของ GWAS สืบ loci ของผลขนาดเล็กหมายความ ว่าloci จริงเฉพาะจำนวนมากยังคงไม่เคยค้นพบ แม้ว่าข้อเท็จจริงของการดำรงอยู่ของพวกเขา (รวม) อาจสามารถตรวจสอบได้จากการสังเกตข้อมูลทางพันธุกรรม [9,10] ในที่สุด (และโฟกัสหลักนี้การสื่อสาร) เป็นความจริงที่เดียวโลกัสโพล (SNP โดย SNP)ทดสอบกลยุทธ์ที่ดำเนินการโดยทั่วไปเป็นเครื่องมือการวิเคราะห์หลักการในการ GWAS อาจ underpowered สืบ loci ที่โต้ตอบกับพันธุกรรมหรือ enviromental ปัจจัยอื่น ๆ ตั้งแต่ผลที่ loci ดังกล่าว ไม่เห็นยกเว้นปัจจัย interacting สนับสนุนอยู่นำมาพิจารณาความสัมพันธ์ระหว่างทางชีวภาพและทางสถิติโต้ตอบได้นอกจากนี้รับ hotly ยังคงหลายปี [11-19] ก็ตอนนี้โดยทั่วไปยอมรับที่ขาดการติดต่อโดยตรงระหว่างทางสถิติและโต้ตอบ biologial ทำให้ยากที่จะทำให้แข็งแรงinferences เกี่ยวกับกลไกทางชีวภาพจากการดำรงอยู่คำโต้ตอบในรูปแบบสถิติ อย่างไรก็ตาม การมีข้อกำหนดดังกล่าวเป็นสิทธิ์แบบโต้ตอบที่ปัจจัยที่ควรน้อยทั้ง 'เกี่ยวข้อง' ในโรคบางอย่าง ตรวจสอบของการโต้ตอบทางสถิติจึงมีจุดเริ่มต้นที่ดีสำหรับการมีส่วนร่วมร่วมเกี่ยวข้องเพิ่มเติม focussed สืบสวนปัจจัย ซึ่งสามารถอาจจะดีกว่าส่งผ่านชนิดอื่น ๆข้อมูลทดลอง นอกจากนี้ พลังตรวจสอบเพิ่มขึ้นโดยแบบจำลองทางสถิติซึ่งรวมถึงเงื่อนไขการโต้ตอบ เมื่อเงื่อนไขดังกล่าวมี [20] ในความเป็นจริง แรงบันดาลใจพัฒนาปรับปรุงวิธีการตรวจหา และการสร้างแบบจำลองทางสถิติ interac-สเตรชัน โดยเฉพาะอย่างยิ่งในบริบทของ GWAS หวังว่าดังกล่าววิธีการที่จะเป็นประโยชน์สำหรับการตรวจสอบผลกระทบที่อาจจะพลาดในการวิเคราะห์โลกัสโพลเดียวมาตรฐาน จึง ให้การเสริมกลยุทธ์การวิเคราะห์มาตรฐาน GWAS แจ้งสำหรับการตรวจสอบ lociเกี่ยวข้องกับโรคศึกษากรณี/ควบคุม โต้สถิติเป็นสกุล

ผลลัพธ์ (ไทย) 2:

สมาคมการศึกษาจีโนมกว้าง (GWAS)
ได้รับหมายเหตุที่ประสบความสำเร็จด้วยความสามารถในการระบุสถานที่จีโนมของสายพันธุ์ที่มีส่วนร่วมในความหลากหลายของโรคที่ซับซ้อน
[2-7] แม้นี้ประสบความสำเร็จนักวิจัยบางคนได้แสดงความไม่สงบที่เป็นปัญหาของการขาดหายไปพันธุกรรม'[8] คือความจริงที่ว่าเกิดโรคเกี่ยวข้องหลากหลายเดี่ยวเบื่อหน่าย(SNPs) ระบุผ่านGWAS มักจะคิดเป็นเพียงส่วนเล็ก ๆ ของความสัมพันธ์สังเกตในระหว่างญาติฟีโนไทป์ นี้แสดงให้เห็นว่าปัจจัยทางพันธุกรรมเพิ่มเติมยังคงที่จะพบ หลายคำอธิบายสำหรับปรากฏการณ์นี้ได้รับการแนะนำ ประการแรกSNPs ระบุถึง GWAS มีแนวโน้มที่จะอุ้มท้องใน(ไม่สมบูรณ์) สมดุลการเชื่อมโยง (LD) โดยมีสาเหตุที่แท้จริงสายพันธุ์และทำให้ไม่สามารถคาดหวังว่าจะได้อย่างเต็มที่บัญชีของพวกเขาผลกระทบโดยเฉพาะอย่างยิ่งถ้าตัวแปรสาเหตุที่แท้จริงเป็นของหายาก ประการที่สองการใช้พลังงานต่ำของ GWAS ในการตรวจสอบสถานะของผลกระทบที่มีขนาดเล็กหมายความว่าตำแหน่งที่แท้จริงยังคงอยู่ที่เฉพาะเจาะจงจำนวนมากยังไม่ได้เปิดแม้ว่าความเป็นจริงของพวกเขา(รวม) ดำรงอยู่อาจจะตรวจพบจากการสังเกตข้อมูลทางพันธุกรรม[9,10] ในที่สุด (และเป็นจุดสนใจหลักของการสื่อสาร) เป็นความจริงที่ว่าสถานที่เดียว (SNP โดย SNP) คำกลยุทธ์การทดสอบที่ดำเนินการโดยทั่วไปเป็นเครื่องมือในการวิเคราะห์หลักในGWAS อาจจะ underpowered ในการตรวจสอบสถานะที่ติดต่อกับปัจจัยทางพันธุกรรมหรือสิ่งแวดล้อมอื่นๆ เนื่องจากผลกระทบที่ตำแหน่งดังกล่าวไม่สามารถมองเห็นเว้นแต่ปัจจัยการโต้ตอบนอกจากนี้ยังนำเข้าบัญชี. ความสัมพันธ์ระหว่างทางชีวภาพและสถิติการทำงานร่วมกันได้รับการถกเถียงกันอย่างรุนแรงกว่าหลายปี[19/11] ตอนนี้มันเป็นโดยทั่วไปได้รับการยอมรับว่าการขาดการติดต่อโดยตรงระหว่างทางสถิติการปฏิสัมพันธ์และbiologial ทำให้เป็นเรื่องยากที่จะทำให้แข็งแกร่งหาข้อสรุปเกี่ยวกับกลไกทางชีวภาพจากการดำรงอยู่ของข้อตกลงการทำงานร่วมกันในแบบจำลองทางสถิติ อย่างไรก็ตามการดำรงอยู่ของข้อตกลงดังกล่าวไม่ได้หมายความว่าปัจจัยที่มีปฏิสัมพันธ์อย่างน้อยควรจะได้รับทั้ง'มีส่วนร่วมในการเกิดโรคในทางใดทางหนึ่ง การตรวจสอบของการปฏิสัมพันธ์ทางสถิติจึงให้เป็นจุดเริ่มต้นที่ดีสำหรับการตรวจสอบเน้นมากขึ้นของการมีส่วนร่วมร่วมกันของที่เกี่ยวข้องปัจจัยซึ่งอาจจะสามารถได้รับการแก้ไขที่ดีกว่าผ่านชนิดอื่นๆของข้อมูลการทดลอง นอกจากนี้ยังมีการตรวจสอบการใช้พลังงานที่เพิ่มขึ้นให้โดยแบบจำลองทางสถิติที่มีเงื่อนไขการทำงานร่วมกันเมื่อข้อตกลงดังกล่าวจะดำเนินการในความเป็นจริง[20], กระตุ้นการพัฒนาของวิธีการที่ดีขึ้นสำหรับการตรวจสอบและการสร้างแบบจำลองทางสถิติโต้ตอบการโดยเฉพาะอย่างยิ่งในบริบทของGWAS หวังว่าการเป็นเช่นวิธีการจะเป็นประโยชน์สำหรับการตรวจสอบผลกระทบที่อาจจะพลาดในมาตรฐานการวิเคราะห์เดียวสถานที่จึงให้เสริมกลยุทธ์การวิเคราะห์GWAS มาตรฐานวิธีการตรวจหาตำแหน่งที่เกี่ยวข้องกับการเกิดโรค. ในกรณีที่ / การศึกษาการควบคุมการทำงานร่วมกันทางสถิติคือจำพวก

ผลลัพธ์ (ไทย) 3:

สมาคมการศึกษาจีโนมกว้าง ( gwas ) ได้หมายเหตุ --
สามารถประสบความสำเร็จในการระบุตำแหน่งของตัวแปรที่เกี่ยวข้องในจีโนม
หลากหลายซับซ้อนโรค 2 ) [ 7 ] แม้ความสำเร็จนี้
, นักวิจัยบางคนได้แสดงความไม่สงบที่ปัญหาของการขาดหายไป '
' [ 8 ] คือความจริงที่ว่าโรคที่เกี่ยวข้องเดี่ยวเบื่อหน่ายความหลากหลาย ( -

snps ) ระบุผ่าน gwas มักจะบัญชีเพียงสัดส่วนขนาดเล็กของ
ความสัมพันธ์ในการตรวจสอบระหว่างญาติ นี้แสดงให้เห็นว่าปัจจัยทางพันธุกรรมเพิ่มเติม
ยังคงที่จะพบ คำอธิบายสำหรับปรากฏการณ์หลาย
นี้ได้รับการแนะนำ อย่างแรก ,
snps ระบุผ่าน gwas มีแนวโน้มที่จะอุ้มท้องใน
( ไม่สมบูรณ์ ) โดยการเก็บน้ำ ( LD ) กับจริงสาเหตุ
ตัวแปรจึงไม่สามารถจะคาดครบบัญชีสำหรับผลกระทบ
, โดยเฉพาะอย่างยิ่งถ้าเป็นจริงสาเหตุสายพันธุ์หายาก . ประการที่สอง
พลังงานต่ำ gwas เพื่อตรวจหาตำแหน่งของผลเล็กหมายความว่า
มากมายเฉพาะจริงตามลำดับ ยังคงยังคง แม้ว่าความเป็นจริง
ของพวกเขา ( รวม ) มีอยู่อาจจะได้จากข้อมูลทางพันธุกรรมพบว่า
[ 9,10 ] ในที่สุด ( และเน้นหลักของเรื่องนี้
การสื่อสารคือความจริงที่ว่าตนเดียว ( HR โดย SNP )
กลยุทธ์การทดสอบโดยทั่วไป ) เป็นเครื่องมือในการวิเคราะห์หลัก
gwas อาจจะ underpowered เพื่อตรวจหาตำแหน่งที่โต้ตอบกับ
ปัจจัยทางพันธุกรรมหรือสิ่งแวดล้อมอื่น ๆเนื่องจากผลที่ไม่สามารถมองเห็นได้ ยกเว้นตำแหน่ง
และโต้ตอบปัจจัยยัง
เข้าบัญชี .



ทางชีวภาพและความสัมพันธ์ระหว่าง

ถูกอย่างรุนแรง มีสถิติการถกเถียงกันกว่าหลายปี [ 11 – 19 ] มันเป็นโดยทั่วไปยอมรับว่าขาด

และปฏิสัมพันธ์ระหว่างการติดต่อโดยตรงทาง biologial ทำให้มันยากที่จะให้ข้อสรุปที่แข็งแกร่ง
เกี่ยวกับกลไกทางชีววิทยาจากการดำรงอยู่
คำปฏิสัมพันธ์ในรูปแบบสถิติ อย่างไรก็ตาม
การดำรงอยู่ของข้อตกลงดังกล่าวจะบ่งบอกถึงว่ามีปัจจัย
อย่างน้อยควรจะทั้งเป็น ' ที่เกี่ยวข้องในโรค ในบางวิธี การตรวจหา
ปฏิสัมพันธ์สถิติจึงให้จุดเริ่มต้นที่ดีสำหรับ
อิง สอบสวนการร่วมกันของปัจจัยที่เกี่ยวข้อง
ซึ่งสามารถอาจจะดีกว่าให้ความสนใจผ่านประเภทอื่น
ข้อมูลจากการทดลอง นอกจากนี้เพิ่มการตรวจสอบพลังงาน
โดยแบบจำลองทางสถิติ ได้แก่ ด้านปฏิสัมพันธ์ เมื่อ
เงื่อนไขเช่นในความเป็นจริงการใช้งาน [ 20 ] , กระตุ้นการพัฒนาปรับปรุงวิธีการตรวจจับแบบ

และสถิติ interac - tion , โดยเฉพาะอย่างยิ่งในบริบทของ gwas . ความหวังคือว่าวิธีการดังกล่าวจะเป็นประโยชน์สำหรับการตรวจสอบผล

อาจจะพลาดในการวิเคราะห์ความเชื่อเดียวมาตรฐานจึงให้ประกอบ
กลยุทธ์แนวทางการวิเคราะห์ gwas มาตรฐานสำหรับการตรวจหาตำแหน่ง

ในที่เกี่ยวข้องกับโรค กรณีศึกษาการควบคุม / การปฏิสัมพันธ์ทางสถิติคือสกุล