交互作用(一).ppt

提高变量的检出能力 提高模型的预测能力 提高模型的预测能力 从GWAS中筛出6对SNP-SNP交互作用 建立以下4个模型 模型1：预测变量为年龄、性别、吸烟 模型2：增加6个已验证成功的SNP 模型3：增加12个组成交互作用的SNP 模型4：增加6个交互作用项 * Sensitivity 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 1 - Specificity AUC4 = 0.756 AUC3 = 0.686 AUC2 = 0.684 AUC1 = 0.665 3.16% 10.16% * 交互作用的交互阶数 一阶交互作用(one-order interaction) two-way interaction A+B+AB 二阶交互作用(two-order interaction) three-way interaction A+B+C+ABC …… * 高阶交互作用的负担 GWAS中所研究的遗传因素变量有50万个。在每10分钟50万次计算速度下： 遍历一阶交互作用需要：4.76年！ 遍历二阶交互作用需要：792740年！ ………… * 高阶交互作用的样本量 交互作用阶数越高，变量取值组合下的样本量将越稀疏，为获得稳定的结果，样本量需求越大！ 高阶交互作用比较难以解释。 受样本量限制，实际工作中建议检测2阶以下交互作用 大数据时代，机器学习类的方法暂露头角！ * 单纯病例研究 单纯病例研究的概念 交互作用的检测方法 单纯病例研究的特点 * 单纯病例研究的概念 Piegorsch(1994)在病例-对照研究(case-control study)的基础上提出了一种新的流行病学方法-单纯病例研究(case-only study)，又称病例-病例研究(case-case study)。 * 回归模型—logistic模型 * R 基因/环境的OR E=0 E=1 E=0 E=1 G=0 0 0 G=1 无交互作用 有交互作用 在对数尺度上是相加的 基因/环境的OR E=0 E=1 E=0 E=1 G=0 1 1 G=1 无交互作用 有交互作用 在对数尺度上是相加的，其实是相乘的交互作用。 交互作用 交互作用 ? 0 表示有正向的交互作用，协同作用 ? 0 表示有负向的交互作用，拮抗作用 ? = 0 表示没有交互作用。 数据格式(频数) case f g e eg 1. 1 25 1 1 1 2. 1 10 1 0 0 3. 1 84 0 1 0 4. 1 36 0 0 0 5. 0 2 1 1 1 6. 0 4 1 0 0 7. 0 63 0 1 0 8. 0 100 0 0 0 STATA命令与结果 . logistic case e g eg [fw=f] Logit estimates Number of obs = 324 LR chi2(3) = 59.57 Prob chi2 = 0.0000 Log likelihood = -194.49004 Pseudo R2 = 0.1328 ------------------------------------------------------------------ y | Odds Ratio Std. Err. z P|z| [95% Conf. Interval] ------+----------------------------------------------------------- e | 3.703704 .9