Heterogeneity in Statistical Genetics: How to Assess, Address, and Account for Mixtures in Association Studies

ویرایش:  
نویسندگان: Derek Gordon,  Stephen J. Finch,  Wonkuk Kim  
سری: Statistics for Biology and Health 
ISBN (شابک) : 3030611205, 9783030611200 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 352
[366] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

قیمت کتاب (تومان) : 37,000



ناهمگنی، یا مخلوط، در ژنتیک همه جا وجود دارد. حتی برای داده های ساده ای مانند بیماری های تک ژنی، جمعیت ها ترکیبی از افراد مبتلا و غیر مبتلا هستند. با این حال، اکثر تجزیه و تحلیل‌های آماری ارتباط ژنتیکی که برای نقشه‌برداری از ژن‌ها برای بیماری‌ها و سایر ویژگی‌های ژنتیکی طراحی شده‌اند، این پدیده را نادیده می‌گیرند.

در این کتاب، روش‌هایی را مستند می‌کنیم که ناهمگونی را در طراحی و تجزیه و تحلیل ارتباط ژنتیکی و ژنومی گنجانده است. داده ها. از جمله ویژگی‌های کلیدی آمار توسعه‌یافته ما این است که آنها پارامترهای مخلوط را به عنوان بخشی از آمار، جزء منحصر به فرد برای آزمایش‌های ارتباط، شامل می‌شوند. یکی از ویژگی‌های مهم این کار گنجاندن حداقل یک پارامتر ناهمگنی هنگام انجام محاسبات توان آماری و اندازه نمونه برای آزمایش‌های ارتباط ژنتیکی است.

ما پیش‌بینی می‌کنیم که این کتاب برای محققانی که می‌خواهند ناهمگنی را در خود تخمین بزنند مفید باشد. داده‌ها، توسعه یا اعمال آمار ارتباط ژنتیکی در مواردی که ناهمگنی وجود دارد، و به‌طور دقیق قدرت آماری و حجم نمونه را برای ارتباط ژنتیکی از طریق استفاده از طراحی آزمایشی قوی ارزیابی کنید.

Heterogeneity, or mixtures, are ubiquitous in genetics. Even for data as simple as mono-genic diseases, populations are a mixture of affected and unaffected individuals. Still, most statistical genetic association analyses, designed to map genes for diseases and other genetic traits, ignore this phenomenon.

In this book, we document methods that incorporate heterogeneity into the design and analysis of genetic and genomic association data. Among the key qualities of our developed statistics is that they include mixture parameters as part of the statistic, a unique component for tests of association. A critical feature of this work is the inclusion of at least one heterogeneity parameter when performing statistical power and sample size calculations for tests of genetic association.

We anticipate that this book will be useful to researchers who want to estimate heterogeneity in their data, develop or apply genetic association statistics where heterogeneity exists, and accurately evaluate statistical power and sample size for genetic association through the application of robust experimental design.