[发明专利]基于多变量高斯分布的缺失eQTL统计量推断方法

说明书

本发明属于基因组数据处理技术领域，具体涉及基于多变量高斯分布的缺失eQTL统计量推断方法。利用多变量高斯分布对已知eQTL统计量和缺失eQTL统计量进行建模，并基于变异之间的连锁不平衡相关关系，推断缺失eQTL统计量。该方法通过构建基因组局部动态连锁不平衡关系矩阵，有效避免连锁不平衡关系重复计算，通过全基因组片段化处理使eQTL数据推断适用于并行分析，降低缺失eQTL数据推断的时间开销。

技术领域

本发明属于基因组数据处理技术领域，具体涉及基于多变量高斯分布的缺失eQTL统计量推断方法。

背景技术

随着eQTL总结数据(Summary data)不断涌现在公共平台上，如GTEx、UKBEC、eQTLGen、sceQTLGen等，其已经被广泛应用于多种生物信息学分析中，如整合分析、GWAS精细比对(Fine mapping)、孟德尔随机化预测疾病基因、构建eQTL网络等。但由于数据产生来源在研究目的、实验技术以及分析方法等方面存在差异，导致eQTL统计量缺失的情况十分普遍。eQTL统计量缺失主要由以下原因导致：

由于不同研究中使用的实验技术不同(如芯片技术或是新一代测序技术)、原始数据预处理方法不同(如数据处理所选择的次要等位基因频率(MAF)阈值、参考人群基因组、基因型推断方法等)等，导致变异基因型数据缺失。

发明内容

针对不同数据集均普遍存在变异与基因之间关联统计量的缺失，严重影响下游分析的统计效能和准确性的技术问题，本发明提供了基于多变量高斯分布的缺失eQTL统计量推断方法。

本发明的技术方案如下：

基于多变量高斯分布的缺失eQTL统计量推断方法，该方法包括以下步骤：

(1)获取eQTL总结统计量数据，数据的每个条目至少包括染色体编号、基因标识符、基因组位置、参考等位基因、变异的替代等位基因和Z值统计量，使用基因组位置、参考等位基因和替代等位基因从参考基因组数据中唯一标识变异；其中Z值统计量为参考相同类型的等位基因对基因表达的影响下的结果；

(2)基因组局部区域缺失eQTL统计量推断，具体步骤为：

21)假设基因G转录起始位点上下游1Mbp范围LD区间内存在n+m个变异，其中m个变异与基因G eQTL的Z值统计量已知，表示为Z_k|G＝(y₁，...，y_m)^T，n个变异与基因G eQTL的Z值统计量缺失，表示为Z_u|G＝(x₁，...，x_n)^T；LD区间内全部的SNPs与基因G的Z值统计量表示为Z|G＝(x₁，…，x_n，y₁，…，y_m)^T；

22)利用多变量高斯分布对Z|G进行建模，即其中在零假设下，即SNP和组学特征之间不存在相关性，μ＝0，长度为n+m；∑表示n+m个SNPs之间的协方差矩阵，其中∑_i，j代表SNP_i和SNP_j之间的LD相关系数r值；

23)将Z_k|G和Z_u|G的均值期望分别表示为E(Z_u|G)＝μ_u＝0和E(Z_k|G)＝μ_k＝0之后，得到μ＝(μ_u，μ_k)^T；将协方差矩阵∑根据两组变异类型划分为四个子矩阵，如公式(3)所示，其中