同胞對連鎖分析的三種統(tǒng)計方法比較*

首都醫(yī)科大學(xué)數(shù)學(xué)教研室(100069) 華 琳 鄭衛(wèi)英 張金旺 劉 紅 閆 巖

同胞對連鎖分析的三種統(tǒng)計方法比較*

首都醫(yī)科大學(xué)數(shù)學(xué)教研室(100069) 華 琳 鄭衛(wèi)英 張金旺 劉 紅△閆 巖

*：北京市教委科技發(fā)展計劃面上項目(KM200910025006)

△通訊作者：劉紅

在很多物種中，無論是低等的酵母，還是高等的人類，許多基因的表達(dá)水平都展示出豐富的自然變異。而目前，很多科研工作都集中于研究疾病發(fā)展不同階段的基因表達(dá)水平，較少研究健康人群基因表達(dá)的自然變化。事實上，健康人群個體間的遺傳變異常常和人類復(fù)雜疾病的易感性及復(fù)雜疾病性狀有密切聯(lián)系。而人類基因組中廣泛存在并被廣泛應(yīng)用的第三代基因遺傳標(biāo)記，即SNP標(biāo)記，是一種能夠穩(wěn)定遺傳的早期突變，研究者可以通過對SNP的相關(guān)分析和高密度的SNP圖譜來定位一系列復(fù)雜疾病的相關(guān)基因。

我們通過分析健康人群淋巴母細(xì)胞基因表達(dá)的自然變化，發(fā)現(xiàn)可能存在影響基因表達(dá)的標(biāo)記位點，從而提示這些標(biāo)記位點可能對遺傳、進(jìn)化及復(fù)雜疾病的易感性有重要的生物學(xué)意義。我們利用三種統(tǒng)計分析方法，逐步判別分析、逐步logistic回歸和同胞對Haseman-Elston回歸，將Centre d'Etude du Polymorphisme Humain(CEPH)家族淋巴母細(xì)胞的基因表達(dá)譜數(shù)據(jù)和SNP基因型數(shù)據(jù)結(jié)合在一起。我們將1號染色體上的HSPA6的基因表達(dá)水平作為數(shù)量性狀，利用同胞對的H-E(Haseman-Elston)線性回歸方法對50個SNP標(biāo)記進(jìn)行連鎖定位，同時對基因表達(dá)水平進(jìn)行重新設(shè)置，使之成為分類變量，分別采用逐步判別分析、逐步logistic回歸分析方法作連鎖分析，從而發(fā)現(xiàn)影響HSPA6表達(dá)水平的SNP遺傳標(biāo)記。我們采用matlab 6.5編寫程序?qū)崿F(xiàn)數(shù)據(jù)轉(zhuǎn)換，采用著名數(shù)量遺傳學(xué)家Dr.Robert C.Elston和他的研究小組開發(fā)的遺傳流行病學(xué)的統(tǒng)計分析系統(tǒng) SAGE 5.2的 SIBPAL〔1〕模塊實現(xiàn)Haseman-Elston回歸。采用SAS軟件實現(xiàn)逐步判別分析、廣義可加模型和逐步logistic回歸。

方 法

1.Haseman-Elston線性回歸〔2〕

同胞對的Haseman-Elston線性回歸法是根據(jù)同胞對間的表型差異與同胞對共享來自同一祖先的標(biāo)記等位基因IBD(identity-by-descent)個數(shù)平均值估計的關(guān)系模型進(jìn)行連鎖定位的。

設(shè)一個家系中s個同胞的第j對同胞的HSPA6表達(dá)值為x1j，x2j，同胞對的基因表達(dá)差異：

其中 β0為截距，βi和 di(i=1，2，…，m)分別為 m 個遺傳標(biāo)記中第i個標(biāo)記的加性和顯性遺傳方差，(i=1，2，…，m)分別為第 i個標(biāo)記位點上同胞對共享IBD個數(shù)平均值估計值和同胞對共享兩個等位基因的概率估計值，ck是反應(yīng)協(xié)變量yk的函數(shù)f(yk)對表達(dá)值的影響系數(shù)，e為隨機誤差。

當(dāng)只考慮一個標(biāo)記時，模型則退化為

我們采用單標(biāo)記回歸法(即模型2)，分別對CEPH 家族的4 個家系(1333，1340，1341，1345)54 個個體1號染色體的50個SNP標(biāo)記作連鎖分析，估計回歸參數(shù)并進(jìn)行統(tǒng)計學(xué)檢驗。檢驗假設(shè)為：H0：θ=(無連鎖);H1：θ＜(存在連鎖)，若 P ＜0.05，則可判斷這一SNP標(biāo)記與HSPA6的基因表達(dá)水平存在連鎖。

2.逐步判別分析

逐步判別分析是在每一步選一個判別能力最強的指標(biāo)變量進(jìn)入判別函數(shù)，直至判別函數(shù)中所有指標(biāo)的判別能力都有意義，而判別函數(shù)外的所有指標(biāo)都不能納入。

設(shè)有m個指標(biāo)變量，分別用x1，x2，…，xm來表示，有G個類別。具體步驟為：

(1)計算總離差陣 T，類內(nèi)離差陣 W，T-1，W-1，行列式|T|，|W|及 Wilks統(tǒng)計量

其中U越小，判別能力越強。

(2)逐步剔除無統(tǒng)計學(xué)意義的指標(biāo)變量

假設(shè)有p個指標(biāo)變量已被選入判別函數(shù)。對于未入選的m-p個指標(biāo)變量中的任何一個指標(biāo)變量xr，我們將W和T矩陣分解為

若 F ＞Fα(G-1，N-p-G)，則認(rèn)為第 r個指標(biāo)變量的判別能力有統(tǒng)計學(xué)意義。

我們將1號染色體上的HSPA6基因的表達(dá)水平計算均值。重新設(shè)置表達(dá)變量，如果個體的表達(dá)值大于均值，設(shè)為1，小于均值設(shè)為0。對98對同胞對作分析，如果同胞對的兩個個體表達(dá)變量均為0，我們作為G1類;如果兩個體表達(dá)變量一個為0，一個為1，我們作為G2類;如果兩個個體表達(dá)變量均為1，則作為G3類。用每個SNP標(biāo)記的IBD值作為指標(biāo)變量。

3.逐步logistic回歸

將98對同胞對中每個同胞對的HSPA6基因表達(dá)水平作差并取絕對值，即

將d'作為分類變量，將50個SNP標(biāo)記的IBD作為協(xié)變量，作逐步logistic回歸分析。

數(shù)據(jù)處理與數(shù)值分析

首先采用Matlab 6.5軟件編寫程序?qū)⒈磉_(dá)譜數(shù)據(jù)和SNP基因型數(shù)據(jù)轉(zhuǎn)化為SAGE5.2可識別的輸入文件。由于SIBPAL模塊需要有Geneibd文件，所以應(yīng)先通過Geneibd模塊產(chǎn)生Geneibd文件。產(chǎn)生Geneibd文件需要有四個輸入文件，即家系資料文件、參數(shù)文件、等位基因位置文件和由Freq模塊生成的等位基因頻率文件。將生成的Geneibd數(shù)據(jù)文件通過我們編寫的程序輸入到SAS程序中，分別作逐步判別分析和逐步logistic回歸分析。我們將四種統(tǒng)計分析方法的結(jié)果進(jìn)行比較，結(jié)果見表1。

從表1中可以看出逐步判別分析識別出6個SNP標(biāo)記，逐步logistic回歸識別出3個SNP標(biāo)記，Haseman-Elston線性回歸識別出2個SNP標(biāo)記。從連鎖分析的統(tǒng)計結(jié)果來看，顯然逐步判別分析要優(yōu)于其他方法，逐步logistic回歸和Haseman-Elston線性回歸的效果相似。三種方法均發(fā)現(xiàn)SNP標(biāo)記位點rs5556161和rs991191有意義，提示這兩個標(biāo)記位點附近可能存在影響HSPA6基因表達(dá)水平的性狀位點?；騂SPA6位于1號染色體(chr1q23)，將此基因映射到 GO(Gene Ontology)數(shù)據(jù)庫，在生物學(xué)過程中分別為GO：6457((protein folding)和 GO：6986(response to unfolded protein)，說明該基因與蛋白質(zhì)的展開折疊相關(guān)。分子功能為 GO：166(nucleotide binding)和 GO：5524(ATP binding)，說明該基因的分子功能是核酸結(jié)合與ATP結(jié)合。SNP rs5556161和SNP rs991191可能影響該基因的表達(dá)水平，從而影響基因功能。

表1 三種統(tǒng)計方法的連鎖分析結(jié)果比較(98對同胞對)

另一方面，我們可以通過看逐步判別分析過程中F統(tǒng)計量的變化來分析基因間的交互作用〔4〕(表2)。

表2 逐步判別分析中6個SNP標(biāo)記的F統(tǒng)計量變化

從表 2中，我們可以觀察到，在第二步中，rs5556161的F值從6.10下降到0.50，而 rs1511687的F值從2.86上升到8.92，說明 rs991191可能與rs5556161和rs1511687存在交互作用。同樣，在第三步中，rs5556161的 F值從 0.50上升到 7.40，rs1511687的F值從8.92下降到2.74，rs2209698的F值從0.02上升到3.68，說明這三個SNP位點均可能與rs1924761存在交互作用。

討 論

本文采用了三種統(tǒng)計分析方法作同胞對的連鎖分析。它們同時均發(fā)現(xiàn)了2個SNP位點rs5556161和rs991191有統(tǒng)計學(xué)意義，說明這兩個標(biāo)記位點附近可能存在影響HSPA6基因表達(dá)水平的性狀位點。但比較而言，逐步判別分析要優(yōu)于其他兩種方法。本文采用的數(shù)據(jù)是健康人群淋巴母細(xì)胞的基因表達(dá)數(shù)據(jù)。而在實際應(yīng)用中，這三種方法均可用于復(fù)雜疾病的連鎖分析。由于同胞對Haseman-Elston回歸要求性狀為數(shù)量性狀，而很多復(fù)雜疾病的數(shù)量性狀常常很難表達(dá)，逐步判別分析和逐步logistic回歸分析恰好可以將復(fù)雜性狀用分類變量表示，進(jìn)而再作連鎖分析。因此，對于數(shù)量性狀位點QTL或表達(dá)數(shù)量性狀位點eQTL，適用于采用H-E回歸進(jìn)行連鎖分析。而對于狀態(tài)變量(疾病或正常)，可選擇采用逐步logistic回歸和逐步判別分析方法。逐步判別分析和逐步logistic回歸有很多類似的地方。但是，如果研究的位點較多(如全基因組的連鎖分析)，會使得logistic回歸中變量大量增加，從而導(dǎo)致結(jié)果的不準(zhǔn)確性，應(yīng)進(jìn)行多重校正。相比較而言，逐步判別分析在分析較多位點時，統(tǒng)計效能要高些。另一方面，如果我們想分析位點或基因的交互作用，通過逐步判別分析中SNP標(biāo)記的F統(tǒng)計量變化，就可以初步發(fā)現(xiàn)這種交互作用，當(dāng)然這種交互作用還需要大樣本的數(shù)據(jù)加以驗證。而且，逐步判別分析法還有一個優(yōu)點，就是不需要預(yù)先了解基因表達(dá)值和各個SNP標(biāo)記之間的關(guān)系，因此它不會象一般的線性回歸那樣對模型要求很高〔5〕?？傊琒NP數(shù)據(jù)的統(tǒng)計挖掘技術(shù)作為一種新的連鎖分析方法必將會在復(fù)雜疾病的連鎖分析中起著重要作用。

1.SAGE Statistical Analysis for Genetic Epidemiology.Release 5.2.0

2.楊興云，張瑞杰，宮濱生，等.心血管疾病遺傳連鎖分析及發(fā)病風(fēng)險因子的研究.數(shù)理醫(yī)藥學(xué)雜志，2004，17：485-488.

3.Li X，Rao SQ，Katly LM，et al.Genetic mapping of complex discrete human diseases by discriminant analysis.Progress in Natural Science，2002，12：431-437.

4.Cuo Z，Li X，Rao SQ，et al.Multivariate sibpair linkage analysis of longitudinal phenotypes by three stepwise analysis approaches.BMC Genetics，2003，4：17.

5.Rao SQ，Li L，Li X，et al.Genetic linkage analysis of longitudinal hypertension phenotypes using three summarymeasures.BMC Genetics，2003，4：24-31.