Detailansicht
Discovering nonlinear contributions from multi-omics to phenotypic variations
Michelle Binsfeld
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Mathematik
Betreuer*in
Joachim Hermisson
DOI
10.25365/thesis.71130
URN
urn:nbn:at:at-ubw:1-19483.82590.783862-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das Ziel von Assoziationsstudien ist die Identifizierung von Polymorphismen, die im Zusammenhang mit einem komplexen Merkmal stehen. Die Standardmodelle hierfür sind lineare
Modelle, die auf sogenannten “Single-Locus” Tests beruhen. Deswegen können Gene mit
nicht-linearem Effekt, sowie Gene, die zwar mit anderen Genen interagieren, aber selbst
keine marginale Effekte zeigen, nicht identifiziert werden. Die meisten komplexen Merkmale
sind jedoch durch multiple Gene und ihre wechselwirkende Effekte bestimmt. Wir zeigen,
dass ein nicht-lineares Modell, das auch Interaktionen und Heterogenität erfasst, mehr Gene
identifizieren kann als das Standardmodell. Hierfür haben wir eine Pipeline entwickelt, die
auf Random Forests beruht und die Anzahl der genetischen Marker (Prädiktorvariablen) in
jedem Schritt reduziert. Dies ist eine vielversprechende Alternative zu den linearen Modellen
in genomweiten (GWAS) und transkriptomweiten (TWAS) Assoziationsstudien. Weiterhin
erlauben Random Forests es, eine neue Assoziationsstudie (GTWAS) zu betrachten, indem
genetische und transkriptomische Variation in ein Modell integriert werden.
Abstract
(Englisch)
The aim of association studies is to understand the genetic architecture of complex traits,
which is a fundamental issue in genetics. The standard approaches are based on linear mixed
models using single-locus tests. Therefore, they might miss nonlinear loci that are involved in
interactions but do not show significant marginal effects. Many complex phenotypes however
are determined by multiple loci and their interactive effects. We show that a model, which
allows for nonlinear effects, epistatic interactions and heterogeneity, increases the association
power. Due to the high-dimensionality of omics data, the search of epistatic interactions is
challenging. We have developed a pipeline based on random forests that reduces the search
space for significant associations and interactions in each step. It is a promising alternative to the traditional approaches in genome-wide (GWAS) and transcriptome-wide (TWAS)
association studies and furthermore allows us to construct genome-and-transcriptome-wideassociation studies (GTWAS), which integrate both genotypic and transcriptomic variation.
Schlagwörter
Schlagwörter
(Deutsch)
Assoziationsstudien Machine Learning Epistasis
Schlagwörter
(Englisch)
Association studies Machine learning Epistasis
Autor*innen
Michelle Binsfeld
Haupttitel (Englisch)
Discovering nonlinear contributions from multi-omics to phenotypic variations
Paralleltitel (Deutsch)
Identifizierung nicht-linearer Effekte von Multi-Omics auf phenotypische Variationen
Publikationsjahr
2021
Umfangsangabe
viii, 61 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Joachim Hermisson
Klassifikation
31 Mathematik > 31.80 Angewandte Mathematik
AC Nummer
AC16538405
Utheses ID
61867
Studienkennzahl
UA | 066 | 821 | |