Aller au contenu principal

 

Imagerie génomique – une nouvelle frontière pour la méthodologie statistique 
Responsable et président: Linglong Kong (University of Alberta) 
[PDF]
MICHELE GUINDANI, University of Texas
Modélisation prédictive bayésienne pour la génétique d'imagerie avec application à la schizophrénie  [PDF]
 
En combinant des réseaux de polymorphismes nucléotidiques (SNP) et l'imagerie par résonance magnétique fonctionnelle (IRMf), nous proposons un modèle bayésien intégratif de prévision du risque qui nous permet de distinguer les individus schizophrènes des contrôles sains, basé sur un ensemble clairsemé de ROI (régions d'intérêt) et de SNP discriminants. Une inférence sur un réseau régulatoire entre les ROI et les SNP est utilisée dans une modélisation unifiée pour informer la sélection de ROI et de SNP discriminants. Nous utilisons des études de simulation pour évaluer la performance de notre méthode, avant de l'appliquer à des données collectées auprès d'individus schizophrènes et de contrôles sains. Nous montrons que notre approche surpasse des méthodes qui ne relient pas le réseau ROI-SNP à la sélection de marqueurs discriminants. 
 
FAROUK NATHOO, University of Victoria
Modèle de régression multitâche bayésienne à groupes clairsemés en génomique de l'imagerie [PDF]
 
Les progrès technologiques en imagerie cérébrale et génotypage ont motivé plusieurs études qui examinent les relations qui existent entre la variation génétique et la structure du cerveau. Wang et al. (Bioinformatics, 2012) ont mis au point une approche pour l'estimation simultanée des paramètres de régression et la sélection de SNP basée sur la régression pénalisée avec une pénalité de groupe de norme l2,1. La formulation de pénalité de groupe de norme intègre les structures de groupes biologiques des SNP induites par leur agencement génétique et impose la parcimonie au niveau du groupe. Dans cet article, nous proposons une formulation bayésienne correspondante qui permet une inférence a posteriori complète par échantillonnage de Gibbs. Nous étudions les propriétés de notre méthode à l'aide d'études de simulation et appliquons notre méthodologie à un grand ensemble de données collectées dans le cadre de l'initiative en neuroimagerie de la maladie d'Alzheimer.