- ASHLEY BONNER, McMaster University
Inférence des paramètres des modèles pour la corrélation canonique rare à l'aide de techniques de rééchantillonnage [PDF]
- L'analyse de corrélation canonique rare (sCCA) est une méthode multivariée qui utilise des variables latentes pour explorer les associations rares et complexes entre les types de données de grande dimension. Actuellement, il existe des limites dans les stratégies inférentielles pour accompagner les valeurs de chargement estimées dont dépendent les chercheurs pour déterminer si, et dans quelle mesure, chaque variable contribue à la relation latente. À l'aide de simulations, nous évaluons la performance des techniques de rééchantillonnage, y compris le bootstrap non-paramétrique, pour explorer les propriétés de distribution et bâtir des intervalles de confiance pour les valeurs de chargement sCCA. Sous certaines conditions des données, le rééchantillonnage peut offrir un moyen de déduire un certain niveau de confiance dans les relations complexes renvoyées par la sCCA.
- OSVALDO ESPIN-GARCIA, University of Toronto and Lunenfeld-Tanenbaum Research Institute
Plans à deux phases pour trait quantitatif dépendant et échantillonnage GWAS-SNP conjoints dans le séquençage régional post-GWAS [PDF]
- Nous évaluons les plans à deux phases pour assurer le suivi des résultats de l'étude d'association pangénomique (GWAS) lorsque le séquençage régional de l'ensemble de la cohorte est trop cher. Nous développons une nouvelle estimation EM sous une formulation du maximum de vraisemblance semiparamétrique sur mesure pour l'inférence post-GWAS. Un GWAS-SNP sert de covariable auxiliaire dans la déduction d'une association entre une variante de séquence et un trait quantitatif (CQ) normalement distribué. Nous effectuons des simulations pour quantifier l'efficacité et la puissance de l'échantillonnage conjoint CQ-SNP dans le cadre de répartitions d'échantillons alternatifs. Une répartition conjointe équilibrée sur le génotype GWAS-SNP et les strates extrêmes-QT donne des améliorations de puissance par rapport à CQ marginal ou à ses homologues SNP-échantillonnage.
- JINGXIONG XU, University of Toronto
Approches statistiques bayésiennes pour l'association génétique avec des données de séquençage de prochaine génération (SPG) [PDF]
- La découverte de variantes rares prend de l'importance pour les études d'associations génétiques et pourrait aider à élucider le fondement génétique de maladies communes. Comme les variantes rares sont peu fréquentes dans la population en général, les tests d'association à variante unique ont peu de puissance dans les analyses SPG. Nous avons élaboré plusieurs statistiques de tests conjointes à l'aide d'une approche fondée sur le facteur de Bayes pour évaluer les indices d'une association entre un ensemble de variantes rares situé dans une même zone chromosomique et l'apparition d'un cancer. Nos études de simulation montrent les avantages de l'approche bayésienne comparativement à deux approches populaires~: le test de charge et le test d'association à noyau de séquences (SKAT).
- QING YU, University of New Brunswick
Approche bayésienne Poisson de modélisation mixte pour les modèles à risques proportionnels de Cox à surreprésentation de zéros [PDF]
- Dans les modèles à risques proportionnels de Cox, un facteur de fragilité peut être introduit afin d'incorporer la susceptibilité individuelle à une maladie ou à un événement d'intérêt; toutefois, certaines personnes peuvent être immunisées contre une maladie ou y être insusceptibles. Nous utilisons des fragilités distribuées selon une Poisson composée, qui a un pic à zéro, pour caractériser l'hétérogénéité de la susceptibilité chez les individus. Cette approche nous permet de prendre en compte les susceptibilités nulles et positives. Nous étendons l'approche de modélisation de type Poisson proposée par Ma et coll. (Biometrika, 2003) à l'estimation de notre modèle. L'approche que nous proposons est illustrée par un ensemble de données simulées et un exemple réel.
- TIAN FENG, McMaster University
Une méthode bayésienne pour traiter les données manquantes dans le modèle de courbe de croissance [PDF]
- Le modèle de courbe de croissance (MCC) est un modèle d'analyse multivariée généralisée de la variance (GMANOVA). Le MCC standard possède plusieurs propriétés souhaitables lorsque des données sont complètes, mais est problématique en présence d'observations manquantes. Nous proposons une méthode bayésienne pour traiter les données manquantes dans le MCC en utilisant l'algorithme d'échantillonnage de Gibbs. Une vaste étude par simulation est réalisée pour comparer la méthode proposée à l'algorithme espérance-maximisation (EM). La méthode bayésienne se révèle être généralement utile et donne des résultats prometteurs par rapport à l'algorithme EM. Les jeux de données classiques sont utilisés pour illustrer la performance de la méthode proposée.