Genom çapında karmaşık özellik analizi - Genome-wide complex trait analysis

Bu makalenin birden çok sorunu var. Lütfen yardım et onu geliştir veya bu konuları konuşma sayfası. (Bu şablon mesajların nasıl ve ne zaman kaldırılacağını öğrenin) Bu makale gibi yazılmıştır kişisel düşünme, kişisel deneme veya tartışmaya dayalı deneme bir Wikipedia editörünün kişisel duygularını ifade eden veya bir konu hakkında orijinal bir argüman sunan. Lütfen geliştirmeye yardım et yeniden yazarak ansiklopedik tarz. (Şubat 2020) (Bu şablon mesajını nasıl ve ne zaman kaldıracağınızı öğrenin) Bu makale çoğu okuyucunun anlayamayacağı kadar teknik olabilir. Lütfen geliştirmeye yardım et -e uzman olmayanlar için anlaşılır hale getirinteknik detayları kaldırmadan. (Ocak 2017) (Bu şablon mesajını nasıl ve ne zaman kaldıracağınızı öğrenin) Bu makale muhtemelen içerir orjinal araştırma. Lütfen onu geliştir tarafından doğrulanıyor iddia edilen ve eklenen satır içi alıntılar. Yalnızca orijinal araştırmadan oluşan ifadeler kaldırılmalıdır. (Eylül 2019) (Bu şablon mesajını nasıl ve ne zaman kaldıracağınızı öğrenin) (Bu şablon mesajını nasıl ve ne zaman kaldıracağınızı öğrenin)

Genom çapında karmaşık özellik analizi (GCTA) Genom bazlı sınırlı maksimum olasılık (GREML) için istatistiksel bir yöntemdir varyans Genetikte bir özelliğin toplam dar anlamda (katkı) katkısını ölçen bileşen tahmini kalıtım genetik varyantların belirli bir alt kümesinin (tipik olarak SNP'ler ile MAF >% 1, dolayısıyla "çip kalıtsallığı" / "SNP kalıtılabilirliği" gibi terimler). Bu, ilgisiz bireylerin şans genetik benzerliğini doğrudan ölçerek ve bunu bir özellik üzerindeki ölçülen benzerlikleriyle karşılaştırarak yapılır; Eğer iki ilgisiz birey genetik olarak nispeten benzerse ve aynı zamanda benzer özellik ölçümlerine sahipse, ölçülen genetik muhtemelen bu özelliği nedensel olarak etkileyecektir ve korelasyon bir dereceye kadar ne kadarını söyleyebilir. Bu, bireyler arasındaki ikili özellik farklılıklarının karelerinin hesaplanmış ilişkililik derecelerine göre çizilmesiyle gösterilebilir.^[1] GCTA çerçevesi çeşitli ayarlarda uygulanabilir. Örneğin, yaşlanma ve gelişme üzerindeki kalıtımdaki değişiklikleri incelemek için kullanılabilir.^[2] Ayrıca iki değişkenli analiz etmek için genişletilebilir genetik korelasyonlar özellikler arasında.^[3] GCTA'nın mevcut SNP verileri üzerinde kullanıldığında güvenilir mi yoksa kararlı kalıtsallık tahminleri mi oluşturduğuna dair devam eden bir tartışma vardır.^[4] Yöntem, genlerin çevreye karşı eski ve yanlış ikilemine dayanmaktadır. Aynı zamanda duyarlılık gibi ciddi metodolojik zayıflıklardan muzdariptir. nüfus katmanlaşması.^[5]

GCTA kalıtım tahminleri yararlıdır çünkü daha düşük sınırlar sağlarlar^[6] gibi özelliklere genetik katkılar için zeka kullanılan varsayımlara güvenmeden ikiz çalışmalar ve diğer aile ve soyağacı çalışmalar, böylece onları doğruluyor^[7][8][9] ve kuyu tasarımını sağlamakgüçlendirilmiş genom çapında ilişkilendirme çalışması (GWAS), ilgili spesifik genetik varyantları bulmak için tasarlar. Örneğin,% 30 SNP kalıtsallığına ilişkin bir GCTA tahmini,% 70'lik daha büyük bir toplam genetik kalıtım ile tutarlıdır. Bununla birlikte, GCTA tahmini ~% 0 ise, bu üç şeyden birini ifade eder: a) genetik katkı yoktur, b) genetik katkı tamamen dahil edilmeyen genetik varyantlar biçimindedir veya c) genetik katkı tamamen katkı dışı etkiler biçimindedir. epistasis /hakimiyet. GCTA'yı tek tek kromozomlar üzerinde çalıştırmak ve her bir kromozom tarafından açıklanan özellik varyansının tahmini oranını o kromozomun uzunluğuna göre geriletmek, sorumlu genetik varyantların kümelenip kümelenmediğini veya genom boyunca eşit bir şekilde dağılmış olup olmadığını ortaya çıkarabilir. cinsiyete bağlı. Kromozomlar elbette daha ince taneli veya işlevsel olarak bilgilendirilmiş alt bölümlerle değiştirilebilir. Genetik korelasyonların incelenmesi, zeka ve sosyoekonomik durum gibi gözlenen korelasyonların ne ölçüde aynı genetik özelliklerden kaynaklandığını ortaya çıkarabilir ve hastalıklar söz konusu olduğunda, ortaklaşa ilişkili genetik varyasyondan çıkarılabilecek ortak nedensel yolları gösterebilir. şizofreni ve diğer akıl hastalıkları veya azalmış zeka ile.

Tarih

Standart kullanarak biyoloji / hayvan yetiştiriciliğinde tahmin ANOVA /REML kalıtım, paylaşılan çevre, anne etkileri vb. gibi varyans bileşenlerinin yöntemleri tipik olarak ebeveyn / çocuk gibi bilinen ilişkiye sahip bireyleri gerektirir; bu genellikle mevcut değildir veya soy ağacı verileri güvenilir değildir, bu da yöntemlerin uygulanamamasına veya tüm yetiştiriciliğin katı laboratuvar kontrolünün yapılmasına neden olur dış geçerlilik Tüm tahminler) ve birkaç yazar, ilişkinin doğrudan genetik belirteçlerden ölçülebileceğini (ve eğer bireyler makul bir şekilde ilişkili olsaydı, ekonomik olarak istatistiksel güç için ekonomik olarak az sayıda belirtecin elde edilmesi gerekeceğini) belirterek, Kermit Ritland'ın 1996'da doğrudan ölçülen ikili ilişki, ikili fenotip ölçümleriyle karşılaştırılabilir (Ritland 1996, "Doğal Popülasyonlarda Kantitatif Kalıtım Hakkında Çıkarımlar için Marker Tabanlı Bir Yöntem"^[10]).

Genom dizileme maliyetleri 2000'lerde hızla düştüğü için, çok uzaktaki bireyleri kullanarak güvenilir tahminler için yeterli konuda yeterli sayıda işaretçi elde etmek mümkün hale geldi. Yöntemin insanlara erken uygulaması, Visscher ve ark. 2006^[11]/2007,^[12] kardeşlerin gerçek ilişkilerini tahmin etmek ve doğrudan genetikten kalıtsallığı tahmin etmek için SNP belirteçlerini kullandı. İnsanlarda, orijinal hayvan / bitki uygulamalarının aksine, akrabalık genellikle 'vahşi popülasyona' yüksek güven ile bilinir ve GCTA'nın yararı, klasik davranışsal genetik tasarımların varsayımlarından kaçınmak ve sonuçlarını doğrulamak ve kalıtımsallığı şu şekilde bölümlere ayırmakla daha çok bağlantılıdır: SNP sınıfı ve kromozomlar. İnsanlarda uygun GCTA'nın ilk kullanımı 2010 yılında yayınlandı, insan boyunda% 45 varyans bulunması dahil edilen SNP'ler ile açıklanabilir.^[13][14] (Yükseklikteki büyük GWAS'lar tahmini doğruladı.^[15]) GCTA algoritması daha sonra tanımlandı ve 2011'de bir yazılım uygulaması yayınlandı.^[16] O zamandan beri insanlarda çok çeşitli biyolojik, tıbbi, psikiyatrik ve psikolojik özellikleri incelemek için kullanıldı ve birçok değişken yaklaşıma ilham verdi.

Faydaları

Sağlam kalıtım

İkiz ve aile çalışmaları, belirli genetik ve çevresel neden kategorileri tarafından açıklanan varyansı tahmin etmek için uzun süredir kullanılmaktadır. İncelenen çok çeşitli insan özellikleri arasında, tipik olarak minimum paylaşılan çevre etkisi, önemli ölçüde paylaşılmayan çevre etkisi ve büyük bir genetik bileşen (çoğunlukla katkı maddesi) vardır; bu, ortalama olarak ~% 50 ve bazen bu tür bazı özellikler için çok daha yüksektir. yükseklik veya zeka olarak.^[17] Bununla birlikte, ikiz ve aile çalışmaları, eşit ortamlar varsayımı gibi (ortamların eşit olduğu varsayımı) doğrulanması zor veya imkansız olan bir dizi varsayıma dayandıkları için eleştirilmiştir. monozigotik ve dizigotik İkizler eşit derecede benzerdir), zigotluğun yanlış sınıflandırılmadığına (kardeş için özdeştir ve tam tersi), ikizlerin genel popülasyonu temsil etmediğine ve çeşitli çiftleşme. Bu varsayımların ihlali, parametre tahminlerinde hem yukarı hem de aşağı yönlü yanlılığa neden olabilir.^[18] (Bu tartışma ve eleştiri özellikle IQ'nun kalıtsallığı.)

İlgisiz denek katılımcılarından alınan SNP veya tüm genom verilerinin kullanımı (katılımcılarla çok ilgili, tipik olarak> 0.025 veya ~ dördüncü kuzen benzerlik seviyeleri, kaldırılıyor ve birkaç Ana bileşenleri önlemek ve kontrol etmek için regresyona dahil edildi nüfus katmanlaşması ) birçok kalıtsallık eleştirisini atlar: ikizler genellikle tamamen karışmaz, eşit muamele sorusu yoktur, ilişkililik kesin olarak tahmin edilir ve örnekler çok çeşitli konulardan alınır.

İkiz çalışma varsayımlarının ihlallerine karşı daha sağlam olmanın yanı sıra, SNP verilerinin toplanması daha kolay olabilir çünkü nadir ikizler gerektirmez ve bu nedenle nadir özellikler için kalıtım da tahmin edilebilir (gerekli düzeltme ile tespit önyargısı ).

GWAS gücü

GCTA tahminleri şu sorunu çözmek için kullanılabilir: Kalıtım problemini kaçırmak ve tasarım Genom genelinde istatistiksel olarak önemli isabetler verecek GWAS'lar. Bu, GCTA tahminini daha küçük GWAS'lerin sonuçlarıyla karşılaştırarak yapılır. SNP verilerini kullanan n = 10k'lik bir GWAS herhangi bir isabeti ortaya çıkaramazsa, ancak GCTA, SNP'ler tarafından açıklanan yüksek bir kalıtsallığı gösterirse, bu, çok sayıda varyantın dahil olduğu anlamına gelir (çokgenlik ) ve bu nedenle, her SNP'nin etkisini doğru bir şekilde tahmin etmek ve GCTA kalıtımının bir kısmını doğrudan hesaba katmak için çok daha büyük GWAS'lar gerekli olacaktır.

Dezavantajları

1. Sınırlı çıkarım: GCTA tahminleri, yalnızca SNP'lerden kaynaklanan kalıtsallığı tahmin ettikleri için ikiz / aile çalışmaları gibi geniş kapsamlı kalıtımı tahmin edemedikleri için doğal olarak sınırlıdır. Bu nedenle, ikiz / aile çalışmalarının tarafsızlığı konusunda kritik bir kontrol görevi görürken, GCTA'lar bir özelliğe toplam genetik katkıları tahmin etmek için bunların yerini alamaz.
2. Önemli veri gereksinimleri: Kişi başına genotiplendirilen SNP sayısı, makul genetik benzerlik tahminleri için binler ve ideal olarak yüzbinler olmalıdır (bu artık yüzbinlerce veya milyonlarca varsayılana sahip mevcut ticari yongalar için böyle bir sorun olmasa da) belirteçler); ve makul SNP kalıtsallığının biraz istikrarlı tahminleri için kişi sayısı en az olmalıdır n> 1000 ve ideal olarak n>10000.^[19] Buna karşılık, ikiz çalışmalar, örneklem büyüklüğünün bir kısmıyla kesin tahminler sunabilir.
3. Hesaplamalı verimsizlik: Orijinal GCTA uygulaması, artan veri boyutuyla (${ displaystyle { mathcal {O}} ({ text {SNPs}} cdot n ^ {2})}$), dolayısıyla kesin GCTA tahminleri için yeterli veri mevcut olsa bile, hesaplama yükü uygulanabilir olmayabilir. GCTA, standart bir hassas ağırlıklı sabit etkili meta-analiz olarak meta analiz edilebilir,^[20] bu nedenle araştırma grupları bazen kohortları veya alt kümeleri tahmin eder ve daha sonra bunları meta-analitik olarak bir araya getirir (ek karmaşıklık ve bir miktar hassasiyet kaybı pahasına). Bu, kullanmak gibi farklı varsayımlar yapan daha hızlı uygulamaların ve değişken algoritmaların oluşturulmasını motive etmiştir. an eşleştirme.^[21]
4. Ham veri ihtiyacı: GCTA tüm deneklerin genetik benzerliğini ve dolayısıyla ham genetik bilgilerini gerektirir; Gizlilik endişeleri nedeniyle, bireysel hasta verileri nadiren paylaşılır. GCTA, birçok GWAS projesi tarafından halka açık olarak bildirilen özet istatistikler üzerinde çalıştırılamaz ve birden fazla GCTA tahmini bir arada toplanıyorsa, meta-analiz yapılmalıdır.
   Bunun aksine, ham verileri gerektirmeden GWAS'lar tarafından bildirilen özetler üzerinde çalışan alternatif teknikler vardır.^[22] Örneğin. "LD puan regresyonu "^[23] zıtlıklar Bağlantı dengesizliği istatistikler (gibi halka açık veri kümelerinden edinilebilir 1000 Genom ) kalıtılabilirlik sonucunu çıkarmak ve çoklu özelliğin genetik korelasyonlarını / örtüşmelerini tahmin etmek için genel özet etki boyutları ile. Geniş Enstitüsü koşar LD Hub LD skor regresyonu ile> = 177 özelliğe genel bir web arayüzü sağlar.^[24] Özet verileri kullanan diğer bir yöntem HESS'dir.^[25]
5. Güven aralıkları yanlış olabilir veya 0-1 kalıtım aralığı dışında olabilir ve asimptotikler nedeniyle oldukça belirsiz olabilir.^[26]
6. SNP kalıtsallığının eksik tahmin edilmesi: GCTA örtük olarak tüm SNP sınıflarının, daha nadir veya yaygın, daha yeni veya daha eski, bağlantı dengesizliğinde aşağı yukarı aynı etkilere sahip olduğunu varsayar; insanlarda, daha nadir ve daha yeni varyantlar daha büyük ve daha olumsuz etkilere sahip olma eğilimindedir^[27] temsil ettikleri gibi mutasyon yükü tarafından arındırılmak negatif seçim. Ölçüm hatasında olduğu gibi, bu, GCTA tahminlerini kalıtsallığı olduğundan az hesaplamaya doğru yönlendirecektir.

Yorumlama

GCTA tahminleri genellikle "toplam genetik katkı" olarak yanlış yorumlanır ve genellikle ikiz çalışma tahminlerinden çok daha az olduklarından, ikiz çalışmaların önyargılı olduğu varsayılır ve belirli bir özelliğe genetik katkı küçüktür.^{[28][güvenilmez kaynak? ]} GCTA tahminleri alt sınırlar olduğu için bu yanlıştır.

Daha doğru bir yorum şu olacaktır: GCTA tahminleri, belirli bir zamanda belirli bir popülasyonda basit bir eklemeli doğrusal model (herhangi bir etkileşim veya daha yüksek dereceli etkiler olmaksızın) kullanılarak belirsiz derecede büyük bir GWAS tarafından tahmin edilebilecek beklenen varyans miktarıdır. SNP'lerin sınırlı seçimi ve belirli bir hassasiyetle ölçülen bir özellik. Dolayısıyla, GCTA tahminlerini aşmanın birçok yolu vardır:

1. SNP genotipleme verileri tipik olarak en yaygın veya bilimsel olarak ilginç SNP'lerin 200.000-1m'si ile sınırlıdır, ancak 150 milyon + genom dizilimi ile belgelenmiştir;^[29] SNP fiyatları düştükçe ve diziler daha kapsamlı hale geldikçe veya tam genom dizileme, SNP genotiplemesinin tamamen yerini alacağından, analize daha fazla genetik varyant dahil edildikçe beklenen dar kapsamlı kalıtılabilirlik artacaktır. Seçim ayrıca kullanılarak önemli ölçüde genişletilebilir haplotipler^[30] ve atama (SNP'ler, kalıtsal olma eğiliminde oldukları gözlemlenmemiş genetik varyantlar için vekil olabilir); Örneğin. Yang vd. 2015^[31] gözlemlenmemiş varyantları çıkarmak için daha agresif isnat kullanımıyla, GCTA yüksekliğinin% 45'ten% 56'ya genişlediğini ve Hill ve ark. 2017, GCTA'yı daha nadir varyantları kapsayacak şekilde genişletmenin zeka tahminlerini ~% 30'dan ~% 53'e yükselttiğini ve örneklerindeki tüm kalıtımı açıkladığını buldu;^[32] Birleşik Krallık Biobank'taki 4 özellik için SNP kalıtsallık tahminlerini yükseltti.^[33] Ek genetik varyantlar şunları içerir: de novo mutasyonlar /mutasyon yükü & yapısal varyasyonlar gibi kopya numarası varyasyonları.
2. dar kapsamlı kalıtım tahminleri, etkileşimleri göz ardı ederek etkilerin basit toplamsallığını varsayar. Bazı özellik değerleri, bu daha karmaşık etkilerden kaynaklanacağından, toplam genetik etki, GCTA ile ölçülen alt kümeninkini aşacak ve ilave SNP'ler bulunup ölçüldükçe, daha karmaşık istatistiksel veriler kullanılarak etkileşimleri bulmak da mümkün hale gelecektir. modeller.
3. tüm korelasyon ve kalıtsallık tahminleri, aşağıdakilerin varlığıyla sıfıra doğru eğilimlidir. ölçüm hatası; bunu ayarlama ihtiyacı aşağıdaki gibi tekniklere yol açar Spearman'ın ölçüm hatası düzeltmesi Büyük ölçekli ve doğru ölçümün zor ve pahalı olduğu özellikler için eksik tahmin oldukça ciddi olabileceğinden,^[34] zeka gibi. Örneğin, 0,31'lik bir istihbarat GCTA tahmini, test-tekrar test güvenilirliği ${ displaystyle r = 0,65}$, düzeltmeden sonra olur (${ displaystyle { frac {0.31} {0.65}}}$), ortak SNP'lerin tek başına varyansın yarısını açıkladığını gösteren ~ 0.48'lik gerçek bir tahmin olacaktır. Bu nedenle, daha iyi bir zeka ölçümüne sahip bir GWAS, daha gürültülü bir ölçüme dayalı bir GCTA tarafından belirtilenden daha fazla istihbarat isabeti bulmayı bekleyebilir.

Uygulamalar

Orijinal "GCTA" yazılım paketi en yaygın kullanılanıdır; birincil işlevi, SNP kalıtsallığının GREML tahminini kapsar, ancak diğer işlevleri içerir:

• Genom genelindeki SNP'lerden genetik ilişkiyi tahmin edin;
• Tahmin et akrabalık katsayısı genom çapında SNP'lerden;
• Tümünün açıkladığı varyansı tahmin edin otozomal SNP'ler;
• Genetik varyansı ayrı ayrı kromozomlara ayırın;
• X kromozomu ile ilişkili genetik varyansı tahmin edin;
• Doz telafisinin genetik varyans üzerindeki etkisini test edin. X kromozomu;
• Bireysel özneler ve bireysel SNP'ler için genom genelindeki ilave genetik etkileri tahmin edin;
• Hedef SNP'lerin bir listesini kapsayan LD yapısını tahmin edin;
• GWAS verilerini gözlemlenen genotip verilerine dayanarak simüle edin;
• Dönüştürmek Illumina ham genotip verileri PLINK biçim;
• Bireysel düzey genotip verileri olmadan GWAS özet istatistiklerinin koşullu ve ortak analizi
• Tahmin etmek genetik korelasyon SNP verilerini kullanarak iki özellik (hastalık) arasında
• Karışık doğrusal model ilişki analizi
  — GCTA, cnsgenomics.com/yazılım/ gcta/

Diğer uygulamalar ve varyant algoritmaları şunları içerir:

• HIZLI-LMM^[35]
• HIZLI-LMM-Seçimi:^[36] kullanımda GCTA gibi sırt gerilemesi^[37] ama dahil Öznitelik Seçimi sadece ilgili tahminlere gürültü ekleyen alakasız SNP'leri hariç tutmaya çalışmak
• LMM-Kement^[38]
• GEMMA^[39]
• EMMAX^[40]
• REACTA (eski adıyla ACTA) büyüklük çalışma süresinde azalma talebinde bulunur^[41][42]
• BOLT-REML / BOLT-LMM^[43] (Manuel ), daha hızlı ve daha iyi ölçeklendirme;^[44] meta analiz senaryosunda potansiyel olarak daha iyi verimlilikle^[45]
• MEGHA^[46]
• PLINK> 1.9 (Aralık 2013) destekler "karma model ilişki analizi ve diğer hesaplamalarda genetik ilişki matrislerinin kullanımı"
• LDAK:^[47] GCTA varsayımını, genotipleme kalitesi veya sıklığından bağımsız olarak, tüm SNP'lerin aynı ortalama beklenen etkiye sahip olduğu varsayımını gevşeterek potansiyel olarak çok daha fazla SNP kalıtsallığı bulmaya izin verir.
• GREML-IBD:^[48] GCTA için soy ile kimlik SNP panelleri tarafından ölçülmeyen veya başka bir şekilde isnat edilmeyen daha nadir varyantların etkisini yakalamak için, aksi takdirde ilgisiz olan uzak akrabalardaki paylaşılan genom segmentlerine dayalı olarak kalıtsallığı tahmin etmeye çalışmak

Özellikler

GCTA tahminleri genellikle genel kalıtım tahminleriyle tutarlı olan 0.1-0.5 tahminlerini bulur (kişilik özellikleri haricinde, bunun için teori ve mevcut GWAS sonuçları, frekansa bağlı seçim^[49][50]). Tek değişkenli GCTA'nın kullanıldığı özellikler (LD skor regresyonu gibi diğer algoritmalar kullanılarak hesaplanan SNP kalıtsallık tahminleri ve şurada listelenen iki değişkenli GCTA'lar hariç) genetik korelasyon ) include (nokta tahmin biçimi: "${ displaystyle h_ {SNP} ^ {2}}$(standart hata )"):

Ayrıca bakınız

• Hayvan yetiştiriciliği
• En iyi doğrusal tarafsız tahmin
• Mendel rastgele seçimi
• Pleiotropi
• "Akrabalar Arasındaki Mendel Kalıtım Varsayımı Üzerindeki Korelasyon ", Fisher 1918

Referanslar

daha fazla okuma

• "Araştırma incelemesi: Poligenik yöntemler ve bunların psikiyatrik özelliklere uygulanması", Wray vd. 2014
• "Genomik çağında kalıtsallık - kavramlar ve yanlış kanılar", Visscher vd. 2008
• "Niceliksel Özelliklerin Genetik Mimarilerini Açığa Çıkarmak", Lee vd. 2016
• "Genomik verileri kullanarak kalıtımın tahmin edilmesi", Stanton-Geddes vd. 2013
• "MultiBLUP: karmaşık özellikler için gelişmiş SNP tabanlı tahmin", Speed ​​& Balding 2012
• "Karma model ilişkilendirme yöntemlerinin uygulanmasındaki avantajlar ve tuzaklar", Yang vd. 2013
• "Genom Çapında Yoğun Marker Haritalarını Kullanarak Toplam Genetik Değerin Tahmini", Meuwissen vd. 2001
• "Kantitatif genetik varyasyonu anlama ve kullanma", Hill 2009
• "Hayvan Yetiştiriciliğinde Yüz Yıllık İstatistiksel Gelişmeler", Gianola ve Rosa 2015
• "SNP tabanlı kalıtım tahmininin geçerliliği için koşullar", Lee ve Chow 2014
• "Eksik kalıtsallığın ölçülmesi: Yaygın varyantların katkısının çıkarılması", Golan vd. 2014
• "SNP'ye dayalı kalıtımın kavramları, tahmini ve yorumu", Yang vd. 2017
• Maier vd. 2017, "Poligenisiteyi kucaklamak: psikiyatrik genetik araştırmalar için yöntem ve araçların gözden geçirilmesi"
• Ronald ve Ağrı 2018, "Psikotik deneyimler ve olumsuz belirti özellikleri üzerine genom çapında araştırmanın sistematik bir incelemesi: psikiyatri için yeni açıklamalar ve çıkarımlar"

Dış bağlantılar

• GCTA-GREML Güç Hesaplayıcı ("İlişkili Olmayan Örneklerde SNP Verilerini Kullanarak Karmaşık Özelliklerin Genetik (Eş) Varyansını Tespit Etmek İçin İstatistiksel Güç", Visscher vd. 2014)
• "Genomik, Büyük Veri, Tıp ve Karmaşık Özellikler" (Peter Visscher konuşuyor)
• "Psikolojik Özelliklerin Genetik Mimarileri", Lee 2014 slaytları
• "Karmaşık özelliklerin tahmini için kalıtsallığa dayalı modeller", David Balding 2015