遗传关联性研究Meta分析的异质性来源

遗传关联性研究Meta分析越来越流行,即使在全基因组时代,由于遗传关联性研究的特殊性,其Meta分析仍起到重要的作用。遗传关联性研究Meta分析的异质性来源具有其特殊性,本文主要从人群特征、基因-基因、基因-环境交互作用方面介绍其异质性来源。

遗传关联性研究Meta分析中的Hardy-Weinberg平衡

Hardy-Weinberg平衡(HWE)在科学领域是一个常用的假设,其在遗传关联性研究中的重要性被日益重视。HWE与基因型分型质量密切相关,因此,制作遗传关联性研究Meta分析时,需要检验对照组人群基因型分布是否符合HWE。本文从HWE定律的产生背景出发,介绍其检验方法,以及在制作遗传关联性研究Meta分析时如何处理对照组不符合HWE的研究。

遗传关联性研究Meta分析的多重检验校正方法

制作遗传关联性研究Meta分析时,我们常常计算其五个基因模型的结果,而这一做法使得检验次数增多,增大了假阳性结果的发生率。此外,也有研究在同一研究中对多个位点、多种表型进行分析,这也会增加假阳性结果的发生率。因此,在制作遗传关联性研究Meta分析时,除了计算出每个基因模型的结果外,还应给出每个基因模型检验结果的校正值,判断结果是否为假阳性结果。本文主要介绍多重检验校正的方法。

遗传关联性研究及其Meta分析的简介

基因因素在疾病的发生发展中扮演着重要的角色,遗传关联性研究是基因与人类复杂疾病的重要研究方法之一。但在关联分析领域存在一种"赢者诅咒"现象,此外,由于单个基因效应对大多数疾病来说均较小,因此,需要大样本研究来探索其真实效应。本文主要简要介绍遗传关联性研究及其Meta分析的方法以及报告规范。

如何撰写高质量的流行病学研究论文 第二讲 遗传关联性研究及其Meta分析的报告规范

随着遗传流行病学和分子流行病学的兴起,复杂疾病的遗传危险因素日益得到关注。但目前遗传关联性研究仍存在许多问题,如样本量小、研究结果不一致、研究报告质量偏低。因此,规范地报告遗传关联性研究,采用Meta分析将现有研究证据进行系统汇总是亟需完成的工作,以提供更为准确的基因-疾病关联效应。为此,本文综述了遗传关联性分析及其Meta分析的报告规范(MOOSE),并提出了报告遗传关联性研究的Meta分析时需注意的特殊问题。

应用R软件meta程序包实现遗传关联性研究的Meta分析

单核苷酸多态性与疾病的相关性是遗传关联性研究的典型代表。相对于传统的二分类数据,单核苷酸多态性的数据具有其自身的特点,在开展Meta分析时常使用5种遗传模型。本文通过实例展示如何使用R软件Meta程序包实现单核苷酸多态性数据的Meta分析。

遗传关联性研究Meta分析之遗传模型的选择：贝叶斯无基因模型法

近年来，遗传关联性研究的Meta分析受到越来越多的学者关注。设计遗传关联性研究的Meta分析时，传统做法是将各基因模型的结果全部计算出来，这样不仅增加了假阳性结果的概率，也使得Meta分析的结果难以进一步分析。因此，在设计遗传关联性研究的Meta分析时，一个重要的步骤是如何选择恰当的基因遗传模型。本文旨在介绍贝叶斯无基因模型法的原理，以期帮助读者在设计遗传关联性研究的Meta分析时应用此方法。

遗传关联性Meta分析证据可信度评价

遗传关联性Meta分析将多个研究的数据整合,通过增大样本量以提高统计效能,成为探求真实遗传关联性的有效途径。Meta分析为遗传关联性证据的产生带来机遇,但同时也给此类证据的利用带来挑战。因此,合理评价证据的可信度确有必要。本文主要介绍如何使用Venice标准从分子流行病学角度评价遗传关联性Meta分析证据的可信度。评估指标包括证据量、重复性及偏倚控制三方面,最后综合三方面的分级结果,得出"强"、"中等"、"弱"三个等级结果。通过对遗传关联性Meta分析证据可信度的评估,为进一步的研究及证据的临床转化提供明确信息。