Modélisation du déséquilibre de liaison dans les études d’association génome entier

Modeling of linkage disequilibrium in whole genome genetic association studies

• Auteur / Autrice : Randall Johnson
• Direction : Jean-François Zagury, Cheryl Winkler
• Type : Thèse de doctorat
• Discipline(s) : Bioinformatique
• Date : Soutenance le 19/12/2014
• Etablissement(s) : Paris, CNAM
• Ecole(s) doctorale(s) : École doctorale Abbé Grégoire (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génomique, bioinformatique et applications (Paris ; 2010-2018)
• Jury : Président / Présidente : George Nelson
• Jury : Rapporteurs / Rapporteuses : Olivier Delaneau, Meredith Yeager
• DOI : 10.70675/077a2830z02f9z4591za4e5z254e19208d13

Mots clés

Mots clés contrôlés

Maladies héréditaires

Statistiques médicales

Bioinformatique

Mots clés libres

Gwas

Association génétique

Génome-Entier

Statistiques

Correction

Analyse par composantes principales

Gwas

Genetic association

Genome-Wide

Statistics

Correction

Principal components analysis

Résumé

L’approche GWAS est un outil essentiel pour la découverte de gènes associés aux maladies, mais elle pose des problèmes de puissance statistique quand il est impossible d’échantillonner génétiquement des dizaines de milliers de sujets. Les résultats présentés ici—ALDsuite, un programme en utilisant une correction nouvelle et efficace pour le déséquilibre de liaison (DL) ancestrale de la population locale, en permettant l'utilisation de marqueurs denses dans le MALD, et la démonstration que la méthode simpleM fournit une correction optimale pour les comparaisons multiples dans le GWAS—réaffirment la valeur de l'analyse en composantes principales (APC) pour capturer l’essence de la complexité des systèmes de grande dimension. L’APC est déjà la norme pour corriger la structure de la population dans le GWAS; mes résultats indiquent qu’elle est aussi une stratégie générale pour faire face à la forte dimensionnalité des données génomiques d'association.

GWAS is an essential tool for disease gene discovery, but has severe problems of statistical power when it is impractical to genetically sample tens of thousands of subjects. The results presented here—a novel, effective correction for local ancestral population LD allowing use of dense markers in MALD using the ALDsuite and the demonstration that the simpleM method provides an optimum Bonferroni correction for multiple comparisons in GWAS, reiterate the value of PCA for capturing the essential part of the complexity of high- dimensional systems. PCA is already standard for correcting for population substructure in GWAS; my results point to it’s broader applicability as a general strategy for dealing with the high dimensionality of genomic association data.