论文部分内容阅读
目的：探讨多因子降维法(Multifactor Dimensionality Reduction，MDR)、广义多因子降维法(Generalized Multifactor Dimensionality Reduction，GMDR)在筛选糖尿病的危险因素交互作用时的用法以及MDR的优缺点，并与传统的logistic回归做比较。 方法：模拟研究比较在分析分类数据的交互作用时，GMDR和传统MDR之间效能的差别，MDR和logistic回归之间效能的差别，以及GMDR在分析协变量和不分析协变量时效能的差别，所有的模拟实验都分别模拟1阶、2阶和3阶交互作用，并根据需要模拟出不同样本量，以检测在不同样本量、分析不同阶数的交互作用下各个方法的效能差别。实例分析中，分别用MDR和logistic回归进行分析，对结果进行比较进而评价两种方法之间的优劣。 结果：模拟实验结果表明，在不考虑协变量的情况下，分析分类变量的交互作用的时候，MDR和GMDR虽然算法不同，但是检测交互作用的效能差别不大。在MDR与logistic回归的比较中，MDR在分析1阶交互作用时效能不如logistic回归，但随着样本量的增大，两种检测方法效能趋于一致；在分析高阶交互作用时，MDR所表现出的效能高于logistic回归，而且在分析2阶交互作用中，样本量200时MDR已经表现良好，当样本量为300时，MDR显示了微弱的优势。GMDR在分析交互作用时考虑协变量的话效能更好；且与模拟实验1结果比价得出，考虑协变量进行分析的时候，GMDR对样本量的需求更大；同时，随着分析的交互作用的阶数的增多，GMDR构建出的模型的预测率降低。实例分析中MDR的最优模型为174G/C和是否总胆固醇和总甘油三酯同时偏高之间的交互作用，预测准确率为0.5822，交叉验证一致性为8/10，置换检验有统计学意义(P=0.021)。 结论：MDR、GMDR在分析小样本、高维度数据中表现良好，可有效的分析糖尿病基因与环境、基因与基因的交互作用，其中，大多数的交互作用需要分析协变量，所以用GMDR对相应的协变量进行控制可以达到更好的效果。MDR虽然不要求主效应，且分析时不要求遗传模型，无交互作用模型的限制，但是相应的，得出的结果也无法得知是那种交互作用，所以还需要logistic回归进行辅助，对MDR所求得的结果进行进一步分析。MDR和GMDR与logistic回归分析组合使用，取两者结果都为阳性时的结果(也就是串联)不容易出现假阳性，更适合分析糖尿病交互作用。