008240612s2023      us  |||||||||||||||c||eng  d
■001000016932262
■00520240214100435
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379905156
■035    ▼a(MiAaPQ)AAI30490650
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLiu,  Hongjiao.
■24510▼aStatistical  Methods  for  Association  Analysis  of  Microbiome  Data▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(212  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Wu,  Michael  C.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  human  microbiome  is  an  integral  component  of  the  human  body.  High-throughput  sequencing  techniques  have  provided  detailed  information  on  abundance  and  phylogeny  of  individual  taxa  in  the  human  microbiome.  A  variety  of  association  studies  based  on  microbiome  data  has  emerged  in  recent  years,  revealing  important  relationships  among  microbial  features  as  well  as  between  the  microbiome  and  host  health.  Challenges  specific  to  microbiome  data,  such  as  high-dimensionality  and  sparsity,  call  for  novel  statistical  approaches.  Meanwhile,  common  practical  needs  in  association  analyses,  such  as  covariate  adjustment  and  analysis  of  clustered  data,  can  be  extended  to  microbiome  data.  Here  we  present  four  projects  on  novel  statistical  methods  for  association  analyses  of  microbiome  data.In  Project  1,  we  propose  a  powerful  kernel-based  approach  for  microbiome  genome-wide  association  studies  (GWASs),  where  we  evaluate  the  covariate-adjusted  association  between  groups  of  genetic  variants  at  the  gene  level  and  the  overall  microbiome  composition  at  the  community  level.  In  Project  2,  we  develop  a  kernel-based  multivariate  independence  test  for  clustered  data  and  apply  the  test  to  evaluate  the  association  between  the  overall  microbiome  composition  and  a  multivariate  trait  based  on  longitudinal  data.  In  Project  3,  we  propose  a  multivariate  approach  to  construct  microbial  association  networks,  where  we  develop  a  conditional  independence  test  to  assess  the  pairwise  association  between  multivariate  microbial  features,  such  as  bacterial  genera  composed  of  multiple  species.  In  Project  4,  we  propose  a  novel  approach  for  one-sample  Mendelian  randomization  with  a  microbial  exposure,  which  allows  us  to  evaluate  the  causal  effect  of  individual  microbial  taxa  on  a  continuous  health  outcome  with  an  improved  power.
■590    ▼aSchool  code:  0250.
■650  4▼aBiostatistics.
■650  4▼aMicrobiology.
■650  4▼aGenetics.
■653    ▼aGenomics
■653    ▼aKernel  methods
■653    ▼aMendelian  randomization
■653    ▼aMicrobiome
■653    ▼aMultivariate  analysis
■690    ▼a0308
■690    ▼a0410
■690    ▼a0369
■71020▼aUniversity  of  Washington▼bBiostatistics  -  Public  Health.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932262▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024