MARC

 008250123s2024        us                              c    eng  d
■001000017160586
■00520250211151045
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382775111
■035    ▼a(MiAaPQ)AAI31140596
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLu,  Yihao.
■24510▼aMethods  for  Multi-Omics  Multi-Context  Integrative  Analysis
■260    ▼a[Sl]▼bThe  University  of  Chicago▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a149  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Chen,  Lin  S.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2024.
■520    ▼aGenome-wide  association  studies  (GWAS)  have  identified  hundreds  of  thousands  of  associations  between  genetic  variants  and  human  complex  traits/diseases.  To  functionally  annotate  the  trait/disease-associated  variants,  extensive  efforts  are  made  to  study  the  genetic  effects  on  downstream  molecular  phenotypes  in  a  wide  variety  of  tissue  types  and  cell  types.  Genetic  effects  on  functionally  related  'omic'  traits  often  co-occur  in  relevant  cellular  contexts,  such  as  tissues.  In  Chapter  2,  motivated  by  the  multi-tissue  methylation  quantitative  trait  loci  (mQTLs)  and  expression  QTLs  (eQTLs)  analysis  of  Genotype-Tissue  Expression  project,  we  propose  X-ING  (Cross-INtegrative  Genomics)  for  cross-omics  and  cross-context  integrative  analysis.  A  major  innovation  of  the  method  is  that  it  models  latent  association  indicators  instead  of  effect  sizes  and  uses  multi-view  learning  to  account  for  major  patterns  among  latent  indicators  across  omics  data  types  and  tissue  types.  This  facilitates  integrative  analysis  of  different  data  types  of  different  effect  distributions.  Moving  beyond  the  integrative  association  analysis,  in  Chapter  3  we  develop  a  multi-context  multivariable  integrative  Mendelian  randomization  framework,  mintMR,  for  mapping  expression  and  molecular  traits  as  joint  exposures.  The  proposed  method  overcomes  the  unique  challenges  in  mapping  risk  genes,  and  these  challenges  are  under-addressed  by  conventional  Mendelian  randomization  methods.  MintMR  improves  the  estimation  of  sparse  tissue-specific  causal  effects  of  multiple  genes  with  a  limited  number  of  IVs  by  simultaneously  modeling  the  latent  tissue  indicators  of  disease  relevance  across  multiple  gene  regions  and  subsequently  improving  the  estimation  of  latent  disease-relevant  probabilities.  In  Chapter  4,  we  further  expand  the  framework  to  study  risk  genes  in  specific  cell  types  using  deep  learning  methods.  Single-cell  RNA  sequencing  (scRNA-seq)  enables  the  high-throughput  profiling  of  gene  expression  specific  to  cell  types.  We  proposed  a  deep-cellMR  method  capturing  the  nonlinear  and  complex  dependencies  across  cell  types  and  further  improving  the  estimation  of  cell-type-specific  effect  of  each  gene  in  each  cell.  The  proposed  methods  in  this  dissertation  can  be  broadly  applied to  map  multi-omics  QTLs  and  study  risk  genes  for  complex  traits  and  diseases,  and  they  can  be  applied  to  many  other  data  types  for  conducting  integrative  association  and  causal  analyses.
■590    ▼aSchool  code:  0330.
■650  4▼aBiostatistics
■650  4▼aCellular  biology
■650  4▼aGenetics
■653    ▼aAssociation  analysis
■653    ▼aIntegrative  analysis
■653    ▼aMendelian  Randomization
■653    ▼aMulti-omics  analysis
■653    ▼aGenetic  variants
■690    ▼a0308
■690    ▼a0379
■690    ▼a0369
■71020▼aThe  University  of  Chicago▼bPublic  Health  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160586▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서