MARC

 008260126s2025        us                              c    eng  d
■001000017358601
■00520260202104725
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291561508
■035    ▼a(MiAaPQ)AAI32122029
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aJiang,  Zhiwen.
■24510▼aThe  Next  Generation  of  Imaging  Genetics
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a220  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Zhu,  Hongtu.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aImaging  genetics  elucidates  how  genetic  variations  influence  the  human  brain  and  links  these  variations  to  brain-related  traits,  diseases,  and  disorders.  Despite  this  promise,  the  computational  challenges  posed  by  high-dimensional  imaging  and  genetic  data  remain  substantial.  In  this  dissertation,  we  develop  novel  statistical  frameworks  that  enable  imaging  genetic  analyses  at  the  voxel/vertex  level.  With  particular  emphasis  on  computational  efficiency,  we  aim  to  create  atlases  of  genetic  associations  at  the  highest  possible  resolution  and  share  summary  statistics  of  the  whole-genome  variants  for  the  entire  image  for  secondary  analyses.In  Chapter  2,  we  propose  Representation  learning-based  Voxel-level  Genetic  Analysis  (RVGA)  for  genome-wide  association  analysis  (GWAS).  RVGA  decomposes  raw  images  into  smooth  signals  and  random  errors,  which  enhances  statistical  power  as  well  as  reduces  computational  and  resource  demands  by  2-3  orders  of  magnitude.  We  propose  a  scheme  to  store  and  share  a  minimal  dataset  of  GWAS  summary  statistics.  We  introduce  a  unified  estimator  for  voxel  heritability,  genetic  correlations  between  voxels,  and  cross-trait  genetic  correlations  between  voxels  and  non-imaging  phenotypes.  Moreover,  we  incorporate  partitioned  heritability  analysis  into  RVGA.In  Chapter  3,  we  extend  RVGA  for  rare  variants  and  introduce  Representation  learning-based  Voxel-level  Rare  Variant  Analysis  (RVRVA).  We  first  propose  a  framework  to  correct  for  sample  relatedness  at  each  voxel.  We  then  address  the  unique  challenge  of  controlling  the  type  I  error  rate  in  rare  variant  analysis  due  to  the  failure  of  large-sample  theory.  We  incorporate  threshold-free  cluster  enhancement  (TFCE)  to  evaluate  spatial  significance  of  associated  brain  regions.  We  also  share  summary  statistics  that  are  flexible  to  define  any  variant  sets  and  incorporate  various  functional  annotations.In  Chapter  4,  we  propose  a  method  to  estimate  the  trajectory  of  heritability  from  longitudinal  data.  The  approach  relies  on  functional  data  analysis  to  reconstruct  trajectory  of  phenotypes  and  estimate  heritability  using  GWAS  summary  statistics  from  latent  variables.  We  show  the  time-varying  genetic  influences  on  phenotypes.We  demonstrate  the  performance  of  our  methods  by  comprehensive  simulations  and  large-scale  real  data  analysis  from  the  UKB.  We  develop  computationally  efficient  and  user-friendly  Python  programs  for  RVGA  and  RVRVA  in  a  toolbox  called  Highly  Efficient  Imaging  Genetics  (HEIG)  at  https://github.com/  Zhiwen-Owen-Jiang/heig.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aBioinformatics
■650  4▼aMedical  imaging
■650  4▼aGenetics
■653    ▼aComputational  efficiency
■653    ▼aImaging  genetics
■653    ▼aPrincipal  component  analysis
■653    ▼aRepresentation  learning
■653    ▼aGenetic  variations
■690    ▼a0308
■690    ▼a0574
■690    ▼a0369
■690    ▼a0715
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358601▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books