Dies könnte für erfahrene statistische Genetiker eine einfache Frage sein. Ich habe mich damit befasst und eine Analyse für eine Freundin am Rande einer Bioinformatik-Aufgabe durchgeführt, bei der ich ihr geholfen habe. Eine Gelegenheit für mich, neue Dinge zu lernen.
Zum Kontext: Ich habe eine Tabelle mit Genotyphäufigkeiten für Fälle und gesunde Kontrollen über verschiedene Ethnien hinweg. Meine Hypothese ist, dass eine Schwere der Erkrankung mit dem Genotyp verbunden ist. Das heißt, eine Mutation von GG zu GA oder AA kann die Schwere der Erkrankung erhöhen.
Ich habe nur wenige Tests für Trends identifiziert, die für meine Frage interessant sind: den Cochran-Armitage-Trendtest und das Chi-Quadrat Test, um die Unabhängigkeit der Genotypen zu untersuchen.
Insbesondere stehe ich gerne korrigiert / kritisiert / beraten zu meiner Analysestrategie. Kann die R-Funktion prop.trend.test () für den gleichen Zweck wie der CA-Test verwendet werden, wenn ich eine 2X2-Genotyp-Tabelle (kein Allel) anstelle einer 3X2-Tabelle habe?
Also für Gentoypes GG (Fall) = 41, Kontrolle = 29), GA (n = 1,2) und AA (n = 0,2). Ich möchte sehen, ob es einen Trend gibt, der nur mit der AA-Homozygote verbunden ist. Ich kann eine 2X2-Tabelle wie folgt erstellen:
Control Case RowTotals AA 0 2 2 GA+GG 42 31 73 colTotals 42 33 75 Führen Sie dann prop.trend aus. Test (c (2,31), c (2,73)) unter Verwendung der Zeilensummen.
Ähnlich Wenn ich sehen möchte, ob die Beteiligung von Allel A einen Trend zeigt, kann ich die Tabelle wie folgt ändern und prop.trend.test (c (29,4), c (70,5)) ausführen. :
Control Case RowTotals GG 41 29 70 GA+AA 1 4 5 colTotals 42 33 75 Die Genotypen in Fällen und Kontrollen befinden sich im Hardy-Weinberg-Gleichgewicht. Die Krankheit, die ich teste, hat eine geringe Prävalenz, ich weiß nicht, ob die Krankheit multiplikativ ist, und deshalb verwende ich Genotypen anstelle von Allelfrequenzen. Ich habe aus einem Artikel gelesen, dass diese drei Annahmen für die Arbeit mit Allelzahlen gelten müssen. Außerdem ist meine Stichprobengröße zu klein und besteht nur aus 34 Fällen und 41 Kontrollen.
Ist meine Idee sinnvoll?
Kommentare
- Haben Sie meine in der Antwort unten erwähnte Methode von prop.trend.test ausprobiert?
Antwort
Seitdem Es gibt 41, 1 und 0 Fälle von insgesamt 70, 3 und 2 Probanden für GG, AG bzw. AA. Der prop.trend.test kann wie folgt durchgeführt werden:
> prop.trend.test(c(41,1,0), c(70,3,2)) Chi-squared Test for Trend in Proportions data: c(41, 1, 0) out of c(70, 3, 2) , using scores: 1 2 3 X-squared = 3.3444, df = 1, p-value = 0.06743 Es zeigt, dass es einen Trend zu einer signifikanten Assoziation der Verringerung des Krankheitsrisikos mit einem A-Allel gibt, da der Anteil der Fälle von GG auf AG auf AA abnimmt (von 59% auf 33% auf 0%).
Bearbeiten: Wie in den Kommentaren erläutert, ist der Cochran-Armitage-Test der bevorzugte Test für diese Situation ( https://en.wikipedia.org/wiki/Cochran%E2%80%93Armitage_test_for_trend#Application_to_genetics )
> CA_df<-data.frame(case=c(41,1,0), control=c(29,2,2)) > independence_test(control ~ case, data=CA_df) Asymptotic General Independence Test data: control by case Z = 1.4139, p-value = 0.1574 alternative hypothesis: two.sided Dies sollte auch nach dem Kombinieren von A-Allelgruppen möglich sein:
> CA_df<-data.frame(case=c(41,1), control=c(29,4)) > independence_test(control ~ case, data=CA_df) Asymptotic General Independence Test data: control by case Z = 1, p-value = 0.3173 alternative hypothesis: two.sided Kommentare
- Tha nks, ich habe prop.trend.test () so verwendet, was gut funktioniert. Ich wollte noch einen Schritt weiter gehen und lernen, wie legitim es ist, die Tabellen auf 2X2 zu ändern, um den AA-Genotyp-Trend in Fällen sowie den kombinierten AA / GA-Trend in Fällen vor dem Hintergrund der WT GG hervorzuheben.
- Ich stimme zu, dass ein Cochran-Armitage-Test durchgeführt werden sollte. en.wikipedia.org/wiki/… Ich habe meine Antwort bearbeitet.
as Ergebnis von prop.trend.test () unterscheidet sich erheblich von dem Ergebnis des Cochrane-Armitage-Tests, der umwerfend ist. Wie kann das erklärt werden? Hier ist mein Code library(coin) CA_df<-data.frame(case=c(41,1,0), control=c(29,2,2)) independence_test(control ~ case, data=CA_df)