Dette kan være et enkelt spørsmål til erfarne statistiske genetikkfolk. Jeg har fordypet meg i dette ved å gjøre en analyse for en venninne på sidelinjen av en bioinformatikkoppgave jeg hjalp henne med. En mulighet for meg til å lære nye ting.
For kontekst: Jeg har en tabell med genotypefrekvenser for tilfeller og sunne kontroller på tvers av forskjellige etnisiteter. Min hypotese er at en sykdoms alvorlighetsgrad er assosiert med genotypen. Det vil si at en mutasjon fra GG til GA eller AA kan øke alvorlighetsgraden av sykdommen.
Jeg identifiserte få tester for trender som er interessante for spørsmålet mitt: Trendtesten Cochran-Armitage og chi-kvadratet test for å utforske genotypenes uavhengighet.
Spesielt liker jeg å stå korrigert / kritisert / veiledet om min analysestrategi. Kan R-funksjonen prop.trend.test () brukes til samme formål som CA-test hvis jeg har en 2X2 genotypetabell (ikke allel) i stedet for en 3X2-tabell?
Så for gentoypes GG (case = 41, kontroll = 29), GA (n = 1,2) og AA (n = 0,2). Jeg vil se om det bare finnes en trend knyttet til AA-homozygoten. Jeg kan gjøre en 2X2-tabell som følger:
Control Case RowTotals AA 0 2 2 GA+GG 42 31 73 colTotals 42 33 75 Gjør deretter prop.trend. test (c (2,31), c (2,73)) ved å bruke radtotalene.
Tilsvarende Hvis jeg vil se om allelen A-involvering viser en trend, kan jeg endre tabellen som følger og gjøre prop.trend.test (c (29,4), c (70,5)) :
Control Case RowTotals GG 41 29 70 GA+AA 1 4 5 colTotals 42 33 75 Genotypene i tilfeller og kontroller er i Hardy-Weinberg-likevekt. Sykdommen jeg tester har lav prevalens, jeg vet ikke om sykdommen er multiplikativ, og derfor bruker jeg genotyper i stedet for allelfrekvenser. Jeg leste at fra en artikkel som antyder at disse tre antagelsene må holde for å jobbe med alleltall. Også prøvestørrelsen min er for liten, og består bare av 34 saker og 41 kontroller.
Er ideen min fornuftig?
Kommentarer
- Prøvde du metoden min for prop.trend.test som er nevnt i svaret nedenfor?
Svar
Siden det er 41, 1 og 0 tilfeller av totalt 70, 3 og 2 fag for henholdsvis GG, AG og AA, prop.trend.test kan gjøres som følger:
> 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 Det viser at det er en trend mot betydelig sammenheng for å redusere sykdomsrisiko med A-allel, siden andelen tilfeller er redusert fra GG til AG til AA (fra 59% til 33% til 0%) .
Rediger: Som diskutert i kommentarer, er Cochran-Armitage-testen den foretrukne testen for denne situasjonen ( 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 Man bør også kunne gjøre det etter å ha kombinert A-allelgrupper:
> 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 Kommentarer
- Tha nks, jeg brukte prop.trend.test () på den måten som fungerer bra. Jeg ønsket å ta et skritt videre og lære om legitimiteten med å endre tabellene til 2X2 for å understreke AA-genotypetrenden i saker, så vel som den kombinerte AA / GA-trenden i saker mot bakgrunn av WT GG.
- Resultatet jeg får fra prop.trend.test () er vesentlig forskjellig i forhold til det jeg får fra Cochrane-Armitage-testen som er ufattelig. Hvordan kan det forklares. Her er koden min
library(coin) CA_df<-data.frame(case=c(41,1,0), control=c(29,2,2)) independence_test(control ~ case, data=CA_df) - Jeg er enig i at Cochran-Armitage-testen skal gjøres. no.wikipedia.org/wiki/… Jeg har redigert svaret mitt.