{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1311264"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1311264","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Επίδραση του δείκτη λ στην Στατιστική ισχύ Μετα-Αναλύσεων ευρυγονιδιωματικών μελετών","abstract":"ΥΠΑΡΧΟΥΣΑ ΓΝΩΣΗ-ΥΠΟΘΕΣΗ: Οι ευρυγονιδιωματικές μελέτες(GWAS) χρησιμοποιούνται εκτενώς στην αναζήτηση πολυμορφισμών που συσχετίζονται με σύνθετα φαινοτυπικά χαρακτηριστικά. Η ύπαρξη πληθυσμιακής διαστρωμάτωσης μπορεί να εισάγει συστηματικά σφάλματα, ειδικά σε περιπτώσεις μέτα-ανάλυσης επιμέρους ετερογενών ευρυγονιδιωματικών μελετών. Ο δείκτης λ επιτρέπει τον έλεγχο πληθυσμιακής ετερογένειας απαιτώντας όμως μεγαλύτερο αριθμό ασθενών, ειδικά σε περιπτώσεις σπάνιων αλληλόμορφων. Κάτω από αυτο το πρίσμα, επιδιώξαμε να εκτιμήσουμε την επίδραση της τιμής του συντελεστή λ στην ισχύ μέτα-αναλύσεων ευρυγονιδιωματικών μελετών κάτω από διαφορετικά σενάρια μεγέθους γενετικής επίδρασης και συχνότητας καθώς και αριθμού μελετών. ΜΕΘΟΔΟΙ: Προσομοιώθηκαν μελέτες με σχεδιασμό ασθενών μαρτύρων με χρήση ομοιόμορφης κατανομής και μέγεθος μεταξύ 1000-3000ατόμων. Χρησιμοποιήθηκε το πολλαπλασιαστικό γενετικό μοντέλο και γενετικοί πολυμορφισμοί με μικρή(OR=1.05-1.3), μέτρια(OR=1.4-1.6) και μεγάλη επίδραση(OR=1.7-2.0) καθώς και γονιδιακή συχνότητα από 0.001(σπάνιοι πολυμορφισμοί) ως και 0.5 (συχνοί πολυμορφισμοί). Ο δείκτης λ προσομοιώθηκε κάτω από δύο σενάρια: ι) τυχαίος συντελεστής λ όπως προέκυψε από εμπειρική κατανομή παρατηρηθέντων τιμών του σε GWAs ιι) προκαθορισμένες τιμές συντελεστή λ, σε εύρος από 1.1 ως 1.2 (σενάριο μέτριου συντελεστή λ) ή 1.2 ως 1.55 (προσέγγιση μεγάλου συντελεστή λ). Χρησιμοποιήθηκε μεθοδολογία μέτα-ανάλυσης σταθερών επιδράσεων και δύο εναλλακτικές στρατηγικές στάθμισης για τον συντελεστή λ (απλή διόρθωση εντός της κάθε ευρυγονιδιωματικής μελέτης και διπλή διόρθωση με επιπρόσθετη στάθμιση της μέσης επίδρασης της μέτα-ανάλυσης για το συνολικό συντελεστή λ). ΑΠΟΤΕΛΕΣΜΑΤΑ: Στο σενάριο του τυχαίου συντελεστη λ, η γονιδιακή συχνότητα καθόριζε βασικά την παρατηρηθείσα ισχύ σε διαφορετικούς συνδυασμούς αριθμού μελετών και γενετικής επίδρασης. Οι τελευταίες παράμετροι ασκούσαν υπολειπόμενη επίδραση όταν η ισχύς ξεπερνούσε το 80%. Για μικρή γονιδιακή συχνότητα, η στάθμιση για το δείκτη λ μείωνε την ισχύ της μέτα-ανάλυσης για εύρος γενετικής επίδρασης μεταξύ 1.2-1.4 και 10 ως 20 GWAs ενώ όταν η συχνότητα ξεπερνούσε το 5% και η γενετική επίδραση το 1.2, η στάθμιση για την πληθυσμιακή διαστρωμάτωση δεν μείωνε αισθητά την ισχύ σε αριθμό μελετών>15. Σε όλους τους συνδυασμούς αριθμου μελετών/μεγέθους επίδρασης , η αυξημένη συχνότητα αντιρροπούσε επαρκώς τη μείωση ισχύος λόγω πληθυσμιακής στάθμισης. Στην προσέγγιση του μέτριου συντελεστή λ, δεν παρατηρήθηκαν σημαντικές διαφοροποιήσεις στα αποτελέσματα. Σημείωνεται ελαφρώς μεγαλύτερη διόρθωση ισχύος για τη διπλή στάθμιση σε ένα εύρος επίδρασης 1.2-1.4, συχνότητας 0.02-0.04 και αριθμού μελετών 15-25. Στο σενάριο του μεγάλου συντελεστή λ, η μεγαλύτερη -σε σύγκριση με το τυχαίο και μέτριο σενάριο-μείωση ισχύος για πληθυσμιακή στάθμιση ήταν το κύριο χαρακτηριστικό αφού η τελευταία πρόσεγγιζε διπλάσια επίπεδα (από μέτριο σενάριο) και σχεδόν τετραπλάσια(από τυχαίο σενάριο) για γενετική επίδραση 1.2-1.4 και συχνότητα 0.02 ως 0.04. ΣΥΜΠΕΡΑΣΜΑΤΑ: Η ισχύς της μέτα-ανάλυσης είναι επαρκής για την ανίχνευση σημαντικών πολυμορφισμών ακόμη και για διπλή στάθμιση πληθυσμιακής διαστρωμάτωσης για γενετική επίδραση >1.2 και συχνότητα>5% ενώ μειώνεται σημαντικά σε σπανιότερους πολυμορφισμούς με μικρή επίδραση. Ο συντελεστής λ μπορεί να κατηγοριοποιηθεί ως μικρός(1-1.1), μέτριος(1.1-1.2) και μεγάλος(>1.2), με τους δύο τελευταίους να απαιτούν μεγαλύτερο πληθυσμιακό δείγμα ακόμη και σε περιπτώσεις συγκρίσιμων γενετικών επιδράσεων. Καθώς η ολική γονοτύπηση(next generation whole genome sequencing) του γονιδιώματος αναμένεται να διευκολύνει την ανακάλυψη της γενετικής συνιστώσας σύνθετων νοσημάτων, οι επερχόμενοι σχεδιασμοί μέτα-αναλύσεων GWAs οφείλουν να λάβουν υπόψιν τον συντελεστή λ στα αρχικά στάδια εκπόνησης τους αλλά και στην εξαγωγή αξιόπιστων αποτελεσμάτων","abstract_html":"ΥΠΑΡΧΟΥΣΑ ΓΝΩΣΗ-ΥΠΟΘΕΣΗ: Οι ευρυγονιδιωματικές μελέτες(GWAS) χρησιμοποιούνται εκτενώς στην αναζήτηση πολυμορφισμών που συσχετίζονται με σύνθετα φαινοτυπικά χαρακτηριστικά. Η ύπαρξη πληθυσμιακής διαστρωμάτωσης μπορεί να εισάγει συστηματικά σφάλματα, ειδικά σε περιπτώσεις μέτα-ανάλυσης επιμέρους ετερογενών ευρυγονιδιωματικών μελετών. Ο δείκτης λ επιτρέπει τον έλεγχο πληθυσμιακής ετερογένειας απαιτώντας όμως μεγαλύτερο αριθμό ασθενών, ειδικά σε περιπτώσεις σπάνιων αλληλόμορφων. Κάτω από αυτο το πρίσμα, επιδιώξαμε να εκτιμήσουμε την επίδραση της τιμής του συντελεστή λ στην ισχύ μέτα-αναλύσεων ευρυγονιδιωματικών μελετών κάτω από διαφορετικά σενάρια μεγέθους γενετικής επίδρασης και συχνότητας καθώς και αριθμού μελετών. ΜΕΘΟΔΟΙ: Προσομοιώθηκαν μελέτες με σχεδιασμό ασθενών μαρτύρων με χρήση ομοιόμορφης κατανομής και μέγεθος μεταξύ 1000-3000ατόμων. Χρησιμοποιήθηκε το πολλαπλασιαστικό γενετικό μοντέλο και γενετικοί πολυμορφισμοί με μικρή(OR=1.05-1.3), μέτρια(OR=1.4-1.6) και μεγάλη επίδραση(OR=1.7-2.0) καθώς και γονιδιακή συχνότητα από 0.001(σπάνιοι πολυμορφισμοί) ως και 0.5 (συχνοί πολυμορφισμοί). Ο δείκτης λ προσομοιώθηκε κάτω από δύο σενάρια: ι) τυχαίος συντελεστής λ όπως προέκυψε από εμπειρική κατανομή παρατηρηθέντων τιμών του σε GWAs ιι) προκαθορισμένες τιμές συντελεστή λ, σε εύρος από 1.1 ως 1.2 (σενάριο μέτριου συντελεστή λ) ή 1.2 ως 1.55 (προσέγγιση μεγάλου συντελεστή λ). Χρησιμοποιήθηκε μεθοδολογία μέτα-ανάλυσης σταθερών επιδράσεων και δύο εναλλακτικές στρατηγικές στάθμισης για τον συντελεστή λ (απλή διόρθωση εντός της κάθε ευρυγονιδιωματικής μελέτης και διπλή διόρθωση με επιπρόσθετη στάθμιση της μέσης επίδρασης της μέτα-ανάλυσης για το συνολικό συντελεστή λ). ΑΠΟΤΕΛΕΣΜΑΤΑ: Στο σενάριο του τυχαίου συντελεστη λ, η γονιδιακή συχνότητα καθόριζε βασικά την παρατηρηθείσα ισχύ σε διαφορετικούς συνδυασμούς αριθμού μελετών και γενετικής επίδρασης. Οι τελευταίες παράμετροι ασκούσαν υπολειπόμενη επίδραση όταν η ισχύς ξεπερνούσε το 80%. Για μικρή γονιδιακή συχνότητα, η στάθμιση για το δείκτη λ μείωνε την ισχύ της μέτα-ανάλυσης για εύρος γενετικής επίδρασης μεταξύ 1.2-1.4 και 10 ως 20 GWAs ενώ όταν η συχνότητα ξεπερνούσε το 5% και η γενετική επίδραση το 1.2, η στάθμιση για την πληθυσμιακή διαστρωμάτωση δεν μείωνε αισθητά την ισχύ σε αριθμό μελετών&gt;15. Σε όλους τους συνδυασμούς αριθμου μελετών/μεγέθους επίδρασης , η αυξημένη συχνότητα αντιρροπούσε επαρκώς τη μείωση ισχύος λόγω πληθυσμιακής στάθμισης. Στην προσέγγιση του μέτριου συντελεστή λ, δεν παρατηρήθηκαν σημαντικές διαφοροποιήσεις στα αποτελέσματα. Σημείωνεται ελαφρώς μεγαλύτερη διόρθωση ισχύος για τη διπλή στάθμιση σε ένα εύρος επίδρασης 1.2-1.4, συχνότητας 0.02-0.04 και αριθμού μελετών 15-25. Στο σενάριο του μεγάλου συντελεστή λ, η μεγαλύτερη -σε σύγκριση με το τυχαίο και μέτριο σενάριο-μείωση ισχύος για πληθυσμιακή στάθμιση ήταν το κύριο χαρακτηριστικό αφού η τελευταία πρόσεγγιζε διπλάσια επίπεδα (από μέτριο σενάριο) και σχεδόν τετραπλάσια(από τυχαίο σενάριο) για γενετική επίδραση 1.2-1.4 και συχνότητα 0.02 ως 0.04. ΣΥΜΠΕΡΑΣΜΑΤΑ: Η ισχύς της μέτα-ανάλυσης είναι επαρκής για την ανίχνευση σημαντικών πολυμορφισμών ακόμη και για διπλή στάθμιση πληθυσμιακής διαστρωμάτωσης για γενετική επίδραση &gt;1.2 και συχνότητα&gt;5% ενώ μειώνεται σημαντικά σε σπανιότερους πολυμορφισμούς με μικρή επίδραση. Ο συντελεστής λ μπορεί να κατηγοριοποιηθεί ως μικρός(1-1.1), μέτριος(1.1-1.2) και μεγάλος(&gt;1.2), με τους δύο τελευταίους να απαιτούν μεγαλύτερο πληθυσμιακό δείγμα ακόμη και σε περιπτώσεις συγκρίσιμων γενετικών επιδράσεων. Καθώς η ολική γονοτύπηση(next generation whole genome sequencing) του γονιδιώματος αναμένεται να διευκολύνει την ανακάλυψη της γενετικής συνιστώσας σύνθετων νοσημάτων, οι επερχόμενοι σχεδιασμοί μέτα-αναλύσεων GWAs οφείλουν να λάβουν υπόψιν τον συντελεστή λ στα αρχικά στάδια εκπόνησης τους αλλά και στην εξαγωγή αξιόπιστων αποτελεσμάτων","abstract_has_math":false,"creators":["Γεωργιόπουλος Γεώργιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-11-19T05:22:12Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1311264"],"render_values":[{"text":"uoadl:1311264","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1311264","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1311264","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1311264","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γεωργιόπουλος Γεώργιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1311264","https://pergamos.lib.uoa.gr/uoa/dl/object/1311264"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["ΥΠΑΡΧΟΥΣΑ ΓΝΩΣΗ-ΥΠΟΘΕΣΗ: Οι ευρυγονιδιωματικές μελέτες(GWAS) χρησιμοποιούνται εκτενώς στην αναζήτηση πολυμορφισμών που συσχετίζονται με σύνθετα φαινοτυπικά χαρακτηριστικά. Η ύπαρξη πληθυσμιακής διαστρωμάτωσης μπορεί να εισάγει συστηματικά σφάλματα, ειδικά σε περιπτώσεις μέτα-ανάλυσης επιμέρους ετερογενών ευρυγονιδιωματικών μελετών. Ο δείκτης λ επιτρέπει τον έλεγχο πληθυσμιακής ετερογένειας απαιτώντας όμως μεγαλύτερο αριθμό ασθενών, ειδικά σε περιπτώσεις σπάνιων αλληλόμορφων. Κάτω από αυτο το πρίσμα, επιδιώξαμε να εκτιμήσουμε την επίδραση της τιμής του συντελεστή λ στην ισχύ μέτα-αναλύσεων ευρυγονιδιωματικών μελετών κάτω από διαφορετικά σενάρια μεγέθους γενετικής επίδρασης και συχνότητας καθώς και αριθμού μελετών. ΜΕΘΟΔΟΙ: Προσομοιώθηκαν μελέτες με σχεδιασμό ασθενών μαρτύρων με χρήση ομοιόμορφης κατανομής και μέγεθος μεταξύ 1000-3000ατόμων. Χρησιμοποιήθηκε το πολλαπλασιαστικό γενετικό μοντέλο και γενετικοί πολυμορφισμοί με μικρή(OR=1.05-1.3), μέτρια(OR=1.4-1.6) και μεγάλη επίδραση(OR=1.7-2.0) καθώς και γονιδιακή συχνότητα από 0.001(σπάνιοι πολυμορφισμοί) ως και 0.5 (συχνοί πολυμορφισμοί). Ο δείκτης λ προσομοιώθηκε κάτω από δύο σενάρια: ι) τυχαίος συντελεστής λ όπως προέκυψε από εμπειρική κατανομή παρατηρηθέντων τιμών του σε GWAs ιι) προκαθορισμένες τιμές συντελεστή λ, σε εύρος από 1.1 ως 1.2 (σενάριο μέτριου συντελεστή λ) ή 1.2 ως 1.55 (προσέγγιση μεγάλου συντελεστή λ). Χρησιμοποιήθηκε μεθοδολογία μέτα-ανάλυσης σταθερών επιδράσεων και δύο εναλλακτικές στρατηγικές στάθμισης για τον συντελεστή λ (απλή διόρθωση εντός της κάθε ευρυγονιδιωματικής μελέτης και διπλή διόρθωση με επιπρόσθετη στάθμιση της μέσης επίδρασης της μέτα-ανάλυσης για το συνολικό συντελεστή λ). ΑΠΟΤΕΛΕΣΜΑΤΑ: Στο σενάριο του τυχαίου συντελεστη λ, η γονιδιακή συχνότητα καθόριζε βασικά την παρατηρηθείσα ισχύ σε διαφορετικούς συνδυασμούς αριθμού μελετών και γενετικής επίδρασης. Οι τελευταίες παράμετροι ασκούσαν υπολειπόμενη επίδραση όταν η ισχύς ξεπερνούσε το 80%. Για μικρή γονιδιακή συχνότητα, η στάθμιση για το δείκτη λ μείωνε την ισχύ της μέτα-ανάλυσης για εύρος γενετικής επίδρασης μεταξύ 1.2-1.4 και 10 ως 20 GWAs ενώ όταν η συχνότητα ξεπερνούσε το 5% και η γενετική επίδραση το 1.2, η στάθμιση για την πληθυσμιακή διαστρωμάτωση δεν μείωνε αισθητά την ισχύ σε αριθμό μελετών>15. Σε όλους τους συνδυασμούς αριθμου μελετών/μεγέθους επίδρασης , η αυξημένη συχνότητα αντιρροπούσε επαρκώς τη μείωση ισχύος λόγω πληθυσμιακής στάθμισης. Στην προσέγγιση του μέτριου συντελεστή λ, δεν παρατηρήθηκαν σημαντικές διαφοροποιήσεις στα αποτελέσματα. Σημείωνεται ελαφρώς μεγαλύτερη διόρθωση ισχύος για τη διπλή στάθμιση σε ένα εύρος επίδρασης 1.2-1.4, συχνότητας 0.02-0.04 και αριθμού μελετών 15-25. Στο σενάριο του μεγάλου συντελεστή λ, η μεγαλύτερη -σε σύγκριση με το τυχαίο και μέτριο σενάριο-μείωση ισχύος για πληθυσμιακή στάθμιση ήταν το κύριο χαρακτηριστικό αφού η τελευταία πρόσεγγιζε διπλάσια επίπεδα (από μέτριο σενάριο) και σχεδόν τετραπλάσια(από τυχαίο σενάριο) για γενετική επίδραση 1.2-1.4 και συχνότητα 0.02 ως 0.04. ΣΥΜΠΕΡΑΣΜΑΤΑ: Η ισχύς της μέτα-ανάλυσης είναι επαρκής για την ανίχνευση σημαντικών πολυμορφισμών ακόμη και για διπλή στάθμιση πληθυσμιακής διαστρωμάτωσης για γενετική επίδραση >1.2 και συχνότητα>5% ενώ μειώνεται σημαντικά σε σπανιότερους πολυμορφισμούς με μικρή επίδραση. Ο συντελεστής λ μπορεί να κατηγοριοποιηθεί ως μικρός(1-1.1), μέτριος(1.1-1.2) και μεγάλος(>1.2), με τους δύο τελευταίους να απαιτούν μεγαλύτερο πληθυσμιακό δείγμα ακόμη και σε περιπτώσεις συγκρίσιμων γενετικών επιδράσεων. Καθώς η ολική γονοτύπηση(next generation whole genome sequencing) του γονιδιώματος αναμένεται να διευκολύνει την ανακάλυψη της γενετικής συνιστώσας σύνθετων νοσημάτων, οι επερχόμενοι σχεδιασμοί μέτα-αναλύσεων GWAs οφείλουν να λάβουν υπόψιν τον συντελεστή λ στα αρχικά στάδια εκπόνησης τους αλλά και στην εξαγωγή αξιόπιστων αποτελεσμάτων","BACKGROUND-HYPOTHESIS: Genome-wide association studies (GWAS) are increasingly used to identify polymorphisms underlying complex traits. Population stratification could mimic the signal of association and introduce systematic bias, especially in a meta-analysis framework that recruits a priori heterogeneous populations. Λ inflation factor is commonly used for controlling of ancestry effects and might affect significantly the number of cases needed in order to identify a novel rare polymorphism. Under this prism, we sought to assess the effect of ranging λ values in the estimated power of meta-analysed GWAS under different simulated scenarios of MAF, ORs and number of incorporated studies. METHODS: We generated studies as from a case–control design with uniformly distributed sample sizes between 1000 and 3000. Genetic effects were considered under a multiplicative model. Genetic variants with small (OR= 1.05-1.3), modest (OR=1.4-1.6), and high (OR=1.7-2.0) effects and minor allele frequencies (MAFs) ranging from 0.001 (uncommon variants) to 0.5 (very common polymorphisms) were assumed . Λ was sampled from two scenarios: (i) random λ scenario based on an empirically-derived distribution of real λ values and (ii) selected λ scenario with λ ranging either 1.1 to 1.2 (moderate λ approach) or 1.2 till approximately 1.55 (large λ scenario). Meta-analyses were carried out under fixed-effects models (inverse-variance method) and two strategies for lambda adjustments were implicated: (i) (single correction-within study corrected SEs). (ii) (double correction-within study corrected SEs plus the λ corrected summary estimate). RESULTS: For random λ scenario, MAF was the main determinant of observed power under multiple combinations of OR and number of studies. The latter induced minor effect on yielding significant power after exceeding the threshold of 80%. For small frequencies λ based correction reduced significantly power for genetic risks ranging from 1.2 to 1.4 and for aggregating studies between 10 and 20 while for MAF> 5%, correction strategy exerted a subtle effect on flattened power>90% for applicable combinations of OR(1.2) and number of studies(N15). Elevated MAF attenuated the correction effect of lambda adjustment in the observed spectrum of ORs for both scenarios of genetic frequencies. For small lambda approach, only marginal differences were remarked from previous results. Howerer, MLA over-adjusted power when compared to random λ approach in a range of OR(1.2-1.4), MAF(0.02-0.04) and number of studies (15-25).When λ was inflated, power was underestimated in all comparisons to random λ for double correction adjustments. Intensity of power correction was the main characteristic of LLA: for OR ranging from 1.2 to 1.4 and for MAF 0.02 to 0.04, LLA yielded an approximate two fold decrease in power when compared to MLA and almost four fold when original random λ scenario was considered .CONCLUSIONS: The study power can be adequate to detect significant variants even when applying the more conservative double GC correction for ORs>1.2 and for MAF>5%, however the power of study is greatly influenced when the genetic risk effect in the study is weak(OR<1.2) or the calling variant is rare. Λ inflation factor could be categorized on its influence to the power as: 1 to 1.10: small, 1.1 to 1.2: moderate and >1.2: large inflation factor. Moderate and large inflation factors may substantial increase the sample size necessary to maintain adequate statistical power when compared with weak inflation factors even if the genetic risk factors are comparable or larger . Under the new era of whole genome sequencing for complex traits, power considerations for the next meta-analytical efforts should additionaly take into account lambda factor ,in order to design more effective and targeted analyses plans."]},{"key":"dc:title","label":"Title","values":["Επίδραση του δείκτη λ στην Στατιστική ισχύ Μετα-Αναλύσεων ευρυγονιδιωματικών μελετών"]}]}],"canonical_facts":{"dc:creator":["Γεωργιόπουλος Γεώργιος"],"dc:date":["2013"],"dc:description":["ΥΠΑΡΧΟΥΣΑ ΓΝΩΣΗ-ΥΠΟΘΕΣΗ: Οι ευρυγονιδιωματικές μελέτες(GWAS) χρησιμοποιούνται εκτενώς στην αναζήτηση πολυμορφισμών που συσχετίζονται με σύνθετα φαινοτυπικά χαρακτηριστικά. Η ύπαρξη πληθυσμιακής διαστρωμάτωσης μπορεί να εισάγει συστηματικά σφάλματα, ειδικά σε περιπτώσεις μέτα-ανάλυσης επιμέρους ετερογενών ευρυγονιδιωματικών μελετών. Ο δείκτης λ επιτρέπει τον έλεγχο πληθυσμιακής ετερογένειας απαιτώντας όμως μεγαλύτερο αριθμό ασθενών, ειδικά σε περιπτώσεις σπάνιων αλληλόμορφων. Κάτω από αυτο το πρίσμα, επιδιώξαμε να εκτιμήσουμε την επίδραση της τιμής του συντελεστή λ στην ισχύ μέτα-αναλύσεων ευρυγονιδιωματικών μελετών κάτω από διαφορετικά σενάρια μεγέθους γενετικής επίδρασης και συχνότητας καθώς και αριθμού μελετών. ΜΕΘΟΔΟΙ: Προσομοιώθηκαν μελέτες με σχεδιασμό ασθενών μαρτύρων με χρήση ομοιόμορφης κατανομής και μέγεθος μεταξύ 1000-3000ατόμων. Χρησιμοποιήθηκε το πολλαπλασιαστικό γενετικό μοντέλο και γενετικοί πολυμορφισμοί με μικρή(OR=1.05-1.3), μέτρια(OR=1.4-1.6) και μεγάλη επίδραση(OR=1.7-2.0) καθώς και γονιδιακή συχνότητα από 0.001(σπάνιοι πολυμορφισμοί) ως και 0.5 (συχνοί πολυμορφισμοί). Ο δείκτης λ προσομοιώθηκε κάτω από δύο σενάρια: ι) τυχαίος συντελεστής λ όπως προέκυψε από εμπειρική κατανομή παρατηρηθέντων τιμών του σε GWAs ιι) προκαθορισμένες τιμές συντελεστή λ, σε εύρος από 1.1 ως 1.2 (σενάριο μέτριου συντελεστή λ) ή 1.2 ως 1.55 (προσέγγιση μεγάλου συντελεστή λ). Χρησιμοποιήθηκε μεθοδολογία μέτα-ανάλυσης σταθερών επιδράσεων και δύο εναλλακτικές στρατηγικές στάθμισης για τον συντελεστή λ (απλή διόρθωση εντός της κάθε ευρυγονιδιωματικής μελέτης και διπλή διόρθωση με επιπρόσθετη στάθμιση της μέσης επίδρασης της μέτα-ανάλυσης για το συνολικό συντελεστή λ). ΑΠΟΤΕΛΕΣΜΑΤΑ: Στο σενάριο του τυχαίου συντελεστη λ, η γονιδιακή συχνότητα καθόριζε βασικά την παρατηρηθείσα ισχύ σε διαφορετικούς συνδυασμούς αριθμού μελετών και γενετικής επίδρασης. Οι τελευταίες παράμετροι ασκούσαν υπολειπόμενη επίδραση όταν η ισχύς ξεπερνούσε το 80%. Για μικρή γονιδιακή συχνότητα, η στάθμιση για το δείκτη λ μείωνε την ισχύ της μέτα-ανάλυσης για εύρος γενετικής επίδρασης μεταξύ 1.2-1.4 και 10 ως 20 GWAs ενώ όταν η συχνότητα ξεπερνούσε το 5% και η γενετική επίδραση το 1.2, η στάθμιση για την πληθυσμιακή διαστρωμάτωση δεν μείωνε αισθητά την ισχύ σε αριθμό μελετών>15. Σε όλους τους συνδυασμούς αριθμου μελετών/μεγέθους επίδρασης , η αυξημένη συχνότητα αντιρροπούσε επαρκώς τη μείωση ισχύος λόγω πληθυσμιακής στάθμισης. Στην προσέγγιση του μέτριου συντελεστή λ, δεν παρατηρήθηκαν σημαντικές διαφοροποιήσεις στα αποτελέσματα. Σημείωνεται ελαφρώς μεγαλύτερη διόρθωση ισχύος για τη διπλή στάθμιση σε ένα εύρος επίδρασης 1.2-1.4, συχνότητας 0.02-0.04 και αριθμού μελετών 15-25. Στο σενάριο του μεγάλου συντελεστή λ, η μεγαλύτερη -σε σύγκριση με το τυχαίο και μέτριο σενάριο-μείωση ισχύος για πληθυσμιακή στάθμιση ήταν το κύριο χαρακτηριστικό αφού η τελευταία πρόσεγγιζε διπλάσια επίπεδα (από μέτριο σενάριο) και σχεδόν τετραπλάσια(από τυχαίο σενάριο) για γενετική επίδραση 1.2-1.4 και συχνότητα 0.02 ως 0.04. ΣΥΜΠΕΡΑΣΜΑΤΑ: Η ισχύς της μέτα-ανάλυσης είναι επαρκής για την ανίχνευση σημαντικών πολυμορφισμών ακόμη και για διπλή στάθμιση πληθυσμιακής διαστρωμάτωσης για γενετική επίδραση >1.2 και συχνότητα>5% ενώ μειώνεται σημαντικά σε σπανιότερους πολυμορφισμούς με μικρή επίδραση. Ο συντελεστής λ μπορεί να κατηγοριοποιηθεί ως μικρός(1-1.1), μέτριος(1.1-1.2) και μεγάλος(>1.2), με τους δύο τελευταίους να απαιτούν μεγαλύτερο πληθυσμιακό δείγμα ακόμη και σε περιπτώσεις συγκρίσιμων γενετικών επιδράσεων. Καθώς η ολική γονοτύπηση(next generation whole genome sequencing) του γονιδιώματος αναμένεται να διευκολύνει την ανακάλυψη της γενετικής συνιστώσας σύνθετων νοσημάτων, οι επερχόμενοι σχεδιασμοί μέτα-αναλύσεων GWAs οφείλουν να λάβουν υπόψιν τον συντελεστή λ στα αρχικά στάδια εκπόνησης τους αλλά και στην εξαγωγή αξιόπιστων αποτελεσμάτων","BACKGROUND-HYPOTHESIS: Genome-wide association studies (GWAS) are increasingly used to identify polymorphisms underlying complex traits. Population stratification could mimic the signal of association and introduce systematic bias, especially in a meta-analysis framework that recruits a priori heterogeneous populations. Λ inflation factor is commonly used for controlling of ancestry effects and might affect significantly the number of cases needed in order to identify a novel rare polymorphism. Under this prism, we sought to assess the effect of ranging λ values in the estimated power of meta-analysed GWAS under different simulated scenarios of MAF, ORs and number of incorporated studies. METHODS: We generated studies as from a case–control design with uniformly distributed sample sizes between 1000 and 3000. Genetic effects were considered under a multiplicative model. Genetic variants with small (OR= 1.05-1.3), modest (OR=1.4-1.6), and high (OR=1.7-2.0) effects and minor allele frequencies (MAFs) ranging from 0.001 (uncommon variants) to 0.5 (very common polymorphisms) were assumed . Λ was sampled from two scenarios: (i) random λ scenario based on an empirically-derived distribution of real λ values and (ii) selected λ scenario with λ ranging either 1.1 to 1.2 (moderate λ approach) or 1.2 till approximately 1.55 (large λ scenario). Meta-analyses were carried out under fixed-effects models (inverse-variance method) and two strategies for lambda adjustments were implicated: (i) (single correction-within study corrected SEs). (ii) (double correction-within study corrected SEs plus the λ corrected summary estimate). RESULTS: For random λ scenario, MAF was the main determinant of observed power under multiple combinations of OR and number of studies. The latter induced minor effect on yielding significant power after exceeding the threshold of 80%. For small frequencies λ based correction reduced significantly power for genetic risks ranging from 1.2 to 1.4 and for aggregating studies between 10 and 20 while for MAF> 5%, correction strategy exerted a subtle effect on flattened power>90% for applicable combinations of OR(1.2) and number of studies(N15). Elevated MAF attenuated the correction effect of lambda adjustment in the observed spectrum of ORs for both scenarios of genetic frequencies. For small lambda approach, only marginal differences were remarked from previous results. Howerer, MLA over-adjusted power when compared to random λ approach in a range of OR(1.2-1.4), MAF(0.02-0.04) and number of studies (15-25).When λ was inflated, power was underestimated in all comparisons to random λ for double correction adjustments. Intensity of power correction was the main characteristic of LLA: for OR ranging from 1.2 to 1.4 and for MAF 0.02 to 0.04, LLA yielded an approximate two fold decrease in power when compared to MLA and almost four fold when original random λ scenario was considered .CONCLUSIONS: The study power can be adequate to detect significant variants even when applying the more conservative double GC correction for ORs>1.2 and for MAF>5%, however the power of study is greatly influenced when the genetic risk effect in the study is weak(OR<1.2) or the calling variant is rare. Λ inflation factor could be categorized on its influence to the power as: 1 to 1.10: small, 1.1 to 1.2: moderate and >1.2: large inflation factor. Moderate and large inflation factors may substantial increase the sample size necessary to maintain adequate statistical power when compared with weak inflation factors even if the genetic risk factors are comparable or larger . Under the new era of whole genome sequencing for complex traits, power considerations for the next meta-analytical efforts should additionaly take into account lambda factor ,in order to design more effective and targeted analyses plans."],"dc:identifier":["uoadl:1311264","https://pergamos.lib.uoa.gr/uoa/dl/object/1311264"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Επίδραση του δείκτη λ στην Στατιστική ισχύ Μετα-Αναλύσεων ευρυγονιδιωματικών μελετών"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:22:12Z"}