gms | German Medical Science

In Assoziationsstudien zwischen Einzelnukleotidpolymorphismen (SNPs) und Genexpressionen, kurz: eQTL-Studien sollen SNPs identifiziert werden, die das Expressionsniveau beeinflussen. Da Expressionsdaten häufig nicht-normalverteilt sind und Ausreißer aufweisen, lässt sicher der Type I Fehler bei statistischen Standardverfahren, wie der Varianzanalyse häufig nicht kontrollieren. Die Problematik ist bei Biomarkerstudien mit Proteinen oder Metaboliten vergleichbar. Eine Alternative sind adaptive Verfahren, z.B. unter Verwendung adaptiver linearer Rangtests. Diese Methoden unterliegen weniger strengen Voraussetzungen an die Verteilungen der Daten und stellen daher eine vielversprechende Alternative dar. In diesem Vortrag werden verschiedene Verfahren und deren Eignung für die Praxis miteinander verglichen.

Wir untersuchen verschiedene adaptive Verfahren, insbesondere adaptive lineare Rangtests. Bei diesem zweistufigen Verfahren werden zunächst Eigenschaften der Verteilungen der Daten auf der Gesamtstichprobe geschätzt. Auf der zweiten Stufe wird auf Grundlage dieser Schätzungen eine lineare Rangteststatistik aus einer Schar linearer Rangstatistiken für das statistische Testen ausgewählt. In einer Monte-Carlo Simulationsstudie werden zwei in der Literatur diskutierte adaptive lineare Rangtests miteinander verglichen [1], [2]. Darüber hinaus betrachten optimale scores für Rangtests, die kontinuierlich aus den Daten geschätzt werden [3], das adaptive Trimmen von Lokationsparametern im Sinne einer Varianzanalyse von Welch [4], lokale robuste beste Tests [5], [6] und maximin-effiziente robuste Test [5], [7], [8].

In einer Monte-Carlo Simulationsstudie betrachten wir sowohl das Fehlerniveau als auch die Güte dieser Verfahren. Um Schiefe und Wölbung spezifisch auf einem Gitter von Parameterwerten wählen zu können, wurde für die Simulation der Daten die g-und-k-Verteilungsfamilie [9] verwendet. Die Verfahren werden anhand von realen eQTL Studien illustriert.

Die Ergebnisse der Monte-Carlo Simulation zeigen, dass adaptive lineare Rangtests eine echte Alternative zu herkömmlichen statistischen Verfahren sind. Sie halten das Signifikanzniveau unter der Nullhypothese ein und besitzen eine deutlich höhere statistische Macht als ein einzelner statistischer Test. Unter Verwendung der Simulationsresultate schlagen wir ein neues adaptives Verfahren vor, dass den bisher bekannten adaptiven linearen Rangtests aus der Literatur überlegen ist.