Methods for multiple-testing correction in local expression quantitative trait locus (cis-eQTL) studies are a trade-off between statistical power and computational efficiency. Bonferroni correction, though computationally trivial, is overly conservative and fails to account for linkage disequilibrium between variants. Permutation-based methods are more powerful, though computationally far more intensive. We present an alternative correction method called eigenMT, which runs over 500 times faster than permutations and has adjusted p values that closely approximate empirical ones. To achieve this speed while also maintaining the accuracy of permutation-based methods, we estimate the effective number of independent variants tested for association with a particular gene, termed Meff, by using the eigenvalue decomposition of the genotype correlation matrix. We employ a regularized estimator of the correlation matrix to ensure Meff is robust and yields adjusted p values that closely approximate p values from permutations. Finally, using a common genotype matrix, we show that eigenMT can be applied with even greater efficiency to studies across tissues or conditions. Our method provides a simpler, more efficient approach to multiple-testing correction than existing methods and fits within existing pipelines for eQTL discovery.

中文翻译：

---

eQTL研究的有效多重测试调整，可解决变体之间的连锁不平衡问题。

在局部表达定量性状基因座（cis-eQTL）研究中进行多次测试校正的方法是在统计功效和计算效率之间进行权衡。Bonferroni校正虽然在计算上是微不足道的，但过于保守，无法说明变体之间的连锁不平衡。基于置换的方法功能更强大，尽管计算量大得多。我们提出了一种名为eigenMT的替代校正方法，该方法比置换的运行速度快500倍以上，并且调整了p值，使其与经验值非常接近。为了达到这一速度，同时又保持基于置换的方法的准确性，我们估算了与特定基因（称为Meff，通过使用基因型相关矩阵的特征值分解。我们采用相关矩阵的正则估计器，以确保Meff稳健并产生经过调整的p值，这些p值非常接近置换中的p值。最后，使用通用的基因型矩阵，我们表明eigenMT可以更有效地应用于跨组织或条件的研究。与现有方法相比，我们的方法为多重测试校正提供了一种更简单，更有效的方法，并且适合用于eQTL发现的现有管道。我们表明，eigenMT可以更有效地应用于跨组织或状况的研究。与现有方法相比，我们的方法为多重测试校正提供了一种更简单，更有效的方法，并且适合用于eQTL发现的现有管道。我们表明，eigenMT可以更有效地应用于跨组织或状况的研究。与现有方法相比，我们的方法为多重测试校正提供了一种更简单，更有效的方法，并且适合用于eQTL发现的现有管道。