During the past decade, genome-wide association studies (GWAS) have been used to successfully identify tens of thousands of genetic variants associated with complex traits included in human, animal, and plant. All common genome-wide association (GWA) methods rely on population structure correction, to avoid false genotype and phenotype associations. However, population structure correction is a stringent penalization, which also impedes identification of real associations. Here, we used recent statistical advances and proposed iterative screen regression (ISR), which enabling simultaneous multiple marker associations and shown to appropriately correction population stratification and cryptic relatedness in GWAS. Results from analyses of simulated suggest that the proposed ISR method performed well in terms of power (sensitivity) versus FDR (False Discovery rate) and specificity, also less bias (higher accuracy) in effect (PVE) estimation than existing multi-loci (mixed) model and the single-locus (mixed) model. We also show the practicality of our approach by applying it to rice, outbred mice, and A.thaliana datasets. It identified several new causal loci that other methods did not detect. Our ISR provides an alternative for multi-loci GWAS, and the implementation was computationally efficient, analyzing large datasets practicable (n>100,000).

中文翻译：

---

剖析复杂性状遗传效应的新方法

在过去的十年中，全基因组关联研究（GWAS）已被用来成功地识别成千上万与人类，动物和植物所包含的复杂性状相关的遗传变异。所有常见的全基因组关联（GWA）方法都依赖于群体结构校正，以避免错误的基因型和表型关联。但是，人口结构校正是严厉的惩罚措施，这也阻碍了对真实关联的识别。在这里，我们使用了最新的统计进展，并提出了迭代屏幕回归（ISR），它可以同时进行多个标记关联，并显示出可以适当地校正GWAS中的人口分层和隐秘关联性。模拟分析的结果表明，所提出的ISR方法在功效（灵敏度）与FDR（错误发现率）和特异性之间表现良好，并且与现有的多位置（混合）相比，效果（PVE）估计的偏差也较小（较高的准确性）。 ）模型和单位置（混合）模型。通过将其应用于水稻，近交小鼠和拟南芥数据集，我们还展示了该方法的实用性。它确定了其他方法无法检测到的几个新的因果基因座。我们的ISR为多地点GWAS提供了一种替代方案，其实现方式在计算上非常有效，可以分析大型数据集（n> 100,000）。通过将其应用于水稻，近交小鼠和拟南芥数据集，我们还展示了该方法的实用性。它确定了其他方法无法检测到的几个新的因果基因座。我们的ISR为多地点GWAS提供了一种替代方案，其实现方式在计算上非常有效，可以分析大型数据集（n> 100,000）。通过将其应用于水稻，近交小鼠和拟南芥数据集，我们还展示了该方法的实用性。它确定了其他方法无法检测到的几个新的因果基因座。我们的ISR为多地点GWAS提供了一种替代方案，其实现方式在计算上非常有效，可以分析大型数据集（n> 100,000）。