Advances in high‐throughput biotechnologies have culminated in a wide range of omics (such as genomics, epigenomics, transcriptomics, metabolomics, and metagenomics) studies, and increasing evidence in these studies indicates that the biological architecture of complex traits involves a large number of omics variants each with minor effects but collectively accounting for the full phenotypic variability. Thus, a major challenge in many “ome‐wide” association analyses is to achieve adequate statistical power to identify multiple variants of small effect sizes, which is notoriously difficult for studies with relatively small‐sample sizes. A small‐sample adjustment incorporated in the kernel machine regression framework was proposed to solve this for association studies under various settings. However, such an adjustment in the generalized linear mixed model (GLMM) framework, which accounts for both sample relatedness and non‐Gaussian outcomes, has not yet been attempted. In this study, we fill this gap by extending small‐sample adjustment in kernel machine association test to GLMM. We propose a new Variant‐Set Association Test (VSAT), a powerful and efficient analysis tool in GLMM, to examine the association between a set of omics variants and correlated phenotypes. The usefulness of VSAT is demonstrated using both numerical simulation studies and applications to data collected from multiple association studies. The software for implementing the proposed method in R is available at https://www.github.com/jchen1981/SSKAT.

中文翻译：

---

广义线性混合模型的变体集关联检验

高通量生物技术的进步最终导致了广泛的组学（如基因组学、表观基因组学、转录组学、代谢组学和宏基因组学）研究，这些研究中越来越多的证据表明，复杂性状的生物学结构涉及大量的组学每个变异都有轻微的影响，但共同解释了完整的表型变异性。因此，许多“全组”关联分析中的一个主要挑战是获得足够的统计能力来识别小效应量的多个变体，这对于样本量相对较小的研究来说是出了名的困难。提出了一种纳入内核机器回归框架的小样本调整，以解决各种设置下的关联研究的问题。然而，尚未尝试在广义线性混合模型 (GLMM) 框架中进行这种调整，该框架同时考虑了样本相关性和非高斯结果。在这项研究中，我们通过将内核机器关联测试中的小样本调整扩展到 GLMM 来填补这一空白。我们提出了一种新的 Variant-Set Association Test (VSAT)，它是 GLMM 中强大而高效的分析工具，用于检查一组组学变体与相关表型之间的关联。VSAT 的有用性通过数值模拟研究和对从多个关联研究收集的数据的应用来证明。在 R 中实现所提出方法的软件可在 https://www.github.com/jchen1981/SSKAT 获得。在这项研究中，我们通过将内核机器关联测试中的小样本调整扩展到 GLMM 来填补这一空白。我们提出了一种新的 Variant-Set Association Test (VSAT)，它是 GLMM 中强大而高效的分析工具，用于检查一组组学变体与相关表型之间的关联。VSAT 的有用性通过数值模拟研究和对从多个关联研究收集的数据的应用来证明。在 R 中实现所提出方法的软件可在 https://www.github.com/jchen1981/SSKAT 获得。在这项研究中，我们通过将内核机器关联测试中的小样本调整扩展到 GLMM 来填补这一空白。我们提出了一种新的 Variant-Set Association Test (VSAT)，它是 GLMM 中强大而高效的分析工具，用于检查一组组学变体与相关表型之间的关联。VSAT 的有用性通过数值模拟研究和对从多个关联研究收集的数据的应用来证明。在 R 中实现所提出方法的软件可在 https://www.github.com/jchen1981/SSKAT 获得。VSAT 的有用性通过数值模拟研究和对从多个关联研究收集的数据的应用来证明。在 R 中实现所提出方法的软件可在 https://www.github.com/jchen1981/SSKAT 获得。VSAT 的有用性通过数值模拟研究和对从多个关联研究收集的数据的应用来证明。在 R 中实现所提出方法的软件可在 https://www.github.com/jchen1981/SSKAT 获得。