现代统计学习策略在成像遗传学-卷二

本研究课题是“成像遗传学中的现代统计学习策略”研究课题的第二卷。第一卷可以找到在这里．

随着现代技术的快速发展，许多生物医学研究正在从越来越大的队列中收集大量多模态成像、遗传、神经认知和临床信息的海量数据集。同时，从这些大数据集中提取和整合丰富多样的神经成像和基因组学异构信息，可以改变我们对遗传变异如何影响大脑结构和功能、认知功能以及大脑相关疾病风险的理解。这些知识对于诊断、预防和治疗许多复杂的大脑相关疾病是至关重要的。

然而，由于成像表型和遗传数据的高维性质，成像遗传学中统计学习方法的发展提出了重大的计算和理论挑战。同时，现有的分析方法在表征各种神经成像测量的空间平滑性和依赖性以及遗传标记的连锁失衡依赖性结构方面也面临挑战。此外，成像遗传学领域的一个长期挑战是传统成像研究的样本量有限，可能在检测脑部疾病的多基因遗传结构方面能力较低，导致统计学习模型过拟合。最近，英国生物银行的研究已经开始对超过10万名参与者进行大脑磁共振成像(MRI)扫描。此外，公开可用的成像遗传数据集也来自全球队列，如青少年大脑认知发展研究(ABCD)研究。这些海量的个体水平MRI数据为开发新的方法和发现新的临床发现提供了新的机会。

在这个研究课题中，我们的目标是将统计学习方法的不同方面和成像遗传学领域的新临床发现结合起来。潜在的主题包括但不限于:

•统计学习方法，研究大脑结构、功能之间的共同遗传影响，以及与广泛临床结果的遗传重叠

•在成像遗传学中执行因果推断的统计学习方法

•统计学习方法解释不同研究的异质性

•通过整合成像和遗传生物标记物，用于大脑疾病预测的统计学习方法


欢迎所有的贡献，无论是解决其技术的方法学方面，还是说明在真正大规模数据分析中的潜在价值。