Генетическая корреляция

В многомерной количественной генетике, генетическая корреляция (обозначается $rg\; \{\; \backslash \; displaystyle\; r\_\; \{g\}\}$или $ra\; \{\backslash \; displaystyle\; r\_\; \{a\}\}$) - это доля дисперсии, которую разделяют две характеристики из-за генетические причины, корреляция между генетическим влиянием на признак и генетическим влиянием на другой признак, оценивая степень плейотропии или причинного перекрытия. Генетическая корреляция 0 означает, что генетические воздействия на один признак не зависят от другого, тогда как корреляция 1 подразумевает, что все генетические влияния на два признака идентичны. Двумерная генетическая корреляция может быть обобщена для вывода генетических скрытых переменных факторов по>2 признакам с использованием факторного анализа. Модели генетической корреляции были введены в поведенческую генетику в 1970–1980-х годах.

Генетические корреляции применяются для подтверждения результатов общегеномного исследования ассоциации (GWAS), селекции, прогнозирования признаков и выявления этиологии признаков и заболеваний.

Их можно оценить, используя данные на индивидуальном уровне из исследований близнецов и молекулярной генетики, или даже с помощью сводной статистики GWAS. Было обнаружено, что генетические корреляции являются обычным явлением в нечеловеческой генетике и в целом подобны их соответствующим фенотипическим корреляциям, а также широко обнаруживаются в человеческих чертах, получивших название «феномен».

Это открытие широко распространенной плейотропии имеет последствия для искусственного отбора в сельском хозяйстве, интерпретация фенотипических корреляций, социальное неравенство, попытки использовать менделевскую рандомизацию в причинно-следственных выводах, понимание биологического происхождения сложных признаков и дизайн GWAS.

Следует противопоставить генетическую корреляцию корреляции окружающей среды между средой, влияющей на две характеристики (например, если плохое питание в семье вызвало как снижение IQ, так и рост); генетическая корреляция между двумя признаками может способствовать наблюдаемой (фенотипической ) корреляции между двумя признаками, но генетические корреляции также могут быть противоположными наблюдаемым фенотипическим корреляциям, если корреляция среды достаточно сильна в другом направлении, возможно, из-за компромиссы или специализация. Наблюдение, что генетические корреляции обычно отражают фенотипические корреляции, известно как «Гипотеза Чеверуда », было подтверждено на животных и людях и показало, что они имеют схожие размеры; например, в UK Biobank из 118 непрерывных человеческих черт только 29% их взаимосвязей имеют противоположные знаки, а более поздний анализ 17 качественных черт UKBB показал, что корреляция близка к единице.

• 1 Интерпретация
• 2 Причина
• 3 Использование
  • 3.1 Причины изменения признаков
  • 3.2 Повышение GWASes
  • 3.3 Селекция
• 4 Математическое определение
• 5 Вычисление генетической корреляции
• 6 См. Также
• 7 Ссылки
• 8 Внешние ссылки

Генетические корреляции не то же самое, что наследуемость, поскольку речь идет о перекрытии между два набора влияний, а не их абсолютная величина; два признака могут быть оба в высокой степени наследуемыми, но не иметь генетической корреляции или иметь небольшую наследуемость и быть полностью коррелированными (пока наследуемость не равна нулю).

Например, рассмотрим две черты - смуглую кожу и черные волосы. Эти два признака могут по отдельности иметь очень высокую наследуемость (большая часть вариаций признака на уровне популяции из-за генетических различий или, проще говоря, генетика вносит значительный вклад в эти два признака), однако они могут все еще иметь очень низкий генетический уровень. корреляция, если, например, эти два признака контролировались разными, неперекрывающимися, несвязанными генетическими локусами.

Генетическая корреляция между двумя признаками будет иметь тенденцию вызывать фенотипические корреляции - например, генетическая корреляция между интеллектом и SES или образованием и семейной SES подразумевает, что интеллект / SES также будут коррелировать фенотипически. Фенотипическая корреляция будет ограничена степенью генетической корреляции, а также наследуемостью каждого признака. Ожидаемая фенотипическая корреляция - это двумерная наследуемость », и ее можно рассчитать как квадратный корень из наследуемости, умноженный на генетическую корреляцию. (Используя пример Пломина, для двух признаков с наследуемостью 0,60 и 0,23, $rg\; =\; 0,75\; \{\backslash \; displaystyle\; r\_\; \{g\}\; =\; 0,75\}$и фенотипической корреляцией r = 0,45 двумерная наследуемость будет быть $0,60\; \cdot \; 0,75\; \cdot \; 0,23\; =\; 0,28\; \{\backslash \; displaystyle\; \{\backslash \; sqrt\; \{0.60\}\}\; \backslash \; cdot\; 0,75\; \backslash \; cdot\; \{\backslash \; sqrt\; \{0,23\}\}\; =\; 0,28\}$, поэтому наблюдаемая фенотипическая корреляция 0,28 / 0,45 = 62% из-за генетики.)

Генетические корреляции могут возникать из-за:

1. неравновесия по сцеплению (два соседних гена обычно наследуются вместе, каждый из которых влияет на свой признак)
2. биологическая плейотропия (один ген, имеющий несколько не связанных друг с другом биологических эффектов, или общая регуляция нескольких генов)
3. опосредованная плейотропия ( ген вызывает признак X, а признак X вызывает признак Y).
4. смещения: стратификация популяции, например, родословная или ассортативное спаривание (иногда называемое «неравновесием гаметической фазы»), ложное расслоение, например a систематическая ошибка в определении / самовыбор или парадокс Берксона, или неправильная классификация диагнозов

Причины изменения черт

Генетические корреляции полезны с научной точки зрения, потому что генетические корреляции могут быть проанализированы с течением времени в пределах индивидуума продольно (например, интеллект остается стабильным на протяжении всей жизни из-за одних и тех же генетических влияний - детство генетически коррелирует $rg\; =\; 0,62\; \{\backslash \; displaystyle\; r\_\; \{g\}\; =\; 0,62\}$со старостью), или между исследованиями или популяциями, или этнические группы / расы или разные диагнозы, что позволяет выяснить, влияют ли разные гены на признак на протяжении всей жизни (как правило, они не влияют), влияют ли разные гены на признак в разных популяциях из-за разной местной среды, есть ли неоднородность заболевания по время, место или пол (особенно в психиатрических диагнозах, есть неуверенность, совпадают ли «аутизм» или «шизофрения» в одной стране с другими, или же со временем / местом изменились диагностические категории, что привело к разным уровням систематической ошибки установления ), и в какой степени такие черты, как аутоиммунные или психические расстройства или когнитивное функционирование, значимо группируются из-за общей биологической основы и генетической архитектуры (например, чтение и математическая инвалидность генетически коррелируют в соответствии с гипотезой универсальных генов, и эти генетические корреляции объясняют наблюдаемые фенотипические корреляции или «сопутствующие заболевания»; IQ и конкретные показатели когнитивной деятельности, такие как вербальный, пространственный и задачи памяти, время реакции, долговременная память, исполнительная функция и т. Д. все они показывают высокие генетические корреляции, как и нейроанатомические измерения, и корреляции могут увеличиваться с возрастом, что влияет на этиологию и природу интеллекта). Это может быть важным ограничением для концептуализации двух признаков: черт, которые кажутся разными фенотипически, но которые имеют общую генетическую основу, требуют объяснения того, как эти гены могут влиять на оба признака.

Повышение уровня GWAS

Генетические корреляции могут использоваться в GWAS, используя полигенные оценки или совпадения по всему геному для одного (часто более легко измерить) признак для увеличения априорной вероятности вариантов для второго признака; например, поскольку интеллект и годы образования сильно генетически коррелированы, GWAS для образования по своей сути также будет GWAS для интеллекта, а также будет в состоянии предсказать дисперсию интеллекта, а наиболее сильные кандидаты SNP могут быть использованы для увеличения статистическая мощность меньшего GWAS, комбинированный анализ скрытого признака, проведенный, когда каждый измеренный генетически коррелированный признак помогает уменьшить ошибку измерения и значительно увеличивает мощность GWAS (например, Krapohl et al. 2017, используя эластичную сеть и множественные полигенные оценки, улучшая прогнозирование интеллекта с 3,6% дисперсии до 4,8%; Hill et al. 2017b использует MTAG для объединения 3-х граммовых характеристик образования, дохода семьи и оценки когнитивного теста, чтобы найти 107 совпадений и двойников предсказательная сила интеллекта), или можно было бы провести GWAS для нескольких признаков совместно.

Генетические корреляции также могут количественно оценить вклад корреляций <1 across datasets which might create a false "отсутствующей наследуемости ", оценивая степень nt, по отношению к которому различные методы измерения, наследственные влияния или окружающая среда создают лишь частично перекрывающиеся наборы соответствующих генетических вариантов.

Разведение

У голых собак несовершенные зубы; у длинношерстных и жесткошерстных животных, как утверждается, могут быть длинные или много рогов; у голубей с оперенными лапами кожа между пальцами ног; у голубей с короткими клювами лапы маленькие, а у голубей с длинными клювами - большие. Следовательно, если человек будет продолжать выбирать и тем самым увеличивать какую-либо особенность, он почти наверняка непреднамеренно изменит другие части структуры из-за таинственных законов корреляции.

Генетические корреляции также полезны в прикладных контекстах, таких как растение / селекция животных, позволяя заменять более легко измеряемые, но сильно генетически коррелированные характеристики (особенно в случае сцепленных с полом или бинарных признаков в рамках модели порога ответственности, где различия в фенотипе наблюдаются редко, но другой высококоррелированный показатель, возможно, эндофенотип, доступен для всех людей), компенсируя условия, отличные от условий, в которых проводилось разведение, делая более точные прогнозы племенной ценности с использованием многомерного уравнения селекционера по сравнению с прогнозами, основанными на одномерном уравнении селекционера, использующем только для каждого признака heri и предполагая независимость признаков и избегая неожиданных последствий, принимая во внимание, что искусственный отбор для / против признака X также увеличит / уменьшит все признаки, которые положительно / отрицательно коррелируют с X. Пределы отбора, установленные взаимная корреляция признаков и возможность изменения генетических корреляций в течение долгосрочных программ разведения приводят к дилемме Холдейна, ограничивающей интенсивность отбора и, таким образом, прогресс.

Селекционные эксперименты по генетически коррелированным признакам могут измерить степень, в которой коррелированные признаки по своей природе связаны с развитием, а реакция ограничена и которые могут быть диссоциированы. Некоторые черты, такие как размер глазных пятен на бабочке Bicyclus anynana, могут быть отделены при разведении, но другие пары, такие как цвет глазных пятен, сопротивлялись усилиям.

Учитывая генетическую ковариационную матрицу, генетическая корреляция вычисляется посредством стандартизации этого, т. Е. Путем преобразования ковариационной матрицы в корреляционную матрицу. Как правило, если $\Sigma \; \{\backslash \; displaystyle\; \backslash \; Sigma\}$является матрицей генетической ковариации и $D\; =\; diag\; \; (\Sigma )\; \{\backslash \; displaystyle\; D\; =\; \{\backslash \; sqrt\; \{\backslash \; operatorname\; \{diag\}\; (\; \backslash \; Sigma)\}\}\}$, тогда матрица корреляции будет $D\; -\; 1\; \Sigma \; D\; -\; 1\; \{\backslash \; displaystyle\; D\; ^\; \{-\; 1\}\; \backslash \; Sigma\; D\; ^\; \{-\; 1\}\}$. Для данной генетической ковариации $cov\; g\; \{\backslash \; displaystyle\; \backslash \; operatorname\; \{cov\}\; \_\; \{g\}\}$между двумя признаками, один с генетической дисперсией $V\; g\; 1\; \{\backslash \; displaystyle\; V\_\; \{g1\}\; \}$и другой с генетической дисперсией $V\; g\; 2\; \{\backslash \; displaystyle\; V\_\; \{g2\}\}$, генетическая корреляция вычисляется так же, как и коэффициент корреляции $rg\; =\; cov\; g\; V\; g\; 1\; V\; g\; 2\; \{\backslash \; displaystyle\; r\_\; \{g\}\; =\; \{\backslash \; frac\; \{\backslash \; operatorname\; \{cov\}\; \_\; \{g\}\}\; \{\backslash \; sqrt\; \{V\_\; \{g1\}\; V\_\; \{g2\}\}\}\}\}$.

Для генетических корреляций требуется генетически информативный образец. Их можно оценить в селекционных экспериментах по двум признакам с известной наследуемостью и выбору одного признака для измерения изменения другого признака (что позволяет сделать вывод о генетической корреляции), в исследованиях семьи / усыновления / близнецов (проанализировано с использованием SEM или анализ крайностей ДеФриза – Фулкера ), молекулярная оценка родства, такая как GCTA, методы, использующие полигенные оценки, такие как HDL (High-Definition Likelihood), регрессия оценки LD, BOLT-REML, CPBayes или HESS, сравнение совпадений SNP по всему геному в GWAS (как свободная нижняя граница) и фенотипические корреляции популяций по крайней мере с некоторыми родственными особями.

То же, что и с оценкой наследуемости SNP. и генетическая корреляция, лучшее вычислительное масштабирование и возможность оценивать, используя только установленную сводную статистику ассоциации, являются особым преимуществом для регрессии оценок HDL и LD по сравнению с конкурирующими методами. В сочетании с растущей доступностью сводной статистики GWAS или полигенных оценок из наборов данных, таких как UK Biobank, такие методы сводного уровня привели к взрывному росту исследований генетической корреляции с 2015 года.

Эти методы связаны с регрессией Хасемана – Элстона и регрессией PCGC. Такие методы, как правило, охватывают весь геном, но также можно оценить генетические корреляции для конкретных вариантов или участков генома.

Один из способов рассмотреть это - использовать признак X у близнеца 1 для прогнозирования признака Y у близнеца 2 для монозиготные и дизиготные близнецы (т.е. использование IQ близнеца 1 для прогнозирования объема мозга близнеца 2); если эта взаимная корреляция больше для более генетически похожих монозиготных близнецов, чем для дизиготных близнецов, сходство указывает на то, что признаки не являются генетически независимыми и существует некоторая общая генетика, влияющая как на IQ, так и на объем мозга. (Статистические возможности также можно повысить, используя братьев и сестер.)

На генетические корреляции влияют методологические проблемы; недооценка наследственности, например, из-за ассортативного спаривания, приведет к переоценке продольной генетической корреляции, а умеренные уровни ошибочных диагнозов могут создать псевдокорреляции.

Поскольку на них влияет наследственность обоих признаков, генетические корреляции имеют низкую статистическую мощность, особенно при наличии ошибок измерения, снижающих наследственность, потому что «оценки генетических корреляций обычно подвержены довольно большим ошибкам выборки и поэтому редко бывают очень точными»: стандартная ошибка оценки $rg\; \{\backslash \; displaystyle\; r\_\; \{g\}\}$равно $\sigma \; (rg)\; =\; 1\; -\; rg\; 2\; 2\; \cdot \; \sigma \; (hx\; 2)\; \cdot \; \sigma \; (hy\; 2)\; hx\; 2\; \cdot \; hy\; 2\; \{\backslash \; displaystyle\; \backslash \; sigma\; (r\_\; \{g\})\; =\; \{\backslash \; frac\; \{1-r\_\; \{g\}\; ^\; \{2\}\}\; \{\backslash \; sqrt\; \{2\}\}\}\; \backslash \; cdot\; \{\backslash \; sqrt\; \{\backslash \; frac\; \{\backslash \; sigma\; (h\_\; \{x\}\; ^\; \{2\})\; \backslash \; cdot\; \backslash \; sigma\; (h\_\; \{y\}\; ^\; \{2\})\}\; \{h\_\; \{x\}\; ^\; \{2\}\; \backslash \; cdot\; h\_\; \{y\}\; ^\; \{2\}\}\}\}\}$. (Большие генетические корреляции и наследственность будут оценены более точно.) Однако включение генетических корреляций в анализ плейотропного признака может повысить эффективность по той же причине, по которой многомерные регрессии более эффективны, чем отдельные одномерные регрессии.

Преимущество двойных методов заключается в том, что их можно использовать без подробных биологических данных, с генетическими корреляциями человека, рассчитанными еще в 1970-х годах, и генетическими корреляциями между животными и растениями, рассчитанными в 1930-х годах, и для их эффективности требуется размер выборки в сотни единиц, но они имеют недостаток, заключающийся в том, что они делают предположения, которые подвергались критике, и в случае редких признаков, таких как нервная анорексия, может быть трудно найти достаточно близнецов с диагнозом, чтобы провести значимые сравнения между близнецами, и их можно оценить только при наличии доступа к близнецу данные; Молекулярно-генетические методы, такие как регрессия по шкале GCTA или LD, имеют то преимущество, что не требуют определенной степени родства и поэтому могут легко изучать редкие признаки, используя схемы случай-контроль, что также снижает количество предположений, на которые они полагаются, но эти методы не могли применяться до недавнего времени, требуют больших размеров выборки в тысячи или сотни тысяч (для получения точных оценок наследуемости SNP см. формулу стандартной ошибки), могут потребоваться генетические данные на индивидуальном уровне (в случае GCTA, но не Регрессия оценки LD).

Более конкретно, если два признака, скажем рост и вес, имеют следующую аддитивную матрицу генетической ковариации:

Тогда генетическая корреляция будет 0,55, как видно из стандартной матрицы ниже:

На практике моделирование структурными уравнениями приложения, такие как Mx или OpenMx (и ранее что исторически LISREL ) используются для вычисления как генетической ковариационной матрицы, так и ее стандартизированной формы. В R cov2cor () стандартизирует матрицу.

Как правило, в опубликованных отчетах представлены компоненты генетической дисперсии, которые были стандартизированы как доля от общей дисперсии (например, в модели ACE двойного исследования, стандартизированной как пропорция V-total = A + C + E). В этом случае метрика для вычисления генетической ковариации (дисперсия в матрице генетической ковариации) теряется (из-за процесса стандартизации), поэтому вы не можете легко оценить генетическую корреляцию двух признаков из таких опубликованных моделей. Многовариантные модели (такие как разложение Холецкого ), однако, позволят зрителю увидеть общие генетические эффекты (в отличие от генетической корреляции), следуя правилам пути. Поэтому важно указывать нестандартные коэффициенты траектории в публикациях.

• Корреляция генов и окружающей среды
• Наследование интеллекта ; g-фактор (психометрия)
• Когнитивная эпидемиология
• Лотианские когортные исследования
• Менделевская рандомизация

1. ^Фалконер 1960, Введение в количественную генетику, гл. 19 «Коррелированные символы»
2. ^Lynch Walsh 1998, Генетика и анализ количественных признаков, Глава 21, «Корреляции между персонажами», «Раздел 25, пороговые символы»
3. ^Neale Maes 1996, Методология генетических исследований близнецов и семей Архивировано 27 марта 2017 г. в Wayback Machine (6-е изд.). Дордрехт, Нидерланды: Kluwer.
4. ^ стр. 123 из Пломин 2012
5. ^Martin Eaves 1977, «Генетический анализ ковариантной структуры» Архивировано 25 октября 2016 г. Wayback Machine
6. ^Ивс и др., 1978, «Модельные подходы к анализу человеческого поведения»
7. ^Лоелин и Ванденберг, 1968, «Генетические и экологические компоненты в ковариации когнитивных способностей: добавка модель », в Прогресс в генетике поведения человека, изд. С. Г. Ванденберг, стр. 261–278. Джона Хопкинса, Балтимор.
8. ^Перселл 2002, «Модели компонентов дисперсии для взаимодействия генов и окружающей среды в анализе близнецов»
9. ^Kohler et al 2011, «Методы социальных наук для данных близнецов: интеграция причинности, одаренности и наследственности»
10. ^Булик-Салливан, Брендан; Финукейн, Хилари К. ; Анттила, Вернери; Гусев Александр; День, Феликс Р.; Ло, По-Ру; Дункан, Ларами; Перри, Джон Р. Б.; Паттерсон, Ник; Робинсон, Элиза Б.; Дэли, Марк Дж. (Ноябрь 2015 г.). «Атлас генетических корреляций между человеческими болезнями и чертами характера». Генетика природы. 47 (11): 1236–1241. doi : 10.1038 / ng.3406. ISSN 1546-1718. PMC 4797329.
11. ^ Нин, Чжэн; Павитан, Юди; Шэнь, Ся (август 2020 г.). «Вывод правдоподобия высокой четкости генетических корреляций между комплексными чертами человека». Генетика природы. 52 (8): 859–864. doi : 10.1038 / s41588-020-0653-y. HDL : 10616/47311. ISSN 1546-1718.
12. ^Wagner Zhang 2011, «Плейотропная структура карты генотип-фенотип: эволюционируемость сложных организмов»
13. ^Cheverud 1988, «Сравнение генетических и фенотипических корреляций»
14. ^Krapohl et al 2015, «Феномный анализ полигенных оценок для всего генома»
15. ^Hagenaars et al 2016, «Общая генетическая этиология когнитивных функций и физическое и психическое здоровье в Биобанке Великобритании (N = 112 151) и 24 консорциумах GWAS »
16. ^ Hill et al, 2016, « Молекулярно-генетический вклад в социальную депривацию и семейный доход в Биобанке Великобритании (n = 112 151) »
17. ^ «LD Hub: централизованная база данных и веб-интерфейс для выполнения регрессии оценки LD, которая максимизирует потенциал сводных данных GWAS для анализа наследственности SNP и генетической корреляции», Zheng et al 2016
18. ^Сивакумаран и др. 2011 г., «Обильная плейотропия комплексных заболеваний и признаков человека»
19. ^ Соловьев и др. 2013 г., «Плейотропия сложных признаков: chall enges and strategy »
20. ^Cotsapas et al 2011, « Распространенное совместное использование генетических эффектов при аутоиммунных заболеваниях »
21. ^Chambers et al 2011, « Полногеномное исследование ассоциации выявляет локусы, влияющие на концентрацию ферментов печени в плазма "
22. ^Hemani et al 2017, " Автоматизация менделевской рандомизации с помощью машинного обучения для построения предполагаемой причинно-следственной карты человеческого феномена "
23. ^ Canela-Xandri et al 2017, " Атлас генетических ассоциаций в UK Biobank »
24. ^Socrates et al 2017, « Оценка полигенного риска, примененная к одной когорте, выявляет плейотропию среди сотен человеческих фенотипов »
25. ^Mottus et al 2017, « Маркеры психологических различий и социальных и неравенства в отношении здоровья: возможные генетические и фенотипические совпадения »
26. ^Пикрелл 2015, « Выполнение обещания менделевской рандомизации »
27. ^Смит 2015, « Менделирующая рандомизация: преждевременное захоронение? » ; «Понимание менделевской рандомизации»
28. ^Берджесс и др., 2016, «Помимо менделевской рандомизации: как интерпретировать свидетельства общих генетических предикторов»
29. ^Хагенаарс и др. 2016b, «Когнитивные способности и физическое здоровье : исследование менделевской рандомизации »
30. ^Bowden et al 2015, « Менделевская рандомизация с недействительными инструментами: оценка эффекта и выявление систематической ошибки с помощью регрессии Эггера »
31. ^Verbanck et al 2017, « Широко распространенная плейотропия искажает причинно-следственные связи между сложными признаками и болезнями, выведенными из менделевской рандомизации »
32. ^например, Фальконер приводит пример размера цыпленка и яйцекладки: цыплята, выросшие по генетическим причинам, откладывают позже, меньше и больше яиц, в то время как цыплята, выросшие по экологическим причинам, откладывают быстрее и больше, но яиц нормального размера (стр. 315 из Falconer 1960); Falconer в Таблице 19.1 на стр. 316 также приводит примеры фенотипических и генетических корреляций с противоположными знаками: масса шерсти / длина шерсти и масса шерсти / масса тела у овец, а также масса тела / время яйца и масса тела / яйценоскость в курице. Одним из следствий отрицательной корреляции цыплят было то, что, несмотря на умеренную наследственность и положительную фенотипическую корреляцию, отбор начал не давать никаких улучшений (pg329) в соответствии с «Генетическое отставание в ответ на отбор для нескольких целей», Dickerson 1955.
33. ^Kruuk, Loeske EB; Слейт, Джон; Пембертон, Жозефина М.; Братстоун, Сью; Гиннесс, Фиона; Клаттон-Брок, Тим (2002). «Размер рога благородного оленя: наследственность и отбор, но без эволюции». Эволюция. 56 (8): 1683–95. doi : 10.1111 / j.0014-3820.2002.tb01480.x. PMID 12353761.
34. ^Cheverud 1988, «Сравнение генетических и фенотипических корреляций»
35. ^Roff 1996, «Оценка генетических корреляций на основе фенотипических корреляций - тест гипотезы Чеверуда »
36. ^Круук и др. 2008, « Новые ответы на старые вопросы: эволюционная количественная генетика популяций диких животных »
37. ^Dochtermann 2011, « Проверка гипотезы Чеверуда на предмет корреляций поведения и поведенческих синдромов. «
38. ^Sodini et al 2018, « Сравнение генотипических и фенотипических корреляций: гипотеза Чеверуда у людей »
39. ^Krapohl Plomin 2016, « Генетическая связь между социально-экономическим статусом семьи и успеваемостью детей, оцененная по геному. -широкие SNP "
40. ^pg 397 Пломин и др. 2012
41. ^Тонг и др. 2017, « Общие регуляторные сайты изобилуют в геноме человека и проливают свет на эволюцию генома и плейотропию болезни »
42. ^Munafo et al. al 2016, «Объем коллайдера: как смещение выборки может вызвать ложные ассоциации ions »
43. ^Hewitt et al 1988, « Устранение причин непрерывности развития или «отслеживания». I. Продольные исследования близнецов во время роста »
44. ^Deary et al 2012, « Генетический вклад в стабильность и изменение интеллекта от детства до старости »
45. ^« Существенная коморбидность между конкретными когнитивными нарушениями во многом обусловлена ​​генетическими факторов, что означает, что одни и те же гены влияют на разные нарушения обучаемости, хотя существуют также гены, специфичные для инвалидности ». стр. 184–185 Пломина и др. 2012 г.
46. ^Ритвельд и др. 2013 г., «GWAS 126,559 человек определяет генетические варианты, связанные с уровнем образования»
47. ^Ритвельд и др., 2014 г., «Общие генетические варианты, связанные с с когнитивными способностями, определенными с помощью метода прокси-фенотипа »
48. ^Krapohl et al 2017, « Подход с использованием множественных полигенных оценок для прогнозирования признаков »
49. ^Hill et al 2017b, « Комбинированный анализ генетически коррелированных определяет 107 локусов, связанных с интеллектом »
50. ^Turley et al 2017, « MTAG: Multi-Trait Analysis of GWAS »
51. ^Andreassen et al 2013, « Улучшенное выявление общих вариантов, связанных с шизофренией и Биполярное расстройство с использованием обусловленного плейотропией условного ложного обнаружения "
52. ^Портер и О'Рейли, " Модель многомерного моделирования демонстрирует эффективность многопараметрических методов GWAS "
53. ^и др., 2017, " Meta-GWAS Калькулятор точности и мощности (MetaGAP) показывает, что сокрытие наследственности частично связано с несовершенством влияние генетических корреляций в исследованиях »
54. ^Hazel 1943, « Генетическая основа для построения индексов отбора »
55. ^Rae 1951, « Важность генетических корреляций в отборе »
56. ^Hazel Lush 1943, «Эффективность трех методов селекции»
57. ^Лернер 1950, Популяционная генетика и улучшение животных: как показано на примере наследования яйценоскости
58. ^Falconer 1960, pp. 324–329
59. ^Conner 2012, «Количественные генетические подходы к эволюционным ограничениям: насколько полезны?»
60. ^Белдад и др. 2002, «Ограничения развития против гибкости в морфологической эволюции»
61. ^Аллен и др. 2008, «Различия в ответе выбора серийно повторяющихся символов цветового рисунка: постоянная изменчивость, развитие и эволюция »
62. ^Lee et al 2012, « Оценка плейотропии между сложными заболеваниями с использованием геномных отношений, полученных из однонуклеотидного полиморфизма, и ограничения максимальной вероятности «
63. ^» Регрессия LD Score позволяет различать смешанные на основании полигенности в полногеномных ассоциативных исследованиях », Bulik-Sullivan et al 2015 (см. также Shi et al 2016); LDSC
64. ^Loh et al 2015, «Противопоставление региональных архитектур шизофрении и других сложных заболеваний с использованием анализа компонентов быстрой дисперсии»
65. ^Majumdar et al 2017, «Эффективный байесовский метаанализ. для изучения генетических ассоциаций перекрестных фенотипов »
66. ^Shi et al 2016, « Сравнение генетической архитектуры 30 сложных признаков из сводных данных ассоциации »
67. ^Lynch 2000, « Оценка генетических корреляций в естественных популяциях »
68. ^Голан и др., 2014 г., «Измерение недостающей наследуемости: определение вклада общих вариантов»
69. ^Ши и др., 2016 г., «Локальная генетическая корреляция дает представление об общей генетической архитектуре сложных признаков»
70. ^Posthuma Boomsma 2000, «Заметка о статистической силе в расширенных схемах близнецов»
71. ^DeFries et al 1987, «Генетическая стабильность когнитивного развития от детства до взрослого возраста»
72. ^Wray et al. 2012, «Влияние диагностической неправильной классификации на оценку генетических корреляций». методы с использованием полногеномных генотипов "
73. ^с. 317–318 из Falconer 1960
74. ^Schmitt et al 2007b, «Обзор исследований близнецов и семей по нейроанатомическим фенотипам и типичному развитию нервной системы»
75. ^Almasy et al 1997, «Двумерный количественный анализ сцепления признаков: плейотропия против взаимосвязей сопутствующих инцидентов "
76. ^Heath et al 1989, " Тестирование моделей структурных уравнений для данных близнецов с использованием LISREL "

• Meehl 1967, " Теоретическое тестирование в психологии и физике: методологический парадокс "
• Мил 1990, «Почему резюме исследований психологических теорий часто невозможно интерпретировать»
• Коэн 1994, «Земля круглая» (стр. <.05)"
• Кливленд, Х.Х., Бикман, К. Zheng, Y. (2011). «Независимость криминологических переменных-« предикторов »: много проблем и некоторые ответы из поведенческих генетических исследований». В KM Beaver A. Walsh (Eds.), Партнер исследования Ashgate по биосоциальным теориям преступности (стр. 249–272)
• Пломин и др. 2012, Behavioral Genetics ISBN 1-4292-4215-9
• ван Донген и другие. 2012, «Неизменная ценность исследований близнецов в эпоху -омики»
• Дири 2012, «В поисках« целостности системы »в когнитивной эпидемиологии»
• Пломин и др. 2016, «10 лучших результатов поведенческой генетики»
• So Sham 2016, «Анализ полигенных оценок шизофрении и биполярного расстройства с кардиометаболическими особенностями»
• Gratten Visscher 2016, » Генетическая плейотропия при сложных признаках и заболеваниях: значение для геномной медицины »
• Maier et al. 2017, «Охват полигенности: обзор методов и инструментов исследования психиатрической генетики»
• Tucker-Drob Briley 2017, «Теоретические концепции в генетике развития личности»
• Prieto et al. 2016, «Использование электронных медицинских карт для изучения плейотропных эффектов на биполярное расстройство и сопутствующие соматические заболевания»
• O'Donovan Owen 2016, «Последствия общей генетики психических расстройств»
• Gratten et al. al. 2014, «Крупномасштабная геномика раскрывает генетическую архитектуру психических расстройств»
• O'Connor Price 2017, «Отличие генетической корреляции от причинной связи между 52 болезнями и сложными признаками»
• Weigel et al.. 2017, «100-летний обзор: методы и влияние генетической селекции у молочного скота - от сравнений дочерних маток до алгоритмов глубокого обучения»
• Ronald Pain 2018, «Систематический обзор геномных- широкое исследование психотических переживаний и негативных симптомов: новые открытия и значение для психиатрии »
• Hill et al. 2018, "What genome-wide association studies reveal about the association between intelligence and mental health"
• Plomin von Stumm 2018, "The new genetics of intelligence"

• "Heritability and genetic correlations in breeding" (Encyclopædia Britannica )
• The G-matrix Online