基因定位的统计方法研究

人类疾病病因的研究一直是人们所关注的核心问题。基因组计划带来的海量遗传数据为我们从统计的观点在分子水平上研究复杂疾病病因提供了基础。基于单倍型的关联分析在识别基因的病理学效应中被普遍认为有较高的处理能力和潜在优势，但随着位点的不断增加，可能的单倍型条数却以接近于指数的惊人速度迅猛增加，于是我们不得不面对高维、海量、稀疏的数据集。本项目开展统计学与分子遗传学的跨学科研究，重点放在单倍型聚类方法、全基因组单倍型关联分析及结构信息的构建和变量降维方法等研究上。对单倍型聚类问题，将寻求适宜于病例对照中单倍型这一特定数据类型的相似性度量，考虑个体自身的信息；对关联分析方法，着重要解决的是如何刻画聚类后的单倍型数据以及各个类别对疾病的效应；对海量数据的统计分析问题，着重要解决的是变量过多时的信息提取以及变量选择问题；至于结构图谱的建立问题，关心的主要方面则是网络分解和和复杂网络图的结构学习。