Neuropsychopharmacologia Hungarica

2012. december, XIV. évfolyam 4. szám [translated version]

Original paper

Beyond Structural Equation Modeling: model properties and effect size from a Bayesian viewpoint. An example of complex phenotype - genotype associations in depression

Gabor Hullam1, Gabriella Juhasz2, Gyorgy Bagdy2 and Peter Antal1
1
Department of Measurement and Information Systems, Budapest University of Technology and Economics, Budapest, Hungary
2 Department of Pharmacodynamics, Semmelweis University, Budapest, Hungary

Despite the rapid evolution of measurement technologies in biomedicine and genetics, most of the recent studies aiming to explore the genetic background of multifactorial diseases were only moderately successful. One of the causes of this phenomenon is that the bottleneck of genetic research is no longer the measurement process related to various laboratory technologies, but rather the analysis and interpretation of results. The commonly applied univariate methods are inadequate for exploring complex dependency patterns of multifactorial diseases which includes nearly all common diseases, such as depression, hypertension, and asthma. A comprehensive investigation requires multivariate modeling methods that enable the analysis of interactions between factors, and allow a more detailed interpretation of studies measuring complex phenotype descriptors. In this paper we discuss various aspects of multivariate modeling through a case study analyzing the effect of the single nucleotide polymorphism rs6295 in the HTR1A gene on depression and impulsivity. We overview basic concepts related to multivariate modeling and compare the properties of two investigated modeling techniques: Structural Equation Modeling and Bayesian network based learning algorithms. The resulting models demonstrate the advantages of the Bayesian approach in terms of model properties and effect size as it allows coherent handling of the weakly significant effect of rs6295. Results also confirm the mediating role of impulsivity between the SNP rs6295 of HTR1A and depression.

(Neuropsychopharmacol Hung 2012; 14(4): 273-284; doi: 10.5706/nph201212009)

Keywords: Bayesian network based learning algorithm, structural equation modeling, effect size, multivariate statistical methods, systems based modeling, depression, impulsivity

DOI: 10.5706/nph201212009

 

Eredeti közlemény

A strukturális egyenlet modellezés alternatívái: modell tulajdonságok és hatáserősség a bayesi nézőpontból. Komplex fenotípus-genotípus asszociációk vizsgálata depresszió esetén

Hullám Gábor1, Juhász Gabriella2, Bagdy György2 és Antal Péter1
1
Department of Measurement and Information Systems, Budapest University of Technology and Economics, Budapest, Hungary
2 Department of Pharmacodynamics, Semmelweis University, Budapest, Hungary

A multifaktoriális betegségek genetikai hátterét vizsgáló kutatások mindezideáig csak mérsékelt sikerekkel jártak, annak ellenére, hogy a biomedicina és a genetika laboratóriumi módszerei óriási fejlődésen mentek keresztül. Ennek egyik oka lehet, hogy a genetikai vizsgálatok során gyűjtött hatalmas mennyiségű adat elemzése és az eredmények értelmezése nem tud lépést tartani a mérési technológiák fejlődésével. Az általánosan alkalmazott egyváltozós módszerek nem megfelelőek a multifaktoriális betegségekre jellemző komplex függőségi minták feltárására, amely azonban elengedhetetlen a gyakori betegségek, mint például a depresszió, az asztma és a magasvérnyomás rizikófaktorainak megismeréséhez. Az átfogó vizsgálathoz többváltozós modellezési módszerek alkalmazása szükséges, amelyek lehetővé teszik a faktorok közötti interakciók elemzését, illetve komplex fenotípusok részletesebb értelmezését. A cikkben a többváltozós modellezés különböző aspektusait mutatjuk be a HTR1A génben található rs6295 egynukleotidos polimorfizmus depresszióra és impulzivitásra kifejtett hatásait vizsgálva. Ismertetjük a többváltozós modellezéshez kapcsolódó alapfogalmakat, és összehasonlítjuk az általunk alkalmazott két modellezési technika, a strukturális egyenlet modellezés és a Bayes-háló alapú tanuló algoritmusok tulajdonságait.  Az eredményül kapott modellek a modell-tulajdonságok és a hatáserősségek alapján a bayesi megközelítés előnyeit mutatják, mivel ez a módszer lehetővé teszi az rs6295 gyengén szignifikáns hatásának koherens kezelését. Az eredmények megerősítik az impulzivitás közvetítő szerepét a HTR1A rs6295 polimorfizmus és a depresszió között.   

(Neuropsychopharmacol Hung 2012; 14(4): 273-284; doi: 10.5706/nph201212009)

Kulcsszavak: Bayes-háló alapú tanuló algoritmus, strukturális egyenlet modellezés, hatáserősség, többváltozós statisztikai módszerek, rendszeralapú modellezése, depresszió, impulzivitás

DOI: 10.5706/nph201212009