Effekte der Normalisierung auf quantitative Merkmale in Assoziationstests

HINTERGRUND: Die Analyse quantitativer Merkmalsloci geht davon aus, dass das Merkmal normalverteilt ist. In der Realität wird dies oft nicht beobachtet und eine Strategie besteht darin, das Merkmal zu transformieren. Es ist jedoch unklar, wie viel Normalität benötigt wird und welche Transformation in Assoziationsstudien am besten funktioniert.ERGEBNISSE: Wir führten Simulationen zu vier Arten von häufigen quantitativen Merkmalen durch, um die Effekte der Normalisierung mittels Logarithmus-, Box-Cox- und rangbasierten Transformationen zu bewerten. Der Einfluss von Stichprobengröße und genetischen Effekten auf die Normalisierung wird ebenfalls untersucht. Unsere Ergebnisse zeigen, dass die rangbasierte Transformation im Allgemeinen die beste und konsistenteste Leistung bei der Identifizierung des ursächlichen Polymorphismus erbringt und ihn in Assoziationstests hoch einstuft, mit einem leichten Anstieg der falsch positiven Rate. SCHLUSSFOLGERUNG: Bei kleiner Stichprobengröße oder genetischen Effekten überwiegt die Verbesserung der Sensitivität durch die Rangtransformation die leichte Erhöhung der falsch positiven Rate. Bei großer Stichprobengröße und genetischen Effekten könnte eine Normalisierung jedoch nicht notwendig sein, da der Anstieg der Sensitivität relativ bescheiden ist.