A stable and adaptive polygenic signal detection method based on repeated sample splitting

Focusing on polygenic signal detection in high-dimensional genetic association studies of complex traits, we develop a stable and adaptive test for generalized linear models to accommodate different alternatives. To facilitate valid post-selection inference data, our study here adheres the original sample-splitting principle but does so repeatedly increase stability inference. We show asymptotic null distribution proposed both fixed diverging numbers variants. also properties under local alternatives, providing insights why power gain attributed variable selection weighting can compensate efficiency loss due sample splitting. support analytical findings through extensive simulation two applications. The procedure is computationally efficient has been implemented as R package DoubleCauchy. Nous nous concentrons sur la détection du polygénique dans les études d'association génétique à haute dimension pour traits complexes. proposons un et adaptatif modèles linéaires généralisés afin de gérer différentes Pour assurer une inférence valide données dimension, notre étude adopte le principe division l'échantillon manière répétée augmenter stabilité l'inférence. déterminons loi asymptotique proposé sous l'hypothèse nulle différents nombres analysons également propriétés asymptotiques des contre-hypothèses locales, ce qui permet comprendre comment sélection poids variables peuvent compenser perte d'efficacité l'échantillon. confirmons nos conclusions analytiques par intensives deux applications pratiques. La méthode proposée est efficace au plan calcul disponible en tant que paquet Please note: publisher not responsible content or functionality any supporting information supplied by authors. Any queries (other than missing content) should be directed corresponding author article.