综述文章
Brain Imaging Genomics: Integrated Analysis and Machine Learning, PROCEEDINGS OF THE IEEE
intro 这篇文章是2020年发表的一篇综述，主要是记录了近几年影像基因组学的研究进展，特别介绍了结合影像和基因组学的方法，同时讲述了这些方法的角度，以及特点，应用的场景类型。个人觉得这篇文章概括的比较好，而且比较详细。作者也是牛人，PAUL M. THOMPSON 是ENIGMA的chair， 一作是美国生物医学工程院的fellow。本文主要是进行一些系统方法或者发现的概述，具体的
目录
文章主要是从下面几个方面来讲述，其中包含的内容比较多，我挑选几个主要的方面进行讲述.
- 脑影像表型的遗传性估计方法
- 探索脑影像与基因组学之间联系的方法
- 整合影像基因组学数据去进行预测或者回归分析的方法
下面进行详细的概述：
脑影像表型的遗传性估计方法
首先清楚一个概念，就是遗传力估计的方法，在遗传领域，这个是一个比较常见的问题，文章中主要讲述了两种方法。
一种是通过Twin and Pedigree Methods，即我们常见的通过Falconers的方法估计
，通过该参数来进行遗传力的估计，具体的不懂的可以看这里,通过这种方法，作者举了几个例子，分别是估计大脑灰质的遗传性、以及DTI中白质微结构、以及其他一些形态学特征，这种方法受实验样本的约束比较大，而且要求高，这种的队列的数据比较难找。
第二种是用GWAS通过SNP来估计遗传力。文中举了几种方法，一种是GCTA来估计SNP的遗传力，这里有计算其中一种模型的方法GREML。第二种是通过计算连锁不平衡系数(LD score)来估计.具体LD socre的估计方法，不清楚的看这里
脑影像与基因组学之间联系的方法
在这里作者主要讲述了4个方面的方法，当然在介绍4个方面的方法之前，也介绍了在进行关联分析的时候用到的基础-多重假设检验矫正的方法，因为在进行关联分析的时候，判断遗传与影像特征之间的关系的时候都是通过假设检验的 P值来判断是否显著，所以在多重假设检验之后都需要做矫正，文章中讲述了多种比较矫正的方法，例如FWER，FDR，以及一些基于这种方法的变种方法，总之这些改建的方法无非是矫正的时候减少比较的次数（将多个SNP按在基因上的位置化为一组，一起进行矫正）。在讲述这四个方面的方法之后，作者还分析在下游分析种用到的方法，通路和网络富集分析的方法，以及一些集成分析的方法，下面先讲述四个方面的方法
-- 先写到这些，剩下的明天继续
单SNP与单形状(表型,quantitative traits(QT))之间的相关性分析
单个SNP与单形状之间的相关性分析，就是普通的GWAS分析（多元线性回归的方法），在文章中作者根据研究的类别分为三种：
- 定向QT分析：即是对一个或多个靶向影像表型进行遗传分析，寻找与这个表型相关的SNP位点，来进行下一步分析
- 定向SNP分析。与上一种相对，即检验一种或多个SNP对大脑中所有成像QT的遗传作用,简单的说即想看与某个SNP相关的大脑影像的特征，例如下图中右边红框里面的显示基于体素的形态计量学（VBM）结果，该结果将rs6463843（在NXPH1基因的侧翼区域）的遗传效应(与rs6463843相关的脑影像位点)映射到大脑。
-
全脑全基因组（BWGW）分析。对整个大脑和整个基因组中所有可能的SNP-QT对进行大规模的单变量分析。这种方法比较耗时
SNP与表型之间的相关
针对于这三种方法，作者举了很多例子，这里不进行赘述。
