影像遗传学主要用于揭示神经精神疾病风险基因的发病机制,并了解人脑结构,功能和个体差异之间的关系。越来越多的以体素为单位的全脑成像表型被用于检验与遗传标记的关联,而分析此类数据的挑战在于它们的双重高维性和复杂性。近年来出现了一些非参数的方法来解决两个多元变量之间的相关性分析问题,其中最为典型的是距离相关性[1]。距离相关可以度量两个任意维度的随机变量的线性以及非线性相关性,并且不依赖任何模型假设,这使得它更适用于影像遗传学的分析。但是,对于全脑成像的功能表型,体素的数量可能是数千个甚至更多,在这种高维甚至超高维情况下,距离相关的效果会变差,出现距离相关检验的功效会随着维度的增加而急剧下降[2],这反映了距离相关并不适用于分析这类全脑成像的高维遗传数据。为了有效构建关于影像表型和遗传变异的双重多变量分析方法,我们提出了一种基于加权距离相关(weighted distance correlation,wdCor)的影像遗传学关联分析的新框架。wdCor提出的主要思想是将较大的权重分配给真正和遗传标记有相关性的体素,将可忽略的权重分配给剩余那些体素,从而减少这部分在进行相关性检验时所带来的影响。随后,为了计算wdCor检验的p值,我们在原有置换过程的基础上进行改进,提出了自适应置换过程。其基本思想是通过尽早识别那些无关的SNPs,停止对这部分SNPs实施置换步骤,从而减少置换次数,也减轻了 GWAS的计算负担,大大提高了计算效率。此外,我们对wdCor检验方法进行了模拟研究。我们模拟了线性以及多种非线性情形,结果表明,与原有的dCor相比,wdCor可以减轻因维数诅咒而导致的功效损失。最后,我们还成功地将wdCor应用到对阿尔兹海默症神经影像项目(ADNI)数据的大规模分析中。我们的wdCor方法为解决双重多元变量分析提供了新的研究方向和思路,也可以作为实际应用中对影像遗传学分析进行科学分析的工具。R包wdcor可在GihHub 上获得:https://github.com/yangyuhui0129/wdcor