La dificultad de los confundidores hereditarios

Área de la Ciencia:

• Genética Psiquiátrica
• Epidemiología Genómica
• Bioestadística

Sus antecedentes:

• Los estudios de asociación del genoma completo (GWAS) requieren tamaños de muestra grandes para identificar loci genéticos asociados con trastornos psiquiátricos.
• Los métodos de diagnóstico actuales, incluida la autoevaluación y los registros médicos electrónicos, introducen variación hereditaria no específica, lo que confunde los análisis genéticos.
• Esto conduce a la identificación de loci genéticos irrelevantes y a la omisión de los relevantes, lo que afecta la precisión de las correlaciones genéticas entre trastornos y cohortes.

Objetivo del estudio:

• Destacar el problema de los confundidores hereditarios en los estudios de genética psiquiátrica a gran escala.
• Proponer métodos para identificar y señalar cohortes afectadas en la investigación genética.
• Discutir estrategias futuras para la recopilación de datos y el aprendizaje automático para mitigar estos efectos de confusión.

Principales métodos:

• Revisión de las metodologías actuales en el diagnóstico de trastornos psiquiátricos y mapeo genético.
• Análisis de cómo la variación hereditaria no específica se propaga a medida que aumentan los tamaños de muestra.
• Marco conceptual para identificar sesgos compartidos como etiología compartida en correlaciones genéticas.

Principales resultados:

• Los estudios de mapeo genético son susceptibles de identificar loci no relacionados con el trastorno psiquiátrico objetivo.
• Las correlaciones genéticas pueden ser engañosas, apareciendo como etiología compartida debido a factores de confusión comunes.
• Los efectos de confusión se amplifican en tamaños de muestra más grandes, lo que lleva a hallazgos potencialmente irreproducibles.

Conclusiones:

• Los confundidores hereditarios plantean un desafío significativo para los estudios genéticos de trastornos psiquiátricos.
• Las estrategias para la señalización de cohortes y la mejora de la recopilación de datos son cruciales.
• Los enfoques de aprendizaje automático pueden ofrecer soluciones para mitigar el impacto de estos confundidores en la investigación futura.