基于机器学习的疾病不确定性量化增加了遗传关联研究的统计能力
Jun Young Park1,2,3, Jang Jae Lee3, Younghwa Lee1
1Department of Public Health Sciences, Graduate School of Public Health, Seoul National University, Seoul 08826, Korea.
Bioinformatics (Oxford, England)
|September 4, 2023
概括
这项研究引入了阿尔茨海默病 (AD) 全基因组关联研究 (GWAS) 的新方法,其中包括轻度认知障碍的个体. 这种方法提高了统计能力,并确定了与LMX1A.的新型遗传关联.
科学领域:
- 遗传学 是一个遗传学.
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 全基因组关联研究 (GWAS) 需要大样本大小来识别与阿尔茨海默病 (AD) 相关的遗传变异.
- 传统的GWAS方法往往不包括轻度认知障碍 (MCI) 或未知认知状态的个体,可能会限制功率.
研究的目的:
- 开发和验证一种用于阿尔茨海默病 (AD) 基因组广泛关联研究 (GWAS) 的新方法,该方法包括轻度认知障碍 (MCI) 和未知认知状态的个体.
- 通过使用基于机器学习的预测模型来提高AD GWAS的统计能力.
主要方法:
- 开发了一种基于机器学习的AD预测模型,用于将表型分配给患有MCI和未知的认知状态的人.
- 采用加权归算表型方法,并对GWAS分析进行惩罚性后勤回归.
- 通过模拟分析和对真实世界数据的应用来验证该方法.
主要成果:
- 与使用仅使用AD病例和对照进行的普通后勤回归相比,权重归算表型方法显示了更大的统计能力.
- 处罚后勤方法在现实数据中实现了0.96的曲线下面面积 (AUC),用于AD预测.
- 确定了AD与APOE区域变异的显著关联 (P<5.0×10-8),以及LMX1A.中rs143625563的新兴关联.
结论:
- 开发的方法有效地将MCI和未知认知状态的个体纳入AD GWAS,从而提高统计能力.
- 这项研究确定了与LMX1A基因的新型遗传关联,有助于我们对AD病变发生的理解.
- 模拟代码是公开可用的,以便进一步研究.
更多相关视频
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
11.0K
08:27Large-Scale Multi-Omics Genome-Wide Association Studies Mo-GWAS: Guidelines for Sample Preparation and Normalization
Published on: July 27, 2021
3.7K
