使用假负控转移学习改善了多基因风险预测

科学领域:

• 遗传学 是一个遗传学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 多基因风险评分 (PRS) 分析汇总了遗传变异来估计疾病倾向.
• PRS方法经常面临挑战,培训 (基础) 和预测 (目标) 数据集之间的祖先背景不匹配.
• 为了利用各种目标人群的大规模基准数据,需要先进的分析方法.

研究的目的:

• 开发一个转移学习框架,用于准确的PRS预测,使用来自潜在不同祖先背景的数据库的知识.
• 提高PRS模型培训的计算和统计效率.
• 提高跨数据预测的准确性,减轻因祖先异质性而产生的问题.

主要方法:

• 建议采用两步转移学习方法,将基准数据的GWAS总结统计数据视为预训练模型知识.
• 步骤1:假负控制 (FNC) 边际选用于从基数据中提取相关知识.
• 步骤2:联合模型培训将基础数据的知识与预测的目标培训数据集成在一起.

主要成果:

• 拟议的框架大大提高了联合模型培训中的计算和统计效率.
• 这种方法有效地缓解了PRS分析中常见的过拟合问题.
• 精确的跨数据预测是容易的,即使在基础和目标数据集之间存在大量异质性.

结论:

• 转移学习框架为跨不同祖先群体的PRS预测提供了一个强大的解决方案.
• 这种方法提高了大规模基因组数据集的实用性,用于个性化风险预测.
• 这种方法显示出在遗传流行病学和精准医学中更广泛应用的潜力.