比较特征选择和机器学习方法来预测来自遗传变异的CYP2D6甲基化

科学领域:

• 基因组学就是基因组学.
• 药物遗传学 药物遗传学
• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.

背景情况:

• 药物遗传学目前依赖于有限的遗传变异来做出临床决策,影响儿科处方准确性.
• 整合基因组信息,如甲基化,可以增强药物遗传模型,改善处方.
• 细胞染色体P450 2D6 (CYP2D6) 是药物代谢中的关键基因,使其成为精确剂量的目标.

研究的目的:

• 预测儿童中与CYP2D6相关的单核酸多态 (SNPs) 的表观遗传位置.
• 开发和验证基于SNP的CYP2D6CpG甲基化预测模型.
• 探索整合基因组和人口统计数据的潜力,以改善药物遗传模型.

主要方法:

• 使用Illumina Infinium Methylation EPIC珠芯片量化了DNA甲基化.
• 使用线性回归,弹性网和XGBoost模型来预测与CYP2D6相关的CpG位点.
• 特征选择涉及来自GWAS,GTEx的SNP,以及与CYP2D6基因的接近,有或没有人口统计数据.

主要成果:

• 使用遗传特征的弹性网模型显示出比遗传性估计略有更好的性能,并且显著优于线性回归和XGBoost.
• 包括非遗传特征改善了某些探测器和特征集的模型性能.
• 最优的机器学习方法和功能集在不同的CpG网站上有所不同,每个模型都确定了几个顶级变量.

结论:

• 在不同种族的新加坡儿童中开发了基于SNP的CYP2D6 CpG甲基化预测模型.
• 这些模型在精准医学和基于药物遗传学的剂量方面具有潜在的临床应用.
• 需要进一步验证,以将这些模型纳入临床实践,以改善药物处方.