无监督集体学习,以有效地整合预先训练的多基因风险评分

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.
• 机器学习 机器学习

背景情况:

• 预先训练的多基因风险评分 (PRS) 模型越来越多地可用于现实世界.
• 挑战包括PRS模型的可转移性,数据异质性和目标人群中缺乏表型数据.
• 现有的集合方法通常需要目标人群数据或全基因组关联研究 (GWAS),限制实时应用.

研究的目的:

• 开发一个无监督的集体学习框架,将预先训练的PRS模型结合起来.
• 为了能够准确地预测遗传风险,而不需要来自目标人群的表型数据或摘要.
• 促进PRS融入现实世界的临床和研究环境.

主要方法:

• 推出了UNSemblePRS,一个无监督的集体学习框架.
• 基于候选模型子集的预测对应性的预先训练过的PRS模型.
• 在"我们所有人"数据库中使用连续和二进制特征评估性能.

主要成果:

• UNSemblePRS在各种人群中展示了可扩展性和强大的性能.
• 该框架成功地结合了PRS模型,而不依赖目标人群的表型数据.
• 在现实环境中实现了准确的遗传风险预测.

结论:

• UNSemblePRS提供了一个可访问的解决方案,用于集成各种PRS模型.
• 无监督方法克服了现有方法的局限性,提高了PRS的实用性.
• 该框架支持PRS的更广泛应用,随着模型可用性的扩大.