PNL:使用基于PairNet的超级学习者方法构建多基因风险评分的软件,这是一个卷积神经网络

科学领域:

• 遗传学和生物信息学 遗传学和生物信息学
• 计算生物学 计算生物学
• 精准医学是一门精准的医学.

背景情况:

• 多基因风险评分 (PRS) 对疾病预测有价值,但在一般人群中通常具有有限的歧视力.
• 现有的PRS建模技术需要进行测试,以确定特定应用的最佳方法.
• 开发强大的PRS模型对于推进早期诊断和个性化治疗策略至关重要.

研究的目的:

• 通过整合候选模型,引入PNL,这是一种用于构建优化PRS模型的新工具.
• 通过目标人口数据和/或跨民族方法来提高PRS预测性能.
• 评估PNL在提高疾病预测准确度方面的有效性,与单个方法相比.

主要方法:

• PNL使用的是PairNet算法,这是一个计算效率高的卷积神经网络.
• 该工具集成了多个PRS候选模型,利用特定人口和跨种族数据.
• 用台湾生物银行 (TWB) 和英国生物银行 (UKBB) 的数据进行了喘,2型糖尿病和头的案例研究.

主要成果:

• 仅使用TWB数据的PNL模型匹配或超过了喘,2型糖尿病和的曲线下面面积 (AUC) 的个体方法.
• 纳入UKBB数据进一步改善了PNL在喘和2型糖尿病方面的表现.
• 对于,UKBB数据没有提高PNL的AUC,表明模型集成并不总是保证更好的性能,并有助于减轻过度装配的担忧.

结论:

• PNL提供了一种多功能方法来优化PRS模型,提高它们对复杂疾病的预测能力.
• 该工具展示了改善早期疾病诊断和指导个性化治疗策略的潜力.
• 由于PNL灵活地整合了多种数据源和建模技术,这在PRS开发方面取得了重大进展.