相关实验视频
Updated: Jan 6, 2026

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
PTL-PRS:一个R包用于转移学习的多基因风险得分与伪验证
1Graduate School of Data Science, Seoul National University, Seoul 08826, South Korea.
对多基因风险评分的伪验证转移学习 (PTL-PRS) 在没有个人级数据的不同人群中提高了多基因风险评分的准确性. 这种方法提高了可用性和计算效率,同时保持了预测性能.
科学领域:
- 遗传学 遗传学 是一个
- 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) 对于预测个体疾病风险至关重要.
- 目前的PRS通常在非欧洲祖先人群中表现出较低的准确性.
- 现有的转移学习多基因风险评分 (TL-PRS) 方法需要敏感的个人级别数据,并且在计算方面效率低下.
研究的目的:
- 引入多基因风险评分的伪验证转移学习 (PTL-PRS),这是TL-PRS的进步.
- 消除在PRS转移学习中对个人级别数据的需求.
- 为了提高PRS预测模型的计算效率.
主要方法:
- PTL-PRS使用伪验证来生成用于培训和验证的伪总结统计数据.
- 模型性能使用伪R2指标进行评估.
- 软件优化包括C++实现,区块式早期停止和直接基因型检索,以提高计算速度.
主要成果:
- 通过取消对个人级别数据的要求,PTL-PRS成功地解决了TL-PRS的限制.
- 伪验证方法保持了TL-PRS的预测准确性.
- 通过软件优化实现了计算效率的显著提高.
结论:
- PTL-PRS提供了一种保护隐私和计算效率高的方法,以提高跨不同祖先的PRS准确性.
- 该方法增强了转移学习用于多基因风险预测的实际可用性.
- 在公平的基因组风险评估中,PTL-PRS代表了一项重大进步.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Polygenic Traits
Improving Translational Accuracy
Improving Translational Accuracy
Statistical Software for Data Analysis and Clinical Trials
Single Nucleotide Polymorphisms-SNPs
Comparing the Survival Analysis of Two or More Groups