借助类型学来改善跨疾病的遗传风险预测
Jiaqi Hu1, Geyu Zhou2, Hongyu Zhao3
1Department of Chronic Disease Epidemiology, Yale School of Public Health, New Haven, CT 06510, USA.
多特征多基因分数 (PGS) 通过利用跨特征的共同遗传影响来改善疾病风险预测. 该框架通过整合遗传和非遗传因素来加强个性化风险评估.
科学领域:
- 遗传学 遗传学是一种遗传学.
- 生物统计学 生物统计学
- 计算生物学 计算生物学
背景情况:
- 多基因评分 (PGS) 对疾病风险预测有价值,但对于复杂疾病的准确性往往有限.
- 相关性特征之间的共享遗传架构为提高预测性能提供了机会.
研究的目的:
- 开发和验证一个灵活的框架来构建多特征的PGS.
- 评估使用多特征PGS与单特征PGS相比,在疾病风险预测方面的改进.
- 探索多特征PGS与非遗传因素的整合,以进行个性化风险评估.
主要方法:
- 开发了一个框架,整合了来自51个GWAS的2651个候选PGS,使用单特征,MTAG-all和MTAG-pairwise方法.
- 在英国生物库 (N=307,230) 中使用弹性净回归训练的多特征PGS模型,并在UKB (N=39,122) 和All of Us (N=116,394) 队列中得到验证.
- 研究了多特征PGS与非遗传因素 (如吸烟,WHR) 之间的相互作用,并进行了子组分析.
主要成果:
- 多特征PGS显著改善了八种疾病的风险预测,AUC幅为1.56%5.45%高于最佳单特征PGS.
- 多特征PGS与非遗传因素的整合进一步提高了预测性能.
- 确定了对外围动脉疾病 (PAD) PGS的显著相互作用,并发现了基因上不同的亚组,例如对糖尿病和肥胖特征进行丰富的慢性病 (CKD) 亚组.
结论:
- 开发的多特征PGS框架有效地捕捉了跨特征的遗传效应,提高了疾病预测的准确性.
- 这种方法通过将遗传预测与非遗传暴露,相互作用和确定的子组相结合,使更个性化的风险评估成为可能.
更多相关视频
09:37Navigating MARRVEL, a Web-Based Tool that Integrates Human Genomics and Model Organism Genetics Information
Published on: August 15, 2019
11:35Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA
Published on: August 21, 2016
相关概念视频
Pleiotropy
Pharmacogenomics: Identification of New Drug Targets
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Principles of Pharmacogenetics: Types of Genetic Variants
Pharmacogenetic Phenotypes: Alterations in Pharmacokinetics, Drug Targets and Biologic Milieu
Pharmacogenetics and Pharmacogenomics: Overview
