Intervalos de predicción calibrados para puntuaciones poligénicas en diversos contextos

Las puntuaciones poligénicas (PGS) han surgido como la herramienta elegida para la predicción genómica en una amplia variedad de campos, desde la agricultura hasta la medicina personalizada. Analizamos datos de dos grandes biobancos en EE. UU. (All of Us) y en el Reino Unido (UK Biobank) para encontrar una variabilidad generalizada en el rendimiento de las PGS en diversos contextos. Muchos contextos, incluyendo edad, sexo e ingresos, impactan la precisión de las PGS con magnitudes similares a la ascendencia genética. Las PGS entrenadas en cohortes de ascendencia única frente a múltiples ancestrías muestran una especificidad contextual similar en sus precisiones. Introducimos intervalos de predicción de rasgos que pueden variar entre contextos como un enfoque fundamentado para tener en cuenta la precisión específica de las PGS en la predicción genómica. Modelamos el impacto de todos los contextos en un marco conjunto para permitir predicciones de rasgos basadas en PGS que estén bien calibradas (contengan el valor del rasgo con 90% de probabilidad en todos los contextos), mientras que los métodos que ignoran el contexto están mal calibrados. Mostramos que los intervalos de predicción necesitan ser ajustados para todos los rasgos considerados, que van desde el 10% para la presión arterial diastólica hasta el 80% para la circunferencia de la cintura. El ajuste de los intervalos de predicción depende del conjunto de datos; por ejemplo, los intervalos de predicción para años de educación necesitan ser ajustados en un 90% en All of Us frente a un 8% en UK Biobank. Nuestros resultados proporcionan un camino a seguir hacia la utilización de las PGS como herramienta de predicción en todos los individuos, independientemente de sus contextos, destacando la importancia de un perfil completo de información contextual en el diseño del estudio y la recopilación de datos.