Key points are not available for this paper at this time.
En plus de considérer les effets principaux, comprendre les interactions gène-environnement (G × E) est impératif pour déterminer l'étiologie des maladies et les facteurs qui affectent leur pronostic. Dans le cadre statistique existant pour les résultats de survie censurés, il existe plusieurs défis pour détecter les interactions G × E, tels que la gestion de données omiques à haute dimension, des facteurs environnementaux divers et des complications algorithmiques dans l'analyse de survie. Le principe d'hérédité des effets a été largement utilisé dans les études impliquant l'identification des interactions car il intègre la dépendance des effets principaux et d'interaction. Cependant, les modèles bayésiens de survie qui intègrent l'hypothèse de ce principe n'ont pas été développés. Par conséquent, nous proposons des modèles de temps d'échec accéléré contraints par l'hérédité bayésienne (BHAFT) pour identifier les effets principaux et d'interaction (M-I) avec de nouveaux priors en pic et plaque ou en cheval de course régularisés pour incorporer l'hypothèse du principe d'hérédité des effets. Le package R rstan a été utilisé pour ajuster les modèles proposés. Des simulations approfondies ont démontré que les modèles BHAFT surpassaient d'autres modèles existants en termes d'identification des signaux, d'estimation des coefficients et de prévision du pronostic. Des interactions G × E biologiquement plausibles associées au pronostic de l'adénocarcinome pulmonaire ont été identifiées à l'aide de notre modèle proposé. Notamment, les modèles BHAFT intégrant le principe d'hérédité des effets pouvaient identifier à la fois les effets principaux et d'interaction, ce qui est très utile pour explorer les interactions G × E dans l'analyse de survie à haute dimension. Le code et les données utilisés dans notre article sont disponibles sur https://github.com/SunNa-bayesian/BHAFT.
Sun et al. (Jeu,) ont étudié cette question.