Key points are not available for this paper at this time.
의학 유전학의 중앙 목표는 유전자형으로부터 복합 질병을 정확하게 예측하는 것입니다. 여기에서 우리는 Lasso 및 elastic-net 패널티 부여 서포트 벡터 머신 모델, 혼합 효과 선형 모델, 다유전자 점수 및 비패널티 부여 로지스틱 회귀를 사용한 시뮬레이션 및 실제 데이터에 대한 포괄적인 분석을 제시합니다. 시뮬레이션에서 희소 패널티 부여 모델은 인과 SNP를 탐지하는 데 있어 다른 방법보다 낮은 위양성률과 높은 정밀도를 달성했습니다. 이후 패널티 부여 모델링을 위해 SNP 목록을 사전 필터링하는 일반적인 관행이 조사되어 인과 SNP를 회복하는 능력을 상당히 줄이는 것으로 나타났습니다. 8개의 복합 질병에 걸친 전체 유전체 SNP 프로파일을 크로스 벨리데이션 방식으로 사용하여, Lasso 및 elastic-net 모델은 셀리악병, 제1형 당뇨병 및 크론병에서 상당히 더 나은 예측 능력을 달성했으며, 나머지 질병에서는 동등한 예측 능력을 가지고 있었고, 셀리악병의 결과는 독립 데이터 세트 간에 강하게 재현되었습니다. 우리는 예측 모델에 대한 연관 불균형의 영향을 조사하여, 패널티 부여 방법이 SNP 독립성을 가정하는 방법에 비해 이 정보를 유리하게 활용함을 보여주었습니다. 우리의 발견은 희소 패널티 부여 접근 방식이 다양한 질병 구조에서 견고하다는 것을 나타내며, 표현형 예측 및 설명된 분산의 품질이 같거나 더 우수함을 보여줍니다. 이는 인간 질병을 유전적으로 예측하는 방법의 선택 및 향후 개발에 근본적인 영향을 미칩니다.
Abraham et al. (금요일) 이 질문을 연구했습니다.