| 摘 要： | 目的:作为遗传研究中最常用的设计之一,基于家系数据的实验设计因其优势而得到了广泛认可,例如家系数据在人群分层和混合情况下表现出来的稳健性。在疾病风险预测中,研究者对如何基于家系遗传数据,寻找和分析遗传标记的作用非常感兴趣。本研究旨在开发一种新的统计方法,用于基于家系数据的遗传风险预测。创新点:期望新方法能够捕捉小或中等边际效应的遗传因子,及其相互作用,与基于家族史或家系数据的现有风险预测方法相比,具有更高的预测准确性。方法:在这项研究中,我们提出了集群化似然比(ELR)的新方法,Fam-ELR,用于家系数据的基因组疾病风险预测。Fam-ELR采用集群化的受试者工作特征曲线(ROC)方法来考虑家系样本内部的相关性,并使用计算有效的集群树进行变量选择和模型构建。结论:通过模拟,Fam-ELR显示了其在各种疾病遗传模型和谱系结构中的稳健性,并且获得了比现有的两种基于家系数据的风险预测方法更好的性能。同时,在基于全基因组行为障碍家系数据集的实际应用中,Fam-ELR展示了其将潜在风险预测因子和其相互作用整合到模型中以提高准确性的能力,尤其是在全基因组水平上。通过比较现有方法,例如遗传风险评分方法等,Fam-ELR被证实具有将较小或中等边际效应的遗传变异及其相互作用纳入改进的风险预测模型的能力。因此,它是一种强有力且实用的方法,适用于基于家系数据的高维度遗传风险预测中,特别是对于病因未知或知之甚少的人类复杂疾病。
|
