MétaCan
Menu
Retour à la cohorte
Enregistrement W1487085446 · doi:10.1002/gepi.21741

Empirical Hierarchical Bayes Approach to Gene‐Environment Interactions: Development and Application to Genome‐Wide Association Studies of Lung Cancer in TRICL

2013· article· en· W1487085446 sur OpenAlexaff
Melanie Sohns, Elena Viktorova, Christopher I. Amos, Paul Brennan, Gord Fehringer, Valérie Gaborieau, Younghun Han, Joachim Heinrich, Jenny Chang‐Claude, Martina Müller‐Nurasyid, Angela Risch, Juan Pablo Lewinger, Duncan C. Thomas, Heike Bickeböller

Notice bibliographique

RevueGenetic Epidemiology · 2013
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Associations and Epidemiology
Établissements canadiensLunenfeld-Tanenbaum Research InstituteMount Sinai Hospital
Organismes subventionnairesNational Institute of Environmental Health SciencesNational Cancer InstituteNational Institutes of HealthDeutsche Forschungsgemeinschaft
Mots-clésBayes' theoremLung cancerBiologyGenome-wide association studyComputational biologyGenomeGeneGeneticsGenetic associationEvolutionary biologyBayesian probabilityStatisticsOncologyMedicineSingle-nucleotide polymorphismMathematicsGenotype

Résumé

récupéré en direct d'OpenAlex

The analysis of gene-environment (G × E) interactions remains one of the greatest challenges in the postgenome-wide association studies (GWASs) era. Recent methods constitute a compromise between the robust but underpowered case-control and powerful case-only methods. Inferences of the latter are biased when the assumption of gene-environment (G-E) independence in controls fails. We propose a novel empirical hierarchical Bayes approach to G × E interaction (EHB-GE), which benefits from greater rank power while accounting for population-based G-E correlation. Building on Lewinger et al.'s ([2007] Genet Epidemiol 31:871-882) hierarchical Bayes prioritization approach, the method first obtains posterior G-E correlation estimates in controls for each marker, borrowing strength from G-E information across the genome. These posterior estimates are then subtracted from the corresponding case-only G × E estimates. We compared EHB-GE with rival methods using simulation. EHB-GE has similar or greater rank power to detect G × E interactions in the presence of large numbers of G-E correlations with weak to strong effects or only a low number of such correlations with large effect. When there are no or only a few weak G-E correlations, Murcray et al.'s method ([2009] Am J Epidemiol 169:219-226) identifies markers with low G × E interaction effects better. We applied EHB-GE and competing methods to four lung cancer case-control GWAS from the Interdisciplinary Research in Cancer of the Lung/International Lung Cancer Consortium with smoking as environmental factor. A number of genes worth investigating were identified by the EHB-GE approach.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,032
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,033
Tête enseignante GPT0,342
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGenetic EpidemiologyMême sujetGenetic Associations and EpidemiologyTravaux en français237 207