Causal Models for Investigating Complex Genetic Disease: II. What Causal Models Can Tell Us about Penetrance for Additive, Heterogeneity, and Multiplicative Two-Locus Models
Notice bibliographique
Résumé
BACKGROUND/AIMS: Statistical geneticists commonly use certain two-locus penetrance models because these models are familiar and mathematically tractable. We investigate whether and under what circumstances these two-locus penetrance models correspond to models of causation. METHODS: We describe a sufficient component cause model for a hypothetical disease with two genetic causes. We then use the potential outcomes framework to determine the expected two-locus penetrances from this causal model and contrast them with commonly used two-locus penetrance models (additive, heterogeneity, and multiplicative penetrance models, as formulated by Risch [Am J Hum Genet 1990;46:222-228]). RESULTS: Conventional additive and multiplicative models can correspond to any two-locus causal model only when certain very specific algebraic relationships hold. The heterogeneity model corresponds to a two-locus causal model only if the model stipulates that no disease cases are caused by the combined presence of the causal genotypes at both loci (i.e. only when there is no causal gene-gene interaction). Hence the heterogeneity model provides a valid test of the null hypothesis of no gene-gene interaction, whereas the additive and multiplicative models do not. CONCLUSION: We suggest that causal principles should provide the basis for statistical modeling in genetics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».