Inferring Gene Network from Candidate SNP Association Studies Using a Bayesian Graphical Model: Application to a Breast Cancer Case-Control Study from Ontario
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND/AIMS: Gene network analysis can be a very valuable approach for elucidating complex dependence between functional SNPs in a candidate genetic pathway and for assessing their association with a disease of interest. Even when the number of SNPs evaluated is relatively small (<20), the number of potential gene networks induced by the SNPs can be very large and the contingency tables representing their joint distribution very sparse. METHODS: In this paper, we propose a Bayesian model determination for gene network analysis using decomposable discrete graphical models combined with Reversible Jump Markov chain Monte Carlo. We show the application of this approach in a study of 13 SNPs in the DNA repair pathway and their association with breast cancer from a case-control study conducted in Ontario, Canada. RESULTS: The strength of associations among the SNPs and between the SNPs and the disease status is evaluated by computing the posterior probability of any pair of variables. The corresponding gene network is reconstructed by retaining pair-wise associations with the highest posterior probabilities. In our real data analysis, we found evidence for a particular association between one SNP in the gene POLL and the disease status and also several interesting patterns of association between the SNPs themselves. CONCLUSION: This general statistical framework could serve as a basis for prioritizing genes and SNPs that play a major role in breast cancer etiology and to better understand their complex interactions in a specific genetic pathway.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle