Regressive threshold model for familial analysis of complex diseases with variable age of onset
Notice bibliographique
Résumé
Few models for segregation (or combined segregation-linkage) analysis have been developed to account for variable age of onset. The unified model (UM) can only take into account age at examination. In the logistic hazard model (LHM), Abel and Bonney ([1990] Genet. Epidemiol. 7:391-407) incorporated survival analysis concepts into the regressive logistic model of Bonney ([1986] Am. J. Med. Genet. 18:731-749), but interpretation of familial dependence parameters is difficult. In this article, we extended the regressive threshold model (RTM) proposed by Demenais ([1991] Am. J. Hum. Genet. 49:773-785) to account for a variable age of onset of complex diseases. This model assumes an underlying liability to disease and is more general than the original logistic formulation, since the phenotypes of each individual's antecedents can be adjusted for their own genotypes and covariate effects. The variation of risk with age can be expressed as a general step function, and variants of the model have been proposed by imposing different types of constraints among the time-dependent thresholds. The performances of the three models (UM, LHM, and RTM) were compared in the context of segregation analysis of family data generated with variable age of onset. All analysis models were robust with respect to false conclusion of a major gene, and the best results were obtained under RTM. The power to detect the major gene was higher under LHM than RTM, but the best fit of the estimated cumulative age-dependent penetrance with respect to the true value was obtained under RTM. This new model may thus prove helpful in contributing to identification of genes underlying complex diseases, since it can easily include linked marker loci and linkage disequilibrium.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».