Prediction of colorectal cancer risk based on profiling with common genetic variants
Notice bibliographique
Résumé
Abstract Increasing numbers of common genetic variants associated with colorectal cancer (CRC) have been identified. Our study aimed to determine whether risk prediction based on common genetic variants might enable stratification for CRC risk. Meta‐analysis of 11 genome‐wide association studies comprising 16 871 cases and 26 328 controls was performed to capture CRC susceptibility variants. Genetic prediction models with several candidate polygenic risk scores (PRSs) were generated from Scottish CRC case‐control studies (6478 cases and 11 043 controls) and the score with the best performance was then tested in UK Biobank (UKBB) (4800 cases and 20 287 controls). A weighted PRS of 116 CRC single nucleotide polymorphisms (wPRS 116 ) was found with the best predictive performance, reporting a c‐statistics of 0.60 and an odds ratio (OR) of 1.46 (95% confidence interval [CI] = 1.41‐1.50, per SD increase) in Scottish data set. The predictive performance of this wPRS 116 was consistently validated in UKBB data set with c‐statistics of 0.61 and an OR of 1.49 (95% CI = 1.44‐1.54, per SD increase). Modeling the levels of PRS with age and sex in the general UK population shows that employing genetic risk profiling can achieve a moderate degree of risk discrimination that could be helpful to identify a subpopulation with higher CRC risk due to genetic susceptibility.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».