Genetic determinants of polygenic prediction accuracy within a population
Notice bibliographique
Résumé
Abstract Genomic risk prediction is on the emerging path towards personalized medicine. However, the accuracy of polygenic prediction varies strongly in different individuals. In this study, based on up to 352,277 White British participants in the UK Biobank, we constructed polygenic risk scores for 15 physiological and biochemical quantitative traits after performing genome-wide association studies (GWASs). We identified 185 polygenic prediction variability quantitative trait loci (pvQTLs) for 11 traits by Levene’s test among 254,376 unrelated individuals. We validated the effects of pvQTLs using an independent test set of 58,927 individuals. A score aggregating 51 pvQTL SNPs for triglycerides had the strongest Spearman correlation of 0.185 (p-value < 1.0x10 −300 ) with the squared prediction errors. We found a strong enrichment of complex genetic effects conferred by pvQTLs compared to risk loci identified in GWASs, including 89 pvQTLs exhibiting dominance effects. Incorporation of dominance effects into polygenic risk scores significantly improved polygenic prediction for triglycerides, low-density lipoprotein cholesterol, vitamin D, and platelet. After including 87 dominance effects for triglycerides, the adjusted R 2 for the polygenic risk score had an 8.1% increase on the test set. In addition, 108 pvQTLs had significant interaction effects with measured environmental or lifestyle exposures. In conclusion, we have discovered and validated genetic determinants of polygenic prediction variability for 11 quantitative biomarkers, and partially profiled the underlying complex genetic effects. These findings may assist interpretation of genomic risk prediction in various contexts, and encourage novel approaches for constructing polygenic risk scores with complex genetic effects.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».