Evaluation of polygenic risk scores to differentiate between type 1 and type 2 diabetes
Notice bibliographique
Résumé
Polygenic risk scores (PRS) quantify the genetic liability to disease and are calculated using an individual's genotype profile and disease-specific genome-wide association study (GWAS) summary statistics. Type 1 (T1D) and type 2 (T2D) diabetes both are determined in part by genetic loci. Correctly differentiating between types of diabetes is crucial for accurate diagnosis and treatment. PRS have the potential to address possible misclassification of T1D and T2D. Here we evaluated PRS models for T1D and T2D in European genetic ancestry participants from the UK Biobank (UKB) and then in the Michigan Genomics Initiative (MGI). Specifically, we investigated the utility of T1D and T2D PRS to discriminate between T1D, T2D, and controls in unrelated UKB individuals of European ancestry. We derived PRS models using external non-UKB GWAS. The T1D PRS model with the best discrimination between T1D cases and controls (area under the receiver operator curve [AUC] = 0.805) also yielded the best discrimination of T1D from T2D cases in the UKB (AUC = 0.792) and separation in MGI (AUC = 0.686). In contrast, the best T2D model did not discriminate between T1D and T2D cases (AUC = 0.527). Our analysis suggests that a T1D PRS model based on independent single nucleotide polymorphisms may help differentiate between T1D, T2D, and controls in individuals of European genetic ancestry.
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 | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».