Polygenic risk and rare variant gene clustering enhance cancer risk stratification for breast and prostate cancers
Notice bibliographique
Résumé
Polygenic risk score (PRS) and rare monogenic variant screening are valuable tools for predicting cancer risk and identifying individuals at high risk. Integrating both common and rare genetic variants is crucial for accurate risk assessment. However, estimating the impacts of rare variants on cancer and combining them with PRS remains challenging. Here, we analyze 454,711 exome sequencing and 487,409 array UK Biobank samples, focusing on breast and prostate cancers. We introduce an expanded PRS (EPRS) approach, yielding a systematic model for more effective risk stratification. By prioritizing and clustering genes with cancer-specific rare variants based on odds ratios and population-attributable fraction, we refine risk stratification by combining both monogenic and polygenic effects. Individuals in high-PRS groups with rare high-impact gene variants show up to 15- and 22-fold higher risk for breast and prostate cancers, respectively, compared to those in the intermediate-PRS groups without rare variants. Combined risk profiles vary across distinct rare variant clusters within the same PRS group for both cancers. Our EPRS approach enhances risk stratification for breast and prostate cancers, offering important insights for future research and potential applications to other cancer types. An expanded PRS (EPRS) approach combining polygenic risk scores and rare variant clustering enhances cancer risk stratification for breast and prostate cancers. High-PRS groups with rare high-impact gene variants have up to 15- and 22-fold higher risk for breast and prostate cancers, respectively, compared to intermediate-PRS groups without rare variants.
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 | 0,000 | 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 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 ».