Benchmarking Bayesian colocalization methods in validating Mendelian randomization-based target discoveries from circulating proteins for cardiometabolic diseases
Notice bibliographique
Résumé
Abstract Mendelian randomization (MR) is an important tool for identifying potential biomarkers and drug targets. Colocalization analysis is crucial for validating MR findings and guarding against confounding due to linkage disequilibrium. We aim to benchmark the performance of four Bayesian colocalization methods in validating MR-based target discoveries from circulating proteins for cardiometabolic traits. We assessed the associations between circulating levels of 1,535 proteins and five cardiometabolic traits, followed by colocalization analyses using coloc, coloc+SuSiE, PWCoCo and SharePro. All methods demonstrated well-controlled false discoveries. SharePro demonstrated the highest frequency in supporting 160 (79.6%) of the 201 Bonferroni-significant protein-trait associations identified by MR, compared to coloc (supporting 40.3% of these associations), coloc+SuSiE (46.8%), and PWCoCo (45.8%), and was robust to varying prior colocalization probabilities. Protein-trait associations supported by SharePro were more likely to agree with significant gene-level associations identified in exome-wide association studies and implicate known drug targets. Eight protein-trait associations were exclusively supported by SharePro, suggesting potential cardiometabolic biomarkers or drug targets, such as HSF1 and HAVCR2. In summary, SharePro most often supports statistically significant associations identified through MR for cardiometabolic traits. Combining multiple lines of evidence using different methods may substantially increase the yield of biomarker and drug target discovery programs.
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 | 0,062 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 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 ».