全基因組關聯研究（GWAS）針對大量人群尋找有助於常見的多基因特征（如身高或肥胖）的基因。這些綜合性研究經常發現大量微小的遺傳變異，這些變異在高齡，肥胖等人群中更常發生。但這種相關性並不一定意味著因果關係的存在。
雖然有許多計算算法可用於幫助提取GWAS結果，但很難知道選擇哪一種。研究人員在《American Journal of Human Genetics》雜誌上發表的文章稱Benchmarker一種可靠的對GWAS數據進行挖掘的算法。
“我們有不同的優先級算法，但我們實際上並不知道如何確定哪一個是最好的，”該文章主要作者Rebecca Fine說 “我們不想依賴先前的'黃金標準'或引入除原始GWAS數據之外的任何其他內容。”
借助“交叉驗證”的機器學習概念，Benchmarker使調查人員能夠將GWAS數據本身作為自己的控製。我們的想法是采用GWAS數據集並挑出一條染色體。然後，基準測試的算法使用來自剩餘的21條染色體(除X和Y之外的所有染色體)的數據來預測單個染色體上的哪些基因最有可能對所研究的性狀有貢獻。由於依次對每個染色體重複該過程，因此彙集算法標記的基因。然後通過將這組優先基因與原始GWAS結果進行比較來驗證該算法。
“首先在GWAS上訓練算法，並保留一條染色體，然後返回到該染色體，並詢問這些基因是否與原始GWAS結果中的強p值相關聯，”Fine解釋說。 “雖然這些p值並不能代表確切的”正確答案“，但它們確實可以告訴我們一些真正的遺傳關聯。最終產品是對每種算法執行情況的評估。
Fine，Hirschhorn及其同事通過應用得出的結論是，結合多種策略通常可以獲得最佳結果。他們還發現了某些算法在尋找某些特征的基因時表現最佳的證據。
“我們希望在GWAS之後開發更多算法來回答關鍵的下一個問題：哪些基因和變異與人類特征和疾病有因果關係，”Hirschhorn說。 “benchmarker可以作為一種無偏見的方法來確定用於回答這個問題的算法。”
我要跟帖copyright©醫學論壇網 版權所有，未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 （京）網藥械信息備字（2022）第00160號
