文献

J-GLOBAL ID：201802276737934765   整理番号：18A1910013

適応Lassoを用いた空間自己回帰モデルを用いた遺伝的リスク予測【JST・京大機械翻訳】

Genetic risk prediction using a spatial autoregressive model with adaptive lasso

著者 (3件)： Wen Yalu (Department of Statistics, University of Auckland, Auckland, New Zealand) ,  Shen Xiaoxi (Department of Epidemiology and Biostatistics, Michigan State University, East Lansing, Michigan, USA) ,  Lu Qing (Department of Epidemiology and Biostatistics, Michigan State University, East Lansing, Michigan, USA)
資料名： Statistics in Medicine  (Statistics in Medicine)
巻： 37  号： 26  ページ： 3764-3775  発行年： 2018年 
JST資料番号： A1551A  ISSN： 0277-6715  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 急速に進化するハイスループット技術により,精密医療に向けてのプロセスを加速するための研究が開始されている。膨大な量の配列決定データの収集は,リスク予測における配列変異体の深いカタログの役割を系統的に研究する大きな機会を提供する。それにもかかわらず,配列データにおける大量のノイズ信号と稀な変異体の低頻度は,リスク予測モデリングに関する大きな解析的課題を提起する。空間統計学における開発に動機付けられて,著者らは,高次元配列データを用いたリスク予測モデリングのための適応可能なラlas(SARAL)を有する空間自己回帰モデルを提案した。SARALはセットベースのアプローチであり,したがって,それはデータ次元を減少させ,単一ヌクレオチド変異体(SNV)セット内の遺伝的効果を蓄積する。さらに,複雑な疾患の性質を反映する様々な大きさと効果サイズの方向を持つ異なるSNV集合を可能にした。適応可能なレーザ実装によって,SARALはノイズSNVセットの影響をゼロにすることができて,このように,予測精度をさらに向上させることができた。シミュレーション研究を通して,全体として,SARALは,ゲノムの最良線形不偏予測法よりも良くなければ,同等であることを実証した。この方法は,アルツハイマー病神経イメージングイニシアティブからの配列決定データへの応用によってさらに例証される。Copyright 2018 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ゲノム ,  Alzheimer病 ,  *予測 ,  モデリング ,  シミュレーション ,  高次元 ,  レーザ ,  雑音 ,  高速度 ,  *自己回帰モデル
準シソーラス用語： 神経 ,  BLUP ,  予測精度 ,  *危険予測 ,  ハイスループット , 【Automatic Indexing@JST】

著者キーワード (4件)： 適応Lasso ,  高次元配列データ ,  リスク予測 ,  空間自己回帰モデル

分類 (1件)： 分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (4件)： 適応 ,  自己回帰モデル ,  遺伝的リスク ,  予測