stringtranslate.com

Полигенная оценка

Два графика иллюстрируют выборочные распределения полигенных оценок и предсказательную способность стратифицированной выборки по полигенной оценке риска с увеличением возраста. + Левая панель показывает, как риск (стандартизированная PRS на оси x) может отделить «случаи» (т. е. лиц с определенным заболеванием (красный)) от «контроля» (лиц без заболевания (синий)). Ось y (вертикальная ось) показывает, скольким в каждой группе назначен определенный балл. + На правой панели та же популяция разделена на три группы в соответствии с их прогнозируемым риском, т. е. их назначенным баллом, как высокий (красный), средний (серый) или низкий (синий). Ось y показывает наблюдаемые величины риска, где ось x показывает группы, разделяющиеся по риску по мере их старения, что соответствует прогнозируемым баллам риска.

В генетике полигенный балл ( PGS ) — это число, которое суммирует предполагаемое влияние многих генетических вариантов на фенотип индивидуума . PGS также называется полигенным индексом ( PGI ) или общегеномным баллом ; в контексте риска заболевания он называется баллом полигенного риска ( баллом PRS или PR [1] ) или генетическим баллом риска . Балл отражает предполагаемую генетическую предрасположенность индивидуума к данному признаку и может использоваться в качестве предиктора для этого признака. [2] [3] [4] [5] [6] Он дает оценку вероятности того, что индивидуум будет иметь данный признак, основываясь только на генетике, без учета факторов окружающей среды; и он обычно рассчитывается как взвешенная сумма аллелей , связанных с признаком . [7] [8] [9]

Недавний прогресс в области генетики позволил разработать полигенные предикторы сложных человеческих черт, включая риск многих важных сложных заболеваний [10] [11] , которые обычно зависят от многих генетических вариантов, каждый из которых оказывает небольшое влияние на общий риск. [12] [13] В полигенном предикторе риска риск заболевания в течение жизни (или в зависимости от возраста) является числовой функцией, определяемой показателем, который зависит от состояний тысяч отдельных генетических вариантов (т. е. однонуклеотидных полиморфизмов или SNP).

Полигенные оценки широко используются в животноводстве и растениеводстве из-за их эффективности в улучшении разведения скота и сельскохозяйственных культур. [14] У людей полигенные оценки обычно генерируются на основе данных полногеномного ассоциативного исследования (GWAS). Они являются активной областью исследований, охватывающих такие темы, как алгоритмы обучения для геномного прогнозирования; обучение новых предикторов; валидационные испытания предикторов; и клиническое применение PRS. [15] [16] [17] [4] [11] В 2018 году Американская кардиологическая ассоциация назвала полигенные оценки риска одним из главных прорывов в исследованиях заболеваний сердца и инсульта. [18]

Фон

Ранний (2006) пример генетической оценки риска, применяемой к диабету 2 типа у людей. [19] Авторы исследования пришли к выводу, что по отдельности аллели риска лишь умеренно идентифицируют увеличение риска заболевания; но идентифицируемый риск «мультипликативно увеличивается», когда информация объединяется из нескольких известных полиморфизмов риска. Использование такой объединенной информации позволяет идентифицировать подгруппы населения с шансами на заболевание, которые значительно выше, чем при использовании одного полиморфизма.

ДНК в живых организмах — это молекулярный генетический код жизни. Хотя полигенные оценки риска, полученные в результате исследований на людях, привлекли наибольшее внимание, основная идея была впервые введена для селективного разведения растений и животных. [20] Подобно современным подходам к построению полигенной оценки риска, селекционная ценность особи — животного или растения — рассчитывалась как объединенный вес нескольких однонуклеотидных полиморфизмов (SNP) по их индивидуальному влиянию на признак. [21]

Человеческая ДНК содержит около 3 миллиардов оснований. Человеческий геном можно в целом разделить на кодирующие и некодирующие последовательности, где кодирующий геном кодирует инструкции для генов , включая часть последовательности, которая кодирует белки . Исследования ассоциаций по всему геному позволяют сопоставлять фенотипы с вариациями нуклеотидных оснований в человеческих популяциях. Улучшения в методологии и исследования с большими когортами позволили сопоставить многие признаки, некоторые из которых являются заболеваниями, с человеческим геномом. Изучение того, какие вариации влияют на какие конкретные признаки и насколько сильно они это делают, является ключевыми целями для построения полигенных оценок у людей.

Методы были впервые рассмотрены для людей после 2000 года, и в частности, в предложении 2007 года, что такие баллы могут быть использованы в генетике человека для выявления лиц с высоким риском заболевания. [22] Концепция была успешно применена в 2009 году исследователями, которые организовали исследование ассоциаций по всему геному (GWAS) в отношении шизофрении с целью построения баллов склонности к риску. Это исследование было первым, в котором термин полигенный балл использовался для прогноза, полученного из линейной комбинации генотипов однонуклеотидного полиморфизма (SNP), что было способно объяснить 3% дисперсии при шизофрении. [23]

Расчет с помощью исследования ассоциаций по всему геному

PRS строится на основе предполагаемых размеров эффекта, полученных из исследования ассоциаций по всему геному (GWAS). В GWAS однонуклеотидные полиморфизмы (SNP) тестируются на наличие ассоциации между случаями и контролями (см. верхний рисунок). Результаты GWAS оценивают силу ассоциации для каждого SNP, т. е. размер эффекта для SNP, а также p-значение для статистической значимости. Затем типичный балл рассчитывается путем сложения числа аллелей, модифицирующих риск, по большому числу SNP, где число аллелей для каждого SNP умножается на вес для SNP. [24]

В математической форме предполагаемый полигенный балл получается как сумма по m числам SNP с аллелями, повышающими риск, взвешенная по их весу, т. е . .

Эту идею можно обобщить для изучения любого признака, и она является примером более общего математического термина регрессионный анализ . [ необходима цитата ]

Ключевые соображения

Методы генерации полигенных оценок у людей являются активной областью исследований. [25] [8] Два ключевых соображения при разработке полигенных оценок — это то, какие SNP и сколько SNP следует включить. Самый простой, так называемый метод «отсечения и пороговой установки», устанавливает веса, равные оценкам коэффициентов из регрессии признака для каждого генетического варианта. Включенные SNP могут быть выбраны с помощью алгоритма, который пытается гарантировать, что каждый маркер приблизительно независим.

Независимость каждого SNP важна для точности прогнозирования оценки. SNP, которые физически близки друг к другу, с большей вероятностью будут находиться в неравновесном сцеплении , то есть они обычно наследуются вместе и, следовательно, не обеспечивают независимой предсказательной силы. Это то, что называется «отсечением». «Пороговое» означает использование только SNP, которые соответствуют определенному пороговому значению p. [26]

Регрессия со штрафом также может использоваться для построения полигенных оценок. [2] [27] Из предварительной информации регрессия со штрафом назначает вероятности: 1) того, сколько генетических вариантов, как ожидается, повлияют на признак, и 2) распределения их размеров эффекта. Эти методы фактически «штрафуют» большие коэффициенты в модели регрессии и консервативно уменьшают их. Одним из популярных инструментов для этого подхода является «PRS-CS». [28] Другой заключается в использовании определенных байесовских методов , впервые предложенных в 2001 году, которые напрямую включают генетические особенности данного признака, а также геномные особенности, такие как неравновесие сцепления. [29] (Один байесовский метод использует «прогнозирование неравновесия сцепления» или LDpred .) [6] [30]

Продолжают описываться новые подходы к разработке полигенных оценок риска. Например, путем включения размеров эффекта от популяций разного происхождения можно улучшить предсказательную способность оценок. [31] Включение знаний о функциональных ролях определенных геномных фрагментов может улучшить полезность оценок. [32] Исследования изучили производительность этих методов на стандартизированном наборе данных. [33]

Применение к людям

Поскольку число исследований ассоциаций по всему геному резко возросло, а методы расчета полигенных оценок быстро совершенствуются, наиболее очевидным применением является их применение в клинических условиях для прогнозирования заболеваний или стратификации риска. Важно не переоценивать и не недооценивать значение полигенных оценок. Ключевым преимуществом количественной оценки полигенного вклада для каждого человека является то, что генетическая предрасположенность не меняется на протяжении всей жизни человека. Однако, хотя болезнь может иметь сильный генетический вклад, риск, возникающий из-за генетики, должен интерпретироваться в контексте факторов окружающей среды. Например, даже если у человека высокий генетический риск алкоголизма, этот риск уменьшается, если этот человек никогда не подвергался воздействию алкоголя. [26]

Прогностическая эффективность у людей

Для людей, хотя большинство полигенных оценок недостаточно предсказательно для диагностики заболеваний, их можно использовать в дополнение к другим ковариатам (таким как возраст, ИМТ, статус курения) для улучшения оценок восприимчивости к заболеваниям. [26] [8] [13] Однако, даже если полигенная оценка не может давать надежных диагностических прогнозов для всей популяции, она все равно может давать очень точные прогнозы для выбросов с крайне высоким или низким риском. Клиническая полезность, таким образом, может быть большой, даже если средние показатели эффективности прогнозирования являются умеренными. [11]

Хотя такие проблемы, как более низкая прогностическая эффективность у лиц неевропейского происхождения, ограничивают широкое использование, [34] несколько авторов отметили, что некоторые причинные варианты для некоторых состояний, но не для других, являются общими для европейцев и других групп на разных континентах, например, для ИМТ и диабета 2 типа в африканских популяциях [35], а также шизофрении в китайских популяциях. [36] Другие исследователи признают, что полигенная недооценка в неевропейской популяции должна стимулировать новые GWAS, которые отдают приоритет большему генетическому разнообразию, чтобы максимизировать потенциальные преимущества для здоровья, приносимые прогностическими полигенными оценками. [37] Значительные научные усилия прилагаются в этом направлении. [38]

Генетический скрининг эмбрионов является обычным явлением, и каждый год по всему миру проводится биопсия и тестирование миллионов эмбрионов. Методы генотипирования были разработаны таким образом, чтобы можно было определить генотип эмбриона с высокой точностью. [39] [40] Тестирование на анеуплоидию и моногенетические заболевания все чаще становится общепринятым на протяжении десятилетий, в то время как тесты на полигенные заболевания начали применяться совсем недавно, впервые применив их при отборе эмбрионов в 2019 году. [41] Использование полигенных оценок для отбора эмбрионов подверглось критике из-за предполагаемых этических проблем и проблем безопасности, а также ограниченной практической полезности. [42] [43] [44] Однако были выдвинуты оценки, специфичные для признаков, утверждающие обратное [45] [46] , а также были выдвинуты этические аргументы в пользу отбора эмбрионов на основе ПГС. [47] [48] [49] Эта тема продолжает оставаться активной областью исследований не только в области геномики, но и в области клинических приложений и этики.

По состоянию на 2019 год полигенные оценки более чем ста фенотипов были разработаны на основе статистики ассоциаций по всему геному. [50] Они включают оценки, которые можно классифицировать как антропометрические, поведенческие, сердечно-сосудистые, нераковые заболевания, психиатрические/неврологические и реакцию на лечение/лекарства. [51]

Прогнозируемый и фактический рост с использованием полигенной оценки риска

Примеры эффективности прогнозирования заболеваний

При прогнозировании риска заболевания PGS дает непрерывную оценку, которая оценивает риск наличия или возникновения заболевания в течение некоторого заранее определенного периода времени. Общей метрикой для оценки таких непрерывных оценок вопросов «да/нет» (см. Двоичная классификация ) является площадь под кривой ROC (AUC). Некоторые примеры результатов производительности PGS, измеренные в AUC (0 ≤ AUC ≤ 1, где большее число подразумевает лучшее предсказание), включают:

Важность размера выборки

Эффективность предиктора PGS увеличивается с размером выборки данных, доступной для обучения. Здесь показано для гипертонии, гипотиреоза и диабета 2 типа. Ось x обозначает количество случаев (т. е. лиц с заболеванием), присутствующих в обучающих данных, и использует логарифмическую шкалу. Весь диапазон составляет от 1000 случаев до более 100 000 случаев. Количество контролей (т. е. лиц без заболевания) в обучающих данных было намного больше количества случаев. Эти конкретные предикторы были обучены с использованием алгоритма LASSO . [17]

Эффективность полигенного предиктора во многом зависит от размера набора данных, доступного для анализа и обучения МО. Недавний научный прогресс в области предсказательной силы во многом зависит от создания и расширения крупных биобанков , содержащих данные как по генотипам, так и по фенотипам очень многих людей. По состоянию на 2021 год существует несколько биобанков с сотнями тысяч образцов, т. е. записей данных как с генетической, так и с информацией о признаках для каждого человека (см., например, неполный список биобанков ).

При использовании этих растущих биобанков данные многих тысяч людей используются для обнаружения соответствующих вариантов для определенного признака. Точное количество требуемых вариантов во многом зависит от рассматриваемого признака. Обычно наблюдается повышение уровня прогнозирования до фазы плато, когда производительность выравнивается и не сильно меняется при дальнейшем увеличении размера выборки. Это предел того, насколько точным может быть полигенный предиктор, который использует только генетическую информацию, и он устанавливается наследуемостью определенного признака. Размер выборки, необходимый для достижения этого уровня производительности для определенного признака, определяется сложностью базовой генетической архитектуры и распределением генетической дисперсии в выборочной популяции. Эта зависимость от размера выборки проиллюстрирована на рисунке для гипотиреоза, гипертонии и диабета 2 типа.

Обратите внимание еще раз, что текущие методы построения полигенных предикторов чувствительны к предкам, присутствующим в данных. По состоянию на 2021 год большинство доступных данных были в основном по популяциям с европейским происхождением, что является причиной того, что PGS, как правило, работает лучше в пределах этого происхождения. Для исправления этого перекошенного доступа к медицине на основе PGS и ее преимуществ требуется создание более разнообразных биобанков с успешным набором из всех предков. [37]

Клиническая полезность и текущее использование

Знаковое исследование, изучающее роль полигенных оценок риска при сердечно-сосудистых заболеваниях, усилило интерес к клиническому потенциалу полигенных оценок. [4] Это исследование показало, что у человека с наивысшим полигенным показателем риска (верхний 1%) пожизненный риск сердечно-сосудистых заболеваний составлял >10%, что сопоставимо с риском для людей с редкими генетическими вариантами. Это сравнение важно, поскольку на клиническую практику можно влиять, зная, у каких людей есть эта редкая генетическая причина сердечно-сосудистых заболеваний. [55] После этого исследования полигенные оценки риска показали себя многообещающими для прогнозирования заболеваний по другим признакам. [8] Полигенные оценки риска были тщательно изучены при ожирении, ишемической болезни сердца, диабете, раке молочной железы, раке предстательной железы, болезни Альцгеймера и психиатрических заболеваниях. [9]

По состоянию на январь 2021 года предоставление PRS напрямую отдельным лицам проходило исследовательские испытания в системах здравоохранения по всему миру, но пока не предлагается в качестве стандарта лечения. [56] Таким образом, большая часть использования осуществляется посредством генетического тестирования потребителей , когда ряд частных компаний сообщают PRS для ряда заболеваний и признаков. Потребители загружают данные о своем генотипе (генетическом варианте) и загружают их в онлайн-калькуляторы PRS, например, Scripps Health , Impute.me или Color Genomics . [57] Наиболее часто сообщаемой мотивацией для отдельных лиц к поиску отчетов PRS является общее любопытство (98,2%), а реакции, как правило, смешаны с распространенными неправильными толкованиями. [58] Предполагается, что личное использование PRS может способствовать выбору лечения, но необходимо больше данных. [56] По состоянию на 2020 год более типичным использованием было то, что врачи сталкиваются с лицами с коммерчески полученными PRS, специфичными для конкретных заболеваний, в ожидании, что врач их интерпретирует, что может создать дополнительную нагрузку для системы клинической помощи. [56] [59]

Проблемы и риски в клинических условиях

На фундаментальном уровне использование полигенных оценок в клиническом контексте будет иметь такие же технические проблемы, как и существующие инструменты. Например, если инструмент не проверен в разнообразной популяции, то он может усугубить различия с неравной эффективностью между популяциями. Это особенно важно в генетике, где по состоянию на 2018 год большинство исследований на сегодняшний день были проведены на европейцах. [60] Другие проблемы, которые могут возникнуть, включают в себя то, насколько точно может быть рассчитана оценка полигенного риска и насколько точной она должна быть для клинической полезности. [61] Даже если полигенная оценка точно рассчитана и откалибрована для популяции, к ее интерпретации следует подходить с осторожностью. Во-первых, важно понимать, что полигенные признаки отличаются от моногенных признаков; последние происходят из меньшего количества генетических локусов и могут быть обнаружены более точно. Генетические тесты часто трудно интерпретировать и требуют генетического консультирования. В настоящее время результаты полигенных оценок предоставляются клиницистам. [62] Поскольку моногенное генетическое тестирование гораздо более зрелое, чем полигенные оценки, мы можем обратиться к нему для приблизительного определения клинического воздействия полигенных оценок. Хотя некоторые исследования обнаружили негативные эффекты возврата моногенных генетических результатов пациентам, [63] большинство исследований показывают, что негативные последствия незначительны. [64]

Преимущества для людей

В отличие от многих других методов клинической лаборатории или визуализации, генетический риск зародышевой линии человека может быть рассчитан при рождении для различных заболеваний после однократного секвенирования его ДНК. [61] [8] Таким образом, полигенные баллы могут в конечном итоге стать экономически эффективной мерой, которая может быть информативной для клинического управления. Более того, балл полигенного риска может быть информативным на протяжении всей жизни человека, помогая количественно оценить генетический пожизненный риск для определенных заболеваний. Для многих заболеваний наличие сильного генетического риска может привести к более раннему началу проявления (например, семейная гиперхолестеринемия). [65] Раннее распознавание повышенного генетического бремени может позволить врачам вмешаться раньше и избежать отсроченной диагностики. Полигенный балл можно объединить с традиционными факторами риска для повышения клинической полезности. [66] [67] [68] [69] Например, баллы полигенного риска могут помочь улучшить диагностику заболеваний. Это особенно очевидно при различении диабета 1-го и 2-го типа. [70] Аналогичным образом, подход, основанный на оценке полигенного риска, может сократить инвазивные диагностические процедуры, как это было продемонстрировано при целиакии. [71] Полигенные оценки также могут дать людям возможность изменить свой образ жизни, чтобы снизить риск заболеваний. Хотя есть некоторые доказательства изменения поведения в результате знания своей генетической предрасположенности, [72] [73] [74] требуется больше работы для оценки поведения, модифицирующего риск, в различных состояниях заболевания. [61] Скрининг на уровне популяции — еще один вариант использования полигенных оценок. Целью скрининга на уровне популяции является выявление пациентов с высоким риском заболевания, которым будет полезно существующее лечение. [75] Полигенные оценки могут определить подгруппу населения с высоким риском, которая может получить пользу от скрининга. Несколько клинических исследований проводятся в области рака молочной железы [76] [77] , а заболевания сердца — еще одна область, которая может выиграть от программы скрининга на основе полигенных оценок. [61]

Непрогностические приложения

Существует множество приложений для полигенных оценок. У людей полигенные оценки изначально вычислялись в попытке предсказать распространенность и этиологию сложных наследственных заболеваний, которые обычно подвержены влиянию многих генетических вариантов, которые по отдельности оказывают небольшое влияние на общий риск. Кроме того, полигенную оценку можно использовать несколькими способами: как нижнюю границу для проверки того, могут ли оценки наследуемости быть смещенными; как меру генетического перекрытия признаков ( генетическая корреляция ), которая может указывать, например, на общие генетические основы для групп психических расстройств; как средство оценки групповых различий в признаке, таком как рост, или для изучения изменений признака с течением времени из-за естественного отбора, указывающего на мягкую селективную развертку (например, для интеллекта, где изменения в частоте были бы слишком малы для обнаружения при каждом индивидуальном попадании, но не в общем полигенном показателе); в менделевской рандомизации (предполагая отсутствие плейотропии с соответствующими признаками); для обнаружения и контроля наличия генетических помех в результатах (например, корреляция шизофрении с бедностью); или исследовать взаимодействия и корреляции генов и окружающей среды . Полигенные оценки также имеют полезные статистические свойства в (геномном) ассоциативном тестировании, например, для учета фоновых эффектов, специфичных для результата, и/или улучшения статистической мощности . [78] [79] [80]

Применение на нечеловеческих видах

Преимущество полигенных оценок заключается в том, что их можно использовать для прогнозирования будущего сельскохозяйственных культур, разведения животных и людей. Хотя в основе этих областей прогнозирования лежат одни и те же базовые концепции, они сталкиваются с разными проблемами, требующими разных методологий. Возможность создания очень большого размера семьи у нечеловеческих видов, сопровождаемая преднамеренным отбором, приводит к меньшей эффективной популяции, более высоким степеням неравновесия сцепления между особями и более высокой средней генетической родственности среди особей в популяции. Например, представители пород растений и животных, которые эффективно созданы людьми, такие как современная кукуруза или домашний скот , все технически «родственны». В человеческом геномном прогнозировании, напротив, неродственные особи в больших популяциях выбираются для оценки эффектов общих SNP. Из-за меньшей эффективной популяции у домашнего скота средний коэффициент родства между любыми двумя особями, вероятно, высок, и общие SNP будут отмечать причинные варианты на большем физическом расстоянии, чем у людей; это основная причина более низких оценок наследуемости на основе SNP для людей по сравнению с домашним скотом. Однако в обоих случаях размер выборки является ключевым фактором для максимизации точности геномного прогноза. [81]

В то время как современная геномная предсказательная оценка у людей обычно называется «полигенной оценкой» (PGS) или «оценкой полигенного риска» (PRS), в животноводстве более распространенным термином является «геномная оценочная племенная ценность» или GEBV (похожая на более привычную «EBV», но с генотипическими данными). Концептуально GEBV — это то же самое, что и PGS: линейная функция генетических вариантов, каждый из которых взвешен по кажущемуся эффекту варианта. Несмотря на это, полигенное предсказание у домашнего скота полезно по принципиально иной причине, чем у людей. У людей PRS используется для предсказания индивидуального фенотипа, в то время как у домашнего скота GEBV обычно используется для предсказания среднего значения интересующего фенотипа у потомства с точки зрения генетического материала, унаследованного им от родителя. Таким образом, GEBV можно понимать как среднее значение потомства отдельного животного или пары отдельных животных. GEBV также обычно сообщаются в единицах интересующего признака. Например, ожидаемое увеличение молочной продуктивности потомства конкретного родителя по сравнению с потомством из контрольной популяции может быть типичным способом использования гена ...

Примечания

A. ^ В препринте указана AUC для чистого PRS, тогда как в опубликованной версии статьи указана только AUC для PGS в сочетании с информацией о возрасте, поле и генотипировании.

Ссылки

  1. ^ Грегори, Джиллиан; Дас Гупта, Кухели; Мейзер, Беттина; Барлоу-Стюарт, Кристин; Гилан-Смолл, Питер; Каур, Раджниш; Шиперс-Джойнт, Матже; МакИнерни, Симона; Тейлор, Шелби; Антилл, Йоланд; Салмон, Люсинда; Смит, Кортни; Янг, Мэри-Энн; Джеймс, Пол А; Янес, Татьяна (февраль 2022 г.). «Полигенный риск при семейном раке груди: изменение динамики сообщения о генетическом риске». Журнал генетического консультирования . 31 (1): 120–129. doi :10.1002/jgc4.1458. hdl : 1959.4/unsworks_78566 . PMID  34223688. S2CID  235732957.
  2. ^ ab de Vlaming R, Groenen PJ (2015). «Текущее и будущее использование гребневой регрессии для прогнозирования в количественной генетике». BioMed Research International . 2015 : 143712. doi : 10.1155/2015/143712 . PMC 4529984. PMID  26273586 . 
  3. ^ Льюис CM, Вассос E (ноябрь 2017 г.). «Перспективы использования оценок риска в полигенной медицине». Genome Medicine . 9 (1): 96. doi : 10.1186/s13073-017-0489-y . PMC 5683372 . PMID  29132412. 
  4. ^ abcd Khera AV, Chaffin M, Aragam KG, Haas ME, Roselli C, Choi SH и др. (сентябрь 2018 г.). «Полигенные оценки генома для распространенных заболеваний выявляют людей с риском, эквивалентным моногенным мутациям». Nature Genetics . 50 (9): 1219–1224. doi :10.1038/s41588-018-0183-z. PMC 6128408 . PMID  30104762. 
  5. ^ Янес Т., Мейсер Б., Каур Р., Шиперс-Джойнт М., МакИнерни С., Тейлор С. и др. (март 2020 г.). «Поглощение информации о полигенном риске среди женщин с повышенным риском рака груди». Клиническая генетика . 97 (3): 492–501. doi : 10.1111/cge.13687. hdl : 11343/286783 . PMID  31833054. S2CID  209342044.
  6. ^ ab Vilhjálmsson BJ, Yang J, Finucane HK, Gusev A, Lindström S, Ripke S, et al. (октябрь 2015 г.). «Моделирование неравновесия сцепления повышает точность оценок полигенного риска». American Journal of Human Genetics . 97 (4): 576–592. doi :10.1016/j.ajhg.2015.09.001. PMC 4596916 . PMID  26430803. 
  7. ^ Дадбридж Ф. (март 2013 г.). «Мощность и прогностическая точность оценок полигенного риска». PLOS Genetics . 9 (3): e1003348. doi : 10.1371/journal.pgen.1003348 . PMC 3605113. PMID  23555274 . 
  8. ^ abcde Torkamani A, Wineinger NE, Topol EJ (сентябрь 2018 г.). «Персональная и клиническая полезность полигенных оценок риска». Nature Reviews. Genetics . 19 (9): 581–590. doi :10.1038/s41576-018-0018-x. PMID  29789686. S2CID  46893131.
  9. ^ ab Lambert SA, Abraham G, Inouye M (ноябрь 2019 г.). «К клинической полезности полигенных оценок риска». Молекулярная генетика человека . 28 (R2): R133–R142. doi : 10.1093/hmg/ddz187 . PMID  31363735.
  10. ^ Regalado A (8 марта 2019 г.). «23andMe считает, что полигенные оценки риска готовы для масс, но эксперты в этом не уверены». MIT Technology Review . Получено 14 августа 2020 г.
  11. ^ abcde Lello L, Raben TG, Yong SY, Tellier LC, Hsu SD (октябрь 2019 г.). «Геномное прогнозирование 16 рисков сложных заболеваний, включая сердечный приступ, диабет, рак молочной железы и простаты». Scientific Reports . 9 (1): 15286. Bibcode :2019NatSR...915286L. doi : 10.1038/s41598-019-51258-x . PMC 6814833 . PMID  31653892. 
  12. ^ Visscher PM, Wray NR, Zhang Q, Sklar P, McCarthy MI, Brown MA, Yang J (июль 2017 г.). «10 лет открытий GWAS: биология, функция и перевод». American Journal of Human Genetics . 101 (1): 5–22. doi :10.1016/j.ajhg.2017.06.005. PMC 5501872. PMID  28686856 . 
  13. ^ ab Spiliopoulou A, Nagy R, Bermingham ML, Huffman JE, Hayward C, Vitart V и др. (июль 2015 г.). «Геномное предсказание сложных человеческих черт: родство, архитектура черт и предиктивные метамодели». Human Molecular Genetics . 24 (14): 4167–4182. doi :10.1093/hmg/ddv145. PMC 4476450 . PMID  25918167. 
  14. ^ Spindel JE, McCouch SR (декабрь 2016 г.). «Когда больше — значит лучше: как обмен данными ускорит геномную селекцию сельскохозяйственных культур». The New Phytologist . 212 (4): 814–826. doi : 10.1111/nph.14174 . PMID  27716975.
  15. ^ «Современная генетика улучшит здоровье и приведет к появлению «дизайнерских» детей». The Economist . 2019-11-09 . Получено 2021-04-12 .
  16. ^ "Тест может предсказать риск будущих сердечных заболеваний всего за 40 фунтов стерлингов". The Guardian . 2018-10-08 . Получено 2021-04-12 .
  17. ^ ab Raben TG, Lello L, Widen E, Hsu SD (14.01.2021). «От генотипа к фенотипу: полигенное предсказание сложных человеческих черт». arXiv : 2101.05870 [q-bio].
  18. ^ «Подход к общей генетической оценке надежно предсказывает сердечные заболевания». Science Daily . 2019-06-11 . Получено 2021-04-12 .
  19. ^ Weedon MN, McCarthy MI, Hitman G, Walker M, Groves CJ, Zeggini E и др. (октябрь 2006 г.). «Объединение информации из распространенных полиморфизмов риска диабета 2 типа улучшает прогнозирование заболевания». PLOS Medicine . 3 (10): e374. doi : 10.1371/journal.pmed.0030374 . PMC 1584415 . PMID  17020404. 
  20. ^ Meuwissen TH, Hayes BJ, Goddard ME (апрель 2001 г.). «Прогнозирование общей генетической ценности с использованием плотных карт маркеров по всему геному». Genetics . 157 (4): 1819–1829. doi :10.1093/genetics/157.4.1819. PMC 1461589 . PMID  11290733. 
  21. ^ Crouch DJ, Bodmer WF (август 2020 г.). «Полигенное наследование, GWAS, полигенные оценки риска и поиск функциональных вариантов». Труды Национальной академии наук Соединенных Штатов Америки . 117 (32): 18924–18933. Bibcode : 2020PNAS..11718924C. doi : 10.1073 / pnas.2005634117 . PMC 7431089. PMID  32753378. 
  22. ^ Wray NR, Goddard ME, Visscher PM (октябрь 2007 г.). «Прогнозирование индивидуального генетического риска заболевания на основе исследований ассоциаций по всему геному». Genome Research . 17 (10): 1520–1528. doi :10.1101/gr.6665407. PMC 1987352 . PMID  17785532. 
  23. ^ Purcell SM, Wray NR, Stone JL, Visscher PM, O'Donovan MC, Sullivan PF, Sklar P (август 2009). «Распространенная полигенная вариация способствует риску шизофрении и биполярного расстройства». Nature . 460 (7256): 748–752. Bibcode :2009Natur.460..748P. doi :10.1038/nature08185. PMC 3912837 . PMID  19571811. 
  24. ^ Choi SW, Mak TS, O'Reilly PF (  сентябрь 2020 г.). «Учебное пособие: руководство по проведению анализа полигенных оценок риска». Nature Protocols . 15 (9): 2759–2772. doi :10.1038/s41596-020-0353-1. PMC 7612115. PMID 32709988. S2CID  220732490. 
  25. ^ Wand H, Lambert SA, Tamburro C, Iacocca MA, O'Sullivan JW, Sillari C и др. (март 2021 г.). «Улучшение стандартов отчетности для полигенных оценок в исследованиях по прогнозированию риска». Nature . 591 (7849): 211–219. Bibcode :2021Natur.591..211W. doi :10.1038/s41586-021-03243-6. PMC 8609771 . PMID  33692554. 
  26. ^ abc Lewis CM, Vassos E (май 2020 г.). «Оценки полигенного риска: от исследовательских инструментов до клинических инструментов». Genome Medicine . 12 (1): 44. doi : 10.1186/s13073-020-00742-5 . PMC 7236300 . PMID  32423490. 
  27. ^ Vattikuti S, Lee JJ, Chang CC, Hsu SD, Chow CC (2014). «Применение сжатого зондирования к исследованиям ассоциаций на уровне генома». GigaScience . 3 (1): 10. doi : 10.1186/2047-217X-3-10 . PMC 4078394 . PMID  25002967. 
  28. ^ Ge T, Chen CY, Ni Y, Feng YA, Smoller JW (апрель 2019 г.). «Полигенное предсказание с помощью байесовской регрессии и непрерывного сокращения априорных значений». Nature Communications . 10 (1): 1776. Bibcode :2019NatCo..10.1776G. doi :10.1038/s41467-019-09718-5. PMC 6467998 . PMID  30992449. 
  29. ^ Meuwissen TH, Hayes BJ, Goddard ME (апрель 2001 г.). «Прогнозирование общей генетической ценности с использованием плотных карт маркеров по всему геному». Genetics . 157 (4): 1819–1829. doi :10.1093/genetics/157.4.1819. PMC 1461589 . PMID  11290733. 
  30. ^ Privé F, Arbel J, Vilhjálmsson BJ (декабрь 2020 г.). «LDpred2: лучше, быстрее, сильнее». Биоинформатика . 36 (22–23): 5424–5431. doi : 10.1093/bioinformatics/btaa1029. PMC 8016455. PMID  33326037. 
  31. ^ Márquez-Luna C, Loh PR, Price AL (декабрь 2017 г.). «Многоэтнические полигенные показатели риска улучшают прогнозирование риска в различных популяциях». Genetic Epidemiology . 41 (8): 811–823. doi :10.1002/gepi.22083. PMC 5726434 . PMID  29110330. 
  32. ^ Hu Y, Lu Q, Powles R, Yao X, Yang C, Fang F и др. (июнь 2017 г.). Rigoutsos I (ред.). «Использование функциональных аннотаций в прогнозировании генетического риска сложных заболеваний человека». PLOS Computational Biology . 13 (6): e1005589. Bibcode : 2017PLSCB..13E5589H. doi : 10.1371/journal.pcbi.1005589 . PMC 5481142. PMID  28594818 . 
  33. ^ Ni G, Zeng J, Revez JA, Wang Y, Zheng Z, Ge T и др. (ноябрь 2021 г.). «Сравнение десяти методов полигенной оценки психических расстройств, применяемых в нескольких когортах». Биологическая психиатрия . 90 (9): 611–620. doi :10.1016/j.biopsych.2021.04.018. PMC 8500913. PMID  34304866 . 
  34. ^ Дункан Л., Шен Х., Гелай Б., Мейсен Дж., Ресслер К., Фельдман М. и др. (июль 2019 г.). «Анализ использования и эффективности оценки полигенного риска в различных популяциях человека». Nature Communications . 10 (1): 3328. Bibcode :2019NatCo..10.3328D. doi :10.1038/s41467-019-11112-0. PMC 6658471 . PMID  31346163. 
  35. ^ Wang Y, Guo J, Ni G, Yang J, Visscher PM, Yengo L (июль 2020 г.). «Теоретическая и эмпирическая количественная оценка точности полигенных оценок в популяциях с разным происхождением». Nature Communications . 11 (1): 3865. Bibcode :2020NatCo..11.3865W. doi :10.1038/s41467-020-17719-y. PMC 7395791 . PMID  32737319. 
  36. ^ Li Z, Chen J, Yu H, He L, Xu Y, Zhang D и др. (ноябрь 2017 г.). «Анализ ассоциаций по всему геному выявил 30 новых локусов восприимчивости к шизофрении» (PDF) . Nature Genetics . 49 (11): 1576–1583. doi :10.1038/ng.3973. PMID  28991256. S2CID  205355668.
  37. ^ ab Martin AR, Kanai M, Kamatani Y, Okada Y, Neale BM, Daly MJ (апрель 2019 г.). «Клиническое использование текущих полигенных оценок риска может усугубить различия в состоянии здоровья». Nature Genetics . 51 (4): 584–591. doi :10.1038/s41588-019-0379-x. PMC 6563838 . PMID  30926966. 
  38. ^ "Разнообразие и инклюзивность". Программа исследований "Все мы" | NIH . 2020-06-24 . Получено 2023-05-24 .
  39. ^ Zeevi DA, Backenroth D, Hakam-Spector E, Renbaum P, Mann T, Zahdeh F и др. (Июль 2021 г.). «Расширенная клиническая валидация Haploseek для комплексного предимплантационного генетического тестирования». Genetics in Medicine . 23 (7): 1334–1340. doi : 10.1038/s41436-021-01145-6 . PMID  33772222. S2CID  232377300.
  40. ^ Treff NR, Zimmerman R, Bechor E, Hsu J, Rana B, Jensen J и др. (август 2019 г.). «Валидация одновременного предимплантационного генетического тестирования на полигенные и моногенные нарушения, структурные перестройки и анеуплоидию целых и сегментарных хромосом с использованием единой универсальной платформы». European Journal of Medical Genetics . 62 (8): 103647. doi : 10.1016/j.ejmg.2019.04.004 . PMID  31026593.
  41. ^ Кэри Голдберг (17.09.2021). «Выбор эмбрионов с наилучшими шансами на здоровье порождает новые дебаты о ДНК». Bloomberg News . Архивировано из оригинала 17.09.2021. Ауреа, похоже, первый ребенок, родившийся после нового типа ДНК-тестирования, которое дало ей «полигенную оценку риска». ... Ее родители прошли лечение бесплодия в 2019 году ...
  42. ^ Бирни Э. (11 ноября 2019 г.). «Почему использование оценок генетического риска на эмбрионах неправильно». ewanbirney.com . Получено 16.12.2020 .
  43. ^ Каравани Э., Зук О., Зеви Д., Барзилай Н., Стефанис Н.К., Хациманолис А. и др. (ноябрь 2019 г.). «Проверка человеческих эмбрионов на наличие полигенных признаков имеет ограниченную полезность». Клетка . 179 (6): 1424–1435.e8. дои : 10.1016/j.cell.2019.10.033. ПМК 6957074 . ПМИД  31761530. 
  44. ^ Lázaro-Muñoz G, Pereira S, Carmi S, Lencz T (март 2021 г.). «Скрининг эмбрионов на полигенные состояния и признаки: этические аспекты новой технологии». Genetics in Medicine . 23 (3): 432–434. doi :10.1038/s41436-020-01019-3. PMC 7936952. PMID  33106616 . 
  45. ^ Treff NR, Eccles J, Marin D, Messick E, Lello L, Gerber J и др. (июнь 2020 г.). «Преимплантационное генетическое тестирование для снижения относительного риска полигенных заболеваний: оценка эффективности геномного индекса у 11 883 взрослых пар братьев и сестер». Genes . 11 (6): 648. doi : 10.3390/genes11060648 . PMC 7349610 . PMID  32545548. 
  46. ^ Treff NR, Eccles J, Lello L, Bechor E, Hsu J, Plunkett K и др. (2019-12-04). «Полезность и первое клиническое применение скрининга эмбрионов для снижения риска полигенных заболеваний». Frontiers in Endocrinology . 10 (845): 845. doi : 10.3389/fendo.2019.00845 . PMC 6915076. PMID  31920964 . 
  47. ^ Munday S, Savulescu J (январь 2021 г.). «Три модели регуляции полигенных оценок в репродукции». Журнал медицинской этики . 47 (12): e91. doi : 10.1136/medethics-2020-106588 . PMC 8639919. PMID  33462079 . 
  48. ^ Kemper JM, Gyngell C, Savulescu J (сентябрь 2019 г.). «Субсидирование PGD: моральное обоснование финансирования генетического отбора». Journal of Bioethical Inquiry . 16 (3): 405–414. doi : 10.1007/s11673-019-09932-2 . PMC 6831526. PMID  31418161 . 
  49. ^ Savulescu J (октябрь 2001 г.). Francis L (ред.). «Прокреативная благодеятельность: почему мы должны выбирать лучших детей». Bioethics . 15 (5–6): 413–426. doi :10.1093/oxfordhb/9780199981878.013.26. ISBN 978-0-19-998187-8. PMID  12058767.
  50. ^ "Каталог полигенных оценок (PGS)". Каталог полигенных оценок (PGS) . Получено 29 апреля 2020 г. Открытая база данных полигенных оценок и соответствующих метаданных, необходимых для точного применения и оценки.
  51. ^ Richardson TG, Harrison S, Hemani G, Davey Smith G (март 2019 г.). «Атлас ассоциаций полигенных оценок риска для выявления предполагаемых причинно-следственных связей в человеческом феномене». eLife . 8 : e43657. doi : 10.7554/eLife.43657 . PMC 6400585 . PMID  30835202. 
  52. ^ Khera A, Chaggin M, Aragam KG, Emdin CA, Klarin D, Haas ME, Roselli C, Natarajan P, Kathiresan S (15.11.2017). «Полигенная оценка генома для определения моногенного эквивалента риска ишемической болезни сердца». bioRxiv 10.1101/218388 . 
  53. ^ Mavaddat N, Michailidou K, Dennis J, Lush M, Fachal L, Lee A и др. (январь 2019 г.). «Полигенные показатели риска для прогнозирования рака молочной железы и подтипов рака молочной железы». American Journal of Human Genetics . 104 (1): 21–34. doi : 10.1016/j.ajhg.2018.11.002 . PMC 6323553 . PMID  30554720. 
  54. ^ Ripke S, Walters JT, O'Donovan MC и др. (Рабочая группа по шизофрении Консорциума психиатрической геномики) (2020-09-12). «Картирование геномных локусов приоритизирует гены и подразумевает синаптическую биологию при шизофрении». medRxiv 10.1101/2020.09.12.20192922 . 
  55. ^ Wray NR, Lin T, Austin J, McGrath JJ, Hickie IB, Murray GK, Visscher PM (январь 2021 г.). «От фундаментальной науки к клиническому применению полигенных шкал риска: учебник». JAMA Psychiatry . 78 (1): 101–109. doi :10.1001/jamapsychiatry.2020.3049. ISSN  2168-622X. PMID  32997097. S2CID  222169651.
  56. ^ abc Wray NR, Lin T, Austin J, McGrath JJ, Hickie IB, Murray GK, Visscher PM (январь 2021 г.). «От фундаментальной науки к клиническому применению полигенных шкал риска: учебник». JAMA Psychiatry . 78 (1): 101–109. doi :10.1001/jamapsychiatry.2020.3049. ISSN  2168-622X. PMID  32997097. S2CID  222169651.
  57. ^ Брокман Д.Г., Петронио Л., Дрон Дж.С., Квон Б.К., Восберг Т., Нип Л. и др. (октябрь 2021 г.). «Проектирование и тестирование пользовательского опыта отчета о полигенной оценке: качественное исследование потенциальных пользователей». BMC Medical Genomics . 14 (1): 238. doi : 10.1186/s12920-021-01056-0 . PMC 8485114 . PMID  34598685. 
  58. ^ Пек Л., Борле К., Фолкерсен Л., Остин Дж. (июль 2021 г.). «Почему люди ищут полигенные оценки риска для сложных расстройств, и как они понимают и реагируют на результаты?». Европейский журнал генетики человека . 30 (1): 81–87. doi :10.1038/s41431-021-00929-3. PMC 8738734. PMID 34276054.  S2CID 236090477  . 
  59. ^ Millward M, Tiller J, Bogwitz M, Kincaid H, Taylor S, Trainer AH, Lacaze P (сентябрь 2020 г.). «Влияние генетического тестирования напрямую к потребителю на австралийские клинические генетические услуги». European Journal of Medical Genetics . 63 (9): 103968. doi :10.1016/j.ejmg.2020.103968. PMID  32502649.
  60. ^ Sirugo G, Williams SM, Tishkoff SA (март 2019 г.). «Пропавшее разнообразие в генетических исследованиях человека». Cell . 177 (1): 26–31. doi :10.1016/j.cell.2019.02.048. PMC 7380073 . PMID  30901543. 
  61. ^ abcd Адейемо, Адебовале; Балаконис, Мэри К.; Дарнс, Дина Р.; Фатумо, Сегун; Гранадос Морено, Пальмира; Годонски, Чани Дж.; Иноуе, Майкл; Канаи, Масахиро; Като, Кадзуто; Кнопперс, Барта М.; Льюис, Анна CF; Мартин, Алисия Р.; Маккарти, Марк И.; Мейер, Мишель Н.; Окада, Юкинори; Ричардс, Дж. Брент; Рихтер, Лукас; Рипатти, Самули; Ротими, Чарльз Н.; Сандерсон, Саския К.; Штурм, Эми К.; Вердуго, Рикардо А.; Уиден, Элизабет; Уиллер, Кристен Дж.; Войчик, Женевьева Л.; Чжоу, Алисия (ноябрь 2021 г.). «Ответственное использование полигенных оценок риска в клинике: потенциальные преимущества, риски и пробелы». Nature Medicine . 27 (11): 1876–1884. doi : 10.1038/s41591-021-01549-6 . PMID  34782789. S2CID  244131258.
  62. ^ Брокман Д.Г., Петронио Л., Дрон Дж.С., Квон Б.К., Восбург Т., Нип Л. и др. (январь 2021 г.). «Проектирование и тестирование пользовательского опыта отчета о полигенной оценке: качественное исследование потенциальных пользователей». стр. 238. medRxiv 10.1101/2021.04.14.21255397 . 
  63. ^ Lineweaver TT, Bondi MW, Galasko D, Salmon DP (февраль 2014 г.). «Влияние знания генотипа APOE на субъективную и объективную производительность памяти у здоровых пожилых людей». Американский журнал психиатрии . 171 (2): 201–208. doi :10.1176/appi.ajp.2013.12121590. PMC 4037144. PMID  24170170 . 
  64. ^ Parens E, Appelbaum PS (май 2019 г.). «О том, что мы узнали и что нам еще предстоит узнать о психосоциальном воздействии генетического тестирования». Отчет Hastings Center . 49 (Suppl 1): S2–S9. doi :10.1002/hast.1011. PMC 6640636. PMID 31268574.  S2CID 195786850  . 
  65. ^ Varghese MJ (май 2014 г.). «Семейная гиперхолестеринемия: обзор». Annals of Pediatric Cardiology . 7 (2): 107–117. doi : 10.4103 /0974-2069.132478 . PMC 4070199. PMID  24987256. 
  66. ^ Ганна А, Магнуссон П.К., Педерсен Н.Л., де Фэр У., Рейлли М., Арнлов Дж. и др. (сентябрь 2013 г.). «Мультилокусные генетические показатели риска для прогнозирования ишемической болезни сердца». Артериосклероз, тромбоз и сосудистая биология . 33 (9): 2267–2272. doi : 10.1161/atvbaha.113.301218 . PMID  23685553. S2CID  182105.
  67. ^ Merry AH (2010). Ишемическая болезнь сердца в Нидерландах: заболеваемость, этиология и прогнозирование риска (диссертация). Университет Маастрихта. doi : 10.26481/dis.20101210am . ISBN 9789052789873.
  68. ^ Nadir MA, Struthers AD (апрель 2011 г.). «Семейный анамнез преждевременной ишемической болезни сердца и прогнозирование риска». Heart . 97 (8): 684, ответ автора 684. doi :10.1136/hrt.2011.222265. PMID  21367743. S2CID  36394971.
  69. ^ Нил Б. (2019-11-26). «Рекомендация профессорско-преподавательского состава по геномному прогнозированию риска ишемической болезни сердца у 480 000 взрослых: последствия для первичной профилактики». Журнал Американского колледжа кардиологии . doi : 10.3410/f.734171897.793567857 . S2CID  212766426.
  70. ^ Oram RA, Patel K, Hill A, Shields B, McDonald TJ, Jones A и др. (март 2016 г.). «Генетическая оценка риска диабета 1 типа может помочь в различении диабета 1 и 2 типа у молодых взрослых». Diabetes Care . 39 (3): 337–344. doi :10.2337/dc15-1111. PMC 5642867 . PMID  26577414. 
  71. ^ Sharp SA, Jones SE, Kimmitt RA, Weedon MN, Halpin AM, Wood AR и др. (октябрь 2020 г.). «Оценка генетического риска полиморфизма одного нуклеотида для помощи в диагностике целиакии: пилотное исследование в клинической практике». Alimentary Pharmacology & Therapeutics . 52 (7): 1165–1173. doi : 10.1111/apt.15826 . PMID  32790217. S2CID  221127365.
  72. ^ McBride CM, Koehly LM, Sanderson SC, Kaphingst KA (2010-03-01). «Поведенческая реакция на персонализированную генетическую информацию: будут ли профили генетического риска мотивировать отдельных лиц и семьи выбирать более здоровое поведение?». Annual Review of Public Health . 31 (1): 89–103. doi : 10.1146/annurev.publhealth.012809.103532 . PMID  20070198.
  73. ^ Saya S, McIntosh JG, Winship IM, Clendenning M, Milton S, Oberoi J, et al. (2020). «Геномный тест на риск колоректального рака: приемлемо ли это и осуществимо ли в первичной медицинской помощи?». Public Health Genomics . 23 (3–4): 110–121. doi :10.1159/000508963. PMID  32688362. S2CID  220669421.
  74. ^ Turnwald BP, Goyer JP, Boles DZ, Silder A, Delp SL, Crum AJ (январь 2019 г.). «Изучение генетического риска изменяет физиологию независимо от фактического генетического риска». Nature Human Behaviour . 3 (1): 48–56. doi :10.1038/s41562-018-0483-4. PMC 6874306 . PMID  30932047. 
  75. ^ Singh Y (ноябрь 2016 г.). «Эффективность программ скрининга для выявления основных врожденных заболеваний сердца». Европейский журнал педиатрии . 175 (11): 1582. doi :10.26226/morressier.57d034ced462b80292382f40.
  76. ^ Эссерман Л. Дж. (13.09.2017). «Исследование WISDOM: выход из тупика в дебатах о скрининге рака молочной железы». npj Breast Cancer . 3 (1): 34. doi :10.1038/s41523-017-0035-5. PMC 5597574. PMID  28944288. S2CID  3313995. 
  77. ^ Farooq V, Serruys PW (июль 2018 г.). «Стратификация риска и оценки риска». В Wijns W (ред.). ESC CardioMed . Oxford University Press. стр. 1371–1384. doi :10.1093/med/9780198784906.003.0335. ISBN 978-0-19-878490-6.
  78. ^ Мбатчу, Дж; Барнард, Л; Бэкман, Дж; Маркетта, А; Космицки, Дж. А.; Зиятдинов А; Беннер, К; О'Душлейн, К; Барбер, М; Бутков Б; Хабеггер, Л; Феррейра, М; Барас, А; Рид, Дж; Абекасис, Г; Максвелл, Э; Марчини, Дж. (июль 2021 г.). «Вычислительно эффективная полногеномная регрессия для количественных и бинарных признаков». Природная генетика . 53 (7): 1097–1103. дои : 10.1038/s41588-021-00870-7 . PMID  34017140. S2CID  220044465.
  79. ^ Юргенс, С. Дж.; Пирруччелло, Дж. П.; Чой, Ш. Х.; Моррилл, В. Н.; Чаффин, М.; Любиц, С. А.; Лунетта, К. Л.; Эллинор, ПТ (23 марта 2023 г.). «Корректировка полигенных оценок распространенных вариантов улучшает результаты анализа ассоциаций редких вариантов». Nature Genetics . 55 (4): 544–548. doi :10.1038/s41588-023-01342-w. PMC 11078202 . PMID  36959364. S2CID  239054376. 
  80. ^ Беннетт, Д.; О'Ши, Д.; Фергюсон, Дж.; Моррис, Д.; Сойге, К. (1 октября 2021 г.). «Управление фоновыми генетическими эффектами с использованием полигенных оценок повышает мощность исследований ассоциаций на уровне всего генома». Scientific Reports . 11 (1): 19571. Bibcode :2021NatSR..1119571B. doi :10.1038/s41598-021-99031-3. PMC 8486788 . PMID  34599249. 
  81. ^ ab Wray NR, Kemper KE, Hayes BJ, Goddard ME, Visscher PM (апрель 2019 г.). «Прогнозирование сложных признаков на основе геномных данных: сравнение EBV у домашнего скота с PRS у людей: геномное прогнозирование». Genetics . 211 (4): 1131–1141. doi :10.1534/genetics.119.301859. PMC 6456317 . PMID  30967442. 

Дальнейшее чтение

Внешние ссылки