利用全基因组表达数据对比评价九种遗传预测模型方法

摘要

目的 研究稀疏模型(Lasso、ENET、ssLasso、贝叶斯变量选择回归模型(BVSR))与多基因模型(线性混合模型(LMM)、贝叶斯稀疏线性混合模型(BSLMM)、狄利克雷回归模型(DPR))等九种遗传预测方法在全基因组表达数据中对复杂疾病的遗传预测表现.方法 通过模拟研究评价每种方法 在不同的较大基因稀疏程度和不同的遗传度下的预测精度,利用乳腺癌数据进行表型预测.结果 模拟结果 显示预测方法 在满足各自的模型假设时表现结果 最好.在相同模拟假设情况下,随着遗传度的增高,模型的预测准确性也逐渐增高.BVSR运算速度和BSLMM运算速度相似,由于迭代次数的影响,BVSR与BSLMM的运算速度低于LMM.实际的乳腺癌数据显示BSLMM和DPR的预测精度优于其他方法.结论 BSLMM和DPR在不同模拟情形下和真实数据中均表现出稳健的预测能力,值得在实际应用中推荐.