다세대 점수

Polygenic score
다세대 위험 점수의 분포 및 계층화 능력에 대한 그림. 왼쪽 패널은 질병 위험의 예측에서 x축의 PRS가 대조군(질병이 없는 사람)에서 환자(즉, 질병에 걸린 사람)를 어떻게 분리할 수 있는지를 보여준다. y축은 각 그룹에 특정 PRS가 할당되는 개수를 설명한다. 오른쪽으로는 예측된 위험인 배정된 PRS에 따라 동일한 모집단을 세 그룹으로 나눈다. 관측된 위험은 Y축에 표시되며, 그룹 분리가 예측된 위험과 일치한다.

유전학에서 다세대 위험 점수(PRS), 유전자 위험 점수 또는 게놈 범위 점수라고도 불리는 다세대 위험 점수(PGS)는 개인의 표현형에 대한 많은 유전자 변형의 추정된 효과를 요약한 숫자로, 전형적으로 형질 관련 알레르기의 가중 합으로 계산된다.[1][2][3] 그것은 특정 성질에 대한 개인의 추정 유전적 소인을 반영하며, 그 성질에 대한 예측 변수로 사용될 수 있다.[4][5][6][7][8] 즉, 환경적 요인을 고려하지 않고 유전학에만 근거하여 주어진 성질을 가질 가능성이 어느 정도인지를 추정할 수 있는 것이다. 다세대 점수는 가축 사육과 작물 개량 등에 효능이 있어 동물 사육 및 식물 사육(일반적으로 게놈 예측 또는 게놈 선택이라고 함)에 널리 쓰인다.[9] 인간에서 다세대 점수는 일반적으로 게놈 전체 연관성 연구(GWAS) 데이터에서 생성된다.

최근의 유전학의 발전은 많은 중요한 복잡한 질병에 대한 위험을 포함하여 복잡한 인간 형질의 다세대적 예측 변수를 만들 수 있게 해 주었는데,[10][11] 이 예측 변수는 일반적으로 각각 전체적인 위험에 작은 영향을 주는 많은 유전적 변형에 의해 영향을 받는다.[12][13] 다세대 위험 예측기에서 질병에 대한 평생(또는 연령 범위) 위험은 수천 개의 개별 유전자 변형 상태(즉, 단일 뉴클레오티드 다형성 또는 SNP)에 따라 달라지는 점수에 의해 포착된 수치 함수다.

다세대적 점수는 과학적으로 집중적인 조사의 영역이다: 유전적 예측을 위한 학습 알고리즘, 새로운 예측 변수 훈련, 예측 변수의 유효성 검사, PRS의 임상 적용과 같은 주제에 대해 매년 수백 개의 논문이 작성된다.[14][15][16][6][11] 2018년 미국심장학회는 다세대상 위험 점수를 심장질환과 뇌졸중 연구의 주요 돌파구 중 하나로 선정했다.[17]

배경

살아있는 유기체의 DNA는 생명을 창조하는 요리책이다. 인간에서 DNA는 23개의 염색체에서 발견된 4개의 뉴클레오티드 염기(시민, 구아닌, 시토신, 아데노신)의 줄이다. 인체의 각 세포는 모두 약 30억 염기를 포함하고 있다. 인간 게놈은 크게 코딩과 비코딩 시퀀스로 구분할 수 있다. 코딩 게놈은 모든 염기 중 작은 부분을 차지하고 유전자에 대한 지시를 암호화하는 데, 그 중 일부는 단백질을 암호화하는 것이다. 남아 있는 비코딩과 인간 게놈의 다른 부분의 기능은 과학자들에 의해 계속 연구되고 있다. 게놈의 광범위한 연관성 연구는 인간이나 비인종의 표현형이나 형질을 인간의 뉴클레오티드 염기서열변형으로 매핑할 수 있게 한다. 큰 코호트를 가진 방법론과 연구의 개선은 인간 게놈과 함께 질병이 있는 많은 특성들을 매핑할 수 있게 했다. 어떤 변이들과 그것들이 특정한 특징에 얼마나 강하게 영향을 미치는지에 대한 지식은 인간에서 다유전자적 점수를 형성하는 핵심 요소들을 형성한다.

역사

인간의 제2형 당뇨병에 적용된 유전적 위험 점수의 초기(2006) 사례. 제2형 당뇨병(흰색 막대)을 앓고 있는 개인은 대조군(검은색 막대)보다 점수가 높다.[18]

다세대 위험 점수는 인간 내에서의 관심을 증가시켰지만, 선택적 식물과 동물 번식을 위해 기본 아이디어가 처음 도입되었다.[19] 다세대 위험 점수 구성의 현대적 접근법과 유사하게, 개인의 번식 가치는 특성에 대한 영향에 의한 단일 뉴클레오티드 다형성 무게의 합이었다.[20] 이러한 방법들은 인간 유전학에서 질병에 걸릴 위험이 높은 개인을 식별하기 위해 이러한 점수를 사용할 수 있다는 2007년 제안을 시작으로 2000년대 후반에 처음으로 인간에게 적용되었다.[21] 이는 정신분열증의 게놈전역연관연구(GWAS)를 조직해 위험성향의 점수를 구성했던 연구자들이 2009년 처음으로 실증연구에 성공적으로 적용했다. 이 연구는 또한 정신분열증에서 3%의 분산을 설명할 수 있는 단일 뉴클레오티드 다형성(SNP) 유전자형의 선형 결합에서 도출된 예측에 다형성 점수라는 용어를 처음으로 사용한 것이었다.[22]

다세대 위험 점수 계산

다세대상 점수(PGS)[23]는 게놈 범위 연관 연구(GWAS)에서 도출한 "체중"으로 구성된다. GWAS에서 단일 뉴클레오티드 다형성(SNP)은 사례와 대조군 사이의 연관성을 시험한다. GWAS의 결과는 연관성의 강도(예: 효과 크기)와 통계적 유의성을 위한 p-값을 제공한다. SNP에 대한 GWAS에서 도출된 효과 크기를 흔히 '중량'이라고 한다. 그런 다음 많은 수의 SNP에 걸쳐 위험을 증가시키는 알레르기의 수를 합산하여 전형적인 다세대 위험 점수를 계산한다. 각각에 이 가중치를 곱한다.[24] 수학적 형태에서 추정 다세대 점수 S}}은(는) 가중치 β 에 의해 가중된 위험 증가 알레르기가 있는 SNP의 m 개수에 걸친 합으로 얻는다

이 아이디어는 어떤 특징의 연구에도 일반화될 수 있으며, 보다 일반적인 수학 용어 회귀 분석의 예다.

다세대 표준 점수 개발 시 주요 고려 사항

인간에게 다세대성 점수를 만들어 내는 방법은 연구 활동 영역이다.[25][26] 다세대적 점수를 개발할 때 고려해야 할 핵심 고려사항은 어떤 SNP와 포함할 SNP의 수입니다. 가장 간단한 "도태 및 문턱" 구조 방법은 각 유전적 변종의 형질 회귀에서 얻은 계수 추정치와 동일한 가중치를 설정한다. 포함된 SNP는 각 마커가 거의 독립적이라는 것을 확인하는 알고리즘을 사용하여 선택할 수 있다. 각 SNP의 독립성은 점수의 예측 정확도에 중요하다. 물리적으로 가까운 SNP는 서로 연결되지 않은 상태일 가능성이 더 높으며, 이는 함께 유전되는 경우가 많아 독립적인 예측력을 제공하지 못한다는 것을 의미한다. 그것이 바로 '자살'이라고 하는 것이다. '임계'란 특정 p-값 임계값을 충족하는 SNP만 포함하는 것을 말한다.[27] 처벌된 회귀 분석은 다세대 점수를 형성하는 데도 사용될 수 있다.[4][28] 처벌된 회귀 분석은 성질에 영향을 미칠 것으로 예상되는 유전자 변형의 수와 그 효과 크기의 분포에 대한 유용한 사전 확률을 부여하는 것으로 해석할 수 있다. 즉, 이러한 방법들은 회귀 모형의 큰 계수를 사실상 "비열화"하여 보수적으로 축소시킨다. 이 접근방식의 대표적인 도구는 "PRS-CS"[29]이다. 또 다른 접근법은 2001년에 처음 제안된 베이지안 방법을 사용하는 것이다.[30] 베이지안 접근법은 연구 중인 성질의 유전적 특징과 연결불균형 같은 유전적 특징을 직접적으로 포함한다. 가장 인기 있는 현대 베이시안 방법 중 하나는 "링크 불안정 예측"을 사용한다.[31][8] 다세대 위험 점수를 개발하기 위한 많은 다른 접근방식이 계속 설명되고 있다. 예를 들어, 서로 다른 조상의 모집단의 효과 크기를 통합함으로써 PRS의 예측 능력을 향상시킬 수 있다.[32] 특정 유전학적 청크의 기능적 역할에 대한 지식을 통합하면 다세대 위험 점수의 효용성이 개선될 수 있다.[33] 연구는 표준화된 데이터[34] 집합에서 이러한 방법의 성능을 조사하였다.

인간에게 다세대상 점수의 적용

다세대 유전자 점수 계산 방법의 급속한 진보와 함께 게놈 전체 연관 연구 수가 폭발적으로 증가함에 따라, 가장 확실한 적용은 질병 예측이나 위험 계층화에 대한 임상 환경에 있다. 다세대 점수의 가치를 과소 또는 과소평가하지 않는 것이 중요하다. 각 개인에 대한 다세대공헌을 정량화할 수 있는 주요 장점은 유전적 책임이 개인의 수명에 걸쳐 변하지 않는다는 것이다. 그러나 질병은 유전적 기여도가 높을 수 있지만, 사람의 유전자에서 발생하는 위험은 환경적 요인의 맥락에서 해석되어야 한다. 예를 들어, 개인이 알코올 중독에 대한 높은 유전적 위험을 가지고 있더라도, 만약 그 개인이 알코올에 결코 노출되지 않는다면, 그 위험은 쓸모없다.[27]

다원성 점수의 임상적 유용성

심혈관 질환에서 다세대 위험 점수의 역할을 조사하는 획기적인 연구는 다세대 위험 점수의 임상 잠재력을 흥미에 활력을 불어넣었다.[6] 이 연구는 다세대상 위험 점수가 가장 높은 개인(상위 1%)의 경우 평생 심혈관 위험률이 10% 미만임을 입증했는데, 이는 희귀한 유전적 변형을 가진 개인과 비교해도 손색이 없다. 이러한 비교는 중요한데, 왜냐하면 임상 실습은 어떤 개인이 심혈관 질환의 희귀한 유전적 원인을 가지고 있는지 아는 것에 의해 영향을 받을 수 있기 때문이다.[35] 이 연구 이후 다세대 위험 점수는 다른 특성들에 걸쳐 질병 예측에 대한 가능성을 보여주었다.[26] 다세대상 위험 점수는 비만, 관상동맥질환, 당뇨병, 유방암, 전립선암, 알츠하이머병, 정신질환 등에서 많이 연구되어 왔다.[36]

인간의 예측 성능

인간에게 있어, 대부분의 다세대성 점수는 질병을 진단할 만큼 충분히 예측되지 않지만, 질병 감수성의 추정치를 개선하기 위해 잠재적으로 다른 공변량(연령, BMI, 흡연 상태 등)에 더하여 사용될 수 있다.[27][2][13] 단, 다세대 점수는 전체 모집단에 걸쳐 신뢰할 수 있는 진단 예측을 하지 못하더라도, 극단적으로 높거나 낮은 위험에서 특이치를 매우 정확하게 예측할 수 있다. 따라서 예측 성능의 평균 측정치가 중간 정도일지라도 임상 효용은 여전히 클 수 있다.[11]

비록 개인이에서 비유럽 출신 조상 제한의 빈민 예측 성능과 같은 문제들 광범위한 use,[37]여러명의 작가들이 유럽인들에서 흔한 유전 변이의 바탕이 된 많은 인과 변이 다른 대륙에 걸쳐(예를 들어)BMI와 아프리카 populations[38]에서 제2형 당뇨병뿐만 아니라 정신 분열증 공유된다. 지적하고 있다.턱에서ese [39]인구 다른 연구자들은 유럽 이외의 인구에서 다세대 유전적 저선화가 예측 다세대 유전적 점수로 인해 발생할 수 있는 잠재적인 건강상의 이점을 극대화하기 위해 더 큰 유전적 다양성을 우선시하는 새로운 GWAS를 활성화해야 한다고 인식하고 있다.[40] 이를 위해[citation needed] 상당한 과학적 노력이 이루어지고 있다.

배아 유전자 검사는 매년 전세계적으로 수백만의 생물학적으로 검사되고 있는 것과 공통적으로, 배아 유전자 검사는 매년 전세계적으로 실시된다. 유전자형 방법은 배아 유전자형이 고정밀도로 판별될 수 있도록 개발되었다.[41][42] 다세대성 질환에 대한 테스트는 최근 채용되기 시작한 반면, 무세포성 질환과 단생성 질환에 대한 테스트는 수십 년 동안 점점 더 확립되어 왔다. 배아 선택을 위한 다세대성적 점수의 사용은 제한된 실용성뿐만 아니라 윤리적, 안전상의 문제 때문에 비판 받아왔다.[43][44][45] 그러나, 그 반대를 주장하는 특성별 평가가 제기되었고[46][47] PGS 기반의 배아 선택을 위한 윤리적 논쟁도 제기되었다.[48][49][50] 이 주제는 유전체학뿐만 아니라 임상 적용 및 윤리학 내에서도 활발한 연구 영역이 되고 있다.

2019년 현재, 100개가 훨씬 넘는 표현형에서 나온 다세대 점수는 게놈 전체 연관성 통계에서 개발되었다.[51] 여기에는 인체측정학, 행동학, 심혈관계학, 비암질환, 정신과/신경과학 및 치료/치료에 대한 반응으로 분류할 수 있는 점수가 포함된다.[52]

다세대 위험 점수를 사용하여 예측된 높이 대 실제 높이

질병 예측 성능의 예

질병 위험을 예측할 때, PGS는 미리 정의된 시간 범위 내에서 질병에 걸리거나 걸릴 위험을 추정하는 연속 점수를 제공한다. 예/아니요 문항의 연속적인 추정치를 평가하기 위한 일반적인 지표는 ROC 곡선(AUC) 아래의 영역이다. AUC(0 ≤ AUC ≤ 1)에서 측정한 PGS 성능의 일부 예시 결과는 다음과 같다.

  • 2018년 관상동맥질환에 대한 AUC ≈ 0.64 영국인 개인 12만 명 사용.[53]A
  • 2019년 유방암의 경우 AUC는 약 9만5천명의 환자군과 7만5천명의 유럽 조상을 통제하는 환자군에서 0.63원으로 발전했다.[54]
  • 2019년, AUC는 약 2만 4천 건의 환자군 대상 갑상선 기능 저하증 및 약 46만 3천 명의 유럽 혈통 대조군에 대해 0.71원이었다.[11]
  • 2020년 조현병의 경우 AUC ≈ 0.71로, 사례 대상자 ~67,000명을 포함한 90개의 코호트와 유럽 조상의 ~80%, 동아시아 조상의 ~20%를 가진 약 9만4,000개의 대조군을 사용했다.[55] 이러한 결과는 순전히 유전적 정보를 입력으로 사용한다는 점에 유의하십시오. 나이와 성별과 같은 추가 정보를 포함하는 것은 종종 예측을 크게 향상시킨다. 위의 관상동맥 질환 예측기와 갑상선 기능저하 예측기는 연령과 성별을 포함했을 때 각각 약 0.80과 ~0.78의 AUC를 달성한다.[6][11]

표본 크기의 중요성

PGS 예측 변수 성능은 교육에 사용할 수 있는 데이터 집합 표본 크기에 따라 증가한다. 여기 고혈압, 갑상선 기능 저하증 및 제2형 당뇨병에 대해 설명되어 있다. x축은 훈련 데이터에 존재하는 환자 수(즉, 질병에 걸린 개인)에 라벨을 붙이고 로그 척도를 사용한다. 전체 범위는 1,000건에서 10만 건 이상이다. 훈련 데이터의 대조군 수(즉, 질병이 없는 개인)는 경우의 수보다 훨씬 많았다. 이러한 특정 예측 변수는 LASSO 알고리즘을 사용하여 훈련되었다.[16]

다세대 예측 변수의 성능은 분석 및 ML 교육에 사용할 수 있는 데이터 집합의 크기에 따라 크게 달라진다. 예측력의 최근 과학적 진보는 매우 많은 개인들의 유전자형과 표현형 둘 다에 대한 데이터를 포함하는 큰 바이오뱅크의 생성과 확장에 크게 의존한다. 2021년 현재 수십만 개의 표본을 가진 여러 개의 바이오뱅크가 존재한다. 즉, 각 개인에 대한 유전적, 특성적 정보를 모두 포함한 데이터 입력(예: 바이오뱅크의 불완전한 목록 참조)

이러한 성장하는 바이오뱅크의 사용으로, 수천 명의 개인으로부터 얻은 데이터는 특정 특성에 대한 관련 변형을 탐지하는 데 사용된다. 정확히 몇 개가 필요한지는 문제의 특성에 매우 많이 달려 있다. 일반적으로 성능 수준이 떨어져 표본 크기를 더 늘릴 때 큰 변화가 없는 고원 단계까지 예측 수준이 증가하는 것이 관찰된다. 이는 유전자 정보만을 사용하는 다세대 예측기가 얼마나 정확한지, 특정 형질의 유전성에 의해 설정되는 한계다. 특정 성질에 대해 이 성능 수준에 도달하기 위해 필요한 표본 크기는 기초 유전자 구조의 복잡성과 표본 모집단의 유전적 분산 분포에 의해 결정된다. 이 표본 크기의 의존성은 갑상선 기능 저하증, 고혈압, 제2형 당뇨병에 대한 그림에 나타나 있다.

다세대 예측 변수를 구성하는 현재의 방법은 데이터에 존재하는 조상에 민감하다는 점을 다시 한 번 유의하십시오. 2021년 현재 대부분의 가용 데이터는 주로 유럽 조상을 가진 모집단을 대상으로 하며, 이것이 PGS가 일반적으로 이 조상에서 더 나은 성과를 내는 이유다. PGS 기반 의약품에 대한 편향된 접근과 혜택을 시정하기 위해서는 모든 조상의 성공적인 채용을 통해 보다 다양한 생물학적 판크를 구축해야 한다.[40]

인간 다세대 위험 점수의 현재 사용

개인에게 직접 PRS를 제공하는 것은 이미 전 세계 보건 시스템에서 연구 실험을 진행하고 있지만, 아직 치료의 표준으로 제공되지는 않고 있다.[56] 따라서 개인에 의한 현재 사용의 대부분은 소비자 유전자 검사를 통해 이루어지는데, 여기서 많은 수의 민간 기업이 수많은 질병과 특징에 대한 PRS를 보고한다. 소비자는 자신의 유전자형(기존 변형) 데이터를 다운로드하여 온라인 PRS 계산기에 업로드한다(예:[57] Scripps Health, Impute.me 또는 Color Genomics). 개인들이 PRS 보고서를 찾도록 가장 많이 보고된 동기는 일반적인 호기심(98.2%)이며, 일반적으로 일반적인 오해가 섞인 반응이다.[58] 환자가 직접 PRS를 사용하는 것은 치료 선택에 기여할 수 있지만, 이런 맥락에서 PRS 개발이 가능하려면 더 많은 데이터가 필요할 것으로 추측된다.[56] 따라서 보다 일반적인 현재 사용 사례는 임상전문가가 이를 해석할 것으로 예상하여 상업적으로 파생된 질병 특정 PRS로 개인을 대면하는 것으로, 임상 치료 시스템에 추가적인 부담을 줄 수 있다.[56][59]

인체에서 다세대성적 점수의 이점

다른 많은 임상실험실이나 영상촬영법과 달리 개인의 세균선 유전적 위험은 출생 시 DNA를 한 번 염기서열화한 후 다양한 질병에 대해 계산할 수 있다.[60][61] 따라서 다세대적 점수는 궁극적으로 임상 관리에 유용할 수 있는 비용 효과적인 척도가 될 수 있다. 게다가, 다세대 위험 점수는 특정 질병에 대한 유전적 평생 위험의 정량화에 도움이 되는 개인의 수명 전반에 걸쳐 유익할 수 있다. 많은 질병의 경우 강한 유전적 위험을 가지는 것은 조기 발현(예: 가족성 고철혈소판증)을 초래할 수 있다.[62] 유전적 부담 증가를 조기에 인식하면 임상의가 조기에 개입하고 진단이 지연되는 것을 피할 수 있다. 다세대적 점수는 전통적인 위험 요소와 결합하여 임상 효용성을 높일 수 있다.[63][64][65][66] 예를 들어, 다세대 위험 점수는 질병의 진단을 개선하는 데 도움을 준다. 이것은 특히 제1형 당뇨병과 제2형 당뇨병을 구별하는 데 뚜렷하다.[67] 마찬가지로 다세대 위험 점수 기반 접근방식은 셀리악 질환에서 입증된 바와 같이 침습적 진단 절차를 감소시킬 수 있다.[68] 다세대성적 점수는 또한 개인이 질병의 위험을 줄이기 위해 그들의 생활방식을 바꿀 수 있는 힘을 줄 수 있다. 자신의 유전적 성향에 대해 안 결과 행동 수정에 대한 약간의 증거가 있지만,[69][70][71] 다양한 질병 상태에 걸쳐 위험 수정에 대한 행동을 평가하기 위해서는 더 많은 작업이 필요하다.[60] 인구 수준 선별은 다세대 점수의 또 다른 사용 사례다. 인구 수준 검사의 목표는 기존 치료의 혜택을 받을 수 있는 질병의 위험이 높은 환자를 식별하는 것이다.[72] 다세대 점수는 선별의 혜택을 받을 수 있는 고위험 모집단의 하위 집합을 식별할 수 있다. 유방암에서 여러 임상연구가 이루어지고 있으며, 심장질환은 다유전성적 점수 기반 검사 프로그램의 혜택을 받을 수 있는 또 다른 영역이다.[60]

임상 컨텍스트에서 다세대상 점수로 인한 도전과 위험

근본적인 수준에서 임상적 맥락에서 다세대상 점수의 사용은 기존 도구와 유사한 기술적 문제를 가질 것이다. 예를 들어, 도구가 다양한 모집단에서 검증되지 않으면 모집단에 걸쳐 불균형을 심화시킬 수 있다. 이것은 특히 지금까지 대부분의 연구가 유럽인들에 의해 수행된 유전학에서 중요하다.[75] 발생할 수 있는 다른 난제로는 다세대 위험 점수를 얼마나 정확하게 계산할 수 있는지와 임상 효용을 위해 얼마나 정밀해야 하는지가 포함된다.[60] 모집단에 대해 다세대 점수를 정확하게 계산하고 교정하더라도 그 해석은 신중하게 접근해야 한다. 첫째, 다세대 형질은 단성 형질과는 다르다는 것을 깨닫는 것이 중요하다; 후자는 더 직접적인 유전적 메커니즘에서 기인하고 더 정확하게 검출될 수 있다. 유전자 검사는 해석이 어려운 경우가 많고 유전자 상담을 필요로 한다. 현재 다세대 점수의 결과는 임상의와 공유되고 있다.[76] 모노제닉 유전자 검사는 다세대 점수보다 훨씬 성숙하기 때문에 다세대 점수의 임상적 영향을 대략적으로 살펴볼 수 있다. 일부 연구에서는 환자들에게 모노제닉 유전자 결과를 되돌려 주는 부정적인 효과를 발견했지만,[77] 대부분의 연구는 부정적인 결과가 경미하다는 것을 알고 있다.[78]

예측 불가능한 애플리케이션

다세대 점수에는 다양한 어플리케이션이 존재한다. 인간에서 다세대성 점수는 일반적으로 전체 위험에 작은 영향을 미치는 많은 유전적 변형에 의해 영향을 받는 복합 유전성 질환의 유병률과 유전학적 특성을 예측하기 위한 노력으로 원래 계산되었다. 또한, 다세대 점수는 여러 가지 다른 방법으로 사용될 수 있다: 유전성 추정치가 편향될 수 있는지 여부를 테스트할 수 있는 하한값으로, 특성 중 유전적 중복(유전적 상관관계)의 척도로서, 예를 들어 정신 질환 그룹에 대한 공유 유전적 기반을 나타낼 수 있다. 히그와 같은 특성의 집단 차이를 평가하는 수단으로서.전원시, 또는 특성에서 변화가 자연적 선택 부드러운 선택적 소인(로 예를 들어를 위해 정보가 변화가 주파수가 될 것이다 너무 작기 개별 히트는 아니지만에 대한 전체적인 다원 점수)의 호인 다운으로 인해에 대한 검토를 멘델에 확률화(관련 특성을 가지지 않pleiotropy을 가정해), 및을 감지할 수 있는, contr결과(예: 정신분열증과 빈곤의 상관 관계)에 유전적 교란 요인이 존재하거나 유전자-유전자 상호작용 및 상관관계를 조사하기 위해 ol.

비인종에서 다세대성적 점수의 적용

다세대 점수의 이점은 그것들이 농작물, 동물 사육, 그리고 인간의 미래를 예측하는 데 사용될 수 있다는 것이다. 동일한 기본 개념들이 이러한 예측 영역의 기초가 되지만, 그들은 다른 방법론을 필요로 하는 다른 도전에 직면한다. 고의적인 선택을 동반한 비인간적인 종에서 매우 큰 가족수를 생산하는 능력은 더 작은 유효 개체군, 더 높은 수준의 개인들 간의 연관성, 더 높은 평균적인 유전적 연관성으로 이어진다. 예를 들어, 현대의 옥수수나 가축 소와 같이 인간이 효과적으로 창조한 식물과 동물 품종의 구성원들은 모두 기술적으로 '관련'되어 있다. 인간의 유전학적 예측에서는 대조적으로, 많은 모집단에서 관련이 없는 개인을 선택하여 공통의 SNP의 영향을 추정한다. 가축의 유효인구가 적기 때문에, 두 개인 사이의 평균 관계 계수는 높을 가능성이 높으며, 일반적인 SNP는 인과 변형에 인간보다 더 큰 물리적 거리에 태그를 붙일 것이다. 이것이 가축에 비해 인간의 SNP 기반 유전성 추정치가 더 낮은 주요 이유다. 그러나 두 경우 모두 표본 크기가 게놈 예측의 정확성을 최대화하는 데 핵심적이다.[79]

인간의 현대 유전체 예측 점수를 일반적으로 "폴리겐 점수"(PGS) 또는 "폴리겐 위험 점수"(PRS)라고 부르지만, 가축에서 더 일반적인 용어는 "유전 추정 사육 값" 또는 GEBV(더 친숙한 "EBV"와 유사하지만 유전자형 데이터와 함께)이다. 개념적으로, GEBV는 PGS와 동일하다: 각각 변종의 겉보기 효과에 의해 가중되는 유전자 변형의 선형 함수. 그럼에도 불구하고 가축의 다세대 예측은 인간과 근본적으로 다른 이유로 유용하다. 인간에서 PRS는 개인의 표현형 예측에 사용되는 반면, 가축에서는 GEBV는 일반적으로 부모로부터 물려받은 유전적 물질 측면에서 자손의 평균 관심 표현형 가치를 예측하는 데 사용된다. 이러한 방식으로 GEBV는 개별 또는 한 쌍의 개별 동물의 자손 평균으로 이해할 수 있다. GEBV는 또한 일반적으로 관심 특성 단위로 전달된다. 예를 들어, 기준 모집단의 자손에 비해 특정 부모의 자손의 우유 생산량이 증가할 것으로 예상되는 것은 젖소 사육 및 선택에서 GEBV를 사용하는 전형적인 방법일 수 있다.[79]

메모들

a ^ 프리프린트는 순수 PRS를 위한 AUC를 나열하는 반면, 이 논문의 출판판은 연령, 성별, 유전자형 배열 정보와 결합된 PGS용 AUC만을 나열한다.

참조

  1. ^ Dudbridge F (March 2013). "Power and predictive accuracy of polygenic risk scores". PLoS Genetics. 9 (3): e1003348. doi:10.1371/journal.pgen.1003348. PMC 3605113. PMID 23555274.
  2. ^ a b Torkamani A, Wineinger NE, Topol EJ (September 2018). "The personal and clinical utility of polygenic risk scores". Nature Reviews. Genetics. 19 (9): 581–590. doi:10.1038/s41576-018-0018-x. PMID 29789686. S2CID 46893131.
  3. ^ Lambert SA, Abraham G, Inouye M (November 2019). "Towards clinical utility of polygenic risk scores". Human Molecular Genetics. 28 (R2): R133–R142. doi:10.1093/hmg/ddz187. PMID 31363735.
  4. ^ a b de Vlaming R, Groenen PJ (2015). "The Current and Future Use of Ridge Regression for Prediction in Quantitative Genetics". BioMed Research International. 2015: 143712. doi:10.1155/2015/143712. PMC 4529984. PMID 26273586.
  5. ^ Lewis CM, Vassos E (November 2017). "Prospects for using risk scores in polygenic medicine". Genome Medicine. 9 (1): 96. doi:10.1186/s13073-017-0489-y. PMC 5683372. PMID 29132412.
  6. ^ a b c d Khera AV, Chaffin M, Aragam KG, Haas ME, Roselli C, Choi SH, et al. (September 2018). "Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations". Nature Genetics. 50 (9): 1219–1224. doi:10.1038/s41588-018-0183-z. PMC 6128408. PMID 30104762.
  7. ^ Yanes T, Meiser B, Kaur R, Scheepers-Joynt M, McInerny S, Taylor S, et al. (March 2020). "Uptake of polygenic risk information among women at increased risk of breast cancer". Clinical Genetics. 97 (3): 492–501. doi:10.1111/cge.13687. hdl:11343/286783. PMID 31833054. S2CID 209342044.
  8. ^ a b Vilhjálmsson BJ, Yang J, Finucane HK, Gusev A, Lindström S, Ripke S, et al. (October 2015). "Modeling Linkage Disequilibrium Increases Accuracy of Polygenic Risk Scores". American Journal of Human Genetics. 97 (4): 576–592. doi:10.1016/j.ajhg.2015.09.001. PMC 4596916. PMID 26430803.
  9. ^ Spindel JE, McCouch SR (December 2016). "When more is better: how data sharing would accelerate genomic selection of crop plants". The New Phytologist. 212 (4): 814–826. doi:10.1111/nph.14174. PMID 27716975.
  10. ^ Regalado A (8 March 2019). "23andMe thinks polygenic risk scores are ready for the masses, but experts aren't so sure". MIT Technology Review. Retrieved 2020-08-14.
  11. ^ a b c d e Lello L, Raben TG, Yong SY, Tellier LC, Hsu SD (October 2019). "Genomic Prediction of 16 Complex Disease Risks Including Heart Attack, Diabetes, Breast and Prostate Cancer". 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 (July 2017). "10 Years of GWAS Discovery: Biology, Function, and Translation". American Journal of Human Genetics. 101 (1): 5–22. doi:10.1016/j.ajhg.2017.06.005. PMC 5501872. PMID 28686856.
  13. ^ a b Spiliopoulou A, Nagy R, Bermingham ML, Huffman JE, Hayward C, Vitart V, et al. (July 2015). "Genomic prediction of complex human traits: relatedness, trait architecture and predictive meta-models". Human Molecular Genetics. 24 (14): 4167–4182. doi:10.1093/hmg/ddv145. PMC 4476450. PMID 25918167.
  14. ^ "Modern genetics will improve health and usher in "designer" children". The Economist. 2019-11-09. Retrieved 2021-04-12.
  15. ^ "Test could predict risk of future heart disease for just £40". The Guardian. 2018-10-08. Retrieved 2021-04-12.
  16. ^ a b Raben TG, Lello L, Widen E, Hsu SD (2021-01-14). "From Genotype to Phenotype: polygenic prediction of complex human traits". arXiv:2101.05870 [q-bio].
  17. ^ "Big picture genetic scoring approach reliably predicts heart disease". Science Daily. 2019-06-11. Retrieved 2021-04-12.
  18. ^ Weedon MN, McCarthy MI, Hitman G, Walker M, Groves CJ, Zeggini E, et al. (October 2006). "Combining information from common type 2 diabetes risk polymorphisms improves disease prediction". PLoS Medicine. 3 (10): e374. doi:10.1371/journal.pmed.0030374. PMC 1584415. PMID 17020404.
  19. ^ Meuwissen TH, Hayes BJ, Goddard ME (April 2001). "Prediction of total genetic value using genome-wide dense marker maps". Genetics. 157 (4): 1819–1829. doi:10.1093/genetics/157.4.1819. PMID 11290733.
  20. ^ Crouch DJ, Bodmer WF (August 2020). "Polygenic inheritance, GWAS, polygenic risk scores, and the search for functional variants". Proceedings of the National Academy of Sciences of the United States of America. 117 (32): 18924–18933. doi:10.1073/pnas.2005634117. PMC 7431089. PMID 32753378.
  21. ^ Wray NR, Goddard ME, Visscher PM (October 2007). "Prediction of individual genetic risk to disease from genome-wide association studies". Genome Research. 17 (10): 1520–1528. doi:10.1101/gr.6665407. PMC 1987352. PMID 17785532.
  22. ^ Purcell SM, Wray NR, Stone JL, Visscher PM, O'Donovan MC, Sullivan PF, Sklar P (August 2009). "Common polygenic variation contributes to risk of schizophrenia and bipolar disorder". Nature. 460 (7256): 748–752. Bibcode:2009Natur.460..748P. doi:10.1038/nature08185. PMC 3912837. PMID 19571811.
  23. ^ "Polygenic Risk Scores". Genome.gov. Retrieved 2021-11-10.
  24. ^ Choi SW, Mak TS, O'Reilly PF (September 2020). "Tutorial: a guide to performing polygenic risk score analyses". Nature Protocols. 15 (9): 2759–2772. doi:10.1038/s41596-020-0353-1. PMID 32709988.
  25. ^ Wand H, Lambert SA, Tamburro C, Iacocca MA, O'Sullivan JW, Sillari C, et al. (March 2021). "Improving reporting standards for polygenic scores in risk prediction studies". Nature. 591 (7849): 211–219. doi:10.1038/s41586-021-03243-6. PMID 33692554.
  26. ^ a b Torkamani A, Wineinger NE, Topol EJ (September 2018). "The personal and clinical utility of polygenic risk scores". Nature Reviews. Genetics. 19 (9): 581–590. doi:10.1038/s41576-018-0018-x. PMID 29789686.
  27. ^ a b c Lewis CM, Vassos E (May 2020). "Polygenic risk scores: from research tools to clinical instruments". Genome Medicine. 12 (1): 44. doi:10.1186/s13073-020-00742-5. PMC 7236300. PMID 32423490.
  28. ^ Vattikuti S, Lee JJ, Chang CC, Hsu SD, Chow CC (2014). "Applying compressed sensing to genome-wide association studies". GigaScience. 3 (1): 10. doi:10.1186/2047-217X-3-10. PMC 4078394. PMID 25002967.
  29. ^ Ge T, Chen CY, Ni Y, Feng YA, Smoller JW (April 2019). "Polygenic prediction via Bayesian regression and continuous shrinkage priors". Nature Communications. 10 (1): 1776. doi:10.1038/s41467-019-09718-5. PMC 6467998. PMID 30992449.
  30. ^ Meuwissen TH, Hayes BJ, Goddard ME (April 2001). "Prediction of total genetic value using genome-wide dense marker maps". Genetics. 157 (4): 1819–1829. doi:10.1093/genetics/157.4.1819. PMC 1461589. PMID 11290733.
  31. ^ Vilhjálmsson BJ, Yang J, Finucane HK, Gusev A, Lindström S, Ripke S, et al. (October 2015). "Modeling Linkage Disequilibrium Increases Accuracy of Polygenic Risk Scores". American Journal of Human Genetics. 97 (4): 576–592. doi:10.1016/j.ajhg.2015.09.001. PMC 4596916. PMID 26430803.
  32. ^ Márquez-Luna C, Loh PR, Price AL (December 2017). "Multiethnic polygenic risk scores improve risk prediction in diverse populations". Genetic Epidemiology. 41 (8): 811–823. doi:10.1002/gepi.22083. PMC 5726434. PMID 29110330.
  33. ^ Hu Y, Lu Q, Powles R, Yao X, Yang C, Fang F, et al. (June 2017). Rigoutsos I (ed.). "Leveraging functional annotations in genetic risk prediction for human complex diseases". PLoS Computational Biology. 13 (6): e1005589. doi:10.1371/journal.pcbi.1005589. PMC 5481142. PMID 28594818.
  34. ^ Ni G, Zeng J, Revez JA, Wang Y, Zheng Z, Ge T, et al. (November 2021). "A Comparison of Ten Polygenic Score Methods for Psychiatric Disorders Applied Across Multiple Cohorts". Biological Psychiatry. 90 (9): 611–620. doi:10.1016/j.biopsych.2021.04.018. PMC 8500913. PMID 34304866.
  35. ^ Wray NR, Lin T, Austin J, McGrath JJ, Hickie IB, Murray GK, Visscher PM (January 2021). "From Basic Science to Clinical Application of Polygenic Risk Scores: A Primer". JAMA Psychiatry. 78 (1): 101–109. doi:10.1001/jamapsychiatry.2020.3049. ISSN 2168-622X. PMID 32997097.
  36. ^ Lambert SA, Abraham G, Inouye M (November 2019). "Towards clinical utility of polygenic risk scores". Human Molecular Genetics. 28 (R2): R133–R142. doi:10.1093/hmg/ddz187. PMID 31363735.
  37. ^ Duncan L, Shen H, Gelaye B, Meijsen J, Ressler K, Feldman M, et al. (July 2019). "Analysis of polygenic risk score usage and performance in diverse human populations". Nature Communications. 10 (1): 3328. Bibcode:2019NatCo..10.3328D. doi:10.1038/s41467-019-11112-0. PMC 6658471. PMID 31346163.
  38. ^ Wang Y, Guo J, Ni G, Yang J, Visscher PM, Yengo L (July 2020). "Theoretical and empirical quantification of the accuracy of polygenic scores in ancestry divergent populations". Nature Communications. 11 (1): 3865. Bibcode:2020NatCo..11.3865W. doi:10.1038/s41467-020-17719-y. PMC 7395791. PMID 32737319.
  39. ^ Li Z, Chen J, Yu H, He L, Xu Y, Zhang D, et al. (November 2017). "Genome-wide association analysis identifies 30 new susceptibility loci for schizophrenia". Nature Genetics. 49 (11): 1576–1583. doi:10.1038/ng.3973. PMID 28991256. S2CID 205355668.
  40. ^ a b Martin AR, Kanai M, Kamatani Y, Okada Y, Neale BM, Daly MJ (April 2019). "Clinical use of current polygenic risk scores may exacerbate health disparities". Nature Genetics. 51 (4): 584–591. doi:10.1038/s41588-019-0379-x. PMC 6563838. PMID 30926966.
  41. ^ Zeevi DA, Backenroth D, Hakam-Spector E, Renbaum P, Mann T, Zahdeh F, et al. (July 2021). "Expanded clinical validation of Haploseek for comprehensive preimplantation genetic testing". Genetics in Medicine. 23 (7): 1334–1340. doi:10.1038/s41436-021-01145-6. PMID 33772222. S2CID 232377300.
  42. ^ Treff NR, Zimmerman R, Bechor E, Hsu J, Rana B, Jensen J, et al. (August 2019). "Validation of concurrent preimplantation genetic testing for polygenic and monogenic disorders, structural rearrangements, and whole and segmental chromosome aneuploidy with a single universal platform". European Journal of Medical Genetics. 62 (8): 103647. doi:10.1016/j.ejmg.2019.04.004. PMID 31026593.
  43. ^ Birney E (11 November 2019). "Why using genetic risk scores on embryos is wrong". ewanbirney.com. Retrieved 2020-12-16.{{cite web}}: CS1 maint : url-status (링크)
  44. ^ Karavani E, Zuk O, Zeevi D, Barzilai N, Stefanis NC, Hatzimanolis A, et al. (November 2019). "Screening Human Embryos for Polygenic Traits Has Limited Utility". Cell. 179 (6): 1424–1435.e8. doi:10.1016/j.cell.2019.10.033. PMC 6957074. PMID 31761530.
  45. ^ Lázaro-Muñoz G, Pereira S, Carmi S, Lencz T (March 2021). "Screening embryos for polygenic conditions and traits: ethical considerations for an emerging technology". Genetics in Medicine. 23 (3): 432–434. doi:10.1038/s41436-020-01019-3. PMC 7936952. PMID 33106616.
  46. ^ Treff NR, Eccles J, Marin D, Messick E, Lello L, Gerber J, et al. (June 2020). "Preimplantation Genetic Testing for Polygenic Disease Relative Risk Reduction: Evaluation of Genomic Index Performance in 11,883 Adult Sibling Pairs". Genes. 11 (6): 648. doi:10.3390/genes11060648. PMC 7349610. PMID 32545548.
  47. ^ Treff NR, Eccles J, Lello L, Bechor E, Hsu J, Plunkett K, et al. (2019-12-04). "Utility and First Clinical Application of Screening Embryos for Polygenic Disease Risk Reduction". Frontiers in Endocrinology. 10 (845): 845. doi:10.3389/fendo.2019.00845. PMC 6915076. PMID 31920964.
  48. ^ Munday S, Savulescu J (January 2021). "Three models for the regulation of polygenic scores in reproduction". Journal of Medical Ethics. doi:10.1136/medethics-2020-106588. PMID 33462079.
  49. ^ Kemper JM, Gyngell C, Savulescu J (September 2019). "Subsidizing PGD: The Moral Case for Funding Genetic Selection". Journal of Bioethical Inquiry. 16 (3): 405–414. doi:10.1007/s11673-019-09932-2. PMC 6831526. PMID 31418161.
  50. ^ Savulescu J (October 2001). Francis L (ed.). "Procreative beneficence: why we should select the best children". Bioethics. 15 (5–6): 413–426. doi:10.1093/oxfordhb/9780199981878.013.26. ISBN 978-0-19-998187-8. PMID 12058767.
  51. ^ "The Polygenic Score (PGS) Catalog". Polygenic Score (PGS) Catalog. Retrieved 29 April 2020. An open database of polygenic scores and the relevant metadata required for accurate application and evaluation
  52. ^ Richardson TG, Harrison S, Hemani G, Davey Smith G (March 2019). "An atlas of polygenic risk score associations to highlight putative causal relationships across the human phenome". eLife. 8: e43657. doi:10.7554/eLife.43657. PMC 6400585. PMID 30835202.
  53. ^ Khera A, Chaggin M, Aragam KG, Emdin CA, Klarin D, Haas ME, Roselli C, Natarajan P, Kathiresan S (2017-11-15). "Genome-wide polygenic score to identify a monogenic risk-equivalent for coronary disease". bioRxiv 10.1101/218388.
  54. ^ Mavaddat N, Michailidou K, Dennis J, Lush M, Fachal L, Lee A, et al. (January 2019). "Polygenic Risk Scores for Prediction of Breast Cancer and Breast Cancer Subtypes". American Journal of Human Genetics. 104 (1): 21–34. doi:10.1016/j.ajhg.2018.11.002. PMC 6323553. PMID 30554720.
  55. ^ Ripke S, Walters JT, O'Donovan MC, et al. (Schizophrenia Working Group of the Psychiatric Genomics Consortium) (2020-09-12). "Mapping genomic loci prioritises genes and implicates synaptic biology in schizophrenia". medRxiv. preprint. doi:10.1101/2020.09.12.20192922. S2CID 221635239.
  56. ^ a b c Wray NR, Lin T, Austin J, McGrath JJ, Hickie IB, Murray GK, Visscher PM (January 2021). "From Basic Science to Clinical Application of Polygenic Risk Scores: A Primer". JAMA Psychiatry. 78 (1): 101–109. doi:10.1001/jamapsychiatry.2020.3049. ISSN 2168-622X. PMID 32997097.
  57. ^ Brockman DG, Petronio L, Dron JS, Kwon BC, Vosburg T, Nip L, et al. (October 2021). "Design and user experience testing of a polygenic score report: a qualitative study of prospective users". BMC Medical Genomics. 14 (1): 238. doi:10.1186/s12920-021-01056-0. PMC 8485114. PMID 34598685.
  58. ^ Peck L, Borle K, Folkersen L, Austin J (July 2021). "Why do people seek out polygenic risk scores for complex disorders, and how do they understand and react to results?". European Journal of Human Genetics. doi:10.1038/s41431-021-00929-3. PMID 34276054.
  59. ^ Millward M, Tiller J, Bogwitz M, Kincaid H, Taylor S, Trainer AH, Lacaze P (September 2020). "Impact of direct-to-consumer genetic testing on Australian clinical genetics services". European Journal of Medical Genetics. 63 (9): 103968. doi:10.1016/j.ejmg.2020.103968. PMID 32502649.
  60. ^ a b c d "Responsible use of polygenic risk scores in the clinic: potential benefits, risks and gaps". Nature Medicine: 1–9. November 2021. doi:10.1038/s41591-021-01549-6. PMID 34782789.
  61. ^ Torkamani A, Wineinger NE, Topol EJ (September 2018). "The personal and clinical utility of polygenic risk scores". Nature Reviews. Genetics. 19 (9): 581–590. doi:10.1038/s41576-018-0018-x. PMID 29789686.
  62. ^ Varghese MJ (May 2014). "Familial hypercholesterolemia: A review". Annals of Pediatric Cardiology. 7 (2): 107–117. doi:10.4103/0974-2069.132478. PMC 4070199. PMID 24987256.
  63. ^ Ganna A, Magnusson PK, Pedersen NL, de Faire U, Reilly M, Arnlöv J, et al. (September 2013). "Multilocus genetic risk scores for coronary heart disease prediction". Arteriosclerosis, Thrombosis, and Vascular Biology. 33 (9): 2267–2272. doi:10.1161/atvbaha.113.301218. PMID 23685553.
  64. ^ Merry AH. Coronary heart disease in the Netherlands : incidence, etiology and risk prediction (Thesis). University of Maastricht.
  65. ^ Nadir MA, Struthers AD (April 2011). "Family history of premature coronary heart disease and risk prediction". Heart. 97 (8): 684, author reply 684. doi:10.1136/hrt.2011.222265. PMID 21367743.
  66. ^ Neale B (2019-11-26). "Faculty Opinions recommendation of Genomic risk prediction of coronary artery disease in 480,000 adults: implications for primary prevention". Faculty Opinions – Post-Publication Peer Review of the Biomedical Literature. Retrieved 2021-11-19.
  67. ^ Oram RA, Patel K, Hill A, Shields B, McDonald TJ, Jones A, et al. (March 2016). "A Type 1 Diabetes Genetic Risk Score Can Aid Discrimination Between Type 1 and Type 2 Diabetes in Young Adults". Diabetes Care. 39 (3): 337–344. doi:10.2337/dc15-1111. PMID 26577414.
  68. ^ Sharp SA, Jones SE, Kimmitt RA, Weedon MN, Halpin AM, Wood AR, et al. (October 2020). "A single nucleotide polymorphism genetic risk score to aid diagnosis of coeliac disease: a pilot study in clinical care". Alimentary Pharmacology & Therapeutics. 52 (7): 1165–1173. doi:10.1111/apt.15826. PMID 32790217.
  69. ^ McBride CM, Koehly LM, Sanderson SC, Kaphingst KA (2010-03-01). "The behavioral response to personalized genetic information: will genetic risk profiles motivate individuals and families to choose more healthful behaviors?". Annual Review of Public Health. 31 (1): 89–103. doi:10.1146/annurev.publhealth.012809.103532. PMID 20070198.
  70. ^ Saya S, McIntosh JG, Winship IM, Clendenning M, Milton S, Oberoi J, et al. (2020). "A Genomic Test for Colorectal Cancer Risk: Is This Acceptable and Feasible in Primary Care?". Public Health Genomics. 23 (3–4): 110–121. doi:10.1159/000508963. PMID 32688362.
  71. ^ Turnwald BP, Goyer JP, Boles DZ, Silder A, Delp SL, Crum AJ (January 2019). "Learning one's genetic risk changes physiology independent of actual genetic risk". Nature Human Behaviour. 3 (1): 48–56. doi:10.1038/s41562-018-0483-4. PMC 6874306. PMID 30932047.
  72. ^ Singh Y (November 2016). "Effectiveness of Screening Programmes for Detection of Major Congenital Heart Diseases". European Journal of Pediatrics. 175 (11): 1582–1582. doi:10.26226/morressier.57d034ced462b80292382f40.
  73. ^ Esserman LJ (2017-09-13). "The WISDOM Study: breaking the deadlock in the breast cancer screening debate". NPJ Breast Cancer. 3 (1): 34. doi:10.1038/s41523-017-0035-5. PMID 28944288.
  74. ^ Farooq V, Serruys PW (July 2018). "Risk stratification and risk scores". ESC CardioMed. Oxford University Press. pp. 1371–1384. doi:10.1093/med/9780198784906.003.0335.
  75. ^ Sirugo G, Williams SM, Tishkoff SA (March 2019). "The Missing Diversity in Human Genetic Studies". Cell. 177 (1): 26–31. doi:10.1016/j.cell.2019.02.048. PMC 7380073. PMID 30901543.
  76. ^ Brockman DG, Petronio L, Dron JS, Kwon BC, Vosburg T, Nip L, et al. (January 2021). "Design and user experience testing of a polygenic score report: a qualitative study of prospective users". medRxiv. doi:10.1101/2021.04.14.21255397.
  77. ^ Lineweaver TT, Bondi MW, Galasko D, Salmon DP (February 2014). "Effect of knowledge of APOE genotype on subjective and objective memory performance in healthy older adults". The American Journal of Psychiatry. 171 (2): 201–208. doi:10.1176/appi.ajp.2013.12121590. PMC 4037144. PMID 24170170.
  78. ^ Parens E, Appelbaum PS (May 2019). "On What We Have Learned and Still Need to Learn about the Psychosocial Impacts of Genetic Testing". The Hastings Center Report. 49 Suppl 1: S2–S9. doi:10.1002/hast.1011. PMID 31268574.
  79. ^ a b Wray NR, Kemper KE, Hayes BJ, Goddard ME, Visscher PM (April 2019). "Complex Trait Prediction from Genome Data: Contrasting EBV in Livestock to PRS in Humans: Genomic Prediction". Genetics. 211 (4): 1131–1141. doi:10.1534/genetics.119.301859. PMC 6456317. PMID 30967442.

외부 링크