徐州医科大学公共卫生学院流行病与卫生统计学系(221004) 杨家骥 余星皓 曾 平 黄水平

【提 要】 目的 将整合通路信息的sparse group LASSO方法与近年来发表的表型预测方法进行比较，通过模拟各种复杂疾病可能的遗传结构，比较各方法的预测能力，期望通过TCGA数据找到高效和稳健的统计方法。方法 本研究利用SGL方法整合基因途径信息和基因表达数据，并与传统模型(LASSO、Enet、GSSLASSO)进行比较。通过乳腺癌真实基因型数据模拟表型数据：考虑不同分组(分组k=50，200，300，328)和不同遗传度对模型的影响(遗传度h2=0.3，0.5，0.8)。采用相关系数R评价几种模型的预测能力，进一步通过结直肠癌(CRC)、胰腺癌(PAAD)、乳腺癌(BRCA)三个真实数据比较各方法表型预测的准确性。结果 模拟结果表明，随着遗传度的增高，各方法的预测准确性也逐渐增高。整合通路信息的SGL方法和GSSLASSO方法比传统的LASSO和Enet方法有着更高的预测精度。而两种整合通路信息的方法中，SGL方法有着更好的预测能力和稳定性。在50，200，300分组情况下，GSSLASSO预测效果和LASSO以及Enet相近，但是在考虑通路信息的328分组下，GSSLASSO表现出了较好的预测效果。实例数据分析CRC，PAAD数据中，SGL方法具有最优的预测精度，其次是GSSLASSO，LASSO和Enet方法预测效果最差。结论 整合通路信息的预测方法预测效果明显优于一般模型，而无论是在模拟数据还是实例数据中SGL的方法具有最优的预测精度。

生物技术的飞速发展产生了大量高通量测序数据，这不仅仅为研究遗传因素与复杂疾病、特征之间的关系提供了广阔的空间，并且可以通过整合一系列组学信息，进一步促进了复杂表型遗传风险预测和评估的发展[1-6]。……