Полигенный балл - Polygenic score

Иллюстрация способности к распределению и стратификации полигенной оценки риска

В генетика, а полигенный показатель, также называемый оценка полигенного риска (PRS), оценка генетического риска, или же оценка по всему геному, представляет собой число, которое суммирует предполагаемое влияние многих генетических вариантов на фенотип человека, обычно рассчитываемое как взвешенная сумма аллелей, связанных с признаками.[1][2][3] Он отражает предполагаемую генетическую предрасположенность человека к определенному признаку и может использоваться в качестве предиктора этого признака.[4][5][6][7][8] Полигенные оценки широко используются в животноводство и селекция растений (обычно называемый геномное предсказание или же геномный отбор) в связи с их эффективностью в улучшении животноводства и сельскохозяйственных культур.[9] Они также все чаще используются для прогнозирования риска у людей сложные заболевания[10] на которые обычно влияют многие генетические варианты, каждый из которых оказывает небольшое влияние на общий риск.[11][12]

История

Ранний (2006 г.) пример применения шкалы генетического риска к диабету 2 типа у людей. Лица с диабетом 2 типа (белые полосы) имеют более высокий балл, чем контрольная группа (черные полосы).[13]

Один из первых предшественников современной полигенной оценки был предложен под термином отбор с помощью маркеров (МАС) в 1990 году.[14] По данным МАС, селекционеры могут повысить эффективность выращивания искусственный отбор оценивая регресс коэффициенты генетических маркеров, которые коррелируют с различиями в интересующем признаке и присваивают отдельным животным «балл» на основе этой информации. Основное развитие этих основ было предложено в 2001 году исследователями, которые обнаружили, что использование Байесовский приор может помочь смягчить проблему количества маркеров, превышающих выборку животных.[15]

Эти методы были впервые применены к людям в конце 2000-х годов, начиная с предложения в 2007 году, что эти оценки могут использоваться в генетике человека для выявления людей с высоким риском заболевания.[16] Впервые это было успешно применено в эмпирических исследованиях в 2009 году исследователями, организовавшими исследование ассоциации всего генома (GWAS) из шизофрения для построения оценок склонности к риску. Это исследование также было первым, в котором использовался термин полигенный показатель для прогноза, составленного из линейной комбинации однонуклеотидный полиморфизм (SNP) генотипы, которые смогли объяснить 3% дисперсии шизофрении.[17]

Способы строительства

Полигенная оценка (PGS) строится на основе «весов», полученных из исследование ассоциации всего генома (GWAS). В GWAS - набор генетических маркеров (обычно SNP ) генотипируется на обучающей выборке, и величина эффекта оценивается для связи каждого маркера с интересующим признаком. Эти веса затем используются для присвоения индивидуализированных полигенных оценок в независимой выборке репликации.[1] Расчетный балл, , обычно следует форме

,

где индивида равно взвешенной сумме маркерных генотипов индивида, , в SNP.[1] Вес оценивается с использованием некоторой формы регрессивный анализ. Поскольку количество геномных вариантов обычно превышает размер выборки, нельзя использовать Множественная регрессия OLS (п > п проблема[18][19]). Исследователи предложили различные методологии, которые решают эту проблему, а также то, как генерировать веса SNP, , и как определить, какие Следует включить SNP.

Обрезка и пороговая обработка

Самый простой так называемый метод «отсечения и пороговой обработки» - устанавливает веса, равные оценкам коэффициентов регрессии признака для каждого генетического варианта. Включенные SNP могут быть выбраны с использованием алгоритма, который пытается гарантировать, что каждый маркер является приблизительно независимым. Неспособность учесть неслучайную ассоциацию генетических вариантов обычно снижает точность прогнозов. Это важно, потому что генетические варианты часто коррелируют с другими соседними вариантами, так что вес причинного варианта будет ослаблен, если он более сильно коррелирует со своими соседями, чем нулевой вариант. Это называется нарушение равновесия по сцеплению, обычное явление, которое возникает из общей эволюционной истории соседних генетических вариантов. Дальнейшее ограничение может быть достигнуто путем множественного тестирования различных наборов SNP, выбранных с разными пороговыми значениями, например, всех SNP, которые являются статистически значимыми совпадениями для всего генома, или всех SNP. п <0,05 или все SNP с п <0,50, и тот, который имеет наибольшую производительность, используется для дальнейшего анализа; особенно для высокополигенных признаков, лучшая полигенная оценка будет, как правило, использовать большинство или все SNP.[20]

Байесовские методы

Байесовские подходы, впервые представленные в концепции в 2001 году,[15] попытка явно смоделировать ранее существовавшую генетическую архитектуру, тем самым учитывая распределение размеров эффекта с априорной, что должно улучшить точность полигенной оценки. Один из самых популярных современных байесовских методов использует «предсказание неравновесия по сцеплению» (LDpred для краткости), чтобы установить вес для каждого SNP, равный среднему его апостериорному распределению после того, как было учтено неравновесие по сцеплению. LDpred имеет тенденцию превосходить более простые методы отсечения и определения порогов, особенно при больших размерах выборки; например, его оценки улучшили прогнозируемую дисперсию полигенной оценки шизофрении в большом наборе данных с 20,1% до 25,3%.[8]

Штрафная регрессия

Штрафная регрессия методы, такие как ЛАССО и регресс гребня, также можно использовать для повышения точности полигенных оценок. Штрафную регрессию можно интерпретировать как установление информативных априорных вероятностей того, сколько генетических вариантов, как ожидается, повлияет на признак, и распределения размеров их эффекта. Другими словами, эти методы фактически «штрафуют» большие коэффициенты в регрессионной модели и консервативно сжимают их. Регрессия Риджа выполняет это, сокращая прогноз с помощью члена, который штрафует сумму квадратов коэффициентов.[4] LASSO достигает чего-то подобного, штрафуя сумму абсолютных коэффициентов.[21] Существуют байесовские аналоги для LASSO и регрессии гребня, а также были предложены и использованы другие априорные факторы. В некоторых обстоятельствах они могут работать лучше.[22] Исследование с использованием нескольких наборов данных и методов[19] обнаружил, что из 15 различных методов по сравнению с четырьмя наборами данных, минимальная избыточность максимальная актуальность был самым эффективным методом. Более того, выбор переменных методы имели тенденцию превосходить другие методы. Методы выбора переменных не используют все доступные геномные варианты, присутствующие в наборе данных, но пытаются выбрать оптимальное подмножество вариантов для использования. Это приводит к меньшему переобучению, но большему смещению (см. компромисс смещения и дисперсии ).

Прогнозирующая производительность

Преимущество полигенных оценок заключается в том, что их можно использовать для прогнозирования будущего сельскохозяйственных культур, животноводство, и люди в равной степени. Хотя в основе этих областей прогнозирования лежат одни и те же базовые концепции, они сталкиваются с разными проблемами, требующими разных методологий. Способность производить очень большие семьи у нечеловеческих видов, сопровождаемая преднамеренным отбором, приводит к меньшей эффективной популяции, более высокой степени неравновесия по сцеплению между индивидуумами и более высокому среднему генетическому родству между индивидуумами внутри популяции. Например, представители пород растений и животных, фактически созданных людьми, таких как современные кукуруза или внутренние крупный рогатый скот, все технически "связаны". Напротив, в геномном прогнозе человека для оценки влияния общих SNP отбираются неродственные особи в больших популяциях. Из-за меньшей эффективной популяции домашнего скота средний коэффициент связи между любыми двумя особями, вероятно, высок, и общие SNP будут отмечать причинные варианты на большем физическом расстоянии, чем для людей; это основная причина более низких оценок наследственности на основе SNP для людей по сравнению с домашним скотом. В обоих случаях, однако, размер выборки является ключом к максимальной точности геномного прогноза.[23]

В то время как современная оценка геномного прогнозирования у людей обычно называется «полигенной оценкой» (PGS) или «оценкой полигенного риска» (PRS), в животноводстве более распространенным термином является «геномная оценочная племенная ценность» или GEBV (аналогично более знакомый «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 в животноводстве 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 потомством с точки зрения генетического материала, унаследованного от родителя. Таким образом, GEBV можно понимать как среднее значение потомства отдельного животного или пары отдельных животных. GEBV также обычно передаются в единицах интересующего признака. Например, ожидаемое увеличение молочной продуктивности потомства определенного родителя по сравнению с потомством эталонной популяции может быть типичным способом использования GEBV в разведении и селекции молочных коров.[23]

Некоторые значения точности приведены в разделах ниже для сравнения. Они даны с точки зрения корреляции и были преобразованы из объясненной дисперсии, если она указана в этом формате в источнике.

В растениях

Прогностическая ценность полигенного подсчета очков имеет большие практические преимущества для селекции растений и животных, поскольку он увеличивает точность отбора и позволяет использовать более короткие поколения, что ускоряет эволюцию.[24] Геномное предсказание с некоторой версией полигенной оценки использовалось в экспериментах с кукурузой, мелкими зернами, такими как ячмень, пшеница, овес и рожь, и рис двупородные семьи. Во многих случаях эти прогнозы оказались настолько успешными, что исследователи выступили за их использование в борьбе с глобальным ростом населения и изменением климата.[9]

  • В 2015 г. р ≈ 0,55 для общей длины корня кукурузы.[25]
  • В 2014, р ≈ 0,03–0,99 по четырем признакам ячменя.[26]

У нечеловеческих животных

В людях

Для людей, хотя большинство полигенных показателей недостаточно предсказуемы для диагностики заболевания, они потенциально могут использоваться в дополнение к другим ковариатам (таким как возраст, ИМТ, статус курения) для улучшения оценок восприимчивости к заболеванию.[30][2][12] Хотя такие проблемы, как систематическое снижение производительности у лиц неевропейского происхождения, ограничивают этическое и практическое широкое использование,[31] несколько авторов отметили, что многие причинные варианты, лежащие в основе общих генетических вариаций у европейцев, являются общими на разных континентах для (например) ИМТ и диабета 2 типа в африканских популяциях.[32] а также шизофрения в китайском населении.[33] Другие исследователи признают, что недооценка полигенности среди неевропейского населения должна стимулировать новые GWAS, которые уделяют приоритетное внимание большему генетическому разнообразию, чтобы максимизировать потенциальную пользу для здоровья, обеспечиваемую прогнозирующими полигенными оценками.[34]

  • В 2016 г. р ≈ 0,30 для различий в уровне образования в 16 лет.[35] Этот полигенный показатель был основан на GWAS с использованием данных 293 000 человек.[36]
  • В 2016 г. р ≈ 0,31 для статуса случай / контроль для первого эпизода психоза.[37]
  • В 2017 г. р ≈ 0,29 для статуса случай / контроль для шизофрении в комбинированных европейских и китайских выборках.[33]
  • В 2018 г. р ≈ 0,67 для изменения роста во взрослом возрасте, что дает прогноз в пределах ~ 3 см для большинства участников исследования.[38]
  • В 2018 г. р ≈ 0,23 для интеллекта из выборки 269 867 европейцев.[39]
  • В 2018 г. р ≈ 0,33 до 0,36 для уровня образования и р ≈ 0,26–0,32 для интеллекта более 1,1 миллиона европейцев.[40]

Использование полигенных оценок для отбор эмбрионов подвергался критике из-за этических проблем и вопросов безопасности, а также из-за ограниченной практической полезности.[41][42][43] По состоянию на 2019 год на основе общегеномной статистики ассоциаций были получены полигенные оценки более чем сотни фенотипов.[44] К ним относятся оценки, которые можно разделить на антропометрические, поведенческие, сердечно-сосудистые, нераковые заболевания, психиатрические / неврологические и ответ на лечение / лекарства.[45]

Непредсказательное использование

У людей полигенные оценки первоначально рассчитывались с целью предсказать распространенность и этиологию сложных, наследственный заболевания, на которые обычно влияют многие генетические варианты, которые по отдельности незначительно влияют на общий риск. А исследование ассоциации всего генома (GWAS) такой полигенный trait способен идентифицировать эти отдельные генетические локусы с небольшим эффектом в достаточно большой выборке, и для формирования полигенной оценки можно использовать различные методы агрегирования результатов.[требуется разъяснение ] Эта оценка обычно объясняет, по крайней мере, несколько процентов дисперсии фенотипа, и поэтому можно предположить, что она эффективно включает значительную часть генетических вариантов, влияющих на этот фенотип. Полигенный показатель может использоваться несколькими способами: в качестве нижней границы для проверки того, могут ли оценки наследуемости быть смещенными; как мера генетического перекрытия признаков (генетическая корреляция ), что может означать, например, общие генетические основы для групп психических расстройств; как средство для оценки групповых различий в таких характеристиках, как рост, или для изучения изменений в чертах со временем из-за естественный отбор указывает на мягкий выборочная развертка (как, например, для интеллекта, где изменения частоты будут слишком малы, чтобы их можно было обнаружить по каждому отдельному удару, но не по общему полигенному баллу); в Менделирующая рандомизация (при условии, что нет плейотропия с соответствующими чертами); для обнаружения и контроля наличия генетических искажений в результатах (например, корреляция шизофрении с бедностью); или исследовать взаимодействие гена с окружающей средой и корреляции.

Рекомендации

  1. ^ а б c Дадбридж F (март 2013 г.). «Мощность и прогностическая точность оценок полигенного риска». PLOS Genetics. 9 (3): e1003348. Дои:10.1371 / journal.pgen.1003348. ЧВК  3605113. PMID  23555274.
  2. ^ а б Торкамани А., Вайнингер Н. Э., Тополь Э. Дж. (Сентябрь 2018 г.). «Личная и клиническая полезность полигенных оценок риска». Обзоры природы. Генетика. 19 (9): 581–590. Дои:10.1038 / с41576-018-0018-х. PMID  29789686. S2CID  46893131.
  3. ^ Ламберт С.А., Абрахам Дж., Иноуэ М. (ноябрь 2019 г.). «На пути к клинической применимости оценок полигенного риска». Молекулярная генетика человека. 28 (R2): R133 – R142. Дои:10.1093 / hmg / ddz187. PMID  31363735.
  4. ^ а б де Вламинг Р., Гроенен П. Дж. (2015). «Текущее и будущее использование хребтовой регрессии для прогнозирования в количественной генетике». BioMed Research International. 2015: 143712. Дои:10.1155/2015/143712. ЧВК  4529984. PMID  26273586.
  5. ^ Льюис К.М., Вассос Э. (ноябрь 2017 г.). «Перспективы использования оценок риска в полигенной медицине». Геномная медицина. 9 (1): 96. Дои:10.1186 / s13073-017-0489-у. ЧВК  5683372. PMID  29132412.
  6. ^ Кера А.В., Чаффин М., Арагам К.Г., Хаас М.Э., Роселли С., Чой С.Х. и др. (Сентябрь 2018 г.). «Полногеномные полигенные оценки распространенных заболеваний выявляют людей с риском, эквивалентным моногенным мутациям». Природа Генетика. 50 (9): 1219–1224. Дои:10.1038 / s41588-018-0183-z. ЧВК  6128408. PMID  30104762.
  7. ^ Янес Т., Мейзер Б., Каур Р., Шиперс-Джойнт М., МакИнерни С., Тейлор С. и др. (Март 2020 г.). «Использование информации о полигенном риске среди женщин с повышенным риском рака груди». Клиническая генетика. 97 (3): 492–501. Дои:10.1111 / cge.13687. PMID  31833054. S2CID  209342044.
  8. ^ а б Вилхьяльмссон Б.Дж., Янг Дж., Финукейн Х.К., Гусев А., Линдстрём С., Рипке С. и др. (Октябрь 2015 г.). «Моделирование неравновесия по сцеплению повышает точность оценок полигенного риска». Американский журнал генетики человека. 97 (4): 576–92. Дои:10.1016 / j.ajhg.2015.09.001. ЧВК  4596916. PMID  26430803.
  9. ^ а б Spindel JE, McCouch SR (Декабрь 2016 г.). «Чем больше, тем лучше: как обмен данными ускорит геномный отбор сельскохозяйственных культур». Новый Фитолог. 212 (4): 814–826. Дои:10.1111 / nph.14174. PMID  27716975.
  10. ^ Regalado A (8 марта 2019 г.). «23andMe считает, что оценки полигенных рисков готовы для масс, но эксперты не уверены». Обзор технологий MIT. Получено 2020-08-14.
  11. ^ Visscher PM, Wray NR, Zhang Q, Sklar P, McCarthy MI, Brown MA, Yang J (июль 2017 г.). «10 лет открытий GWAS: биология, функции и перевод». Американский журнал генетики человека. 101 (1): 5–22. Дои:10.1016 / j.ajhg.2017.06.005. ЧВК  5501872. PMID  28686856.
  12. ^ а б Spiliopoulou A, Nagy R, Bermingham ML, Huffman JE, Hayward C, Vitart V и др. (Июль 2015 г.). «Геномное предсказание сложных человеческих черт: родство, характерная архитектура и предсказательные метамодели». Молекулярная генетика человека. 24 (14): 4167–82. Дои:10.1093 / hmg / ddv145. ЧВК  4476450. PMID  25918167.
  13. ^ Weedon MN, McCarthy MI, Hitman G, Walker M, Groves CJ, Zeggini E, et al. (Октябрь 2006 г.). «Объединение информации из общих полиморфизмов риска диабета 2 типа улучшает прогнозирование заболевания». PLOS Медицина. 3 (10): e374. Дои:10.1371 / journal.pmed.0030374. ЧВК  1584415. PMID  17020404.
  14. ^ Се Ц., Сюй С (апрель 1998 г.). «Эффективность многоступенчатой ​​селекции с помощью маркеров в улучшении множества количественных признаков». Наследственность. 80 (Pt 4) (3): 489–98. Дои:10.1046 / j.1365-2540.1998.00308.x. PMID  9618913.
  15. ^ а б Meuwissen TH, Hayes BJ, Goddard ME (апрель 2001 г.). «Прогнозирование общей генетической ценности с использованием карт плотных маркеров всего генома». Генетика. 157 (4): 1819–29. ЧВК  1461589. PMID  11290733.
  16. ^ Рэй Н.Р., Годдард М.Э., Вишер П.М. (октябрь 2007 г.). «Прогнозирование индивидуального генетического риска заболевания на основе полногеномных ассоциативных исследований». Геномные исследования. 17 (10): 1520–8. Дои:10.1101 / гр.6665407. ЧВК  1987352. PMID  17785532.
  17. ^ Перселл С.М., Рэй Н.Р., Стоун Дж.Л., Вишер П.М., О'Донован М.С., Салливан П.Ф., Склар П. (август 2009 г.). «Общие полигенные вариации повышают риск шизофрении и биполярного расстройства». Природа. 460 (7256): 748–52. Bibcode:2009Натура.460..748П. Дои:10.1038 / природа08185. ЧВК  3912837. PMID  19571811.
  18. ^ Джеймс Джи (2013). Введение в статистическое обучение: с приложениями в R. Springer. ISBN  978-1461471370.
  19. ^ а б Haws DC, Rish I, Teyssedre S, He D, Lozano AC, Kambadur P, et al. (2015-10-06). «Выбор переменных выходит на первое место в эмпирическом сравнении методов прогнозирования полногеномных комплексных признаков». PLOS ONE. 10 (10): e0138903. Bibcode:2015PLoSO..1038903H. Дои:10.1371 / journal.pone.0138903. ЧВК  4595020. PMID  26439851.
  20. ^ Ware EB, Schmitz LL, Faul J, Gard A, Mitchell C, Smith JA, Zhao W., Weir D, Kardia SL (январь 2017 г.). «Неоднородность полигенных оценок общих черт человека». bioRxiv: 106062. Дои:10.1101/106062.
  21. ^ Ваттикути С., Ли Дж.Дж., Чанг СС, Хсу С.Д., Чоу СС (2014). «Применение сжатого зондирования к полногеномным ассоциативным исследованиям». GigaScience. 3 (1): 10. Дои:10.1186 / 2047-217X-3-10. ЧВК  4078394. PMID  25002967.
  22. ^ Джанола Д., Роза Г.Дж. (2015). «Сто лет статистических разработок в животноводстве». Ежегодный обзор биологических наук о животных. 3: 19–56. Дои:10.1146 / annurev-animal-022114-110733. PMID  25387231.
  23. ^ а б Рэй Н.Р., Кемпер К.Э., Хейс Б.Дж., Годдард М.Э., Вишер П.М. (апрель 2019 г.). «Прогнозирование комплексных признаков на основе данных генома: сравнение ВЭБ у домашнего скота и ССН у людей: геномное предсказание». Генетика. 211 (4): 1131–1141. Дои:10.1534 / генетика.119.301859. ЧВК  6456317. PMID  30967442.
  24. ^ Heslot N, Jannink JL, Sorrells ME (январь 2015 г.). «Перспективы применения геномной селекции и исследования растений». Растениеводство. 55 (1): 1–12. Дои:10.2135 / cropci2014.03.0249. ISSN  0011-183X.
  25. ^ Pace J, Yu X, Lübberstedt T (сентябрь 2015 г.). «Геномное предсказание длины корня проростков кукурузы (Zea mays L.)». Журнал растений. 83 (5): 903–12. Дои:10.1111 / tpj.12937. PMID  26189993.
  26. ^ Саллам А.Х., Эндельман Дж. Б., Джаннинк Дж. Л., Смит К. П. (01.03.2015). «Оценка точности прогноза геномной селекции в динамической селекционной популяции ячменя». Геном растений. 8 (1): 0. Дои:10.3835 / plantgenome2014.05.0020. ISSN  1940-3372. PMID  33228279.
  27. ^ Hayr MK, Druet T, Garrick DJ (01.04.2016). «027 Выполнение геномного прогнозирования с использованием гаплотипов у новозеландского молочного скота». Журнал зоотехники. 94 (дополнение2): 13. Дои:10.2527 / msasas2016-027. ISSN  1525-3163.
  28. ^ Чен Л., Винский М., Ли С. (февраль 2015 г.). «Точность прогнозирования геномной селекционной ценности по признакам туши мясного скота ангусов и шароле». Генетика животных. 46 (1): 55–9. Дои:10.1111 / возраст.12238. PMID  25393962.
  29. ^ Лю Т., Цюй Х, Ло Ц, Шу Д., Ван Дж., Лунд М.С., Су Г (октябрь 2014 г.). «Точность геномного прогноза роста и признаков туши у китайских кур тройной желтизны». BMC Genetics. 15 (110): 110. Дои:10.1186 / s12863-014-0110-у. ЧВК  4201679. PMID  25316160.
  30. ^ Льюис К.М., Вассос Э. (май 2020 г.). «Шкалы полигенного риска: от исследовательских инструментов к клиническим инструментам». Геномная медицина. 12 (1): 44. Дои:10.1186 / s13073-020-00742-5. ЧВК  7236300. PMID  32423490.
  31. ^ Дункан Л., Шен Х., Гелай Б., Мейсен Дж., Ресслер К., Фельдман М. и др. (Июль 2019). «Анализ использования и эффективности полигенных оценок риска в различных популяциях человека». Nature Communications. 10 (1): 3328. Дои:10.1038 / s41467-019-11112-0. PMID  31346163. неразрывный пробел в | название = в позиции 27 (помощь)
  32. ^ Ван И, Го Дж, Ни Дж, Ян Дж, Вишер П.М., Йенго Л. (июль 2020 г.). «Теоретическая и эмпирическая количественная оценка точности полигенных оценок в родословных расходящихся популяциях». Nature Communications. 11 (1): 3865. Дои:10.1038 / с41467-020-17719-у. PMID  32737319.
  33. ^ а б Ли З, Чен Дж, Ю Х, Хэ Л, Сюй Ю, Чжан Д. и др. (Ноябрь 2017 г.). «Полногеномный ассоциативный анализ выявил 30 новых локусов восприимчивости к шизофрении». Природа Генетика. 49 (11): 1576–1583. Дои:10,1038 / нг.3973. PMID  28991256.
  34. ^ Мартин А.Р., Канаи М., Каматани И., Окада Ю., Нил Б.М., Дейли М.Дж. (апрель 2019 г.). «Клиническое использование текущих оценок полигенного риска может усугубить диспропорции в отношении здоровья». Природа Генетика. 51 (4): 584–591. Дои:10.1038 / с41588-019-0379-х. PMID  30926966.
  35. ^ Selzam S, Krapohl E, von Stumm S, O'Reilly PF, Rimfeld K, Kovas Y, et al. (Февраль 2017). «Прогнозирование успеваемости по ДНК». Молекулярная психиатрия. 22 (2): 267–272. Дои:10.1038 / mp.2016.107. ЧВК  5285461. PMID  27431296.
  36. ^ Окбай А., Бошан Дж. П., Фонтана М. А., Ли Дж. Дж., Перс Т. Х., Ритвельд Калифорния и др. (Май 2016). «Полногеномное исследование ассоциации выявило 74 локуса, связанных с уровнем образования». Природа. 533 (7604): 539–42. Bibcode:2016Натура.533..539O. Дои:10.1038 / природа17671. ЧВК  4883595. PMID  27225129.
  37. ^ Vassos E, Di Forti M, Coleman J, Iyegbe C, Prata D, Euesden J, et al. (Март 2017 г.). "Исследование прогнозирования риска по полигенной шкале у лиц с первым эпизодом психоза". Биологическая психиатрия. 81 (6): 470–477. Дои:10.1016 / j.biopsych.2016.06.028. PMID  27765268.
  38. ^ Лелло Л., Эйвери С.Г., Телье Л., Васкес А.И., де Лос Кампос Дж., Сюй С.Д. (октябрь 2018 г.). «Точное геномное предсказание роста человека». Генетика. 210 (2): 477–497. Дои:10.1534 / генетика.118.301267. ЧВК  6216598. PMID  30150289.
  39. ^ Savage JE, Jansen PR, Stringer S, Watanabe K, Bryois J, de Leeuw CA и др. (2018). «Полногеномный метаанализ ассоциаций 269 867 человек выявил новые генетические и функциональные связи с интеллектом». Природа Генетика. 50 (7): 912–19. Дои:10.1038 / s41588-018-0152-6.
  40. ^ Ли JJ, Wedow R, Okbay A, Kong E, Maghzian O, Zacher M и др. (2018). «Открытие генов и полигенное предсказание на основе общегеномного ассоциативного исследования уровня образования 1,1 миллиона человек». Природа Генетика. 50 (8): 1112–1121. Дои:10.1038 / s41588-018-0147-3.
  41. ^ Бирни Э. «Почему неправильно использовать оценки генетического риска для эмбрионов». ewanbirney.com. Получено 2020-12-16.
  42. ^ Каравани Э., Зук О, Зееви Д., Барзилай Н., Стефанис Н.С., Хациманолис А. и др. (Ноябрь 2019 г.). «Скрининг человеческих эмбрионов на полигенные признаки имеет ограниченную полезность». Клетка. 179 (6): 1424–1435.e8. Дои:10.1016 / j.cell.2019.10.033. PMID  31761530.
  43. ^ Ласаро-Муньос Г., Перейра С., Карми С., Ленц Т. (октябрь 2020 г.). «Скрининг эмбрионов на полигенные условия и признаки: этические соображения для новой технологии». Генетика в медицине: 1–3. Дои:10.1038 / с41436-020-01019-3. PMID  33106616.
  44. ^ "Каталог полигенных оценок (PGS)". Каталог полигенных оценок (PGS). Получено 29 апреля 2020. Открытая база данных полигенных оценок и соответствующих метаданных, необходимых для точного применения и оценки
  45. ^ Ричардсон Т.Г., Харрисон С., Хемани Г., Дэйви Смит Г. (март 2019 г.). «Атлас ассоциаций полигенных оценок риска для выявления предполагаемых причинно-следственных связей в человеческом феномене». eLife. 8: e43657. Дои:10.7554 / eLife.43657. ЧВК  6400585. PMID  30835202.

внешняя ссылка