ex-vivo-red-blood-cell-hemolysis-assay-for-evaluation-ph-responsive

<em>Ex Vivo</em> Red Blood Cell Hemolysis Assay for the Evaluation of pH-responsive Endosomolytic Agents for Cytosolic Delivery of Biomacromolecular Drugs

Phospholipid bilayers that constitute endo-lysosomal vesicles can pose a barrier to delivery of biologic drugs to intracellular targets. To overcome this ...

Vanderbilt University Medical Center

&#x4E0A;&#x4F4D;&#x6027;&#x6216;&#x57FA;&#x56E0;&#x4E0E;&#x57FA;&#x56E0;&#x7684;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x662F;&#x590D;&#x6742;&#x6027;&#x72B6;&#x7B49;&#x75BE;&#x75C5;&#x6613;&#x611F;&#x6027;&#x7684;&#x9057;&#x4F20;&#x4F53;&#x7CFB;&#x7ED3;&#x6784;&#x7684;&#x57FA;&#x672C;&#x7EC4;&#x6210;&#x90E8;&#x5206;&#x3002;&#x591A;&#x56E0;&#x7D20;&#x964D; (MDR) &#x662F;&#x4F5C;&#x4E3A;&#x4E00;&#x79CD;&#x975E;&#x53C2;&#x6570;&#x548C;&#x65E0;&#x6A21;&#x578B;&#x7684;&#x65B9;&#x6CD5;&#x6765;&#x68C0;&#x6D4B;&#x4E0A;&#x4F4D;&#x6027;&#x6709;&#x6CA1;&#x6709;&#x91CD;&#x5927;&#x7684;&#x8FB9;&#x9645;&#x9057;&#x4F20;&#x6548;&#x5E94;&#x65F6;&#x5236;&#x5B9A;&#x7684;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x5728;&#x8BB8;&#x591A;&#x590D;&#x6742;&#x75BE;&#x75C5;&#x7684;&#x7814;&#x7A76;&#x4E2D;&#xFF0C;&#x50CF;&#x5E74;&#x9F84;&#x53D1;&#x75C5;&#x4E0E;&#x5438;&#x70DF;&#x72B6;&#x51B5;&#x7684;&#x5176;&#x4ED6;&#x5171;&#x53EF;&#x80FD;&#x4EA7;&#x751F;&#x5F3A;&#x70C8;&#x7684;&#x4E3B;&#x8981;&#x5F71;&#x54CD;&#x548C;&#x53EF;&#x80FD;&#x6709;&#x53EF;&#x80FD;&#x4F1A;&#x5E72;&#x6270;&#x591A;&#x836F;&#x8010;&#x836F;&#x7684;&#x80FD;&#x529B;&#xFF0C;&#x4EE5;&#x5B9E;&#x73B0;&#x5176;&#x76EE;&#x6807;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x63D0;&#x51FA;&#x8C03;&#x6574;&#x4E2D;&#x591A;&#x836F;&#x8010;&#x836F;&#x7684;&#x534F;&#x53D8;&#x91CF;&#x5F71;&#x54CD;&#x7B80;&#x5355;&#x548C;&#x8BA1;&#x7B97;&#x6709;&#x6548;&#x62BD;&#x6837;&#x6CD5;&#x3002;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x6A21;&#x62DF;&#x663E;&#x793A;&#x8C03;&#x6574;&#x540E;&#xFF0C;&#x591A;&#x836F;&#x8010;&#x836F;&#x6709;&#x8DB3;&#x591F;&#x7684;&#x6743;&#x529B;&#x6765;&#x68C0;&#x6D4B;&#x771F;&#x5B9E;&#x57FA;&#x56E0;-&#x57FA;&#x56E0;&#x4EA4;&#x4E92;&#x4F5C;&#x7528;&#x3002;&#x6211;&#x4EEC;&#x8FD8;&#x5C06;&#x6211;&#x4EEC;&#x534F;&#x53D8;&#x91CF;&#x8C03;&#x6574;&#x4E2D;&#x7684;&#x5148;&#x8FDB;&#x6280;&#x672F;&#x4E0E;&#x65B9;&#x6CD5;&#x8FDB;&#x884C;&#x6BD4;&#x8F83;&#x3002;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x7684;&#x65B9;&#x6CD5;&#x540C;&#x6837;&#xFF0C;&#x6267;&#x884C;&#xFF0C;&#x4F46;&#x8BA1;&#x7B97;&#x66F4;&#x6709;&#x6548;&#x3002;&#x6211;&#x4EEC;&#x5C06;&#x8FD9;&#x4E00;&#x65B0;&#x65B9;&#x6CD5;&#x5E94;&#x7528;&#x4E8E;&#x5728;&#x65B0;&#x7F55;&#x5E03;&#x4EC0;&#x5C14;&#x5DDE;&#x7684;&#x57FA;&#x4E8E;&#x4EBA;&#x53E3;&#x7684;&#x8180;&#x80F1;&#x80BF;&#x7624;&#x7814;&#x7A76;&#x7684;&#x5206;&#x6790;&#x3002;

&#x591A;&#x56E0;&#x7D20;&#x7EF4;&#x5EA6;&#x51CF;&#x5C11;&#x5206;&#x6790;&#x4E0A;&#x4F4D;&#x6027;&#x7684;&#x534F;&#x53D8;&#x91CF;&#x8C03;&#x6574;&#x8BA1;&#x7B97;&#x7B80;&#x5355;&#x9AD8;&#x6548;&#x7684;&#x62BD;&#x6837;&#x65B9;&#x6CD5;&#x3002;

Epistasis or gene-gene interaction is a fundamental component of the genetic architecture of complex traits such as disease susceptibility. Multifactor dimensionality reduction (MDR) was developed as a nonparametric and model-free method to detect epistasis when there are no significant marginal genetic effects. However, in many studies of complex disease, other covariates like age of onset and smoking status could have a strong main effect and may potentially interfere with MDR's ability to achieve its goal. In this paper, we present a simple and computationally efficient sampling method to adjust for covariate effects in MDR. We use simulation to show that after adjustment, MDR has sufficient power to detect true gene-gene interactions. We also compare our method with the state-of-art technique in covariate adjustment. The results suggest that our proposed method performs similarly, but is more computationally efficient. We then apply this new method to an analysis of a population-based bladder cancer study in New Hampshire.

A simple and computationally efficient sampling approach to covariate adjustment for multifactor dimensionality reduction analysis of epistasis.

&Eacute;pistasie ou g&egrave;nes d&#39;interaction est une composante fondamentale de l&#39;architecture g&eacute;n&eacute;tique des caract&egrave;res complexes comme la susceptibilit&eacute; &agrave; la maladie. R&eacute;duction de dimensionnalit&eacute; multifactorielle (MDR) a &eacute;t&eacute; d&eacute;velopp&eacute;e comme une m&eacute;thode non param&eacute;trique et sans mod&egrave;le pour d&eacute;tecter l&#39;&eacute;pistasie lorsqu&#39;il n&#39;y a pas d&#39;effets g&eacute;n&eacute;tiques importants marginales. Toutefois, dans de nombreuses &eacute;tudes de maladies complexes, autres covariables comme l&#39;&acirc;ge d&#39;apparition et le tabagisme pourraient avoir un fort effet principal et peuvent potentiellement interf&eacute;rer avec la capacit&eacute; de MDR pour atteindre son but. Dans cet article, nous pr&eacute;sentons une m&eacute;thode simple et efficace par le calcul d&#39;&eacute;chantillonnage pour ajuster les effets covariable dans le RIM. Simulation nous permet de montrer que, apr&egrave;s ajustement, MDR a une puissance suffisante pour d&eacute;tecter des interactions g&egrave;ne-g&egrave;ne vrai. Nous comparons &eacute;galement notre m&eacute;thode avec la technique de pointe dans l&#39;ajustement de covariable. Les r&eacute;sultats sugg&egrave;rent que notre m&eacute;thode propos&eacute;e effectue de la m&ecirc;me fa&ccedil;on, mais il est plus gourmand en ressources informatiques efficace. Ensuite, nous appliquons cette nouvelle m&eacute;thode pour analyser une &eacute;tude de cancer de la vessie ax&eacute;e sur la population dans le New Hampshire.

Une approche d&#39;&eacute;chantillonnage simple et efficace par le calcul &agrave; l&#39;ajustement de la covariance pour analyse de r&eacute;duction de dimensionnalit&eacute; multifactorielle d&#39;&eacute;pistasie.

Epistase oder gen-gen-Interaktion ist ein grundlegender Bestandteil der genetischen Architektur der komplexe Merkmale wie Krankheit Anf&auml;lligkeit. Mehrstufige Dimensionalit&auml;t Reduktion (MDR) wurde als nicht-parametrische und Modell-free Methode zur Epistase zu erkennen, wann gibt es keine erheblichen Auswirkungen auf marginalen genetischen entwickelt. Jedoch in vielen Studien der komplexen Krankheit anderen Kovariaten wie Alter Beginn und Rauchen Status h&auml;tte einen sehr gro&szlig;en Effekt und k&ouml;nnen potentiell beeintr&auml;chtigen dabei MDR sein Ziel zu erreichen. In diesem Beitrag stellen wir eine einfache und rechnerisch effiziente Probenahmeverfahren f&uuml;r Kovariaten-Effekte im MDR anpassen. Wir verwenden die Simulation zeigen, dass nach Anpassung, MDR hat ausreichend Kraft wahr gen-gen-Interaktionen zu erkennen. Wir vergleichen unsere Methode mit der modernsten Technik Kovariaten Anpassung. Die Ergebnisse deuten, dass unserer vorgeschlagenen Methode &auml;hnlich f&uuml;hrt, aber mehr rechnerisch effizient ist. Wir gelten dann diese neue Methode f&uuml;r eine Analyse einer populationsbasierten Blase-Krebs-Studie in New Hampshire.

Ein einfaches und rechnerisch effizientes Stichprobenverfahren Kovariaten Anpassung f&uuml;r mehrstufige Dimensionalit&auml;t Reduktion Analyse von Epistase.

Interazione epistasi o gene-gene &egrave; un componente fondamentale dell&#39;architettura genetica dei tratti complessi quali suscettibilit&agrave; di malattia. Riduzione di dimensionalit&agrave; multifattoriale (MDR) &egrave; stato sviluppato come un metodo non parametrico e modello-free per rilevare epistasi quando non ci sono effetti marginali genetici significativi. Tuttavia, in molti studi di malattie complesse, altre covariate come et&agrave; di esordio e lo status di fumare potrebbero avere un forte effetto principale e possono potenzialmente interferire con la capacit&agrave; di MDR per raggiungere il suo obiettivo. In questo articolo, vi presentiamo un metodo di campionamento semplice e computazionalmente efficiente per regolare gli effetti covariata nel MDR. Usiamo la simulazione per dimostrare che, dopo la regolazione, MDR ha potenza sufficiente per rilevare le interazioni gene-gene vero. Abbiamo anche confrontare il nostro metodo con la tecnica dello stato dell&#39;arte nella regolazione covariata. I risultati suggeriscono che il nostro metodo proposto esegue allo stesso modo, ma &egrave; computazionalmente pi&ugrave; efficiente. Abbiamo quindi applicare questo nuovo metodo per l&#39;analisi di uno studio di cancro della vescica population-based in New Hampshire.

Un approccio semplice e computazionalmente efficiente campionamento a regolazione covariata per analisi di riduzione di dimensionalit&agrave; multifattoriale di epistasi.

&#x30A8;&#x30D4;&#x30B9;&#x30BF;&#x30B7;&#x30B9;&#x3042;&#x308B;&#x3044;&#x306F;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306F;&#x3001;&#x75C5;&#x6C17;&#x306A;&#x3069;&#x306E;&#x8907;&#x96D1;&#x306A;&#x5F62;&#x8CEA;&#x306E;&#x907A;&#x4F1D;&#x7684;&#x69CB;&#x9020;&#x306E;&#x57FA;&#x672C;&#x7684;&#x306A;&#x30B3;&#x30F3;&#x30DD;&#x30FC;&#x30CD;&#x30F3;&#x30C8;&#x3067;&#x3059;&#x3002;&#x591A;&#x8981;&#x7D20;&#x306E;&#x6B21;&#x5143;&#x524A;&#x6E1B; &#xFF08;MDR&#xFF09; &#x91CD;&#x8981;&#x306A;&#x9650;&#x754C;&#x306E;&#x907A;&#x4F1D;&#x7684;&#x5F71;&#x97FF;&#x304C;&#x306A;&#x3044;&#x30A8;&#x30D4;&#x30B9;&#x30BF;&#x30B7;&#x30B9;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x30CE;&#x30F3;&#x30D1;&#x30E9; &#x30E1;&#x30C8;&#x30EA;&#x30C3;&#x30AF; &#x30FB; &#x30E2;&#x30C7;&#x30EB;&#x7121;&#x6599;&#x65B9;&#x6CD5;&#x3068;&#x3057;&#x3066;&#x958B;&#x767A;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x3057;&#x304B;&#x3057;&#x3001;&#x591A;&#x304F;&#x306E;&#x7814;&#x7A76;&#x306E;&#x8907;&#x96D1;&#x306A;&#x75C5;&#x6C17;&#x306E;&#x767A;&#x75C7;&#x5E74;&#x9F62;&#x3084;&#x55AB;&#x7159;&#x306E;&#x72B6;&#x614B;&#x306E;&#x3088;&#x3046;&#x306A;&#x4ED6;&#x306E;&#x5909;&#x91CF;&#x5F37;&#x3044;&#x4E3B;&#x306A;&#x5F71;&#x97FF;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3001;&#x53EF;&#x80FD;&#x6027;&#x306E;&#x3042;&#x308B;&#x305D;&#x306E;&#x76EE;&#x6A19;&#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;MDR &#x306E;&#x80FD;&#x529B;&#x3092;&#x59A8;&#x3052;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;MDR &#x306E;&#x5171;&#x5909;&#x91CF;&#x52B9;&#x679C;&#x3092;&#x8ABF;&#x6574;&#x3059;&#x308B;&#x306E;&#x306B;&#x306F;&#x3001;&#x30B7;&#x30F3;&#x30D7;&#x30EB;&#x3067;&#x8A08;&#x7B97;&#x4E0A;&#x52B9;&#x7387;&#x7684;&#x306A;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0;&#x65B9;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x8ABF;&#x6574;&#x3057;&#x305F;&#x5F8C;&#x306F;&#x3001;MDR &#x771F;&#x907A;&#x4F1D;&#x5B50;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x5341;&#x5206;&#x306A;&#x96FB;&#x529B;&#x304C;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x8868;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x307E;&#x305F;&#x3001;&#x5171;&#x5909;&#x91CF;&#x8ABF;&#x6574;&#x306B;&#x304A;&#x3051;&#x308B;&#x6700;&#x5148;&#x7AEF;&#x306E;&#x6280;&#x8853;&#x3092;&#x7528;&#x3044;&#x305F;&#x624B;&#x6CD5;&#x3092;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3059;&#x3002;&#x624B;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x304C;&#x540C;&#x69D8;&#x306B;&#x3001;&#x5B9F;&#x884C;&#x3055;&#x308C;&#x307E;&#x3059;&#x3088;&#x308A;&#x52B9;&#x7387;&#x7684;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x5506;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x65B0;&#x3057;&#x3044;&#x30E1;&#x30BD;&#x30C3;&#x30C9; &#x30CB;&#x30E5;&#x30FC;&#x30CF;&#x30F3;&#x30D7;&#x30B7;&#x30E3;&#x30FC;&#x306E;&#x4EBA;&#x53E3;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x8180;&#x80F1;&#x304C;&#x3093;&#x7814;&#x7A76;&#x306E;&#x5206;&#x6790;&#x306B;&#x9069;&#x7528;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x30A8;&#x30D4;&#x30B9;&#x30BF;&#x30B7;&#x30B9;&#x306E;&#x591A;&#x8981;&#x7D20;&#x306E;&#x6B21;&#x5143;&#x524A;&#x6E1B;&#x306E;&#x5206;&#x6790;&#x306E;&#x305F;&#x3081;&#x306E;&#x5171;&#x5909;&#x91CF;&#x8ABF;&#x6574;&#x3078;&#x306E;&#x5358;&#x7D14;&#x306A;&#x8A08;&#x7B97;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EA;&#x30F3;&#x30B0; &#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3002;

Epistasis &#xB610;&#xB294; &#xC720;&#xC804;&#xC790;-&#xC720;&#xC804;&#xC790; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xC9C8;&#xBCD1; &#xBBFC;&#xAC10;&#xC131; &#xB4F1; &#xBCF5;&#xC7A1; &#xD55C; &#xD615;&#xC9C8;&#xC758; &#xC720;&#xC804;&#xC790; &#xC544;&#xD0A4;&#xD14D;&#xCC98;&#xC758; &#xAE30;&#xBCF8; &#xAD6C;&#xC131; &#xC694;&#xC18C;&#xC785;&#xB2C8;&#xB2E4;. &#xB2E4;&#xB2E8;&#xACC4; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; (MDR) &#xB54C; &#xC0C1;&#xB2F9;&#xD55C; &#xD55C;&#xACC4; &#xC720;&#xC804; &#xD6A8;&#xACFC; &#xC5C6;&#xC774; epistasis &#xAC10;&#xC9C0; &#xD558; &#xBE44;&#xD328;&#xB77C;&#xBA54;&#xD2B8;&#xB9AD; &#xBC0F; &#xBAA8;&#xB378; &#xBB34;&#xB8CC; &#xBC29;&#xBC95;&#xC73C;&#xB85C; &#xAC1C;&#xBC1C; &#xB418;&#xC5C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xBCF5;&#xC7A1; &#xD55C; &#xC9C8;&#xBCD1;&#xC758; &#xB9CE;&#xC740; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xBC1C;&#xBCD1;&#xACFC; &#xD761;&#xC5F0; &#xC0C1;&#xD0DC; &#xB098;&#xC774; &#xCC98;&#xB7FC; &#xB2E4;&#xB978; &#xAD00;&#xC2EC; &#xAC15;&#xD55C; &#xC8FC;&#xC694; &#xD6A8;&#xACFC; &#xAC00;&#xC9C8; &#xC218; &#xD558; &#xACE0; &#xC7A0;&#xC7AC;&#xC801;&#xC73C;&#xB85C; &#xADF8;&#xAC83;&#xC758; &#xBAA9;&#xD45C;&#xB97C; &#xB2EC;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; MDR&#xC758; &#xB2A5;&#xB825;&#xC744; &#xBC29;&#xD574;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xC885;&#xC774;&#xC5D0;&#xC11C;&#xB294; MDR &#xBCC0;&#xB7C9; &#xD6A8;&#xACFC; &#xC704;&#xD55C; &#xC870;&#xC815; &#xAC04;&#xB2E8; &#xD558; &#xACE0; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xACC4;&#xC0B0; &#xC0D8;&#xD50C;&#xB9C1; &#xBC29;&#xBC95; &#xC18C;&#xAC1C;. &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC870;&#xC815; &#xD6C4;, MDR&#xC740; &#xC9C4;&#xC815;&#xD55C; &#xC720;&#xC804;&#xC790;-&#xC720;&#xC804;&#xC790;&#xC758; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC744; &#xAC10;&#xC9C0; &#xD558;&#xAE30; &#xCDA9;&#xBD84; &#xD55C; &#xD30C;&#xC6CC;&#xB97C; &#xBCF4;&#xC5EC;. &#xC6B0;&#xB9AC;&#xB294; &#xB610;&#xD55C; &#xBCC0;&#xB7C9; &#xC870;&#xC815;&#xC5D0; &#xCD5C;&#xC2E0;&#xC758; &#xAE30;&#xC220;&#xC744; &#xC6B0;&#xB9AC;&#xC758; &#xBC29;&#xBC95;&#xC744; &#xBE44;&#xAD50;&#xD569;&#xB2C8;&#xB2E4;. &#xACB0;&#xACFC; &#xC81C;&#xC548; &#xC6B0;&#xB9AC;&#xC758; &#xC81C;&#xC548;&#xB41C; &#xBC29;&#xBC95; &#xB9C8;&#xCC2C;&#xAC00;&#xC9C0;&#xB85C; &#xC218;&#xD589; &#xD558;&#xC9C0;&#xB9CC; &#xACC4;&#xC0B0; &#xB354; &#xD6A8;&#xC728;&#xC801;&#xC785;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xB2E4;&#xC74C; &#xB274; &#xD584;&#xD504;&#xC154;&#xC5D0; &#xC788;&#xB294; &#xC778;&#xAD6C; &#xAE30;&#xBC18; &#xBC29;&#xAD11; &#xC554; &#xC5F0;&#xAD6C;&#xC758; &#xBD84;&#xC11D;&#xC5D0;&#xC774; &#xC0C8;&#xB85C;&#xC6B4; &#xBC29;&#xBC95; &#xC801;&#xC6A9;.

&#xAC04;&#xB2E8; &#xD558; &#xACE0; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xACC4;&#xC0B0; &#xC0D8;&#xD50C;&#xB9C1; &#xC811;&#xADFC;&#xBC95; epistasis &#xB2E4;&#xB2E8;&#xACC4; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; &#xBD84;&#xC11D;&#xC6A9; &#xBCC0;&#xB7C9; &#xC870;&#xC815;.

Interacci&oacute;n epistasis o gen es un componente fundamental de la arquitectura gen&eacute;tica de caracter&iacute;sticas complejas como la susceptibilidad de la enfermedad. Reducci&oacute;n de dimensionalidad multifactorial (MDR) fue desarrollada como un m&eacute;todo no param&eacute;trico y sin modelo para detectar epistasis cuando no hay ning&uacute;n efecto gen&eacute;tico marginal significativo. Sin embargo, en muchos estudios de enfermedad compleja, otras covariables como edad de inicio y el estatus de tabaquismo podr&iacute;an tener un fuerte efecto principal y potencialmente pueden interferir con la capacidad de MDR para lograr su objetivo. En este trabajo se presenta un m&eacute;todo de muestreo simple y computacionalmente eficiente para compensar los efectos de la covariable en MDR. Utilizamos simulaci&oacute;n para demostrar que despu&eacute;s del ajuste, MDR tiene suficiente poder estad&iacute;stico para detectar interacciones gen verdadero. Tambi&eacute;n comparamos nuestro m&eacute;todo con la t&eacute;cnica de vanguardia en el ajuste de la covariable. Los resultados sugieren que nuestro m&eacute;todo propuesto funciona de forma similar, pero es computacionalmente m&aacute;s eficiente. Luego aplicamos este nuevo m&eacute;todo para el an&aacute;lisis de un estudio de c&aacute;ncer de base poblacional de la vejiga en New Hampshire.

Un enfoque de muestreo simple y computacionalmente eficiente para ajuste de covarianza para el an&aacute;lisis de la reducci&oacute;n de dimensionalidad multifactorial de epistasis.

&#x4EBA;&#x7C7B;&#x9057;&#x4F20;&#x5B66;&#x7684;&#x6838;&#x5FC3;&#x76EE;&#x6807;&#x662F;&#x627E;&#x51FA;&#x5171;&#x540C;&#x7684;&#x4EBA;&#x7C7B;&#x75BE;&#x75C5;&#x7684;&#x6613;&#x611F;&#x57FA;&#x56E0;&#x3002;&#x4E00;&#x4E2A;&#x91CD;&#x8981;&#x7684;&#x6311;&#x6218;&#x6A21;&#x7279;&#x513F;&#x57FA;&#x56E0;-&#x57FA;&#x56E0;&#x4EA4;&#x4E92;&#x6216;&#x4E0A;&#x4F4D;&#x6027;&#x53EF;&#x80FD;&#x4F1A;&#x5BFC;&#x81F4; nonadditivity &#x7684;&#x9057;&#x4F20;&#x6548;&#x5E94;&#x3002;&#x591A;&#x56E0;&#x7D20;&#x7EF4;&#x5EA6;&#x51CF;&#x5C11; (MDR) &#x65B9;&#x6CD5;&#x662F;&#x4F5C;&#x4E3A;&#x673A;&#x5668;&#x5B66;&#x4E60;&#x7684;&#x66FF;&#x4EE3;&#x529E;&#x6CD5;&#x4EA4;&#x4E92;&#x68C0;&#x6D4B;&#x5728;&#x6CA1;&#x6709;&#x91CD;&#x5927;&#x7684;&#x8FB9;&#x9645;&#x6548;&#x679C;&#x53C2;&#x6570;&#x56DE;&#x5F52;&#x5206;&#x6790;&#x5236;&#x5B9A;&#x7684;&#x3002;&#x591A;&#x836F;&#x8010;&#x836F;&#x7684;&#x76EE;&#x6807;&#x662F;&#x51CF;&#x5C11;&#x6240;&#x56FA;&#x6709;&#x7684;&#x9020;&#x578B;&#x7EC4;&#x5408;&#x7684;&#x8BA1;&#x7B97;&#x65B9;&#x6CD5;&#xFF0C;&#x79F0;&#x4E3A;&#x5EFA;&#x8BBE;&#x6027;&#x611F;&#x5E94;&#x7684;&#x591A;&#x6001;&#x6027;&#x7684;&#x7EF4;&#x5EA6;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x9C81;&#x68D2;&#x591A;&#x56E0;&#x7D20;&#x7EF4;&#x5EA6;&#x51CF;&#x5C11; (RMDR) &#x65B9;&#x6CD5;&#xFF0C;&#x5373;&#x6267;&#x884C;&#x5EFA;&#x8BBE;&#x6027;&#x611F;&#x5E94;&#x4F7F;&#x7528;&#x8D39;&#x96EA;&#x7684;&#x7CBE;&#x786E;&#x6D4B;&#x8BD5;&#xFF0C;&#x800C;&#x4E0D;&#x662F;&#x9884;&#x5148;&#x786E;&#x5B9A;&#x7684;&#x9608;&#x503C;&#x3002;&#x8FD9;&#x79CD;&#x65B9;&#x6CD5;&#x7684;&#x4F18;&#x70B9;&#x662F;&#x53EA;&#x5177;&#x6709;&#x7EDF;&#x8BA1;&#x610F;&#x4E49;&#x7684;&#x57FA;&#x56E0;&#x578B;&#x7EC4;&#x5408;&#x8010;&#x591A;&#x836F;&#x5206;&#x6790;&#x4E2D;&#x8003;&#x8651;&#x3002;&#x6211;&#x4EEC;&#x4F7F;&#x7528;&#x6A21;&#x62DF;&#x7814;&#x7A76;&#x8BC1;&#x660E;&#x8FD9;&#x79CD;&#x505A;&#x6CD5;&#x4F1A;&#x589E;&#x52A0;&#x591A;&#x836F;&#x8010;&#x836F;&#x7684;&#x6210;&#x529F;&#x7387;&#xFF0C;&#x53EA;&#x6709;&#x51E0;&#x4E2A;&#x57FA;&#x56E0;&#x578B;&#x7EC4;&#x5408;&#x663E;&#x8457;&#x5173;&#x8054;&#x6848;&#x4EF6;&#x63A7;&#x5236;&#x72B6;&#x6001;&#x65F6;&#x3002;&#x6211;&#x4EEC;&#x663E;&#x793A;&#x8FD9;&#x4E0D;&#x662F;&#x8FD9;&#x79CD;&#x60C5;&#x51B5;&#x65F6;&#x662F;&#x6CA1;&#x6709;&#x635F;&#x5931;&#x7684;&#x6210;&#x529F;&#x7387;&#x3002;&#x6211;&#x4EEC;&#x7136;&#x540E;&#x4ECE;&#x57FA;&#x4E8E;&#x4EBA;&#x53E3;&#x7684;&#x7814;&#x7A76;&#x5728;&#x65B0;&#x7F55;&#x5E03;&#x4EC0;&#x5C14;&#x5DDE;&#x7684;&#x8180;&#x80F1;&#x80BF;&#x7624;&#x7684;&#x57FA;&#x56E0;-&#x57FA;&#x56E0;&#x4EA4;&#x4E92;&#x4F5C;&#x7528;&#x57FA;&#x56E0;&#x578B;&#x6570;&#x636E;&#x4E2D;&#x68C0;&#x6D4B;&#x5230;&#x5E94;&#x7528;&#x4E86; RMDR &#x65B9;&#x6CD5;&#x3002;

&#x9C81;&#x68D2;&#x7684;&#x591A;&#x56E0;&#x7D20;&#x7EF4;&#x5EA6;&#x51CF;&#x5C11;&#x65B9;&#x6CD5;&#x68C0;&#x6D4B;&#x57FA;&#x56E0;-&#x57FA;&#x56E0;&#x4EA4;&#x4E92;&#x4F5C;&#x7528;&#x4E0E;&#x8180;&#x80F1;&#x80BF;&#x7624;&#x6613;&#x611F;&#x6027;&#x7684;&#x9057;&#x4F20;&#x5206;&#x6790;&#x4E2D;&#x7684;&#x5E94;&#x7528;&#x3002;

A central goal of human genetics is to identify susceptibility genes for common human diseases. An important challenge is modelling gene-gene interaction or epistasis that can result in nonadditivity of genetic effects. The multifactor dimensionality reduction (MDR) method was developed as a machine learning alternative to parametric logistic regression for detecting interactions in the absence of significant marginal effects. The goal of MDR is to reduce the dimensionality inherent in modelling combinations of polymorphisms using a computational approach called constructive induction. Here, we propose a Robust Multifactor Dimensionality Reduction (RMDR) method that performs constructive induction using a Fisher's Exact Test rather than a predetermined threshold. The advantage of this approach is that only statistically significant genotype combinations are considered in the MDR analysis. We use simulation studies to demonstrate that this approach will increase the success rate of MDR when there are only a few genotype combinations that are significantly associated with case-control status. We show that there is no loss of success rate when this is not the case. We then apply the RMDR method to the detection of gene-gene interactions in genotype data from a population-based study of bladder cancer in New Hampshire.

A robust multifactor dimensionality reduction method for detecting gene-gene interactions with application to the genetic analysis of bladder cancer susceptibility.

Un objectif central de la g&eacute;n&eacute;tique humaine est d&#39;identifier les g&egrave;nes de susceptibilit&eacute; pour les maladies humaines. Un d&eacute;fi important est mod&eacute;lisation des interactions g&egrave;ne-g&egrave;ne ou &eacute;pistasie qui peut entra&icirc;ner la non-additivit&eacute; des effets g&eacute;n&eacute;tiques. La m&eacute;thode de r&eacute;duction (MDR) de dimensionnalit&eacute; multifactorielle a &eacute;t&eacute; d&eacute;velopp&eacute;e comme une alternative d&#39;apprentissage machine pour la r&eacute;gression logistique param&eacute;trique pour la d&eacute;tection d&#39;interactions en l&#39;absence d&#39;importants effets marginaux. MDR vise &agrave; r&eacute;duire la dimensionnalit&eacute; inh&eacute;rente &agrave; la mod&eacute;lisation des combinaisons des polymorphismes en utilisant une approche computationnelle appel&eacute;e induction constructive. Ici, nous vous proposons une m&eacute;thode de r&eacute;duction de dimensionnalit&eacute; des Multifactor robuste (devis) qui effectue l&#39;induction constructive en utilisant le Test Exact de Fisher, et non un seuil pr&eacute;d&eacute;termin&eacute;. L&#39;avantage de cette approche est que les combinaisons seulement statistiquement significatif sont consid&eacute;r&eacute;s dans l&#39;analyse MDR. Des &eacute;tudes de simulation nous permet de d&eacute;montrer que cette approche va augmenter le taux de r&eacute;ussite de MDR quand il y a seulement quelques combinaisons de g&eacute;notype significativement associ&eacute;es au statut de cas-t&eacute;moins. Nous montrons qu&#39;il n&#39;y a aucune perte de taux de r&eacute;ussite quand ce n&#39;est pas le cas. Nous appliquons ensuite la m&eacute;thode de devis &agrave; la d&eacute;tection des interactions g&egrave;ne-g&egrave;ne en donn&eacute;es g&eacute;notypiques provenant d&#39;une &eacute;tude ax&eacute;e sur la population de cancer de la vessie dans le New Hampshire.

Une m&eacute;thode de r&eacute;duction de dimensionnalit&eacute; multifactorielle robuste pour la d&eacute;tection des interactions g&egrave;ne-g&egrave;ne associ&eacute; &agrave; l&#39;application &agrave; l&#39;analyse g&eacute;n&eacute;tique de la susceptibilit&eacute; du cancer de la vessie.

Ein zentrales Ziel der Humangenetik ist ver&auml;nderten Gene f&uuml;r h&auml;ufige menschliche Krankheiten zu identifizieren. Eine wichtige Herausforderung ist Modellierung, gen-gen-Interaktion oder Epistase, der Nonadditivity von genetischen Effekten f&uuml;hren kann. Die mehrstufige Dimensionalit&auml;t Reduktion (MDR) Methode wurde als Maschinelles Lernen Alternative zum parametrischen logistische Regression zum Erkennen von Wechselwirkungen keine signifikanten Nebenwirkungen entwickelt. Das Ziel des MDR ist die Dimensionalit&auml;t innewohnenden Modellierung Kombinationen von Polymorphismen mit einem computational Ansatz namens konstruktive Induktion zu reduzieren. Hier schlagen wir eine robuste Multifaktor Dimensionalit&auml;t Reduktion (RMDR)-Methode, die konstruktive Induktion anstelle einer Fishers exakter Test eine vorgegebene Schwelle f&uuml;hrt. Der Vorteil dieses Ansatzes ist, dass nur statistisch signifikante Genotyp-Kombinationen in der MDR-Analyse ber&uuml;cksichtigt werden. Wir verwenden Simulationsstudien um zu zeigen, dass dieser Ansatz die Erfolgsrate der MDR zunehmen wird, wenn es gibt nur wenige Genotyp-Kombinationen, die deutlich von Fall-Kontroll-Status zugeordnet sind. Wir zeigen, dass es keinen Verlust der Erfolgsquote, gibt wenn dies nicht der Fall ist. Wir gelten dann die RMDR-Methode f&uuml;r die Erkennung von gen-gen-Interaktionen im Genotyp Daten aus einer bev&ouml;lkerungsbezogenen Studie von Blasenkrebs in New Hampshire.

Eine robuste mehrstufige Dimensionalit&auml;t Reduktion Methode zum Erkennen von gen-gen-Interaktionen mit Anwendung auf die genetische Analyse der Blase Krebs Anf&auml;lligkeit.

Un obiettivo centrale della genetica umana &egrave; quello di identificare i geni di suscettibilit&agrave; per comuni malattie umane. Una sfida importante &egrave; modellazione interazione gene-gene o epistasi che possono risultare in nonadditivity di effetti genetici. Il metodo di riduzione (MDR) multifattoriale dimensionalit&agrave; &egrave; stato sviluppato come alternativa alla regressione logistica parametriche per individuare le interazioni in assenza di significativi effetti marginali machine learning. L&#39;obiettivo di MDR &egrave; quello di ridurre la dimensionalit&agrave; intrinseca in combinazioni di modellizzazione dei polimorfismi utilizzando un approccio computazionale chiamato induzione costruttivo. Qui, noi proponiamo un metodo di riduzione di dimensionalit&agrave; robusto multifattoriale (SOLLEC) che esegue costruttivo induzione mediante Test esatto di Fisher, un piuttosto che una soglia predeterminata. Il vantaggio di questo approccio &egrave; che combinazioni di genotipo solo statisticamente significativi sono considerati nell&#39;analisi MDR. Usiamo studi di simulazione per dimostrare che questo approccio aumenter&agrave; il tasso di successo di MDR quando ci sono solo pochi genotipo combinazioni che sono significativamente associate con lo status di caso-controllo. Mostriamo che non esiste nessuna perdita di tasso di successo quando questo non &egrave; il caso. Abbiamo quindi applicare il metodo SOLLEC al rilevamento delle interazioni gene-gene nei dati di genotipo da uno studio population-based di cancro alla vescica nel New Hampshire.

Un metodo di riduzione di dimensionalit&agrave; multifattoriale robusto per rilevare le interazioni gene-gene con applicazione all&#39;analisi genetica di predisposizione del cancro della vescica.

&#x4EBA;&#x985E;&#x907A;&#x4F1D;&#x5B66;&#x306E;&#x4E3B;&#x306A;&#x76EE;&#x6A19;&#x306F;&#x4E00;&#x822C;&#x7684;&#x306A;&#x75BE;&#x60A3;&#x611F;&#x53D7;&#x6027;&#x907A;&#x4F1D;&#x5B50;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x91CD;&#x8981;&#x306A;&#x8AB2;&#x984C;&#x306F;&#x3001;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3084;&#x907A;&#x4F1D;&#x7684;&#x5F71;&#x97FF;&#x306E; nonadditivity &#x3067;&#x767A;&#x751F;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x30A8;&#x30D4;&#x30B9;&#x30BF;&#x30B7;&#x30B9; &#x30E2;&#x30C7;&#x30EA;&#x30F3;&#x30B0;&#x3067;&#x3059;&#x3002;&#x591A;&#x8981;&#x7D20;&#x306E;&#x6B21;&#x5143;&#x524A;&#x6E1B; &#xFF08;MDR&#xFF09; &#x6CD5;&#x306F;&#x91CD;&#x5927;&#x306A;&#x9650;&#x754C;&#x306E;&#x5F71;&#x97FF;&#x306E;&#x306A;&#x3044;&#x72B6;&#x614B;&#x3067;&#x306E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x30D1;&#x30E9;&#x30E1;&#x30C8;&#x30EA;&#x30C3;&#x30AF; &#x30ED;&#x30B8;&#x30B9;&#x30C6;&#x30A3;&#x30C3;&#x30AF;&#x56DE;&#x5E30;&#x306B;&#x6A5F;&#x68B0;&#x5B66;&#x7FD2;&#x306E;&#x4EE3;&#x66FF;&#x3068;&#x3057;&#x3066;&#x958B;&#x767A;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;MDR &#x306E;&#x76EE;&#x6A19;&#x306F;&#x3001;&#x5EFA;&#x8A2D;&#x7684;&#x306A;&#x8A98;&#x5C0E;&#x3068;&#x547C;&#x3070;&#x308C;&#x308B;&#x8A08;&#x7B97;&#x8AD6;&#x7684;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x591A;&#x578B;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x306B;&#x56FA;&#x6709;&#x306E;&#x6B21;&#x5143;&#x3092;&#x6E1B;&#x3089;&#x3059;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x3001;&#x30D5;&#x30A3;&#x30C3;&#x30B7;&#x30E3;&#x30FC;&#x306E;&#x6B63;&#x78BA;&#x306A;&#x30C6;&#x30B9;&#x30C8;&#x3067;&#x306F;&#x306A;&#x304F;&#x3001;&#x6240;&#x5B9A;&#x306E;&#x95BE;&#x5024;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x5EFA;&#x8A2D;&#x7684;&#x306A;&#x8A98;&#x5C0E;&#x3092;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x5805;&#x7262;&#x306A;&#x591A;&#x56E0;&#x5B50;&#x6B21;&#x5143;&#x524A;&#x6E1B; (RMDR) &#x624B;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306E;&#x5229;&#x70B9;&#x306F;&#x3001;&#x552F;&#x4E00;&#x306E;&#x7D71;&#x8A08;&#x5B66;&#x7684;&#x306B;&#x91CD;&#x8981;&#x306A;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x306B;&#x304A;&#x3051;&#x308B; MDR &#x89E3;&#x6790;&#x3068;&#x898B;&#x306A;&#x3055;&#x308C;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x30B1;&#x30FC;&#x30B9; &#x30B3;&#x30F3;&#x30C8;&#x30ED;&#x30FC;&#x30EB;&#x72B6;&#x614B;&#x3092;&#x5927;&#x5E45;&#x306B;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x907A;&#x4F1D;&#x5B50;&#x578B;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x3060;&#x3051;&#x304C;&#x3001;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1; MDR &#x306E;&#x6210;&#x529F;&#x7387;&#x3092;&#x5897;&#x52A0;&#x3059;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3059;&#x305F;&#x3081;&#x306B;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306E;&#x8868;&#x793A;&#x306F;&#x3001;&#x6210;&#x529F;&#x7387;&#x306E;&#x640D;&#x5931;&#x304C;&#x306A;&#x3044;&#x5834;&#x5408;&#x306F;&#x3042;&#x308A;&#x307E;&#x305B;&#x3093;&#x3002;&#x6211;&#x3005;&#x3001;RMDR &#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x3092;&#x907A;&#x4F1D;&#x5B50;&#x578B;&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x304A;&#x3051;&#x308B;&#x907A;&#x4F1D;&#x5B50;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306E;&#x691C;&#x51FA;&#x306E;&#x8180;&#x80F1;&#x764C;&#x306B;&#x30CB;&#x30E5;&#x30FC;&#x30CF;&#x30F3;&#x30D7;&#x30B7;&#x30E3;&#x30FC;&#x306E;&#x4EBA;&#x53E3;&#x30D9;&#x30FC;&#x30B9;&#x306E;&#x7814;&#x7A76;&#x304B;&#x3089;&#x9069;&#x7528;&#x3057;&#x307E;&#x3059;&#x3002;

&#x8180;&#x80F1;&#x764C;&#x611F;&#x53D7;&#x6027;&#x306E;&#x907A;&#x4F1D;&#x5B66;&#x7684;&#x89E3;&#x6790;&#x3078;&#x306E;&#x5FDC;&#x7528;&#x3068;&#x907A;&#x4F1D;&#x5B50;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x5805;&#x7262;&#x306A;&#x591A;&#x8981;&#x7D20;&#x306E;&#x6B21;&#x5143;&#x524A;&#x6E1B;&#x65B9;&#x6CD5;&#x3002;

&#xC778;&#xAC04; &#xC720;&#xC804;&#xD559;&#xC758; &#xC911;&#xC559; &#xBAA9;&#xD45C;&#xB294; &#xC77C;&#xBC18;&#xC801;&#xC778; &#xC778;&#xAC04; &#xC9C8;&#xBCD1;&#xC5D0; &#xB300; &#xD55C; &#xBBFC;&#xAC10;&#xC131; &#xC720;&#xC804;&#xC790;&#xB97C; &#xC2DD;&#xBCC4; &#xD558;&#xB294;. &#xC720;&#xC804;&#xC790;-&#xC720;&#xC804;&#xC790;&#xC758; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xB610;&#xB294; epistasis &#xC720;&#xC804; &#xD6A8;&#xACFC;&#xC758; nonadditivity&#xC5D0;&#xC11C; &#xBC1C;&#xC0DD;&#xD560; &#xC218; &#xC788;&#xB294; &#xC911;&#xC694; &#xD55C; &#xACFC;&#xC81C;&#xB97C; &#xBAA8;&#xB378;&#xB9C1;&#xC785;&#xB2C8;&#xB2E4;. &#xB2E4;&#xB2E8;&#xACC4; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; (MDR) &#xBA54;&#xC11C;&#xB4DC;&#xB294; &#xC911;&#xC694; &#xD55C; &#xD55C;&#xACC4; &#xD6A8;&#xACFC;&#xC758; &#xBD80;&#xC7AC;&#xC5D0; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC744; &#xAC10;&#xC9C0;&#xC5D0; &#xB300; &#xD55C; &#xD328;&#xB77C;&#xBA54;&#xD2B8;&#xB9AD; &#xB85C;&#xC9C0;&#xC2A4;&#xD2F1; &#xD68C;&#xADC0; &#xD558; &#xAE30;&#xACC4; &#xD559;&#xC2B5; &#xB300;&#xC2E0; &#xAC1C;&#xBC1C; &#xB418;&#xC5C8;&#xB2E4;. MDR&#xC758; &#xBAA9;&#xC801;&#xC740; polymorphisms &#xAC74;&#xC124;&#xC801;&#xC778; &#xC720;&#xB3C4; &#xB77C;&#xB294; &#xACC4;&#xC0B0; &#xBC29;&#xC2DD;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBAA8;&#xB378;&#xB9C1; &#xC870;&#xD569;&#xC5D0; &#xB0B4;&#xC7AC; &#xB41C; &#xCC28;&#xC6D0; &#xAC10;&#xC18C;&#xC785;&#xB2C8;&#xB2E4;. &#xC5EC;&#xAE30;&#xC5D0;, &#xC6B0;&#xB9AC;&#xB294; &#xAC74;&#xC124;&#xC801;&#xC778; &#xC720;&#xB3C4; &#xBBF8;&#xB9AC; &#xACB0;&#xC815; &#xB41C; &#xC784;&#xACC4;&#xAC12; &#xBCF4;&#xB2E4; &#xD53C;&#xC154;&#xC758; &#xC815;&#xD655;&#xD55C; &#xD14C;&#xC2A4;&#xD2B8;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC218;&#xD589; &#xD558;&#xB294; &#xAC15;&#xB825;&#xD55C; Multifactor &#xCC28;&#xC6D0; &#xAC10;&#xC18C; (RMDR) &#xBA54;&#xC11C;&#xB4DC;&#xB97C; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;. &#xC774; &#xBC29;&#xBC95;&#xC758; &#xC7A5;&#xC810;&#xC740; &#xD1B5;&#xACC4;&#xC801;&#xC73C;&#xB85C; &#xC720;&#xC758; &#xD55C; &#xC720;&#xC804;&#xC790; &#xC870;&#xD569;&#xC744; MDR &#xBD84;&#xC11D;&#xC5D0;&#xC11C; &#xACE0;&#xB824; &#xB429;&#xB2C8;&#xB2E4;. &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xC5F0;&#xAD6C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBCF4;&#xC5EC;&#xC904; &#xACBD;&#xC6B0; &#xC81C;&#xC5B4; &#xC0C1;&#xD0DC;&#xC640; &#xD06C;&#xAC8C; &#xAD00;&#xB828; &#xB41C; &#xBA87; &#xAC00;&#xC9C0; &#xC720;&#xC804;&#xC790; &#xD615; &#xC870;&#xD569;&#xB9CC; &#xC788;&#xC744; &#xB54C;&#xC774; &#xC774;&#xB807;&#xAC8C; MDR&#xC758; &#xC131;&#xACF5;&#xB960;&#xC744; &#xC99D;&#xAC00;&#xD560; &#xAC83; &#xC774;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294;&#xC774; &#xC0AC;&#xAC74;&#xC774; &#xB54C; &#xC131;&#xACF5;&#xB960;&#xC758; &#xC190;&#xC2E4; &#xB418;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xB2E4;&#xC74C; &#xB274; &#xD584;&#xD504;&#xC154;&#xC5D0;&#xC11C; &#xBC29;&#xAD11; &#xC554;&#xC758; &#xC778;&#xAD6C; &#xAE30;&#xBC18; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xC720;&#xC804;&#xC790; &#xD615; &#xB370;&#xC774;&#xD130;&#xC5D0;&#xC11C; &#xC720;&#xC804;&#xC790;-&#xC720;&#xC804;&#xC790; &#xC0C1;&#xD638;&#xC791;&#xC6A9;&#xC758; &#xAC80;&#xCD9C;&#xC5D0; RMDR &#xBA54;&#xC11C;&#xB4DC;&#xB97C; &#xC801;&#xC6A9;.

&#xC720;&#xC804;&#xC790;-&#xC720;&#xC804;&#xC790; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xBC29;&#xAD11; &#xC554; &#xBBFC;&#xAC10;&#xC131;&#xC758; &#xC720;&#xC804;&#xC790; &#xBD84;&#xC11D;&#xC5D0; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xD0D0;&#xC9C0; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xAC15;&#xB825;&#xD55C; &#xB2E4;&#xB2E8;&#xACC4; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; &#xBC29;&#xBC95;.

Una meta central de la gen&eacute;tica humana es identificar genes de susceptibilidad para enfermedades humanas comunes. Un reto importante es modelado gen-gen interacci&oacute;n o tRNAs que pueden resultar en nonadditivity de efectos gen&eacute;ticos. El m&eacute;todo de reducci&oacute;n (MDR) dimensionalidad multifactorial fue desarrollado como una alternativa de aprendizaje autom&aacute;tico para regresi&oacute;n log&iacute;stica param&eacute;trica de detecci&oacute;n de interacciones en la ausencia de efectos significativos marginales. El objetivo de MDR es reducir la dimensionalidad inherente en modelado combinaciones de polimorfismos utilizando un enfoque computacional denominado inducci&oacute;n constructiva. Aqu&iacute;, proponemos un m&eacute;todo de reducci&oacute;n de dimensionalidad de multifactorial robusta (RMDR) que realiza inducci&oacute;n constructiva mediante la prueba exacta de Fisher, una en lugar de un umbral predeterminado. La ventaja de este enfoque es que combinaciones de genotipo s&oacute;lo estad&iacute;sticamente significativas se consideran en el an&aacute;lisis MDR. Utilizamos estudios de simulaci&oacute;n para demostrar que ello aumentar&aacute; la tasa de &eacute;xito de MDR cuando hay s&oacute;lo unas pocas combinaciones de genotipo significativamente asociados con el estado de casos y controles. Demostramos que no hay ninguna p&eacute;rdida de tasa de &eacute;xito, cuando &eacute;ste no es el caso. Luego aplicamos el m&eacute;todo RMDR para la detecci&oacute;n de interacciones gen datos del genotipo de un estudio poblacional de c&aacute;ncer de vejiga en New Hampshire.

Un m&eacute;todo de reducci&oacute;n de dimensionalidad multifactorial robusto para detectar interacciones gen con aplicaci&oacute;n en el an&aacute;lisis gen&eacute;tico de susceptibilidad de c&aacute;ncer de vejiga.

Article	Year
A simple and computationally efficient sampling approach to covariate adjustment for multifactor dimensionality reduction analysis of epistasis. Human heredity\| PubMed ID: 20924193	2010
A robust multifactor dimensionality reduction method for detecting gene-gene interactions with application to the genetic analysis of bladder cancer susceptibility. Annals of human genetics\| PubMed ID: 21091664	2011

Heather M. Nelson

Biography

JoVE Journal Publications

Other Publications