用于个体治疗选择的预测性生物标志物高效筛选
统计方法学
2020-01-20 v2
摘要
实现个体化医疗的分子诊断工具的开发，需要识别与可能从不同的可用治疗中获益或受害的个体亚组相关的预测性生物标志物。然而，由于大规模遗传和分子研究中候选生物标志物数量庞大，以及临床结局、生物标志物与治疗之间关系复杂，针对治疗与协变量交互作用的普通统计检验因其统计功效有限而面临困难。本文中，我们提出一种检测预测性生物标志物的方法。我们采用 Chen 等人（2017）的加权损失函数直接估计个体治疗评分，并提出对生物标志物效应量的合成后验推断。我们开发了经验贝叶斯方法，即基于数据估计先验分布中的未知超参数。随后，我们通过具有充分错误发现率控制的最优发现过程，为候选生物标志物提供高效筛选方法。所提方法在模拟研究及一项乳腺癌临床研究应用中得到验证，结果表明该方法比现有标准方法检出了数量多得多的显著生物标志物。
引用
@article{arxiv.1905.01582,
title = {Efficient screening of predictive biomarkers for individual treatment selection},
author = {Shonosuke Sugasawa and Hisashi Noma},
journal= {arXiv preprint arXiv:1905.01582},
year = {2020}
}
备注
22 pages