利用交互作用增强个体特征预测

精准医学的一个组成部分是构建预测能力尽可能高的预测模型，例如以实现个体风险预测。在遗传流行病学中，复杂疾病具有多基因基础，一个常见的假设是生物学和遗传特征通过交互作用影响所考虑的结果。在组学数据的情况下，使用广义线性模型等标准方法可能是次优的，而机器学习方法对于进行个体预测具有吸引力。然而，这些算法大多主要关注数据集中单个特征的主效应或边际效应。另一方面，交互特征的检测是遗传流行病学领域的一个活跃研究方向。检测交互特征的一大类算法基于多因子降维法。在此，我们将基于模型的 MDR（MB-MDR）——原始 MDR 算法的一种强大扩展——进行扩展，以实现交互作用增强的个体预测。通过一项全面的模拟研究，我们表明我们的新算法能比另外两种最先进的算法（即 Random Forest 和 Elastic Net）更有效地利用隐藏在交互作用中的信息，并且在存在交互作用时明显优于这两种算法。如果不存在交互作用，这些算法的性能是相当的。此外，通过在一个类风湿关节炎患者和健康对照的数据集上比较这三种算法的性能，我们表明我们的新算法适用于真实数据。由于我们的新算法不仅适用于生物学/遗传学数据，而且适用于所有具有离散特征的数据集，它可能在其他应用中也具有实际意义，并且我们已将我们的方法作为 R 包发布。