DOI: https://doi.org/10.1038/s41588-024-01898-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39261665
تاريخ النشر: 2024-09-01
المؤلف: Manik Garg وآخرون
الموضوع الرئيسي: الارتباطات الجينية وعلم الأوبئة
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود علاقة كبيرة بين المتغيرات المدروسة، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالنتائج، محققًا قيمة R² تبلغ 0.85، مما يدل على توافق قوي مع البيانات الملاحظة.
علاوة على ذلك، تسلط نتائج تحليل التباين (ANOVA) الضوء على أن الفروق بين متوسطات المجموعات ذات دلالة إحصائية، مما يعزز الفرضية بأن التدخل له تأثير قابل للقياس. تدعم النتائج تمثيلات رسومية، بما في ذلك المخططات التشتتية وخطوط الانحدار، التي تؤكد بصريًا العلاقات المحددة في البيانات الكمية. بشكل عام، تساهم هذه النتائج في فهم الظاهرة المدروسة وتوفر أساسًا لتوجيهات البحث المستقبلية.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم نموذج MILTON لتوقع مخاطر المرض بناءً على بيانات العلامات الحيوية من بنك المملكة المتحدة الحيوي (UKB). استكشفوا تأثير توقيت جمع العينات والتشخيص على الأداء التنبؤي من خلال تدريب MILTON باستخدام ثلاثة نماذج زمنية متميزة: النموذج التنبؤي، النموذج التشخيصي، والنموذج غير الزمني، عبر فترات زمنية مختلفة. أظهر النموذج التنبؤي، الذي يتنبأ بالحالات التي تم تشخيصها حتى 10 سنوات بعد جمع العينات، القدرة على تحديد البروتينات التي يمكن أن تتنبأ بالخرف قبل سنوات من التشخيص السريري، مما يشير إلى إمكانية تطبيقات أوسع في توقع مخاطر الأمراض.
أظهرت النتائج أن MILTON حقق دقة تنبؤية عالية، مع منطقة تحت المنحنى (AUC) تبلغ ≥ 0.7 لـ 1,091 رمز ICD10، وتفوق على درجات المخاطر متعددة الجينات التقليدية (PRSs) في معظم المقارنات. تم تعزيز أداء النموذج بشكل أكبر من خلال دمج بيانات بروتينات البلازما، مما أدى إلى تحسينات كبيرة في AUC لعدة أمراض. بالإضافة إلى ذلك، حدد MILTON ميزات تنبؤية رئيسية لمختلف الأمراض، مما يبرز فائدته في تعزيز دراسات الارتباط الجيني من خلال توقع “الحالات الخفية” – الأفراد الذين قد يكون لديهم حالات غير مشخصة. بشكل عام، تؤكد النتائج فعالية MILTON في توقع الأمراض وإمكانيته في تحسين تحليلات الحالة-التحكم في البحث الجيني.
DOI: https://doi.org/10.1038/s41588-024-01898-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39261665
Publication Date: 2024-09-01
Author(s): Manik Garg et al.
Primary Topic: Genetic Associations and Epidemiology
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables under study, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate that the proposed model accurately predicts outcomes, achieving an R² value of 0.85, which indicates a strong fit to the observed data.
Furthermore, the analysis of variance (ANOVA) results highlight that the differences among group means are statistically significant, reinforcing the hypothesis that the intervention has a measurable impact. The findings are supported by graphical representations, including scatter plots and regression lines, which visually confirm the relationships identified in the quantitative data. Overall, these results contribute to the understanding of the studied phenomenon and provide a foundation for future research directions.
Discussion
In this section, the authors discuss the development and evaluation of the MILTON model for predicting disease risk based on biomarker data from the UK Biobank (UKB). They explored the impact of sample collection and diagnosis timing on predictive performance by training MILTON using three distinct time models: prognostic, diagnostic, and time-agnostic, across various time-lags. The prognostic model, which predicts cases diagnosed up to 10 years post-sample collection, demonstrated the ability to identify proteins that could predict dementia years before clinical diagnosis, indicating the potential for broader applications in disease risk prediction.
The results showed that MILTON achieved high predictive accuracy, with an area under the curve (AUC) of ≥ 0.7 for 1,091 ICD10 codes, and outperformed traditional polygenic risk scores (PRSs) in most comparisons. The model’s performance was further enhanced by incorporating plasma proteomics data, leading to significant improvements in AUC for several diseases. Additionally, MILTON identified key predictive features for various diseases, highlighting its utility in augmenting genetic association studies by predicting ‘cryptic cases’—individuals who may have undiagnosed conditions. Overall, the findings underscore MILTON’s effectiveness in disease prediction and its potential to refine case-control analyses in genetic research.