Population-Calibrated Gene Characterization
基于总体校准的基因表型刻画AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要重点是遗传研究中的抽样偏差校正与贝叶斯估计，未直接涉及所列计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于总体校准的基因表型刻画
- 研究问题
- 使用高风险家族数据刻画疾病基因时，如何纠正忽略抽样机制造成的偏差，估计基因型与疾病关联及携带者发病概率？
- 方法与思路
- 作者以抽样变量所定义分层的权重调整似然；抽样概率未知时借助总体数据估计，并结合修正分离模型、先验和 MCMC。
- 材料陈述的贡献
- 摘要称该校正方法比条件于抽样变量的方法更有效率，并以 BRCA1、BRCA2 的外显率估计展示总体校准的应用。
- 阅读关注点
- 阅读全文时应核对抽样分层与概率的确定方式、第二份总体数据的代表性，以及分离模型和文献先验对外显率估计的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效率比较的条件和幅度未说明，抽样校正也不能直接确立基因与疾病的因果关系。
原文摘要
Phenotypic characterization of rare disease genes poses a significant statistical challenge, but the need to do so is clear. Clinical management of patients carrying a disease gene depends crucially on an accurate characterization of the genetically predisposed disease, including its likelihood of occurrence among mutation carriers, natural history, and response to treatment. We propose a formal yet practical method for controlling for bias due to ignoring ascertainment, defined as the sampling mechanism, when quantifying the association between genotype and disease using data on high-risk families. The approach is more statistically efficient than conditioning on the variables used in sampling. In it, the likelihood is adjusted by a factor that is a function of sampling weights in strata defined by those variables. It requires that these variables and the sampling probabilities in the strata they define either are known or can be estimated. The latter requires a second, population-based dataset. As an example, we derive ascertainment-corrected estimates of penetrance for the breast cancer susceptibility genes BRCA1 and BRCA2. The Bayesian analysis that we use incorporates a modified segregation model and prior data on penetrance derived from the literature. Markov chain Monte Carlo methods are used for inference.