基因-环境交互作用检测新突破：基于贝叶斯遗传约束Cox模型的研究

本研究针对基因-环境交互作用（G×E）检测难题，提出贝叶斯遗传约束Cox比例风险（BHCox）模型，显著提升检测精度，为复杂疾病预后研究提供有力工具

　　 基因-环境交互作用（G×E）在复杂疾病的发生、发展及预后中扮演着关键角色。然而，传统的统计方法在处理高维数据、复杂环境效应以及生存分析特异性时面临诸多挑战。为解决这一问题，苏州大学公共卫生学院的研究人员提出了一种基于贝叶斯遗传约束Cox比例风险（BHCox）模型的新方法，该方法通过创新的尖峰-重尾（spike-and-slab）和正则化马蹄（regularized horseshoe）先验，有效整合了效应遗传性，显著提升了对基因-环境交互作用的检测能力。

论文发表于《BMC Bioinformatics》，研究团队通过广泛的模拟实验和非小细胞肺癌（NSCLC）真实数据验证了BHCox模型的优越性能。研究结果表明，BHCox模型在识别主效应和交互效应方面优于其他传统方法，且在预测精度和参数估计准确性上表现出色。该研究为复杂疾病的高维交互作用检测提供了新的思路和工具，具有重要的科学意义和应用价值。

研究背景与问题

在复杂疾病的病因学和预后研究中，基因-环境（G×E）交互作用的检测是理解疾病发生机制和预后影响因素的关键。然而，传统的统计方法在处理高维数据时面临诸多挑战，如数据维度高、环境效应复杂以及生存分析的特异性。此外，效应遗传性（即主效应与交互效应之间的依赖关系）在传统方法中往往未被充分利用，导致检测效果不佳。为克服这些挑战，研究人员开发了一种基于贝叶斯遗传约束Cox比例风险（BHCox）模型的新方法，通过创新的先验分布整合效应遗传性，显著提升了对G×E交互作用的检测能力。

研究方法

研究人员提出了一种基于贝叶斯遗传约束Cox比例风险（BHCox）模型的新方法，用于检测基因-环境交互作用。该方法通过尖峰-重尾（spike-and-slab）和正则化马蹄（regularized horseshoe）先验，整合了效应遗传性，确保了主效应与交互效应之间的依赖关系。研究中使用了无-U-turn采样器（NUTS）算法进行模型拟合，并通过R包brms实现。此外，研究人员通过广泛的模拟实验和非小细胞肺癌（NSCLC）真实数据验证了BHCox模型的性能。

研究结果

模拟实验

研究人员设计了多种模拟场景，验证了BHCox模型在不同数据结构和样本量下的性能。结果表明，BHCox模型在识别主效应和交互效应方面优于其他传统方法，如BCox-SS、BCox-HS、lasso Cox、随机生存森林（RSF）和LAD-hier等。在模拟实验中，BHCox模型的平均真实阳性（M-TP）和交互真实阳性（I-TP）数量更高，而假阳性（M-FP和I-FP）数量更低。此外，BHCox模型在参数估计的均方误差（MSE）和预测精度（C-index）方面也表现出色。

真实数据应用

研究人员将BHCox模型应用于非小细胞肺癌（NSCLC）数据，分析了基因表达、临床因素和吸烟史对患者预后的影响。结果表明，BHCox模型能够识别出具有生物学意义的基因-吸烟交互作用（如AC009299.3×吸烟），这些交互作用与患者的预后密切相关。此外，BHCox模型在模型拟合优度和预测精度方面优于其他传统方法，显示出良好的应用潜力。

研究结论与讨论

本研究提出了一种基于贝叶斯遗传约束Cox比例风险（BHCox）模型的新方法，用于检测基因-环境交互作用。该方法通过创新的尖峰-重尾和正则化马蹄先验，有效整合了效应遗传性，显著提升了对G×E交互作用的检测能力。模拟实验和真实数据验证了BHCox模型的优越性能，特别是在识别主效应和交互效应方面。然而，研究也存在一些局限性，如在处理超高维数据时可能面临计算效率问题，且在真实数据中未能检测到更多显著的交互作用。未来的研究将致力于开发更高效的算法，以应对超高维数据的挑战，并进一步优化模型以提高检测精度和生物学解释性。