编辑推荐：
本研究针对基因-环境交互作用（G×E）检测中的高维度和复杂性问题，提出了一种基于贝叶斯遗传约束Cox比例风险模型（BHCox）的新方法，成功应用于非小细胞肺癌（NSCLC）数据，揭示了与预后相关的基因-吸烟交互作用，为复杂疾病病因学研究提供了新工具。
在复杂疾病的病因学研究中，基因-环境交互作用（G×E）的检测一直是极具挑战性的领域。传统方法在处理高维度数据时往往受限于计算复杂性和模型解释性。为了解决这一问题，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比例风险模型（BHCox）的新方法，该方法通过引入新型的尖峰-重尾（spike-and-slab）和正则化马蹄（regularized horseshoe）先验，结合遗传约束原理，显著提高了对基因-环境交互作用的检测能力。研究结果表明，BHCox模型在模拟数据和非小细胞肺癌（NSCLC）真实数据中均表现出色，为复杂疾病预后研究提供了有力工具。论文发表在《BMC Bioinformatics》上，为相关领域的研究者提供了新的思路和方法。
研究背景与问题
复杂疾病的发生和发展受到多种因素的影响，其中基因与环境的交互作用（G×E）被认为是关键因素之一。然而，传统的统计方法在处理高维度数据时往往面临诸多挑战，例如模型复杂性、数据稀疏性以及如何有效整合基因主效应与交互效应的依赖关系。这些问题限制了对基因-环境交互作用的准确检测和解释。为了克服这些挑战，研究人员需要开发一种能够有效处理高维度数据并遵循遗传约束原理的统计模型。
研究方法
苏州大学的研究人员提出了贝叶斯遗传约束Cox比例风险模型（BHCox），该模型结合了尖峰-重尾（spike-and-slab）和正则化马蹄（regularized horseshoe）先验，遵循强遗传约束原则。研究中使用了无回转采样器（NUTS）算法进行模型拟合，并通过广泛的模拟研究验证了模型的性能。此外，研究人员还将该方法应用于非小细胞肺癌（NSCLC）的真实数据，以评估其在实际应用中的表现。
研究结果
模拟研究
研究人员通过模拟研究验证了BHCox模型的性能，并与其他六种替代方法进行了比较。结果表明，BHCox模型在主效应（M-TP）和交互效应（I-TP）的检测准确性上显著优于其他方法，同时假阳性率（M-FP和I-FP）更低。在均方误差（MSE）方面，BHCox模型也表现出更低的误差，表明其在参数估计上的优势。此外，BHCox模型的预测准确性通过C-index评估，结果表明其预测能力优于其他模型。
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，重点关注基因表达与吸烟历史之间的交互作用。分析结果显示，BHCox模型能够检测到与预后相关的基因-吸烟交互作用，例如AC009299.3×吸烟，这一发现为NSCLC的预后研究提供了新的生物学见解。此外，基于五折交叉验证的信息准则（fivefold-IC）和C-index评估表明，BHCox模型具有更高的预测准确性和模型拟合优度。
研究结论与讨论
本研究提出的BHCox模型为检测基因-环境交互作用提供了一种新的贝叶斯方法。该模型通过引入遗传约束和新型先验，显著提高了对高维度数据的处理能力和模型解释性。在模拟和真实数据中，BHCox模型均表现出色，尤其是在检测基因-环境交互作用和预测疾病预后方面。然而，研究也存在一些局限性，例如在处理超高维度数据时可能面临计算效率问题。未来的研究可以进一步优化算法，以提高模型在更大规模数据集中的应用能力。此外，BHCox模型还可以扩展到其他复杂疾病的研究中，为揭示基因与环境之间的复杂交互作用提供更广泛的应用前景。
