MARC

 008250123s2024        us                              c    eng  d
■001000017161139
■00520250211151315
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382830247
■035    ▼a(MiAaPQ)AAI31238210
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aXiao,  Brenda.
■24510▼aIntegrating  Various  Risk  Factors  With  Polygenic  Risk  Scores  to  Improve  the  Predictive  Power  and  Clinical  Utility  of  Risk  Prediction  Models
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Kim,  Dokyoon;Ritchie,  Marylyn  D.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2024.
■520    ▼aProper  health  care  relies  on  accurate  risk  prediction  models  to  guide  clinical  decision  making  to  prevent  the  development  of  adverse  health  outcomes.  However,  most  current  clinical  risk  prediction  models  focus  on  clinical  risk  factors  and  do  not  account  for  variability  among  individuals  that  influence  disease  risk.  Precision  medicine  aims  to  tailor  treatments  towards  the  individual,  and  polygenic  risk  scores  (PRS)  show  potential  for  using  an  individual's  unique  genome  to  predict  the  risk  for  many  complex  diseases.  Despite  the  successes  of  using  PRSs  in  research  studies,  their  translation  to  clinical  use  remains  slow.  One  major  factor  limiting  their  predictive  power  and  clinical  utility  is  that  they  include  the  effects  of  only  common  variants  across  the  genome  and  do  not  account  for  many  other  genetic  and  nongenetic  risk  factors  that  also  contribute  to  disease  risk.  In  this  dissertation,  we  first  evaluate  the  utility  of  PRSs,  aiming  to  enhance  their  predictive  performance  by  assessing  the  impact  of  various  factors  on  PRS  effectiveness.  We  develop  optimized  PRS  models  and  explore  the  genetic  relationship  between  cardiometabolic  phenotypes  and  female-specific  health  conditions.  Additionally,  we  investigate  the  effects  of  other  risk  factors  on  phenotypes.  We  test  the  association  of  an  environmental  risk  factor,  socioeconomic  vulnerability,  with  a  wide  range  of  phenotypes  and  examine  how  these  associations  vary  across  different  groups.  We  also  examine  the  effects  of  rare  variants,  which  are  not  included  in  PRSs,  on  a  few  phenotypes  and  increase  the  power  of  rare  variants  by  combining  the  effects  of  multiple  genes  together  into  rare  variant  risk  scores.  Finally,  we  aim  to  improve  the  power  of  PRS  models  by  incorporating  them  with  rare  variants  and  socioeconomic  vulnerability.  Our  results  demonstrate  the  potential  of  integrative  risk  models  in  improving  model  performance  and  support  the  need  for  future  analyses  to  combine  PRSs  with  other  risk  factors,  particularly  for  diverse  cohorts.
■590    ▼aSchool  code:  0175.
■650  4▼aBioinformatics
■650  4▼aMedicine
■650  4▼aGenetics
■653    ▼aPolygenic  risk  scores
■653    ▼aRisk  prediction
■653    ▼aClinical  risk  prediction  models  
■653    ▼aCardiometabolic  phenotypes
■653    ▼aEnvironmental  risk  factor
■690    ▼a0715
■690    ▼a0564
■690    ▼a0369
■690    ▼a0769
■71020▼aUniversity  of  Pennsylvania▼bGenomics  and  Computational  Biology.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161139▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books