複雑な相互作用のためのベイズ的経路分析

Bayesian Pathway Analysis for Complex Interactions.

• James W Baurley
• Anders Kjærsgaard
• Michael E Zwick
• Deirdre P Cronin-Fenton
• Lindsay J Collin
• Per Damkier
• Stephen Hamilton-Dutoit
• Timothy L Lash
• Thomas P Ahern

抄録

現代の疫学研究では、健康結果に対する社会的、行動的、分子的要因の影響を媒介する複雑な経路の調査が可能になっている。従来の解析アプローチでは、高次元データの解析に苦戦しており、偽陽性と偽陰性の両方の推論の可能性が高い。ここでは、複雑なデータ解析に対する既存のアプローチにおける重要な制限に対処する、新しいベイズ的経路解析アプローチである学習経路構造アルゴリズム（ALPS）について説明する。ALPSは、経路に関する事前情報を経験データと組み合わせて使用し、曝露と結果の関連性を媒介する要因のネットワーク内の複雑な相互作用を特定し、定量化する。本研究では、従来の解析では推論の質が著しく制限されていた乳がん再発予測因子（ProBe CaRe）コホートにおける複雑な遺伝子-薬物相互作用解析へのALPSの適用を例示する。

Modern epidemiologic studies permit investigation of the complex pathways that mediate effects of social, behavioral, and molecular factors on health outcomes. Conventional analytic approaches struggle with high-dimensional data, leading to high likelihoods of both false-positive and false-negative inferences. Herein, we describe a novel Bayesian pathway analysis approach, the Algorithm for Learning Pathway Structure (ALPS), which addresses key limitations in existing approaches to complex data analysis. ALPS uses prior information about pathways in concert with empirical data to identify and quantify complex interactions within networks of factors that mediate an association between an exposure and outcome. We illustrate ALPS through application to a complex gene-drug interaction analysis in the Predictors of Breast Cancer Recurrence (ProBe CaRe) cohort, for which conventional analyses severely limit the quality of inference.

© The Author(s) 2020. Published by Oxford University Press on behalf of the Johns Hopkins Bloomberg School of Public Health. All rights reserved. For permissions, please e-mail: journals.permissions@oup.com.