Nature Genetics
PredInterval算法提升PGS表型预测区间校准精度

小赛推荐：

该研究提出PredInterval算法，可兼容任意PGS方法，利用个体水平数据或汇总统计数据构建高精度预测区间。PredInterval在17个性状中实现稳定校准，显著提升高风险个体识别率，适用于复杂疾病风险评估与个性化医疗决策。

 

文献概述
本文《Statistical construction of calibrated prediction intervals for polygenic score-based phenotype prediction》，发表于Nature Genetics杂志，回顾并总结了多基因评分（PGS）表型预测区间校准方法的研究进展。该研究提出PredInterval非参数算法，通过交叉验证残差信息实现跨性状稳定覆盖，显著优于现有分析方法。PredInterval支持个体风险分层优化，为临床决策提供可靠量化依据。

背景知识
多基因评分（PGS）作为精准医学核心工具，广泛应用于复杂疾病风险预测、个体分层及基因组选育。当前挑战在于PGS估算不确定性显著影响下游分析，传统方法依赖特定模型假设，难以适应多样遗传架构。研究者尝试绕过PGS估算误差，直接量化表型预测不确定性，通过CV残差构建覆盖区间。该策略不依赖PGS建模假设，可适配多种评分体系，为跨方法兼容性提供新思路。文章验证PredInterval在定量与二分类性状中均保持高覆盖精度，且不受样本量与遗传力变化影响。研究同时展示其在高风险个体识别中相较传统方法提升8.7%-830.4%，为PGS临床应用提供关键支持。

 

基因治疗CRO服务，提供AAV病毒载体设计开发及眼科、神经、肿瘤疾病模型构建服务，搭载基因编辑动物模型与表型分析平台

了解更多

 

研究方法与实验
研究采用非参数框架，基于CV残差构建预测区间。通过模拟不同遗传力（h2=0.2-0.8）、多基因性（ρ=0.001-1）及患病率（q=0.01-0.2）共120种场景，每种10次重复。PredInterval与BLUP解析法、CalPred对比，在UKB 12个性状（6定量+6二分类）中进行5折交叉验证。评估指标包括区间覆盖率、高风险识别成功率及计算效率。

关键结论与观点

• PredInterval在定量性状模拟中实现96.0%平均覆盖（目标95%），所有24种多基因性设置均≥95%
• 二分类性状覆盖率达96.7%，96种患病率设置中95种≥95%


• 相较现有方法，高风险识别成功率提升8.7%-830.4%，P<10-226
• CV折数增加（3→10折）使区间宽度下降18%，覆盖精度维持95%
• 兼容SBLUP、PRS-CS、LDpred等不同PGS方法，覆盖差异<1.1%
• 汇总统计版本与个体数据版本结果高度一致，验证方法稳健性

研究意义与展望
该方法为PGS应用提供首个通用校准工具，支持跨平台风险分层优化。未来可扩展至跨祖先群体，结合环境协变量提升预测精度。研究者建议在临床PGS报告中常规纳入预测区间，增强结果可解释性。后续开发将聚焦加速算法收敛与多表型联合建模。

 

多表型预测区间构建技术支持，提供个体基因编辑小鼠、大鼠模型快速繁育及健康监测服务，采用SPF Plus标准确保模型质量稳定性

了解更多

 

结语
PredInterval通过非参数残差建模，解决PGS预测区间校准难题。该方法在17个性状中均达预期覆盖精度，相较传统方法显著提升高风险个体识别能力。研究展示其兼容性优势，可适配不同PGS算法与数据类型。该工具为临床PGS应用提供关键支撑，尤其在心血管与代谢疾病风险评估中具有转化潜力。未来工作需解决跨祖先泛化与环境因素整合问题，进一步提升方法实用性。

 

Chang Xu, Santhi K Ganesh, and Xiang Zhou. Statistical construction of calibrated prediction intervals for polygenic score-based phenotype prediction. Nature Genetics.