PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Gräf, L. ; Sens, D.W. ; Shilova, L. ; Casale, F.P.

Disease risk predictions with differentiable mendelian randomization.

In: (Research in Computational Molecular Biology). Berlin [u.a.]: Springer, 2024. 385-389 (Lect. Notes Comput. Sc. ; 14758 LNCS)
DOI
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
Predicting future disease onset is crucial in preventive healthcare, yet longitudinal datasets linking early risk factors to subsequent health outcomes are scarce. To address this challenge, we introduce Differentiable Mendelian Randomization (DMR), an extension of the classical Mendelian Randomization framework for disease risk predictions without longitudinal data. To do so, DMR leverages risk factors and genetic profiles from a healthy cohort, along with results from genome-wide association studies (GWAS) of diseases of interest. In this work, we describe the DMR framework and confirm its reliability and effectiveness in simulations and an application to a type 2 diabetes (T2D) cohort.
Altmetric
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Konferenzbeitrag
Sprache englisch
Veröffentlichungsjahr 2024
HGF-Berichtsjahr 2024
ISSN (print) / ISBN 0302-9743
e-ISSN 1611-3349
Konferenztitel Research in Computational Molecular Biology
Zeitschrift Lecture Notes in Computer Science
Quellenangaben Band: 14758 LNCS, Heft: , Seiten: 385-389 Artikelnummer: , Supplement: ,
Verlag Springer
Verlagsort Berlin [u.a.]
Institut(e) Institute of AI for Health (AIH)
Institute of Computational Biology (ICB)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-540004-001
G-503800-004
Förderungen Free State of Bavaria's Hightech Agenda through the Institute of AI for Health (AIH)
Friedrich-Alexander-Universität Erlangen-Nürnberg
DOI 10.1007/978-1-0716-3989-4_37
WOS ID 001292918000037
Scopus ID 85194229992
Erfassungsdatum 2024-08-02
[➜Korrektur melden]