PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Nappi, A. ; Cai, N. ; Casale, F.P.

Bayesian aggregation of multiple annotations enhances rare variant association testing.

In: (Research in Computational Molecular Biology). Berlin [u.a.]: Springer, 2025. 428-431 (Lect. Notes Comput. Sc. ; 15647 LNBI)
Postprint DOI
Open Access Green
Gene-based rare variant association tests (RVATs) are essential for uncovering disease mechanisms and identifying candidate drug targets, yet existing frameworks lack flexibility in integrating multiple variant annotations. Here, we introduce BayesRVAT, a Bayesian framework for RVAT which models variant effects using priors informed by multiple annotations. We show that BayesRVAT outperforms state-of-the-art burden test strategies in both simulations and an analysis of 12 blood traits from the UK Biobank.
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 2025
HGF-Berichtsjahr 2025
ISSN (print) / ISBN 0302-9743
e-ISSN 1611-3349
Konferenztitel Research in Computational Molecular Biology
Zeitschrift Lecture Notes in Computer Science
Quellenangaben Band: 15647 LNBI, Heft: , Seiten: 428-431 Artikelnummer: , Supplement: ,
Verlag Springer
Verlagsort Berlin [u.a.]
Institut(e) Human-Centered AI (HCA)
Helmholtz Pioneer Campus (HPC)
POF Topic(s) 30205 - Bioengineering and Digital Health
30202 - Environmental Health
Forschungsfeld(er) Enabling and Novel Technologies
Pioneer Campus
PSP-Element(e) G-540004-001
G-510007-001
DOI 10.1007/978-3-031-90252-9_54
Scopus ID 105004253411
Erfassungsdatum 2025-05-22
[➜Korrektur melden]