返回
Gene–Environment Interactions in Predicting Self-Harm: A Machine Learning Approach Using Explainable Artificial Intelligence
DOI:10.1080/13811118.2026.2657528.png)
摘要
En 中文
自伤是一个重要的公共卫生问题;然而,自伤中遗传易位与环境因素的复杂相互作用仍然知之甚少。本研究利用英国生物银行中156,873名参与者的数据,探讨了15种精神障碍/特征的 polygenic risk scores (PRSs) 如何与环境风险因素在预测终生自伤方面的相互作用。自动化机器学习识别了最佳预测模型,同时可解释人工智能技术被应用于评估特征重要性和相互作用。环境因素,特别是人际创伤(如伴侣贬低和性侵犯),显示出比遗传因素更强的预测价值。然而,基因-环境相互作用解释了预测自伤风险中约12%的变异,其中重度抑郁、大麻使用障碍和神经性厌食症的 PRSs 表现出最强的相互作用效应。本研究结果表明,具有遗传易感性的个体可能特别易受人际创伤的影响,强调了需要针对遗传和环境风险相结合的个性化预防策略。
Keyword:
Machine learning
self-harm
polygenic risk score
gene–environment interactions
explainable artificial intelligence
期刊
A
IF:
2
论文数:
188
被引数:
3.0K
机构
引用论文
FinnGen provides genetic insights from a well-phenotyped isolated populationFinnGen提供了来自表型良好的孤立种群的遗传见解
Nature
IF0
Effectiveness, acceptability and potential harms of peer support for self-harm in non-clinical settings: systematic review
BJPSYCH OPEN
IF3.5

