Perhitungan Risiko Kekambuhan Mendel

Perhitungan risiko kekambuhan Mendel memperoleh probabilitas bahwa suatu kelainan gen tunggal akan kambuh dari hukum segregasi, kemudian menyempurnakan dasar tersebut menggunakan semua informasi yang tersedia melalui analisis Bayesian. Rasio sederhana — satu setengah untuk anak pembawa sifat dominan autosomal, seperempat untuk orang tua resesif autosomal — hanyalah titik awal yang dapat sangat dimodifikasi oleh struktur silsilah, usia, dan hasil tes.

Definition

Perhitungan risiko kekambuhan Mendel adalah estimasi probabilitas kekambuhan untuk kelainan gen tunggal dari rasio segregasi, dimodifikasi oleh probabilitas kondisional Bayesian yang menggabungkan informasi silsilah, fenotipe, usia, dan tes.

Scope

Entri ini mencakup rasio segregasi untuk pola Mendel utama dan kerangka Bayesian yang menggabungkan probabilitas apriori dengan informasi kondisional untuk menghasilkan risiko posterior (akhir). Ini adalah referensi metodologis dan tidak memberikan angka risiko untuk konsultan individu mana pun.

Core questions

• Apa implikasi risiko kekambuhan dasar dari setiap pola pewarisan Mendel?
• Bagaimana analisis Bayesian menggabungkan risiko apriori dengan bukti kondisional seperti status tidak terpengaruh atau tes normal?
• Bagaimana probabilitas apriori, kondisional, gabungan, dan posterior berhubungan dalam tabel risiko?

Key concepts

• Rasio segregasi (1/2, 1/4)
• Pola dominan autosomal, resesif, dan terkait-X
• Probabilitas apriori
• Probabilitas kondisional
• Probabilitas gabungan dan posterior
• Teorema Bayes dalam konseling
• Efek keturunan yang tidak terpengaruh pada risiko pembawa

Mechanisms

Perhitungan dimulai dengan probabilitas apriori dari segregasi Mendel — misalnya, peluang 1/2 bahwa anak dari pembawa sifat dominan autosomal mewarisi alel. Analisis Bayesian kemudian mengalikan probabilitas apriori ini dengan probabilitas kondisional yang mencerminkan bukti yang diamati, seperti beberapa anak yang tidak terpengaruh (yang menurunkan risiko pembawa apriori seorang wanita untuk kelainan terkait-X) atau tes molekuler normal. Membagi probabilitas gabungan setiap jalur dengan jumlahnya memberikan risiko posterior, atau akhir. Struktur ini memungkinkan potongan-potongan bukti independen digabungkan secara koheren menjadi satu angka.

Clinical relevance

Perhitungan kekambuhan Bayesian adalah kompetensi inti dalam genetika klinis dan menjelaskan mengapa dua konsultan dengan riwayat keluarga yang sama dapat memiliki risiko akhir yang berbeda. Entri ini menjelaskan metode; ini adalah materi referensi dan bukan pengganti penilaian klinis individual atau konseling genetik.

Epidemiology

Pendekatan ini berlaku untuk kondisi yang mengikuti pola Mendel yang diakui — kelainan dominan autosomal, resesif autosomal, dan resesif terkait-X — di mana rasio dasar ditetapkan tetapi risiko akhir bervariasi dengan informasi silsilah, frekuensi pembawa, dan sensitivitas tes genetik yang tersedia.

History

Penalaran Bayesian masuk ke konseling genetik pada pertengahan abad kedua puluh, dengan Edmond Murphy dan Gary Chase termasuk di antara mereka yang mensistematisasi penggunaannya untuk masalah risiko pembawa. Teks contoh yang dikerjakan oleh Bridge dan Young kemudian menjadikan tabel apriori-kondisional-posterior sebagai alat standar, dan munculnya pengujian molekuler menambahkan istilah kondisional baru yang kuat pada perhitungan.

Key figures

• Thomas Bayes
• Edmond Murphy
• Ian Young
• Peter Bridge

Seminal works

• young-2007
• bridge-1997

Frequently asked questions

Mengapa risiko kekambuhan anak tidak hanya rasio Mendel?

Rasio Mendel hanyalah probabilitas apriori; analisis Bayesian menyesuaikannya menggunakan informasi tambahan seperti kerabat yang tidak terpengaruh atau hasil tes normal, yang secara substansial dapat menaikkan atau menurunkan risiko akhir.

Apa yang terkandung dalam tabel risiko Bayesian?

Ini mencantumkan hipotesis yang bersaing (misalnya, pembawa versus bukan pembawa), probabilitas apriori mereka, probabilitas kondisional dari bukti yang diamati di bawah masing-masing, probabilitas gabungan yang dihasilkan, dan probabilitas posterior yang dinormalisasi.