Maskininlärningsstödd epigenom-vid-genomstudie (ML-EWAS)

Maskininlärningsstödda EWAS integrerar konventionell epigenom-vid-genom-associationstestning med maskininlärningsmodeller för att identifiera DNA-metyleringsställen associerade med ett intressefenotyp. Genom att kombinera den statistiska stringensen hos EWAS med mönsterigenkänningsförmågan hos algoritmer som elastic net, random forest eller gradient boosting, hanterar detta tillvägagångssätt den extrema dimensionaliteten hos metyleringsarrayer (450 000–850 000 CpG-ställen) mer effektivt än enbart univariat testning, och kan fånga icke-linjära effekter och interaktionseffekter som standardlinjära modeller missar.