Abstract
Epigenetic modifications link the environment to gene expression and play a crucial role in tumour development. DNA methylation, in particular, is gaining attention in cancer research, including cervical cancer, the focus of this study. Public repositories such as The Cancer Genome Atlas (TCGA) provide extensive genetic profiles but comparatively limited epigenetic data. We propose a new method, called multivariate classified mixed model prediction (mvCMMP), a multivariate nested-error regression framework for predicting DNA methylation from genetic data in cervical cancer. mvCMMP exploits dependencies among outcomes and class-specific random effects associated with new observations. We show that mvCMMP improves prediction accuracy over competing methods, highlighting the benefits of borrowing strength across methylation markers and shared random effects.
Les modifications & eacute;pig & eacute;n & eacute;tiques, en tant qu'interface entre l'environnement et l'expression g & eacute;nique, occupent une place centrale dans la gen & egrave;se et l'& eacute;volution des tumeurs. Parmi celles-ci, la m & eacute;thylation de l'ADN fait l'objet d'un int & eacute;r & ecirc;t croissant en recherche oncologique, notamment dans le cadre du cancer du col de l'ut & eacute;rus, objet de la pr & eacute;sente & eacute;tude. Bien que des bases de donn & eacute;es publiques, telles que The Cancer Genome Atlas (TCGA), offrent des profils g & eacute;n & eacute;tiques exhaustifs, les donn & eacute;es & eacute;pig & eacute;n & eacute;tiques disponibles restent quantitativement et qualitativement limit & eacute;es. Les auteurs proposent une m & eacute;thodologie originale, d & eacute;sign & eacute;e sous le nom de mvCMMP (multivariate Classified Mixed Model Prediction), fond & eacute;e sur un cadre de r & eacute;gression multivari & eacute;e & agrave; erreurs embo & icirc;t & eacute;es. Cette approche vise & agrave; pr & eacute;dire les profils de m & eacute;thylation de l'ADN & agrave; partir de donn & eacute;es g & eacute;n & eacute;tiques dans le contexte sp & eacute;cifique du cancer du col de l'ut & eacute;rus. Le mod & egrave;le mvCMMP exploite les interd & eacute;pendances entre les variables r & eacute;ponse ainsi que les effets al & eacute;atoires propres aux classes, associ & eacute;s aux nouvelles observations. Les r & eacute;sultats obtenus d & eacute;montrent une am & eacute;lioration significative de la pr & eacute;cision pr & eacute;dictive par rapport aux m & eacute;thodes concurrentes, mettant en lumi & egrave;re l'apport du partage d'information entre marqueurs de m & eacute;thylation et la prise en compte d'effets al & eacute;atoires communs.