耳垂形态
研究所出品
根据耳垂是否和脸颊相连,我们将耳垂的形态分为附着耳垂(下图左)和分离耳垂(下图右)。

*通过研究,我们选取了一些相关基因位点,它们会不同程度地影响到你的耳垂形态,研究详情请查看「科学细节」。
根据耳垂是否和脸颊相连,我们将耳垂的形态分为附着耳垂(下图左)和分离耳垂(下图右)。
*通过研究,我们选取了一些相关基因位点,它们会不同程度地影响到你的耳垂形态,研究详情请查看「科学细节」。
我们分析了父母不同耳垂形态的情况下,孩子附着耳垂的占比,发现如果父母都是附着耳垂,孩子附着耳垂的概率高达 90%。
在23魔方用户中,分离耳垂的用户占比约 55%,附着耳垂的用户占比约 45%。除此之外我们发现,耳垂形态和性别具有相关性。相比女性,男性中分离耳垂的占比更高。
我们的检测是使用极少量 DNA 来检测 70~80 万位点,受检测技术限制会有约 1% 的位点(预计 7~8 千个)无法检出。并且这些位点随机分布,可能会落在用于解释项目结果的位点中,从而影响您此项目的检测结果。
结合研究所问卷收集的数据和签署研究知情同意书的研究志愿者基因数据,研究人员利用计算生物学、机器学习方法,来寻找和性状相关的基因位点,并据此构建预测模型。
研究人员会在研究所持续收集数据来不断校验并优化预测模型。随着数据规模变大,模型获得更充分的校正和验证,此时它会被呈现在正式报告中。
*研究所致力于发现基因和环境对个体在更多方面的具体影响,诚邀并感谢大家参与研究问卷填写。
感谢你参与23研究所此项目的问卷调查,特发荣誉证书。
证书请登录APP查看。
研究所通过预测模型计算出不同的基因结果,下图中的不同组代表了不同的基因结果。每个基因结果中,23魔方用户的表型分布如下图。
附着耳垂
分离耳垂
样本数11297
研究进展中的项目预测结果是通过大数据建模得到的,而 AUC (Area under curve) 是机器学习中评价模型综合性能的常用指标,通常在 0.5~1 之间。
AUC 越高,表示预测模型的整体性能越好。
AUC 与准确率 (Accuracy) 的区别在于,AUC 需同时考虑对于阳性(患病)和阴性(未患病)的准确率。
举个例子:如果一个患病率为 1% 的病,只要预测所有人都不患病,那么准确率也达到了 99%。但这只考虑了阴性情况,这并不能说明预测模型的整体性能好。
因此,用准确率来评判预测模型较为片面,AUC 能更好的评价模型的好坏。