我们在23魔方研究所中收集了与口腔溃疡相关的问答「你容易口腔溃疡吗」，并选取 18～70 岁样本，去除选择「不确定」的个体；同时为了避免评分选项为 3 的中立回答（介于容易和不容易之间）对后续分析产生影响，也将此选项群体排除在分析外。

最终，为了保障样本量的充足，我们将选择评分选项为 1 和 2 的人群归为一类作为 Control 组（不容易口腔溃疡），将选择评分选项 4 和 5 的一类作为 Case 组（容易口腔溃疡）。

我们基于上述筛选后的样本及其对应的基因芯片数据，在同时校正年龄和性别的前提下选取了与口腔溃疡最相关的遗传标记。

根据这些遗传标记和基因性别，我们使用机器学习和大数据统计的方法对训练样本和验证样本构建预测模型，选择出最优的基因分数模型，并在全新的测试集合中测试模型性能（如下）。

上图为口腔溃疡的基因分数在测试集的容易口腔溃疡（Case，橘红色颜色表示）和不容易口腔溃疡（Control，淡蓝色颜色表示）中的分布情况。其中纵轴为基因分数。

现阶段根据基因对于口腔溃疡的准确预测难度很大，直接根据基因和性别给出是否容易口腔溃疡并不合理，而基因对于口腔溃疡的影响更多表现为一种明显的倾向性。

为了给出更准确的倾向结果，我们对前面得到的连续数值的基因分数进行离散化分割，最终将基因分数转变为 5 个分箱，计算每个分箱中实际口腔溃疡情况的比例。

在预测时我们将你的基因分数对应到相应的分箱中，得到你的口腔溃疡倾向性；同时展示其他与你基因相似的人的口腔溃疡情况分布，并在验证数据集中充分验证了分箱规则的稳定性。

上图，容易口腔溃疡（Case，橘红色颜色表示) ，中间类型（Other，选项评分为 3 ，土橘色表示），和不容易口腔溃疡（Control，淡蓝色颜色表示)。

随着分箱组别上升，容易口腔溃疡的基因分数随之上升。可以看到容易口腔溃疡的占比呈递增趋势。

在我们研究的过程中，我们的研究结果与其他研究发现的遗传标记有相近的基因座，且同样的也无法单独根据基因实现高精确的预测。这可能源于 GWAS 传统方法本身的局限性而暂时未能挖掘到更好的结果,也可能受限制于其他组学以及后天环境，例如生活环境的影响以及年龄差异。