The development of molecular diagnostic tools to achieve individualized medicine requires identifying predictive biomarkers associated with subgroups of individuals who might receive beneficial or harmful effects from different available treatments. However, due to the large number of candidate biomarkers in the large-scale genetic and molecular studies, and complex relationships among clinical outcome, biomarkers and treatments, the ordinary statistical tests for the interactions between treatments and covariates have difficulties from their limited statistical powers. In this paper, we propose an efficient method for detecting predictive biomarkers. We employ weighted loss functions of Chen et al. (2017) to directly estimate individual treatment scores and propose synthetic posterior inference for effect sizes of biomarkers. We develop an empirical Bayes approach, namely, we estimate unknown hyperparameters in the prior distribution based on data. We then provide efficient screening methods for the candidate biomarkers via optimal discovery procedure with adequate control of false discovery rate. The proposed method is demonstrated in simulation studies and an application to a breast cancer clinical study in which the proposed method was shown to detect the much larger numbers of significant biomarkers than existing standard methods. This article is protected by copyright. All rights reserved.

中文翻译：

---

有效筛选用于个体治疗选择的预测性生物标志物

开发分子诊断工具以实现个性化医学需要识别与可能从不同可用治疗中获得有益或有害影响的个体亚群相关的预测性生物标志物。然而，由于大规模遗传和分子研究中有大量候选生物标志物，以及临床结果、生物标志物和治疗之间的复杂关系，对治疗和协变量之间相互作用的普通统计检验由于其统计能力有限而存在困难。在本文中，我们提出了一种检测预测性生物标志物的有效方法。我们采用 Chen 等人的加权损失函数。(2017) 直接估计个体治疗分数并提出生物标志物效应大小的综合后验推断。我们开发了一种经验贝叶斯方法，即我们根据数据估计先验分布中的未知超参数。然后，我们通过最佳发现程序为候选生物标志物提供有效的筛选方法，并充分控制错误发现率。所提出的方法在模拟研究和乳腺癌临床研究的应用中得到证明，其中所提出的方法显示出比现有标准方法检测更多数量的重要生物标志物。本文受版权保护。版权所有。所提出的方法在模拟研究和乳腺癌临床研究的应用中得到证明，其中所提出的方法显示出比现有标准方法检测更多数量的重要生物标志物。本文受版权保护。版权所有。所提出的方法在模拟研究和乳腺癌临床研究的应用中得到证明，其中所提出的方法显示出比现有标准方法检测更多数量的重要生物标志物。本文受版权保护。版权所有。