排汗是人体正常的体温调节方式，但是出汗过多会明显影响人的日常生活、社会交往和个人情绪，生活质量受到严重影响。我们通过提问腋窝出汗对生活的影响，将认为出汗很难忍受并常影响日常活动的情况定义为多汗。
通过预测模型计算出 3 组基因结果，分段长度代表每组结果的人群占比。
你这种基因类型的人 5% 有腋下多汗
生理性多汗是在精神刺激、高温等情况下出汗，而多汗症是没有这些常见诱因的情况下，超过半年出汗过多并影响日常生活的情况。
多汗症的病因目前还不明确，有研究认为多汗症是一种复杂的神经失调，具有明显的遗传倾向，患者汗腺的大小和数量并没有明显变化。
根据23魔方的研究数据发现，相比于没有腋下多汗或腋下出汗情况不影响日常生活的群体，腋窝多汗群体中有腋臭情况的人也更多。
腋窝部分的汗腺主要分为大汗腺和小汗腺和大小汗腺。此前的研究认为小汗腺交感神经刺激的增加或异常是导致多汗的原因，大汗腺则主要是受肾上腺素能神经刺激，分泌含有脂肪酸的汗液，脂肪酸被细菌分解后产生的不饱和脂肪酸是产生腋臭的原因。
而大小汗腺被认为同时具有大分泌腺和小分泌腺的特征，并且分泌量是小汗腺的 7 倍，因此大小汗腺可能和腋窝多汗群体中腋臭情况更常见有关。
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。
我们在23魔方研究所中收集了腋窝出汗的情况，通过询问「近半年内，在没有高温、情绪、精神压力等任何刺激的情况下，你腋窝的出汗情况」，选择 18～50 岁样本。
腋窝多汗通过出汗情况是否影响日常活动进行评估，为避免中立回答影响后续的分析，将选择“能够忍受，但有时会影响我的日常活动”的群体排除在分析外。最终将选择“很难忍受，经常会影响我的日常活动”以及“无法忍受，总是影响我的日常活动”的人群定义为腋下多汗（case组），选择“没有明显的出汗情况，不会影响我的日常活动”的人群定义为没有腋下多汗（control组）。
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与腋下多汗最相关的遗传标记。
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，选择初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。
上图为腋下多汗的基因分数在测试集中 case组（腋下多汗，橘色）和control组（没有腋下多汗，蓝色）的分布情况。纵轴为基因分数。
我们将基因分数的连续数值进行离散化分割，最终将基因分数转变为 3 个分箱，并计算每个分箱中腋窝出汗的实际情况。在预测时，我们将你的基因分数对应到相应分箱中，得到你的腋下多汗倾向性。
上图，橘红色代表腋下多汗（case），土橘色代表选择能够忍受但有时会影响日常活动的中间类型（other），蓝色代表没有腋下多汗（control）
通过预测模型共计算出 3 个结果。在和你相同基因结果的23魔方用户（第 1 组）中，有 5% 的人有腋下多汗。
腋下多汗可能性高
中间类型
腋下多汗可能性低
样本数8473
项目上线
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。
