p.p1 {margin: 0.0px 0.0px 0.0px 0.0px; font: 10.0px Helvetica} Tensor factorization has emerged as a powerful method to address the challenges of high dimensionality regarding disease development and comorbidity. Chronic diseases have a high likelihood to co-occur, making patients suffering from one chronic disease to have an elevated risk for the other diseases in the course of aging. Individualized prediction of chronic diseases can help patients prevent new diseases and reduce the healthcare costs. Despite rich results of risk assessment models for chronic diseases, individualized risk prediction considering the complex mechanisms of disease development and comorbidity remains to be under-researched. This research aims to develop tensor factorization-based machine learning models to predict the onset of new chronic diseases for individual patients through incorporating the comorbidity patterns with the clinical and sequential factors revealed in the electronic health records (EHR) data. We propose two tensor factorization-based methods to incorporate the clinical and sequential factors to reveal the latent patterns of co-occurring chronic diseases. The efficacy of the proposed methods was validated through predicting the onset of new chronic diseases for individual patients using the EHR data for 23 years from a major hospital in Hong Kong. The proposed methods consistently outperform benchmark predictive models. The top 10 predictions of new chronic diseases have approximately 60% recall. Tensor factorization is an appropriate method for predicting the onset of chronic diseases at the individual level. The proposed predictive models could inform proactive health management programs for at-risk patients with different chronic conditions at discharge.

Abstract Systemic acquired resistance (SAR) is an induced immune mechanism in plants, involving epigenetic regulation by chromatin remodeling and DNA methylation, which can be inherited to progeny following stress exposure. Intersexual epigenetic conflict sometimes leads to unequal expression of maternal and paternal alleles in offspring, resulting in parent-of-origin effects of inheritance. To better understand the parental contributions of epialleles in plant defense, isogenic Arabidopsis parental lines were mock-treated (M) and Pseudomonas syringae ( Pst )-treated (P) for reciprocal crosses to produce F1 progenies (MP, PM). Together with their self-fertilized F1 descendants (MM, PP), the genome-wide inherited DNA methylation and transcriptomic changes against Pst were analyzed. F1 descendants shared widespread DNA methylation and transcriptional changes at transposable elements (TEs) and genes. The confrontation of epigenomes triggers the reprogramming of DNA methylation in reciprocal crosses, resulting in transgressive segregation that also shows the parental effect of Pst treatment. Compared to PM, the MP ( Pst -primed paternal genome) was found to contributes to CHH hypermethylation, which is associated with processes in plant-pathogen interaction, including carbohydrate metabolism, glutathione metabolism and stronger translation process, which potentially contribute to improved disease resistance in MP in response to Pst challenge. Our data suggested a parent-of-origin effect of defense priming that contributes differently toward improved defense response in progenies.