Penetración de variantes genéticas basada en el aprendizaje automático

Área de la Ciencia:

• La genómica
• Biología computacional
• Medicina de precisión

Sus antecedentes:

• La estimación precisa de la penetración de la variante es esencial para la medicina de precisión y la evaluación del riesgo genético.
• Los métodos tradicionales a menudo luchan con la interpretación matizada de las variantes raras y su impacto clínico.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para una estimación precisa de la penetración de las variantes.
• Evaluar el rendimiento de la penetración derivada de ML en diferentes clases de variantes y genes de predisposición a la enfermedad.
• Para comparar la estimación de la penetración basada en el ML con los enfoques convencionales de caso contra control.

Principales métodos:

• Construcción de modelos ML utilizando registros electrónicos de salud de 1.347.298 participantes.
• Aplicación de modelos ML a una cohorte independiente con datos de exoma vinculados.
• Evaluación de la penetración de ML para 1648 variantes raras en 31 genes autosómicos dominantes, en correlación con los resultados clínicos y los datos funcionales.

Principales resultados:

• La estimación de la penetración de ML fue variable, pero más alta para las variantes patógenas y de pérdida de función.
• La penetración de ML demostró una asociación con los resultados clínicos y los datos funcionales.
• El enfoque ML proporcionó estimaciones cuantitativas refinadas, superando a los métodos convencionales en la interpretación de variantes de importancia incierta y delineando trayectorias clínicas.

Conclusiones:

• El aprendizaje automático ofrece un método escalable y preciso para cuantificar el riesgo de enfermedad variante.
• El fenotipo profundo combinado con ML mejora la interpretación de las variantes genéticas.
• Este enfoque avanza en la medicina de precisión al mejorar la comprensión de las relaciones genotipo-fenotipo.