病変の予測は,進化データによる深層の生成モデルによって行われます.
Jonathan Frazer1, Pascal Notin2, Mafalda Dias1
1Marks Group, Department of Systems Biology, Harvard Medical School, Boston, MA, USA.
新しい計算モデルであるEVE (変異効果の進化モデル) は,病気のラベルなしでタンパク質変異の病原性を予測します. このアプローチは,未知の重要性を持つ数百万の遺伝的変異を分類する既存の方法と補助器具を上回ります.
科学分野:
- ゲノミクス
- コンピュータ生物学
- 人間 の 遺伝子
背景:
- ヒトの疾患遺伝子のタンパク質変異の98%以上は 臨床的な影響が不明で 正確な診断と治療を妨げています
- 変種解釈の現在の計算方法は,限られた,偏った,変数質の病気のラベルに依存し,信頼性の低い予測につながります.
- 高通量実験方法はますます使用されていますが,資源が密集しています.
研究 の 目的:
- ラベル付けされた疾患データを必要としないタンパク質変異の病原性を予測するための新しい計算アプローチを開発する.
- 変異効果を正確に評価するために 深い生成モデルと進化情報を活用する
- 数百万の未知の遺伝子変異を分類するための 拡張可能で信頼性の高いツールを提供すること
主な方法:
- EVE (変異効果の進化モデル) を開発し,生物間の進化配列の変異を訓練した深層の生成モデルである.
- 配列の変動の分布をモデル化して,フィットネスに不可欠なタンパク質配列の制約を暗示的に捉える.
- 既存のラベルに依存する計算方法と高通量実験予測と比較してEVEのパフォーマンスを評価した.
主要な成果:
- EVEはラベル付きデータに依存する 最先端の計算方法よりも優れています
- EVEの予測性能は,高通量実験の予測に匹敵するか,それよりも優れている.
- 3,219の疾患遺伝子の3600万種類以上の病原性を予測し,未知の重要性の25万6000種類以上を分類した.
結論:
- 進化情報を活用した ディープジェネラティブモデルは 変種病原性を予測するための 強力なラベルフリーなアプローチを提供します
- EVEは研究と臨床の両方で変異解釈のための価値ある独立した証拠を提供します.
- この方法は遺伝子変異と人間の健康への影響を 解明する能力を大幅に向上させます
さらに関連する動画
08:04Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
関連する概念動画
Evolutionary Relationships through Genome Comparisons
Genetic Variation
Genes exist in different versions called alleles,...
Single Nucleotide Polymorphisms-SNPs
Mutation, Gene Flow, and Genetic Drift
Incomplete Dominance
Gene Evolution - Fast or Slow?
In contrast, regions which code...
