DRIVE-KG：異種知識グラフを用いた研究が進んでいない複雑な疾患におけるバリアント-表現型関連発見の強化

科学分野:

• ゲノミクスとバイオインフォマティクス
• 女性の健康研究
• 計算生物学

背景:

• 子宮内膜症は、生殖年齢の女性の10％に影響を与える、蔓延しているが十分に研究されていない女性の健康状態です。
• 子宮内膜症の遺伝的特徴付けは限られており、現在のGWASは遺伝率の11％しか説明できないため、統合的アプローチが必要です。
• グラフ表現は、多様な生物学的データを調和させるための強力なフレームワークを提供します。

研究 の 目的:

• 子宮内膜症のような複雑な疾患を研究するためにマルチオミクスデータを統合するための新しい知識グラフであるDRIVE-KGを提示すること。
• DRIVE-KGを使用した疾患リスク推論と患者レベル分類のための機械学習モデルを開発および評価すること。
• 新しい単一ヌクレオチド多型（SNP）-表現型関連を明らかにし、子宮内膜症の診断能力を向上させること。

主な方法:

• 多様なマルチオミクスデータセットを統合した異種グラフ（DRIVE-KG）を構築しました。
• SNP-表現型関連（子宮内膜症、肥満）を特定するためにリンク予測モデルをトレーニングしました。
• 子宮内膜症/子宮腺筋症の患者レベル分類のためにグラフ畳み込みネットワーク（GCN）を開発しました。

主要な成果:

• 肥満およびうつ病の形質が濃縮された66の高信頼性候補SNP-子宮内膜症関連を特定しました。
• 既知の肥満関連とは異なる、子宮内膜症の新しい遺伝的シグナルを発見しました。
• 遺伝的リスクスコア（0.698）を上回るGCNを使用して、子宮内膜症/子宮腺筋症分類で0.752のF1スコアを達成しました。
• GCNは、疾患の重症度とうつ病のシグナルの意味のある層別化を示しました。

結論:

• DRIVE-KGを介したマルチオミクスデータの異種統合は、研究が進んでいない疾患における発見と臨床予測に効果的です。
• DRIVE-KGは、子宮内膜症の病因に関する新しい遺伝的洞察の発見を促進します。
• 開発されたGCNモデルは、子宮内膜症/子宮腺筋症の診断と層別化を改善する可能性を示しています。