クロマチンリモデリングBAF複合体関連神経発達障害に対する遺伝子特異的病原性予測因子

科学分野:

• ゲノミクス
• バイオインフォマティクス
• 計算生物学

背景:

• 全ゲノムシーケンシングは、診断上の課題を生み出す多数の意義不明確変異（VUS）を特定します。
• 遺伝カウンセラーは、患者の診断のために病原性変異とVUSを区別するための正確なツールを必要としています。
• 既存の機械学習（ML）ツールは、臨床応用に必要な遺伝子特異的精度を欠いていることがよくあります。

研究 の 目的:

• 変異病原性予測のための正確で遺伝子特異的なアンサンブル学習MLモデルを作成するためのワークフローを開発すること。
• 希少神経発達疾患遺伝子における意義不明確変異（VUS）の分類を改善すること。

主な方法:

• 複数のMLアルゴリズム、変異位置、および進化的多様性データを活用しました。
• 神経発達障害に関連するSMARCA2およびSMARCA4の変異を使用して15のMLアルゴリズムをスクリーニングしました。
• ランダムフォレスト学習器を調整し、BAF複合体タンパク質のためのアンサンブル予測因子を開発しました。

主要な成果:

• 特定の遺伝子に対するホールドアウトデータで調整されたランダムフォレスト学習器を使用して0.93の精度を達成しました。
• BAF複合体タンパク質のためのアンサンブル予測因子を開発し、0.91の精度を達成しました。
• BAF複合体特異的予測因子は、精度とAUPRCにおいて既存の方法を上回りました。

結論:

• 正確な変異病原性予測には、遺伝子特異的なMLモデルのキャリブレーションが不可欠です。
• 開発されたワークフローは、遺伝カウンセラーのためのMLツールの強化のための効率的で費用効果の高い方法を提供します。
• 改善されたMLツールは、診断のボトルネックを軽減し、希少疾患の原因となる変異の特定を支援できます。