大規模画像研究のための計算およびリソース効率的なゲノムワイド関連解析

科学分野:

• 神経科学
• 遺伝学
• 計算生物学

背景:

• 画像遺伝学は、遺伝的変異と脳画像データを統合します。
• 高次元データは、ボクセルレベルのゲノムワイド関連解析において重大な計算上の課題をもたらします。

研究 の 目的:

• 計算負荷に対処するため、新しいフレームワークであるRepresentation learning-based Voxel-level Genetic Analysis（RVGA）を導入します。
• 統計的検出力を高め、脳画像データの包括的な遺伝的解析を可能にします。

主な方法:

• ボクセルレベルの遺伝的解析のための表現学習ベースのフレームワークであるRVGAを開発しました。
• RVGAは、計算時間とストレージを200倍以上に削減します。
• ボクセル heritability と遺伝的相関のための統一された推定量を実装しました。

主要な成果:

• RVGAをUKバイオバンクデータ（n=53,454）に適用し、海馬の形状と白質微細構造を解析しました。
• 海馬の形状について39個、白質微細構造について275個の新しい遺伝子座を特定しました。
• 脳領域と、教育達成度や統合失調症などの表現型との間の遺伝的相関を発見しました。

結論:

• RVGAは、大規模な画像遺伝学研究のための計算効率の高いソリューションを提供します。
• このフレームワークは、新しい遺伝的関連の発見と脳-表現型の関係の理解を促進します。
• RVGAは、既知の関連を再現し、脳の構造と機能に関する新しい遺伝的洞察を明らかにします。