用进化数据的深度生成模型进行疾病变异预测
Jonathan Frazer1, Pascal Notin2, Mafalda Dias1
1Marks Group, Department of Systems Biology, Harvard Medical School, Boston, MA, USA.
一个新的计算模型,EVE (变异效应的进化模型),预测了无疾病标签的蛋白质变异致病性. 这种方法在分类数百万个未知意义的遗传变异方面优于现有的方法和辅助.
科学领域:
- 基因组学
- 计算生物学
- 人类遗传学
背景情况:
- 人类疾病基因中超过98%的蛋白质变异具有未知的临床后果,阻碍了准确的诊断和治疗.
- 目前用于变体解释的计算方法依赖于有限,偏见和可变质量的疾病标签,导致不可靠的预测.
- 高通量实验方法越来越多地使用,但资源密集.
研究的目的:
- 开发一种新的计算方法来预测蛋白质变异致病性,不需要标记疾病数据.
- 利用深度生成模型和进化信息准确评估变异效应.
- 提供可扩展和可靠的工具来分类数百万个未知的遗传变异.
主要方法:
- 开发了EVE (变异效应的进化模型),这是一个深度生成模型,训练了跨生物体的进化序列变化.
- 模拟了序列变异的分布,以隐式捕捉适应性至关重要的蛋白质序列约束.
- 与现有的依赖标签的计算方法和高通量实验预测对比EVE的性能.
主要成果:
- 它的性能优于依赖标记数据的最先进的计算方法.
- EVE的预测性能与高通量实验预测相当或更好.
- 在3219个疾病基因中预测了超过3600万种变异的致病性,分类了超过256,000种未知意义的变异.
结论:
- 使用进化信息的深度生成模型为变异性病原性预测提供了强大的,无标签的方法.
- 在研究和临床环境中,EVE为变异解释提供了有价值的独立证据.
- 这种方法显著提高了解释基因变异及其对人类健康的影响的能力.
更多相关视频
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
相关概念视频
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...
