了解使用3D卷积神经网络的结构导向变异效应预测
Gayatri Ramakrishnan1, Coos Baakman1, Stephan Heijl2
1Department of Medical Biosciences, Radboud University Medical Center, Nijmegen, Netherlands.
Frontiers in molecular biosciences
|July 21, 2023
概括
DeepRank-Mut使用3D卷积神经网络 (3D-CNNs) 和结构特征预测误解变体的致病性. 这种方法提高了分子诊断中的变异分类准确性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 预测误解变体的致病性对于分子诊断至关重要,但仍然具有挑战性.
- 现有的工具往往难以完全整合各种数据类型,如进化信息和结构特征.
研究的目的:
- 引入DeepRank-Mut,这是一个用于预测误解变体致病性的框架.
- 利用深度学习在3D结构环境中利用氨基酸的物理化学特征.
主要方法:
- 从变体的3D结构环境中提取原子和残留级特征.
- 在多通道3D voxel 网格中特征的表示.
- 训练一个3D卷积神经网络 (3D-CNN) 用于病原性预测.
主要成果:
- 通过结合序列和结构数据,DeepRank-Mut实现了与现有资源可比的性能.
- 在使用十倍交叉验证的独立测试数据集上,获得了0.77的平均准确性.
- 进化信息和邻近残留物的溶剂可访问性显著影响预测.
结论:
- DeepRank-Mut提供了一个强大的深度学习方法,用于蛋白质结构引导的病原性预测.
- 了解变异邻居贡献和疾病机制是改善预测模型的关键.
- 该研究为在变异致病性评估中采用深度学习提供了见解.
