疟疾SED:一个深度学习框架来破译疟疾寄生虫中非编码变体的监管贡献
Chengqi Wang1, Yibo Dong2,3, Chang Li2
1Center for Global Health and Infectious Diseases Research and USF Genomics Program, College of Public Health, University of South Florida, Tampa, FL, USA. chengqi@usf.edu.
Genome biology
|October 16, 2023
概括
一个新的深度学习工具MalariaSED可以预测疟疾寄生虫的基因调节. 它揭示了与寄生虫入侵,药物耐药性和Plasmodium falciparum中的艺术素耐药性相关的非编码变体.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 寄生虫学的寄生虫学
背景情况:
- 疟疾是一个重大的全球健康威胁.
- 非编码基因变异在疟疾寄生虫生物学中的作用尚不清楚.
- 了解转录调节是打击疟疾的关键.
研究的目的:
- 开发一种新的计算框架,用于预测疟疾寄生虫中的染色质谱.
- 研究非编码变体对寄生虫特征的功能影响.
- 确定导致Plasmodium falciparum药物耐药性的遗传因素.
主要方法:
- 开发了MalariaSED,这是一个基于序列的,初始的深度学习模型.
- 使用ChIP-qPCR和转录因子基因数据验证了疟疾SED性能.
- 应用疟疾SED分析了超过130万个遗传变异.
主要成果:
- 疟疾SED准确地预测了疟疾寄生虫中的染色质谱.
- 地理差异化的非编码变体与寄生虫入侵和耐药性有关.
- 在Plasmodium falciparum中,染色素可访问性的变化与素抗性有关.
结论:
- 疟疾SED是一个强大的工具,用于剖析非编码变体在疟疾中的功能作用.
- 非编码变体在疟疾寄生虫适应和耐药性方面发挥着至关重要的作用.
- 这项工作为疟疾病原和治疗挑战的遗传基础提供了新的见解.
