使用机器学习GWAS平台确定了新的阿尔茨海默病基因和表观症

科学领域:

• 遗传学和基因组学 遗传学和基因组学
• 计算生物学 计算生物学
• 神经科学是一个神经科学.

背景情况:

• 全基因组关联研究 (GWAS) 仅解释了阿尔茨海默病 (AD) 遗传性的一部分.
• 表观性或基因-基因相互作用是复杂遗传性疾病中遗传性缺失的一个来源.
• 现有的方法往往无法捕捉复杂的表皮性效应,限制了发现.

研究的目的:

• 通过先进的机器学习来识别新的AD相关变体和表观相互作用.
• 为了提高对阿尔茨海默病的遗传贡献的理解,超越附加效应.
• 通过独立队列 (ADNI和英国生物库) 验证发现.

主要方法:

• 使用了GWAS的机器学习方法VariantSpark,以及用于探测表皮病的BitEpi.
• 分析了两个独立的队列:阿尔茨海默病神经成像计划 (ADNI) 和英国生物银行.
• 纳入了显著的表观相互作用来建模表型变异.

主要成果:

• 确定了显著的表观相互作用,捕获了比逻辑回归 (LR) 更多的10.41%的表型变异.
• 验证了已知的AD风险位置APOE.
• 发现了两个新的全基因组显著的AD位点,SH3BP4和SASH1,与APOE相互作用.
• 在与APOE的特定相互作用中,SH3BP4和SASH1变体的保护作用得到证明.
• 展示了VariantSpark检测关联的能力,与LR相比,对照数量减少了80%.

结论:

• 皮质相互作用在阿尔茨海默氏症遗传性方面发挥着重要作用.
• SH3BP4和SASH1代表了具有潜在保护机制的新型AD相关位点.
• 像VariantSpark这样的机器学习工具增强了GWAS发现,特别是在较小的队列中.