STIGMA:使用机器学习对单细胞组织特定基因进行优先排序
Saranya Balachandran1, Cesar A Prada-Medina2, Martin A Mensah3
1Institute of Human Genetics, University Hospital Schleswig-Holstein, University of Lübeck and Kiel University, Lübeck, Germany.
American journal of human genetics
|January 16, 2024
概括
我们开发了STIGMA,一种机器学习工具,使用单细胞RNA测序数据来识别与罕见先天性疾病相关的基因. 在发育过程中,STIGMA分析了细胞类型的基因表达,以确定引起疾病的变异.
科学领域:
- 基因组学就是基因组学.
- 发展生物学 发展生物学
- 计算生物学 计算生物学
背景情况:
- 临床外体和基因组测序推进了疾病遗传学,但许多基因仍然没有特征,阻碍了变体解释.
- 现有的基因优先设置方法不考虑组织内的细胞特异性基因表达异质性.
研究的目的:
- 引入STIGMA (使用机器学习对单细胞组织特定基因进行优先排序),这是一种在罕见先天性疾病中优先排序候选基因的新框架.
- 利用单细胞RNA测序 (scRNA-seq) 数据来捕获细胞类型特定的基因表达动态在有机发生过程中.
主要方法:
- 将STIGMA应用于小鼠肢体和人类胎儿心脏的scRNA-seq数据集.
- 训练机器学习模型来学习跨细胞类型的时间基因表达模式.
- 优先考虑的候选基因和与先天性形相关的变异.
主要成果:
- 在345个遗传基因中,STIGMA发现了469个用于先天性四肢形的变异,突出了UBA2.2.
- 对于先天性心脏缺陷,在7,958个个体中检测到34个具有非同义de novo变异 (nsDNVs) 的基因,包括Prdm1正义.
- 通过分析细胞群异质性,证明了STIGMA通过分析细胞群异质性来优先考虑组织特异性基因的能力.
结论:
- 通过集成scRNA-seq数据,STIGMA有效地优先考虑罕见先天性疾病的候选基因.
- 该框架模拟细胞特异性表达异质性的能力增强了与疾病相关的基因和因果变异的发现.
