扩展DeepTrio用于敏感检测复杂的新突变模式
Fabian Brand1, Jannis Guski1, Peter Krawitz1
1Institut für Genomische Statistik und Bioinformatik (IGSB), University of Bonn, Bonn, Germany.
NAR genomics and bioinformatics
|February 12, 2024
概括
这项研究引入了一个深度学习框架,以改善在全基因组测序 (WGS) 数据中检测de novo突变 (DNMs) 和集群DNMs (cDNMs),增强遗传疾病的识别.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 新突变 (DNM) 和集群DNM (cDNM) 都与遗传疾病有关.
- 在全基因组测序 (WGS) 数据中准确识别 DNM 存在特异性挑战.
研究的目的:
- 开发和评估一个深度学习框架,以加强在WGS数据中的DNM和cDNM检测.
- 为了利用谷歌的DeepTrio软件来提高变量调用准确度.
主要方法:
- 通过使用HiSeq和NovaSeq平台的WGS三重数据,训练了一个深度学习模型用于DNM和cDNM检测.
- 该框架包含了变种背景的周围序列信息 (110 bp上游和下游).
主要成果:
- DNM检测模型实现了95.7%的灵敏度和89.6%的精度.
- 一个扩展模型改进了cDNM隔离 (76.9%的精度),但在整体DNM检测方面有轻微的权衡.
- 信任概率允许用户定义的灵敏度-特异性权衡.
结论:
- 经过重新训练的DeepTrio框架有效地识别出复杂的突变特征,最小的修改.
- 这种方法为精确的遗传疾病变异分析提供了一个有前途的工具.
更多相关视频
10:41Wild-type Blocking PCR Combined with Direct Sequencing as a Highly Sensitive Method for Detection of Low-Frequency Somatic Mutations
Published on: March 29, 2017
11.7K
08:23Single Droplet Digital Polymerase Chain Reaction for Comprehensive and Simultaneous Detection of Mutations in Hotspot Regions
Published on: September 25, 2018
13.2K
