通过机器学习驱动的基因组变异选择来提高冠状动脉疾病的预测准确性

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:

• 全基因组关联研究 (GWAS) 传统上使用统计方法来识别具有大效果大小的单核酸多态 (SNP).
• 多基因风险评分 (PRS) 汇总了许多SNP的影响,但可能错过了低影响变体的组合.
• 机器学习 (ML) 提供了识别复杂遗传模式的潜力,但在特征选择和临床适用性方面面临挑战.

研究的目的:

• 开发和验证具有特征选择 (ML-FS) 的机器学习管道,用于识别与冠状动脉疾病 (CAD) 相关的显著基因组变异.
• 将ML-FS方法与预测准确性和临床实用性的标准PRS方法进行基准测试.

主要方法:

• 强大的ML-FS管道应用于英国生物库数据,以区分CAD和非CAD个体.
• 该管道与基于PRS的标准方法LDpred2和Lassosum进行了基准测试.
• 交叉验证用于严格评估基于基因组变异的预测模型.

主要成果:

• 在ML-FS算法识别的面板只有50个遗传标记,与已知的风险因素结合时,准确度约为80%.
• 这种准确性接近PRS的性能,但使用的基因变异显著减少,提高了临床可行性.
• 发现了基因变异和CAD之间的新关联.

结论:

• ML-FS提供了一种强大且在临床上适用的策略,用于识别CAD等复杂疾病中的关键遗传变异.
• 与传统的PRS方法相比,这种方法提供了更好的预测准确性,使用了一组减少的遗传标记.
• 这种方法可以揭示新的遗传见解,并促进在临床环境中更实用的遗传风险评估.