机器学习增强的单基性疾病的非侵入性产前测试
Noa Liscovitch-Brauer1, Ravit Mesika1, Tom Rabinowitz1,2
1Identifai-Genetics Ltd., Tel Aviv, Israel.
Prenatal diagnosis
|April 30, 2024
概括
这项研究引入了一种先进的非侵入性产前查 (NIPS) 方法,用于准确检测遗传单核酸变异 (SNV),包括具有挑战性的母体变异. 改进的技术提高了单基因疾病的产前诊断.
科学领域:
- 遗传学 是一个遗传学.
- 基因组学就是基因组学.
- 分子生物学分子生物学
背景情况:
- 单核酸变异 (SNV) 是遗传单基因疾病 (SGD) 的主要原因.
- 针对母亲遗传的SNV,非侵入性产前查 (NIPS) 提出了重大挑战.
- 准确识别胎儿SNV对于产前诊断至关重要.
研究的目的:
- 开发和验证一种改进的全基因组方法,用于预测来自母亲和父亲的遗传性SNV.
- 提高NIPS的准确性,特别是在挑战母性遗传SNV时.
- 评估精制的SNV-NIPS方法在不同胎儿分数水平的临床实用性.
主要方法:
- 采用了无细胞DNA (cfDNA) 片段特征,贝叶斯推理和随机森林 (RF) 机器学习分类器的组合.
- 在数以百万计的非致病变体上训练RF模型,以进行精细的预测.
- 在16个单独怀孕和不同胎儿分数 (FF) 水平的家庭中评估了该方法,对每胎儿数百万个遗传变异进行了验证.
主要成果:
- 在ROC曲线 (AUC) 下获得的高平均面积值为:父变异的0.996,母变异的0.81,双变异的0.86和复合异变异的0.95.
- 证明有效的歧视,即使胎儿分数 (FF) 低.
- 在预测致病性SNV方面表现出很高的准确性,在100%的相关家族中正确识别了不受影响/受影响的状态.
结论:
- 成功开发了一种全基因组NIPS方法,能够检测母体和同卵性双性SNVs.
- 在现实临床环境中验证了该方法的性能.
- 改进的SNV-NIPS方法对遗传性疾病的综合性产前诊断有显著的希望.
