相关实验视频
Updated: Jun 26, 2025
06:54
Dissection of Human Retina and RPE-Choroid for Proteomic Analysis
Published on: November 12, 2017
11.0K
iGWAS:基于图像的全基因组协会,对视网膜底部图像进行自我监督的深度表型化
Ziqian Xie1,2, Tao Zhang1, Sangbae Kim1
1Department of Molecular and Human Genetics, Baylor College of Medicine, Houston, Texas, United States of America.
PLoS genetics
|May 10, 2024
概括
本研究介绍了基于图像的全基因组关联研究 (iGWAS),使用视网膜图像的自我监督学习来发现与复杂特征相关的遗传因素. 这种新的方法成功地确定了与视网膜表型相关的显著遗传位点.
科学领域:
- 遗传学 是一个遗传学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 目前的成像遗传学研究依赖于专家定义的表型,限制范围.
- 自主监督深度表示学习的进步为自动化表型化提供了新的可能性.
研究的目的:
- 开发和验证基于图像的全基因组关联研究 (iGWAS) 框架.
- 使用对比学习自动从医学图像中提取的表型相关的遗传因素的识别.
主要方法:
- 利用视网膜底部照片的自我监督对比学习来提取128维的表型向量.
- 在EyePACS数据集上训练了模型,并为65,629名英国生物库参与者生成了表型.
- 在提取的视网膜图像表型和视网膜颜色上进行了全基因组关联研究 (GWAS).
主要成果:
- 对视网膜图像表型确定了14个全基因组显著位置 (p<5×10-8).
- 发现了34个视网膜色彩的位置,其中7个与图像表型GWAS重叠.
- 证明与自动衍生的视网膜特征有显著的遗传关联.
结论:
- 确定了iGWAS使用自主监督学习用于医学图像表型化的可行性.
- 这种框架可以从医学图像直接发现具有复杂特征的遗传关联.
- 开辟了大规模基因组研究的新途径,利用对成像数据的深度学习.
