DeepFace:基于深度学习的框架,用于在人类胚胎面发育过程中将面孔裂变相关的变体置于背景中

科学领域:

• 基因组学就是基因组学.
• 发展生物学 发展生物学
• 人工智能的人工智能

背景情况:

• 耳脸裂 (OFCs) 是常见的先天性出生缺陷,具有许多已识别的遗传位点,但因果变异在很大程度上仍然未知.
• 之前的研究已经确定了带有或没有裂口口唇 (CL/P) 和单独裂口口 (CP) 的裂口口的遗传关联.

研究的目的:

• 开发一种新的计算模型,DeepFace,用于评估OFCs中的遗传变异的功能影响.
• 利用人类胚胎面发育关键阶段的表观基因组数据来预测变体功能.

主要方法:

• 开发了DeepFace,一个卷积神经网络,使用SNP活动差异 (SAD) 评分来预测变量功能影响.
• 在204个人类胚胎发育 (怀孕后4-10周) 的表观遗传学试验中训练模型.
• 分析了OFC相关单核酸多态 (SNP) 的SAD得分,并评估了细胞类型的特异性.

主要成果:

• DeepFace在预测和实际表观遗传特征之间实现了0.50-0.83的Pearson中位相关性.
• 与OFC相关的SNP显示出明显更高的SAD分数,表明了特定环境的功能影响.
• 识别了6个SNP,在整个发育过程中具有线性SAD得分关系,表明时间调节作用.
• 热细胞显示OFC风险信号的丰富度最高.

结论:

• DeepFace有效地利用表观遗传学数据,通过预测其功能和监管作用来优先考虑OFC变异.
• 该模型提供了对OFC发展背后的时间和细胞类型特定机制的新见解.
• DeepFace有可能扩展到研究其他复杂疾病和特征.