SPIN:基于性别和路径的可解释神经网络,用于性二态分析

科学领域:

• 遗传学 是一个遗传学.
• 计算生物学 计算生物学
• 精准医学是一门精准的医学.

背景情况:

• 大多数常见疾病在患病率,严重程度和遗传易感性方面都表现出性二态.
• 当前的遗传学和临床研究往往忽略了性别特异性影响,通过将数据分析在组合框架内或单独分析,未能检测基因对性别相互作用.

研究的目的:

• 提出一种新的,统一的,生物学上可解释的深度学习框架 (SPIN) 来分析疾病中的性二态.
• 改进风险预测和识别特定性别的遗传风险位置.

主要方法:

• 开发一个名为SPIN (性别特定预测和解释网络) 的深度学习框架.
• 在TCGA癌症数据集和喘数据集上应用和验证SPIN.

主要成果:

• 在TCGA癌症数据集中,SPIN显著提高了C指数 (预测准确性的衡量标准),达到23.6%.
• SPIN成功地确定了传统方法错过的性别特异性和共享风险位置.
• 该框架在解释生物学途径对性变异和个体风险的贡献方面表现出可解释性.

结论:

• SPIN提供了一种强大的,可解释的方法来分析疾病遗传学和临床结果中的性二态.
• 这一框架增强了疾病风险预测,并促进了新型性别特异性遗传因素的发现.
• SPIN具有开发针对个体特征的精准医学策略的潜力,将性别视为关键的生物因素.