对患有遗传性疾病的患者的全外体测序数据中单核酸变异的诊断:使用人工智能变异优先级的机器学习研究
Yu-Shan Huang1, Ching Hsu2, Yu-Chang Chune1
1Department of Computer Science and Information Engineering, National Taiwan University, Taipei City, Taiwan.
JMIR bioinformatics and biotechnology
|June 27, 2024
概括
这项研究开发了一种人工智能模型,自动解释下一代测序数据中的遗传变异,显著提高了诊断罕见遗传疾病的速度和准确性.
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.
- 机器学习 机器学习
背景情况:
- 下一代测序 (NGS) 能够快速测序整个基因组,推动其在遗传性疾病的临床诊断中被采用.
- 处理NGS数据,特别是单核酸变体 (SNVs),涉及复杂的生物信息学管道和手动解释挑战.
研究的目的:
- 开发一种自动化机器学习模型,快速解释通过NGS识别的遗传变异.
- 帮助医生有效地从患者外体数据中识别引起疾病的变异,减少手动审查时间.
主要方法:
- 使用全外因组测序 (WES) 和基因面板数据构建了一个机器学习模型,整合了来自多个遗传数据库的变异注释.
- 从108名罕见遗传疾病患者的WES数据中训练并测试了该模型,并将从电子医疗记录中提取的表型信息纳入其中.
- 利用一个关键词提取工具,自动处理自由文本的表型信息用于模型输入.
主要成果:
- 人工智能模型在92.5%的患者中成功识别了前10名候选人中的致病变体.
- 在61.1%的患者中,AI变异优先级实现了最高级别的识别,超过了其他优先级工具.
- 纳入人体现象本体学 (HPO) 术语提高了前10名排名的准确性,达到93.5%.
结论:
- 成功集成WES数据和自动提取的表型信息用于变异解释模型培训和测试.
- 开发的模型表现出与手动分析相当的性能,有助于基因诊断.
- 在国家台湾大学医院实施了AI变异优先级,以支持遗传诊断工作流程.
