从使用条件变化自编码器的大规模并行报告员试验中进行调节变异的in silico生成和增强

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 分子生物学分子生物学

背景情况:

• 难以预测非编码基因变异的功能.
• 大规模并行报告员分析 (MPRA) 识别了监管变体,但产生了有限的培训数据.
• 目前的方法与对调节变异的全基因组预测扎.

研究的目的:

• 开发一个深度生成模型,MpraVAE,用于基生成和标记变体的增强.
• 为了提高MPRA监管变体的预测性能.
• 为了实现对基因发现的调节变异的全基因组预测.

主要方法:

• 提出了MpraVAE,一个深度生成模型.
• 在多个MPRA数据集上进行基准MpraVAE.
• 应用MpraVAE用于对调节变异的全基因组预测,专注于自身免疫性疾病.

主要成果:

• 与基线和现有方法相比,MpraVAE显著改善了预测性能.
• 预测的调节变异显示免疫细胞中的调节元素 (增强剂,活性基因素标记,开放色素) 的丰富.
• 预测的变异通过染色质相互作用将免疫相关基因联系在一起,突出显示了MpraVAE的实用性.

结论:

• MpraVAE有效地增强了MPRA数据,用于对监管变异的稳健的全基因组预测.
• 该模型有助于识别与复杂特征相关的功能遗传变异,例如自身免疫性疾病.
• 通过将非编码变异与基因调节和疾病关联联系起来,MpraVAE促进了基因发现.