使用深度设置网络集成变体注释可以促进罕见变体关联测试
Brian Clarke1,2, Eva Holtkamp3,4,5, Hakime Öztürk6
1Division of Computational Genomics and Systems Genetics, German Cancer Research Center (DKFZ), Heidelberg, Germany. brian.clarke@dkfz-heidelberg.de.
深度罕见变异关联测试 (DeepRVAT) 使用神经网络来分析罕见的遗传变异,改善基因发现并识别患有疾病的高遗传风险的个体.
科学领域:
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 罕见的遗传变异显著影响表型,但由于载体数量低和多重测试负担,在遗传分析中存在统计挑战.
- 现有的方法缺乏数据驱动的丰富变异注释集成,以进行强大的罕见变异关联测试.
研究的目的:
- 引入深度罕见变异关联测试 (DeepRVAT),这是分析罕见遗传变异的新型模型.
- 通过以数据驱动的方式整合变体注释,使得强大的罕见变体关联测试成为可能.
- 为了促进基因发现和特征预测,使用罕见变异数据.
主要方法:
- 开发了DeepRVAT,一个集神经网络模型.
- 该模型从罕见变异注释和表型中学习特征不可知基因损伤得分.
- 应用了DeepRVAT对来自英国生物银行的34个定量特征和63个二进制特征的整体外因子测序数据.
主要成果:
- DeepRVAT在各种特征的基因发现方面取得了实质性的改进.
- 该方法提高了对高遗传风险个体的检测.
- 在生物库规模上展示了校准和计算效率高的罕见变异测试.
结论:
- DeepRVAT为罕见变异遗传分析提供了一种强大的方法.
- 该模型有助于发现人类疾病的遗传风险因素.
- 深度RVAT推进了遗传研究的变异注释的整合.
更多相关视频
09:34Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
Published on: April 4, 2018
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
相关概念视频
Comparing Copy Number Variations and SNPs
Copy number variations or CNVs are the structural variations that cover more than 1kb of DNA sequence. The single nucleotide polymorphism (SNP), on the other hand, is a single nucleotide change or a point mutation that is found in more than 1%...
Single Nucleotide Polymorphisms-SNPs
Improving Translational Accuracy
Genetic Variation
Genes exist in different versions called alleles,...
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Genomics
