基于LD的深度学习用于使用WGS数据检测阿尔茨海默氏症基因位置
Taeho Jo1, Paula Bice1, Kwangsik Nho1,2
1Indiana Alzheimer Disease Research Center and Center for Neuroimaging, Department of Radiology and Imaging Sciences, Indiana University School of Medicine, Indianapolis, IN 46202, USA.
medRxiv : the preprint server for health sciences
|October 7, 2024
概括
一个新的AI框架Deep-Block通过分析大型基因组数据集来识别阿尔茨海默病 (AD) 的遗传因素. 它确定了与AD风险相关的已知的和新的遗传变异.
科学领域:
- 基因组学就是基因组学.
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 基因组数据集呈指数级增长,需要先进的工具来识别遗传位置.
- 阿尔茨海默病 (AD) 研究需要有效的方法来分析大规模,高通量测序数据.
- 鉴定AD的遗传因素对于理解疾病机制和开发向治疗至关重要.
研究的目的:
- 引入Deep-Block,这是一个多阶段的深度学习框架,用于识别与阿尔茨海默病相关的遗传区域.
- 将生物知识纳入人工智能架构以进行增强的遗传分析.
- 识别导致AD风险的新型单核酸多态 (SNP).
主要方法:
- 使用链接不平衡 (LD) 模式进行基因组细分.
- 选择相关的LD块的注意力稀缺机制.
- 对SNP的TabNet和Random Forest算法进行特征重要性量化.
- 应用到来自阿尔茨海默氏病测序项目 (ADSP) 的大型全基因组测序 (WGS) 数据集.
主要成果:
- 根据AD相关性的30218个LD块的识别和排名.
- 在前1500个LD区块内发现了新型SNP,并证实了已知的变体,如APOE rs429358.
- 通过对13个大脑区域的表达量化特征位置 (eQTL) 分析来确定变异的功能证据.
- 与欧洲阿尔茨海默氏症和痴呆症生物库 (EADB) 和GWAS目录中的已确定的AD位点进行交叉验证.
结论:
- 深度区块有效处理大规模的测序数据,保持SNP交互并最大限度地减少信息丢失.
- 组织特异性eQTL分析支持大脑区域中确定的变异的功能相关性.
- 该框架成功识别了已知的和新的遗传变异,进步了对AD遗传结构的理解.


