相关实验视频
Updated: May 11, 2026
12:31
In Vivo Modeling of the Morbid Human Genome using Danio rerio
Published on: August 24, 2013
20.7K
深度学习模型的表型评估,用于分类生殖系变体的病原性
Ryan D Chow1, Katherine L Nathanson2,3, Ravi B Parikh4,5,6,7
1Department of Medicine, Hospital of the University of Pennsylvania, Philadelphia, PA, USA. chowr@pennmedicine.upenn.edu.
NPJ precision oncology
|October 19, 2024
概括
深度学习模型对预测遗传性乳腺癌风险的遗传变异有前途. 然而,它们的临床实用性对于具有不确定的意义的变异是有限的,特别是在ATM和CHEK2等基因中.
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.
- 计算生物学 计算生物学
背景情况:
- 预测遗传变异的致病性对于诊断遗传性疾病至关重要.
- 深度学习模型为变异性病原性预测提供先进的计算方法.
- 这些模型的实际临床验证,特别是对于遗传性乳腺癌,是必不可少的.
研究的目的:
- 评估最先进的深度学习病原性预测模型的性能.
- 评估模型预测与临床表型 (乳腺癌风险) 在大型队列中的关联.
- 确定这些模型在遗传性乳腺癌基因中具有不确定的意义的变异的临床效用.
主要方法:
- 深度学习病原性预测模型的应用.
- 在关键遗传性乳腺癌基因 (BRCA1,BRCA2,PALB2,ATM,CHEK2) 中错误变异的分析.
- 利用英国生物银行参与者数据,将遗传变异与乳腺癌风险联系起来.
主要成果:
- 对BRCA1,BRCA2和PALB2错误变异的模型预测与乳腺癌风险有关.
- 在ATM和CHEK2变种中没有发现显著的关联.
- 深度学习模型在应用于意义不明的变体时,显示出有限的临床实用性.
结论:
- 深度学习模型显示了预测与某些遗传变异相关的乳腺癌风险的潜力.
- 这些模型的临床实用性目前是有限的,特别是对于具有不确定的意义的变体.
- 为了在遗传性癌症遗传学中获得更广泛的临床应用,需要进一步的细化和验证.
