基于可解释机器学习的缺血性中风的全基因组关联研究
Stefan Nikolić1, Dmitry I Ignatov1, Gennady V Khvorykh2
1Laboratory for Models and Methods of Computational Pragmatics; Department of Data Analysis and Artificial Intelligence, HSE University, Moscow, Russia.
PeerJ. Computer science
|December 9, 2024
概括
这项研究使用先进的全基因组关联研究 (GWAS) 和机器学习确定了131个与缺血性中风 (IS) 相关的候选基因. 发现了新的基因关联,包括ACOT11,以及像GPR26这样的潜在治疗点.
科学领域:
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
- 神经学 神经学
背景情况:
- 缺血性中风 (IS) 的遗传基础尚未完全理解,尽管已确定了许多位点.
- 现有的全基因组关联研究 (GWAS) 需要先进的分析方法来进行全面的遗传发现.
研究的目的:
- 确定与缺血性中风 (IS) 的新型遗传关联.
- 探索机器学习算法的实用性,分析复杂疾病的大规模基因型数据.
- 建立一个共识的方法来整合来自不同分析技术的结果.
主要方法:
- 采用经典统计测试的全基因组关联研究 (GWAS).
- 机器学习算法的应用:逻辑回归,决策树上的梯度提升,TabNet.
- 使用帕雷托最佳解决方案来整合不同分析方法的发现.
- 从基因型和表型数据库中分析了来自欧洲祖先的5,581个个体 (883,749个SNP) 的基因型数据.
主要成果:
- 确定了131个与缺血性中风 (IS) 开始相关的候选基因.
- 在模型动物中确认了先前已知的IS相关基因 (UBQLN1,TRPS1,MUSK).
- 发现了参与脂肪酸代谢的ACOT11和IS之间的一种新兴关联.
- 根据其G-合蛋白受体功能,突出了GPR26作为预防中风的潜在治疗标.
结论:
- 先进的GWAS和机器学习方法有效地识别出缺血性中风 (IS) 的遗传因素.
- 这项研究扩展了已知的IS遗传格局,并提出了新的治疗途径.
- 综合分析框架可以应用于其他复杂疾病的GWAS数据集.
关键词:
全基因组关联研究研究.照亮可使用药物的基因组.可以解释的机器学习.可以解释的神经网络TabNet TabNet.缺血性中风是因为缺血性中风.国家统一计划的重要性SNP在SNP排名中,SNP排名是什么?在XGBoost中使用.更多相关视频
04:41Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration
Published on: January 9, 2020
18.9K
05:19A Mouse Model for Vascular Cognitive Impairment and Dementia Based on Needle-guided Asymmetric Bilateral Common Carotid Artery Stenosis
Published on: November 22, 2024
403
