有效的多现象全基因组分析确定了无监督深度学习衍生的高维大脑成像现象的遗传关联

科学领域:

• 神经成像遗传学 神经成像遗传学
• 计算神经科学是一种神经科学.
• 统计基因组学 统计基因组学

背景情况:

• 大脑成像提供了丰富的关于大脑结构和病理学的数据.
• 之前的遗传研究集中在个体图像衍生表型 (IDP) 上,确定了一些遗传位置.
• 无监督的深度学习衍生成像表型 (UDIP) 提供了一个高维的方法,但单个表型分析可能会错过复杂的遗传关联.

研究的目的:

• 开发和验证一个新的工具,多现象型GWAS的联合分析 (JAGWAS),用于高效的多变量关联统计.
• 与单个表型方法相比,识别与脑成像表型相关的更多遗传位置.
• 探索新发现的遗传位点的神经生物学功能.

主要方法:

• 开发了JAGWAS,这是一个用于从单个现象型总结统计数据计算多变量关联统计的工具.
• 应用JAGWAS到无监督的深度学习从英国生物库队列中的T1和T2脑MRI数据中获得成像表型 (UDIP).
• 进行独立复制并将已识别的基因位置映射到基因,评估与大脑组织表达量化特征位置 (eQTLs) 的重叠.

主要成果:

• JAGWAS确定了T1/T2脑成像表型的195/168个独立复制的基因组位点,比单个表型GWAS增加了6倍.
• 复制的基因位点被映射到555/494个基因,与大脑组织eQTLs有显著的重叠 (217/188个基因).
• 基因丰富分析揭示了与神经生物学功能的强烈关联.

结论:

• 使用JAGWAS的多现象型GWAS是一种强大的策略,用于在高维的大脑成像数据中进行遗传发现.
• 这种方法显著增加了与大脑结构和病理学相关的遗传位置的产量.
• 这些已识别的基因为了解大脑功能和疾病提供了新的目标.